CN113643170B - 一种大数据驱动的公共场所聚集人群疏散方法及装置 - Google Patents

一种大数据驱动的公共场所聚集人群疏散方法及装置 Download PDF

Info

Publication number
CN113643170B
CN113643170B CN202111195556.7A CN202111195556A CN113643170B CN 113643170 B CN113643170 B CN 113643170B CN 202111195556 A CN202111195556 A CN 202111195556A CN 113643170 B CN113643170 B CN 113643170B
Authority
CN
China
Prior art keywords
personnel
navigation
people
path
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111195556.7A
Other languages
English (en)
Other versions
CN113643170A (zh
Inventor
付佳
冯灏
张软玉
曾阳阳
尹玄鲲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maple Valley Chengdu Technology Co ltd
Original Assignee
Maple Valley Chengdu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Maple Valley Chengdu Technology Co ltd filed Critical Maple Valley Chengdu Technology Co ltd
Priority to CN202111195556.7A priority Critical patent/CN113643170B/zh
Publication of CN113643170A publication Critical patent/CN113643170A/zh
Application granted granted Critical
Publication of CN113643170B publication Critical patent/CN113643170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Alarm Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种大数据驱动的公共场所聚集人群疏散方法及装置，包括获取公共场所的场景相关信息数据和公共场所的人群特征数据；根据公共场所的场景相关信息数据，构建公共场所二维离散地图；根据公共场所二维离散地图，设置导航点，构建路径地图；根据导航点的位置分布，采用基于多模态数据的区域定位方法对人员进行定位，得到人员的位置信息；根据公共场所的人群特征数据，采用公共场所人员分类方法对公共场所人员进行分类，得到待疏散人群的分类结果；根据分类结果，按照人员类型设置导航目的地；并根据导航目的地及人员的位置信息，更新路径地图，生成各类人员的导航路径；从而得到三维地图上导航点离出口的最短有效距离，作为疏散路径。

Description

一种大数据驱动的公共场所聚集人群疏散方法及装置
技术领域
本发明涉及大数据分析和利用技术领域，具体涉及一种大数据驱动的公共场所聚集人群疏散方法及装置。
背景技术
虽然公共安全是各级管理者都非常重视和随时强调的重要问题，但是突发灾难仍然防不胜防。比如体育场馆、音乐会演出场所、地铁、商场、宾馆等人群聚集地，一旦发生火灾、爆炸、恐袭、地震等突发事件，直接的一次受灾人群往往是局部的、少量的，但是由于恐慌情绪在人群中弥散，会造成个体认知能力下降，丧失场地探索能力、路径规划能力和对其他行人运动的预测能力，进而大幅降低个人的自主导航和避免碰撞的能力。其后果是个体有效行动速度降低和个体之间发生碰撞的概率上升，并进一步引发整个人群涌现出各种灾难性行为（如拥挤、踩踏等群体事故），引起二次或多次伤害。另一方面，由于公共场所，人群流动性大，大部分人对场馆空间结构不了解，也没有应急逃生的经验，所以无法在短时间内，通过自主探索获得优化的逃生路径，进一步降低了其有效行动的速率，最终延误了最佳逃离时间，造成不必要的伤亡。最后，公共场所还存在一些生理上导航、行动和避障能力较弱的群体，比如残疾、老人、孕妇和小孩等，他们的有效行动能力、避免碰撞的能力以及自主导航的能力均存在生理上的限制，所以很难自主完成逃生，并且由于其缓慢和低效的行动，会降低逃生通道的有效容量，甚至可能作为新的碰撞障碍源头，引发碰撞和拥堵，进一步加剧群体的疏散风险。
而现有技术中大多采用自发的人群逃生行为方法或者简单的路径规划方法进行逃生，定位不准确，不能根据人群进行个性化的逃生方案制定和路径规划导航，疏散效果差，极易引起碰撞、拥堵和踩踏等恶性事件，从而增加了突发事故中的二次和多次人员伤害，带来严重的后果。
发明内容
本发明所要解决的技术问题是现有技术中大多采用自发的人群逃生行为方法或者简单的路径规划方法进行逃生，定位不准确，不能根据人群进行个性化的逃生方案制定和路径规划导航，疏散效果差，极易引起碰撞、拥堵和踩踏等恶性事件，从而增加了突发事故中的二次和多次人员伤害，带来严重的后果。
本发明目的在于提供一种大数据驱动的公共场所聚集人群疏散方法及装置，该方法能够通过人群的运动信息，以及人群中每个个体的特征信息，根据这些信息本发明开发了相应的算法对人群进行分类，并据此进行个性化的逃生方案制定和路径规划导航，从根源上避免了碰撞、拥堵和踩踏等恶性事件，从而大大降低了突发事故中的二次和多次人员伤害。
本发明通过下述技术方案实现：
第一方面，本发明提供了一种大数据驱动的公共场所聚集人群疏散方法，该方法包括：
获取公共场所的场景相关信息数据和公共场所的人群特征数据；
根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；
根据所述公共场所二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对公共场所的人员进行定位，得到人员的位置信息；
根据所述公共场所的人群特征数据，采用公共场所人员分类方法对公共场所人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；根据待疏散人群的人员类型和其对应的疏散路径，实现人群疏散。
工作原理是：基于现有技术中大多采用自发的人群逃生行为方法或者简单的路径规划方法进行逃生，定位不准确，不能根据人群进行个性化的逃生方案制定和路径规划导航，疏散效果差，极易引起碰撞、拥堵和踩踏等恶性事件，从而增加了突发事故中的二次和多次人员伤害，带来严重的后果的问题；针对以上问题，因此，本发明考虑首先尽可能地提高群体中所有个体的导航、避免碰撞和行动能力，然后通过合理地分类和重组，提高群体的导航、避障和有效行动能力，最终从根源上消除群体拥挤和踩踏事故的发生。
本发明具体涉及一种面对公共场所突发事故时，结合场所结构数据、场所人群定位信息、场所人群个体特征数据，利用聚类和路径规划技术制定个性化疏散方案，并通过视觉和听觉信息通道对人员进行个性化导航和避障引导。本发明方法能够掌握人群的运动信息，以及人群中每个个体的特征信息，根据这些信息采用公共场所人员分类方法对人群进行分类，并据此进行个性化的逃生方案制定和路径规划导航，从根源上避免了碰撞、拥堵和踩踏等恶性事件，从而大大降低了突发事故中的二次和多次人员伤害。具体来讲本发明有以下创新效用：（1）采用基于多模态数据的区域定位方法更准确和可靠地实现个体在复杂环境下的定位。（2）采用采用公共场所人员分类方法对公共场所人员进行分类，是基于人群角色分配对不同人员进行个性化施救。（3）设计了考虑拥堵等环境特征影响的路径规划方法，从而为每个人定制出最优的动态逃生策略。（4）采用了可视化方法展示信息，比如用热力图呈现不同地理位置的逃生难易程度。（5）采用实时视频、语音等多模式配合的疏散导航方法确保人员快速、正确的理解和执行疏散方案。
本发明方法定位准确，根据人群进行个性化的逃生方案制定和路径规划导航，路径规划明显优于现有技术，疏散效果佳，有效避免碰撞、拥堵和踩踏等恶性事件，从而减少了突发事故中的二次和多次人员伤害。
进一步地，所述公共场所的场景相关信息数据包括公共场所的空间建筑结构、装修图纸、3D数字模型等；
所述公共场所的人群特征数据包括人员的简历信息、过往出入公共场所某个区域如店铺的时间、地点信息、公共场所消费、业务办理、签到等信息以及平时公共场所的人员密度分布信息，所述人员的简历信息包括职业、性别、姓名、年龄、岗位、个人经历等。
进一步地，所述的根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；具体是根据所述公共场所的场景相关信息数据，将公共场所中人员通过行走可触达的行动表面，根据属性映射到二维网格空间，形成公共场所的二维平面离散地图；具体包括：
根据所述公共场所的场景相关信息数据，进行公共场所的二维网格划分，区分障碍、通道、楼梯、出口、滞留区五种属性区域；每个网格标记有属性和ID，属性相同的相邻网格处于连通状态，存储数据结构为二维矩阵；二维矩阵的索引指标（ij）与真实空间位置有一一对应的关系；一系列相邻网格的连接形成一条路径，可以用数组、链表等顺序数据结构储存；
其中，障碍区域为人员通过行走无法或者不应该达到的区域，比如墙壁，楼层之间的物理隔离等都归类为障碍；滞留区域为人员可以在此等待撤离的区域，并且滞留区的设置要避开通道和楼梯。
进一步地，所述基于多模态数据的区域定位方法包括对人员进行被动定位法、对人员进行主动定位法和对未能定位人员进行位置估计法；
所述对人员进行被动定位法，是根据所述导航点的位置分布，布置足够数量的室内被动定位系统，所述室内被动定位系统通过与人员手机的信号交互来获取行人的位置；所述室内被动定位系统包括wifi热点、5G、蓝牙等；
所述对人员进行主动定位法，是在公共场所的导航点，通过现场张贴、投影二维码的形式，公共场所人员还可以通过扫码的形式快速获取当前位置，实施主动定位；同时在导航点提供简短的数字字符串，行人在扫码失败的情况下可以通过手动输入数字字符串来提交位置信息；
所述对未能定位人员进行位置估计法，是通过所述对人员进行被动定位法、所述对人员进行主动定位法均无法检索到的人员，即主动定位和被动定位均失败者，则根据其个人特征数据，利用统计和机器学习算法估算其位置。
进一步地，所述对未能定位人员进行位置估计法，根据其个人特征数据，利用统计和机器学习算法估算其位置；具体包括：
检索人员历史信息，统计在事故时间段，该人员常去的公共场所位置，将其设定为人员的估算位置；
如果没有检索到人员历史信息，则采用机器学习的算法：首先，检索公共场所人群特征和位置分布的历史数据；利用公共场所人群特征作为输入、和其过往出入场所的时间和地点信息作为输出，建立训练数据集；然后，通过机器学习算法（比如决策树等），在训练数据集中学习个人特征数据和其出现位置之间的概率关系，以此预测未检索人员的大概位置。
进一步地，所述公共场所人员分类方法具体包括以下步骤：
A1.根据所述公共场所的人群特征数据（个人简历信息），通过关键词匹配，筛选出公共场所内正在任职的安保人员作为助他型人员；如保安，消防等。
A2.根据所述公共场所的人群特征数据（个人简历信息），通过关键词匹配，筛选出年龄在60岁以下的职业为军人、警察、消防员和保安等人员；根据公共场所出入和消费、业务办理、签到等数据统计，判断筛选出的人员是否熟悉场所地形；如果筛选出的人员熟悉场所地形，将其列为助他型人员；其中，判断筛选出的人员是否熟悉场所地形的判断标准为：有5次以上的公共场所出入或者消费记录；
A3.据所述公共场所的人群特征数据（个人简历信息），通过关键词匹配，筛选出残疾或年纪大于80岁的人员，将其列为一键求助型人员；
A4.据所述公共场所的人群特征数据（个人简历信息），通过关键词匹配，筛选出年纪为60到80岁之间的人员，将其列为被助型人员；
A5.根据一键求助型、被助型人员分布以及助他型人员分布，判断是否有设定阈值的助他型人员，如果达到设定阈值，就将剩下的所有人标记为自助型人员；如果未达到设定阈值，将A2中不熟悉地形的军人、警察等人员标记为助他型人员；最终助他型人员总数与一键求助型和被助型人员的数量关系为：
Figure 647837DEST_PATH_IMAGE002
；
A6.在逃生的过程中出现受伤的人员，所述受伤的人员通过便携式终端求助，此时所述受伤的人员会被标注为一键求助型。
进一步地，所述各类人员的导航路径的生成步骤如下：
B1.对于自助型人员，导航目的地设为场所出口，根据常规人员疏散路径地图规划算法为其生成导航路径；
B2.对于助他型人员，按照距离远近，一对一地分配助他型人员；把助他型人员的目的地设置为一键求助型人员的位置；并利用常规人员疏散路径地图规划算法为助他型人员生成导航路径；将剩下的助他型人员，利用k-means等聚类算法，根据被助型人员位置分布，设置导航目的地；
B3.对于被助型人员，根据步骤B2所计算出来的自己所属的类别，设置自己的导航目标为类别的中心点，并利用基于最短有效路径的导航方法，生成对应的导航路径。
进一步地，所述基于最短有效路径的导航方法，计算最短有效距离的步骤包括：
根据场所人流量特点，生成人员密度和速度分布；根据所述人员的位置信息，统计二维离散地图中每个网格的人员数目，计算网格的人员密度；计算公式为：
Figure 540707DEST_PATH_IMAGE004
根据位置随时间的变化，计算人员的移动速度；
假设第k个人，在标号为i，j的网格附近，在
Figure 658836DEST_PATH_IMAGE006
时间内，位置从
Figure 461707DEST_PATH_IMAGE008
变到
Figure 131722DEST_PATH_IMAGE010
，那么该人员在三个方向上的平均分速度为：
Figure 387254DEST_PATH_IMAGE012
式中，
Figure 43495DEST_PATH_IMAGE014
为人员
Figure 559927DEST_PATH_IMAGE016
轴方向上的平均分速度；
Figure 72948DEST_PATH_IMAGE018
为人员
Figure 815776DEST_PATH_IMAGE020
轴方向上的平均分速度；
Figure 275707DEST_PATH_IMAGE022
为人员
Figure 912225DEST_PATH_IMAGE024
轴方向上的平均分速度；
Figure 799409DEST_PATH_IMAGE026
为利用主动和被动定位获得的人员在时刻 t 所处
Figure 623009DEST_PATH_IMAGE016
轴方向上的坐标值；
Figure 886631DEST_PATH_IMAGE028
为利用主动和被动定位获得的人员在时刻 t 所处
Figure 112076DEST_PATH_IMAGE020
轴方向上的坐标值；
Figure 435741DEST_PATH_IMAGE030
为利用主动和被动定位获得的人员在时刻 t 所处
Figure DEST_PATH_IMAGE031
轴方向上的坐标值；
Figure DEST_PATH_IMAGE033
为经过一段时间
Figure DEST_PATH_IMAGE035
后，利用主动和被动定位获得的人员所处
Figure 356424DEST_PATH_IMAGE016
轴方向上新的坐标值；
Figure DEST_PATH_IMAGE037
为经过一段时间
Figure 949036DEST_PATH_IMAGE038
后，利用主动和被动定位获得的人员所处
Figure 904354DEST_PATH_IMAGE020
轴方向上新的坐标值；
Figure 523554DEST_PATH_IMAGE040
为经过一段时间
Figure DEST_PATH_IMAGE041
后，利用主动和被动定位获得的人员所处
Figure 728270DEST_PATH_IMAGE042
轴方向上新的坐标值；时间
Figure DEST_PATH_IMAGE044A
的取值小于2分钟。
规定第k个人通过标号为i，j的网格的速度
Figure DEST_PATH_IMAGE046
为：
Figure 474640DEST_PATH_IMAGE048
利用等效距离，考虑安全和通过时间对路径选择的影响；如果人员密度高于预设阈值（比如2人/平方米），则将该网格的等效距离设置为无穷（相当于断开）；把第k个人，通过i，j处网格的时间标记为
Figure 284465DEST_PATH_IMAGE050
，根据通过速度计算该人员通过网格的时间为：
Figure 74566DEST_PATH_IMAGE052
考察一段时间，比如1分钟内，通过网格的所有人员的平均时间
Figure 235420DEST_PATH_IMAGE054
为：
Figure 503590DEST_PATH_IMAGE056
式中，n为通过人员的总数；
1个网格的等效距离
Figure 699079DEST_PATH_IMAGE058
设置为：
Figure 660082DEST_PATH_IMAGE060
式中，k与b为超参数，用于设置考虑拥堵等情况的重要程度；k表示拥堵带来的路径增长效应；b为偏置项目，用来保证拥堵时，等效路径的绝对长度要大于未拥堵时；
根据所述等效路径，重新计算并更新路径地图及其对应的距离矩阵，然后再次使用最短路径算法如Ｄijkstra就可以找到任意两个导航点之间的等效最短路径和相应的路径长度；把最短路径及其长度储信息存储起来。
根据等效最短路径搜索结果，得到地图上导航点离出口的最短有效距离。
进一步地，所述的根据待疏散人群的人员类型和其对应的疏散路径，进行人群疏散；具体包括：
根据待疏散人群的人员类型和其对应的疏散路径，利用公共场所的3D数字模型，以箭头标识行进方向，生成动态的导航动画，且动画中配有语音和文字方式提醒。
第二方面，本发明又提供了一种大数据驱动的公共场所聚集人群疏散装置，包括获取单元、离散地图构建单元、路径地图构建单元、人员定位单元、人员分类单元、导航路径生成单元、疏散路径计算单元、输出单元；
所述获取单元，用于获取公共场所的场景相关信息数据和公共场所的人群特征数据；
所述离散地图构建单元，用于根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；
所述路径地图构建单元，用于根据所述公共场所二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
所述人员定位单元，用于根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对公共场所的人员进行定位，得到人员的位置信息；
所述人员分类单元，用于根据所述公共场所的人群特征数据，采用公共场所人员分类方法对公共场所人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
所述导航路径生成单元，用于根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；
所述疏散路径计算单元，用于根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；
所述输出单元，用于输出待疏散人群的人员类型和其对应的疏散路径，实现人群疏散。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明方法及装置能够掌握人群的运动信息，以及人群中每个个体的特征信息，根据这些信息采用公共场所人员分类方法对人群进行分类，并据此进行个性化的逃生方案制定和路径规划导航，从根源上避免了碰撞、拥堵和踩踏等恶性事件，从而大大降低了突发事故中的二次和多次人员伤害。具体来讲本发明有以下创新效用：（1）采用基于多模态数据的区域定位方法更准确和可靠地实现个体在复杂环境下的定位。（2）采用采用公共场所人员分类方法对公共场所人员进行分类，是基于人群角色分配对不同人员进行个性化施救。（3）设计了考虑拥堵等环境特征影响的路径规划方法，从而为每个人定制出最优的动态逃生策略。（4）采用了可视化方法展示信息，比如用热力图呈现不同地理位置的逃生难易程度。（5）采用实时视频、语音等多模式配合的疏散导航方法确保人员快速、正确的理解和执行疏散方案。
2、本发明方法及装置定位准确，根据人群进行个性化的逃生方案制定和路径规划导航，路径规划明显优于现有技术，疏散效果佳，有效避免碰撞、拥堵和踩踏等恶性事件，从而减少了突发事故中的二次和多次人员伤害。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一种大数据驱动的公共场所聚集人群疏散方法流程图。
图2为本发明进行二维网格划分的模式图。
图3为本发明通过导航点和相邻导航点的距离方式构建路径地图。
图4为本发明实施例中将剩下的助他型人员利用k-means等聚类算法，根据被助型人员位置分布，设置导航目的地的示意图。
图5为本发明实施例中设置导航点的示意图。
图6为本发明实施例中设置导航点并计算出两个相邻导航点间的距离的示意图。
图7为本发明一种大数据驱动的公共场所聚集人群疏散装置结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1所示，本发明一种大数据驱动的公共场所聚集人群疏散方法，本实施例的公共场所是以商场进行实施，该方法包括：
获取商场的场景相关信息数据和商场的人群特征数据；
根据所述商场的场景相关信息数据，构建商场二维离散地图；
根据所述商场二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对商场的人员进行定位，得到人员的位置信息；
根据所述商场的人群特征数据，采用商场人员分类方法对商场人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；根据待疏散人群的人员类型和其对应的疏散路径，实现人群疏散。
本实施例中：所述商场的场景相关信息数据包括商场的空间建筑结构、装修图纸、3D数字模型等；实施时，通过商场管理者和建筑商获取商场的空间建筑结构、装修图纸、3D数字模型等商场的场景相关信息数据。
所述商场的人群特征数据包括人员的简历信息、过往出入商场店铺的时间、地点信息、商场消费信息以及平时商场的人员密度分布信息，所述人员的简历信息包括职业、性别、姓名、年龄、岗位、个人经历等。实施时，通过天府健康通、商场监控视频、现场调查等数据源，获取商场的人群特征数据。
本实施例中，所述的根据所述商场的场景相关信息数据，构建商场二维离散地图；具体是根据所述商场的场景相关信息数据（商场的空间建筑结构和现场环境的装修图纸等信息），将商场中人员通过行走可以触达的行动表面，根据属性映射到二维网格空间，形成商场的二维平面离散地图；
根据所述商场的场景相关信息数据，进行商场的二维网格划分，区分障碍、通道、楼梯、出口、滞留区五种属性区域；每个网格标记有属性和ID，属性相同的相邻网格处于连通状态，存储数据结构为二维矩阵；二维矩阵的索引指标（ij）与真实空间位置有一一对应的关系；一系列相邻网格的连接形成一条路径，可以用数组、链表等顺序数据结构储存；
具体来说，按照图2的模式进行二维网格划分，网格的边长以行人静止时所占的体积来估算，可以设置为边长为1米的正方形。每个正方形区域要根据其所在位置，区分障碍、通道、楼梯、出口、滞留区五种属性。其中，障碍区域为人员通过行走无法或者不应该达到的区域，比如墙壁，楼层之间的物理隔离等都归类为障碍；楼梯、通道、出口和滞留区为可以行动的区域；滞留区域为人员可以在此等待撤离的区域，并且滞留区的设置要避开通道和楼梯。
本实施例中，所述构建路径地图，是根据商场二维离散地图，按照图5的方式，设置导航点，导航点要足够密集，使得两个导航点间有直线连接。这种连接方式可以方便地计算出两个相邻导航点间的距离，如图6所示。通过导航点和相邻导航点的距离，按照图3的方式可以构建路径地图；导航点是图中的节点，节点的边是导航点间的连通情况，边上的数字是两个导航点间的直线连接距离。这些数据可以通过矩阵的形式储存。矩阵的元素
Figure 42653DEST_PATH_IMAGE062
用于储存第i个节点到第j个节点的距离。如果两个节点未直接连通，设置初始距离为
Figure 114514DEST_PATH_IMAGE064
。
利用路径地图（距离矩阵），使用最短路径算法（如Dijkstra算法）可以得到导航点之间的最短路径，返回相应的节点连接顺序和该路径的总长度。节点连接顺序可以以数组、链表等有序数据结构存储。最终路径地图的信息以二维矩阵的形式储存。矩阵的元素
Figure 164510DEST_PATH_IMAGE062
用于储存第i个导航点到第j个导航点的最短距离。
本实施例中，所述基于多模态数据的区域定位方法中的多模态数据的区域定位是指通过多种模式和形态的数据对复杂场所的位置地图进行精确定位。在确定范围、确定时间段内具体实现方式如下：
1）商场人员入场时通过扫码、验票等方式登记申报。
2）在场所事先部署定位标志，如张贴二维码、N位位置短编码字符串、路牌、门牌号码等信息，构成静态场馆地图。
3）突发事故时用户可根据自身习惯和实际情况选择扫码、输入编码、拍照、录音等主动行为上传确定时刻个人的准确位置。
4）无法在紧急情况下主动申报定位的人员，可通过入场人员与已上传定位信息的人员数据比对后被检索，这部分人员可根据场馆5G、蓝牙和WiFi信号等对人员进行被动定位。
5）用以上方法都无法检索到的人员，即主动定位和被动定位均失败者，则根据其个人特征数据，利用统计和机器学习算法估算其位置。
具体地，所述基于多模态数据的区域定位方法包括对人员进行被动定位法、对人员进行主动定位法和对未能定位人员进行位置估计法；
所述对人员进行被动定位法，是根据所述导航点的位置分布，布置足够数量的室内被动定位系统，所述室内被动定位系统通过与人员手机的信号交互来获取行人的位置；所述室内被动定位系统包括wifi热点、5G、蓝牙等；
所述对人员进行主动定位法，是在商场的导航点，通过现场张贴、投影二维码的形式，商场人员还可以通过扫码的形式快速获取当前位置，实施主动定位；同时在导航点提供简短的数字字符串，行人在扫码失败的情况下可以通过手动输入数字字符串来提交位置信息；
所述对未能定位人员进行位置估计法，是通过所述对人员进行被动定位法、所述对人员进行主动定位法均无法检索到的人员，即主动定位和被动定位均失败者，则根据其个人特征数据，利用统计和机器学习算法估算其位置。
具体地，所述对未能定位人员进行位置估计法，根据其个人特征数据，利用统计和机器学习算法估算其位置；具体包括：
检索人员历史信息，统计在事故时间段，该人员常去的商场位置，将其设定为人员的估算位置；
如果没有检索到人员历史信息，则采用机器学习的算法：首先，检索商场人群特征和位置分布的历史数据；利用利用大量个人的身份信息（如职业、性别、姓名、年龄等）作为输入、和其过往出入场所的时间和地点信息作为输出，建立训练数据集；然后，通过机器学习算法（比如决策树等），在训练数据集中学习个人特征数据和其出现位置之间的概率关系，以此预测未检索人员的大概位置。
上述基于多模态数据的区域定位方法中人员定位信息的存储数据结构如下表1所示：
表1 人员定位信息的存储数据结构
Figure 171780DEST_PATH_IMAGE066
本实施例中，所述商场人员分类方法对商场人员进行分类，根据在场人员的年龄、性别、职业、人生经历等个人简历信息以及本场所的出入和消费信息等将待疏散人群分为自助型、助他型、被助型和一键求助型。
首先，采集个人特征数据，包括年龄、性别、职业、人生经历等个人简历信息以及本场所的出入和消费信息等。其次，建立人员分类系统，将待疏散人群分为自助型、助他型、被助型和一键求助型。具体包括以下步骤：
A1.根据所述商场的人群特征数据（个人简历信息），通过关键词匹配，筛选出商场内正在任职的安保人员作为助他型人员；如保安，消防等。
A2.根据所述商场的人群特征数据（个人简历信息），通过关键词匹配，筛选出年龄在60岁以下的职业为军人、警察、消防员和保安等人员；根据商场出入和消费、业务办理、签到等数据统计，判断筛选出的人员是否熟悉场所地形；如果筛选出的人员熟悉场所地形，将其列为助他型人员；其中，判断筛选出的人员是否熟悉场所地形的判断标准为：有5次以上的商场出入或者消费记录；
A3.据所述商场的人群特征数据（个人简历信息），通过关键词匹配，筛选出残疾或年纪大于80岁的人员，将其列为一键求助型人员；
A4.据所述商场的人群特征数据（个人简历信息），通过关键词匹配，筛选出年纪为60到80岁之间的人员，将其列为被助型人员；
A5.根据一键求助型、被助型人员分布以及助他型人员分布，判断是否有设定阈值的助他型人员，如果达到设定阈值，就将剩下的所有人标记为自助型人员；如果未达到设定阈值，将A2中不熟悉地形的军人、警察等人员标记为助他型人员；最终助他型人员总数与一键求助型和被助型人员的数量关系为：
Figure 431860DEST_PATH_IMAGE067
；
A6.在逃生的过程中出现受伤的人员，所述受伤的人员可以通过便携式终端求助，此时所述受伤的人员会被标注为一键求助型。
本实施例中，所述各类人员的导航路径的生成步骤如下：
B1.对于自助型人员，导航目的地设为场所出口，根据常规人员疏散路径地图规划算法为其生成导航路径；
B2.对于助他型人员，按照距离远近，一对一地分配助他型人员；把助他型人员的目的地设置为一键求助型人员的位置；并利用常规人员疏散路径地图规划算法为助他型人员生成导航路径；将剩下的助他型人员，利用k-means等聚类算法，根据被助型人员位置分布，设置导航目的地；如图4所示。具体算法为：
(1) 设剩余助他型人员的数目为k，在被助型人员中随机选择k个人作为初始聚类中心；
(2) 利用路径地图规划算法计算每个人到初始中心点的等效距离，找到每个被助者离得最近的中心点，将其划归到该中心所代表的类。
(3)根据每一类人员的位置，重新计算k个中心点的位置，作为新的中心点。中心被定义为质心。公式如下：
Figure 917199DEST_PATH_IMAGE069
式中，
Figure DEST_PATH_IMAGE071
为第i个人员的位置；其中
Figure DEST_PATH_IMAGE073
是第i个人员的权重，设置为人员的年龄。
(4) 重复第（2）和（3）两个计算步骤，直到达到某个中止条件，如迭代次数100次，中心坐标变化小于0.5米。
(5) 将助他型人员导航到k个中心点。
B3.对于被助型人员，根据步骤B2所计算出来的自己所属的类别，设置自己的导航目标为类别的中心点，并利用基于最短有效路径的导航方法，生成对应的导航路径。
本实施例中，实施采集行人的位置信息，按照发明内容中的公式，重新计算导航点之间的等效距离，更新路径地图，再次使用最短路径算法，如Dijkstra算法获得人员位置到导航位置之间的路径。将导航点和附近连通的区域按照色温的方式标注颜色。距离越长，颜色越深，表示越危险。另一方面，在同一3D地图上，以小圆点的形式，标记出每个人的位置，直观地显示人群密度，以及人群所处位置的危险程度。具体地，所述基于最短有效路径的导航方法，计算最短有效距离的步骤包括：
根据场所人流量特点，生成人员密度和速度分布；根据所述人员的位置信息，统计二维离散地图中每个网格的人员数目，计算网格的人员密度；计算公式为：
Figure DEST_PATH_IMAGE074
根据位置随时间的变化，计算人员的移动速度；
假设第k个人，在标号为i，j的网格附近，在
Figure DEST_PATH_IMAGE075
时间内，位置从
Figure DEST_PATH_IMAGE076
变到
Figure DEST_PATH_IMAGE077
，那么该人员在三个方向上的平均分速度为：
Figure DEST_PATH_IMAGE078
式中，
Figure DEST_PATH_IMAGE079
为人员
Figure DEST_PATH_IMAGE080
轴方向上的平均分速度；
Figure DEST_PATH_IMAGE081
为人员
Figure DEST_PATH_IMAGE082
轴方向上的平均分速度；
Figure DEST_PATH_IMAGE083
为人员
Figure DEST_PATH_IMAGE084
轴方向上的平均分速度；
Figure DEST_PATH_IMAGE085
为利用主动和被动定位获得的人员在时刻 t 所处
Figure 176362DEST_PATH_IMAGE080
轴方向上的坐标值；
Figure DEST_PATH_IMAGE086
为利用主动和被动定位获得的人员在时刻 t 所处
Figure 885692DEST_PATH_IMAGE082
轴方向上的坐标值；
Figure DEST_PATH_IMAGE087
为利用主动和被动定位获得的人员在时刻 t 所处
Figure DEST_PATH_IMAGE088
轴方向上的坐标值；
Figure DEST_PATH_IMAGE089
为经过一段时间
Figure DEST_PATH_IMAGE090
后，利用主动和被动定位获得的人员所处
Figure 914959DEST_PATH_IMAGE080
轴方向上新的坐标值；
Figure DEST_PATH_IMAGE091
为经过一段时间
Figure DEST_PATH_IMAGE092
后，利用主动和被动定位获得的人员所处
Figure 141672DEST_PATH_IMAGE082
轴方向上新的坐标值；
Figure DEST_PATH_IMAGE093
为经过一段时间
Figure DEST_PATH_IMAGE094
后，利用主动和被动定位获得的人员所处
Figure DEST_PATH_IMAGE095
轴方向上新的坐标值；时间
Figure DEST_PATH_IMAGE044AA
的取值小于2分钟。
规定第k个人通过标号为i，j的网格的速度
Figure 572784DEST_PATH_IMAGE046
为：
Figure 187436DEST_PATH_IMAGE048
利用等效距离，考虑安全和通过时间对路径选择的影响；根据人流密度和通过速度，物理上最短的路径，可能并不是逃生的最优路径，需要额外考虑安全和时间最短问题。这可以通延长或者缩短物理距离来改变对应路径的重要程度来实现。具体方法为：如果人员密度高于预设阈值（比如2人/平方米），则将该网格的等效距离设置为无穷（相当于断开）；把第k个人，通过i，j处网格的时间标记为
Figure DEST_PATH_IMAGE097
，根据通过速度计算该人员通过网格的时间为：
Figure 563054DEST_PATH_IMAGE052
考察一段时间，比如1分钟内，通过网格的所有人的平均时间
Figure 780409DEST_PATH_IMAGE054
为：
Figure 677081DEST_PATH_IMAGE056
式中，n为通过人员的总数；
1个网格的等效距离
Figure 56110DEST_PATH_IMAGE058
设置为：
Figure 387865DEST_PATH_IMAGE060
式中，k与b为超参数，用于设置考虑拥堵等情况的重要程度；k表示拥堵带来的路径增长效应；b为偏置项目，用来保证拥堵时，等效路径的绝对长度要大于未拥堵时；k值越大，拥堵带来的路径增长效应越明显，而参数b为偏置项目，用来保证拥堵时，等效路径的绝对长度要大于未拥堵时。
根据所述等效路径，重新计算并更新路径地图及其对应的距离矩阵，然后再次使用最短路径算法如Dijkstra就可以找到任意两个导航点之间的等效最短路径和相应的路径长度；把最短路径及其长度储信息存储起来。
根据等效最短路径搜索结果，可以得到地图上导航点离出口的最短有效距离。距离越大，逃生越不容易。所以，以距离出口的有效距离为数值，将导航点和附近网格区域按照色温的方式标注颜色。距离越长，颜色越深，表示越危险。另一方面，在同一地图上，以小圆点的形式，标记出每个人的位置，直观地显示人群密度，以及人群所处位置的危险程度，方便当事人和管理者预估当前局势。
本实施例中，所述的根据待疏散人群的人员类型和其对应的疏散路径，进行人群疏散；具体包括：
根据待疏散人群的人员类型和其对应的疏散路径，利用商场的3D数字模型，以箭头标识行进方向，生成动态的导航动画，且动画中配有语音和文字方式提醒。如注意观察环境，避免与人碰撞，不要拥挤，做好个人简单防护等。该动画会可以通过天府健康通等权威渠道传达到相关人员。
本发明采用基于多模态数据的区域定位方法对商场内个体进行精确定位，并引导商场内个体通过便携终端发送包含人员基本信息的位置信号；根据场所空间结构，建立常规人员疏散路径地图规划方法，并计算出场内人员动态分布密度图和位置危险程度热力图；收集场内人员基本信息，利用商场人员分类方法，为每个人员分配角色，包括自助型、助他型、被助型和一键求助型；根据个性化疏散路径规划方法，将人员动态分布密度数据、场馆常规疏散路径数据、个体人员角色数据融合，得出群体视角下，每个个体人员的最优疏散引导路径。同时，利用动画加语音的方式，将个体疏散引导结果推送至个人便携终端，引导人群有序疏散。
该方法能够通过人群的运动信息，以及人群中每个个体的特征信息，根据这些信息本发明开发了相应的算法对人群进行分类，并据此进行个性化的逃生方案制定和路径规划导航，从根源上避免了碰撞、拥堵和踩踏等恶性事件，从而大大降低了突发事故中的二次和多次人员伤害。
实施例2
如图1至图6所示，本实施例与实施例1的区别在于，所述的根据待疏散人群的人员类型和其对应的疏散路径，进行人群疏散中还包括建立个性化的可视化导航系统。如下：
除一键求助型人员外，将由个性疏散路径规划方法生成的个性化导航路径以三维动画的形式推送到个人便携式终端上，并以语音和文字方式提醒，注意观察环境，避免与人碰撞，不要拥挤，做好个人简单防护等。三维动画由场所3D地图、路径标识、行动方向箭头以及语音提醒三部分组成，类似高德地图的步行导航显示方式的录像。对于具备被动定位条件的场所，还可以引入AR技术，将导航路径直接叠加在实景上，并根据实施位置比对，实现实时导航。
对于一键求助型人员，会在三维地图上标明附近的助他型人员，并以语音的方式，提醒不要站在路中间，就近安全等待，有工作人员正在赶来等信息。
实施例3
如图7所示，本实施例与实施例1的区别在于，本实施例提供了一种大数据驱动的公共场所聚集人群疏散装置，包括获取单元、离散地图构建单元、路径地图构建单元、人员定位单元、人员分类单元、导航路径生成单元、疏散路径计算单元、输出单元；
所述获取单元，用于获取商场的场景相关信息数据和商场的人群特征数据；
所述离散地图构建单元，用于根据所述商场的场景相关信息数据，构建商场二维离散地图；
所述路径地图构建单元，用于根据所述商场二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
所述人员定位单元，用于根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对商场的人员进行定位，得到人员的位置信息；
所述人员分类单元，用于根据所述商场的人群特征数据，采用商场人员分类方法对商场人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
所述导航路径生成单元，用于根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；
所述疏散路径计算单元，用于根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；
所述输出单元，用于输出待疏散人群的人员类型和其对应的疏散路径，实现人群疏散。
各个单元的执行过程按照实施例1所述的一种大数据驱动的公共场所聚集人群疏散方法流程步骤执行即可，此实施例中不再一一赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，该方法包括：
获取某一公共场所的场景相关信息数据和公共场所的人群特征数据；
根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；
根据所述公共场所二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对公共场所的人员进行定位，得到人员的位置信息；
根据所述公共场所的人群特征数据，采用公共场所人员分类方法对公共场所人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；根据待疏散人群的人员类型和其对应的疏散路径，实现人群疏散；
所述各类人员的导航路径的生成步骤如下：
B1.对于自助型人员，导航目的地设为场所出口，根据人员疏散路径地图规划算法为其生成导航路径；
B2.对于助他型人员，按照距离远近，一对一地分配助他型人员；把助他型人员的目的地设置为一键求助型人员的位置；并利用人员疏散路径地图规划算法为助他型人员生成导航路径；将剩下的助他型人员，利用k-means聚类算法，根据被助型人员位置分布，设置导航目的地；
B3.对于被助型人员，设置自己的导航目标为类别的中心点，并利用基于最短有效路径的导航方法，生成对应的导航路径；
所述基于最短有效路径的导航方法，计算最短有效距离的步骤包括：
根据场所人流量特点，生成人员密度和速度分布；根据所述人员的位置信息，统计二维离散地图中每个网格的人员数目，计算网格的人员密度；计算公式为：
Figure FDA0003365037680000011
根据位置随时间的变化，计算人员的移动速度，公式为：
Figure FDA0003365037680000021
Figure FDA0003365037680000022
Figure FDA0003365037680000023
Figure FDA0003365037680000024
式中，υkijx为人员x轴方向上的平均分速度；υkijy为人员y轴方向上的平均分速度；υkijz为人员z轴方向上的平均分速度；υkij为第k个人通过标号为i，j的网格的速度；x(t)为利用主动和被动定位获得的人员在时刻t所处x轴方向上的坐标值；y(t)为利用主动和被动定位获得的人员在时刻t所处y轴方向上的坐标值；z(t)为利用主动和被动定位获得的人员在时刻t所处z轴方向上的坐标值；x(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处x轴方向上新的坐标值；y(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处y轴方向上新的坐标值；z(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处z轴方向上新的坐标值；
利用等效距离，考虑安全和通过时间对路径选择的影响，根据通过速度计算该人员通过网格的时间为：
Figure FDA0003365037680000025
式中，tkij为第k个人通过i，j处网格的时间；
一段时间内，通过网格的所有人员的平均时间tij为：
Figure FDA0003365037680000026
式中，n为通过人员的总数；
1个网格的等效距离deff设置为：
deff＝k*tij+b
式中，k与b为超参数，用于设置考虑拥堵等情况的重要程度；k表示拥堵带来的路径增长效应；b为偏置项目，用来保证拥堵时，等效距离的绝对长度要大于未拥堵时；
根据所述等效距离，重新计算并更新路径地图及其对应的距离矩阵，然后再次使用最短路径算法找到任意两个导航点之间的等效最短路径和相应的路径长度；
根据等效最短路径搜索结果，得到地图上导航点离出口的最短有效距离。
2.根据权利要求1所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述公共场所的场景相关信息数据包括公共场所的空间建筑结构、装修图纸、3D数字模型；
所述公共场所的人群特征数据包括人员的简历信息、过往出入公共场所某个区域，包括店铺的时间、地点信息、公共场所消费、业务办理、签到信息以及平时公共场所的人员密度分布信息，所述人员的简历信息包括职业、性别、姓名、年龄、岗位、个人经历。
3.根据权利要求1所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述的根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；具体包括：
根据所述公共场所的场景相关信息数据，进行公共场所的二维网格划分，区分障碍、通道、楼梯、出口、滞留区五种属性区域；每个网格标记有属性和ID，属性相同的相邻网格处于连通状态，存储数据结构为二维矩阵；二维矩阵的索引指标ij与真实空间位置有一一对应的关系；一系列相邻网格的连接形成一条路径；
其中，障碍区域为人员通过行走无法达到的区域；滞留区域为人员在此等待撤离的区域，并且滞留区的设置要避开通道和楼梯。
4.根据权利要求1所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述基于多模态数据的区域定位方法包括对人员进行被动定位法、对人员进行主动定位法和对未能定位人员进行位置估计法；
所述对人员进行被动定位法，是根据所述导航点的位置分布，布置多个室内被动定位系统，所述室内被动定位系统通过与人员手机的信号交互来获取行人的位置；所述室内被动定位系统包括wifi热点、5G、蓝牙；
所述对人员进行主动定位法，是在公共场所的导航点，通过现场张贴、投影二维码的形式，公共场所人员通过扫码的形式获取当前位置，实施主动定位；同时在导航点提供数字字符串，行人在扫码失败的情况下通过手动输入数字字符串来提交位置信息；
所述对未能定位人员进行位置估计法，是通过所述对人员进行被动定位法、所述对人员进行主动定位法均无法检索到的人员，即主动定位和被动定位均失败者，则根据其个人特征数据，利用统计和机器学习算法估算其位置。
5.根据权利要求4所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述对未能定位人员进行位置估计法，根据其个人特征数据，利用统计和机器学习算法估算其位置；具体包括：
检索人员历史信息，统计在事故时间段，该人员常去的公共场所位置，将其设定为人员的估算位置；
如果没有检索到人员历史信息，则采用机器学习的算法：首先，检索公共场所人群特征和位置分布的历史数据；利用公共场所人群特征作为输入、和其过往出入场所的时间和地点信息作为输出，建立训练数据集；然后，通过机器学习算法，在训练数据集中学习个人特征数据和其出现位置之间的概率关系，以此预测未检索人员的位置。
6.根据权利要求1所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述公共场所人员分类方法具体包括以下步骤：
A1.根据所述公共场所的人群特征数据，通过关键词匹配，筛选出公共场所内正在任职的安保人员作为助他型人员；
A2.根据所述公共场所的人群特征数据，通过关键词匹配，筛选出年龄在60岁以下的职业为军人、警察、消防员和保安人员；根据公共场所出入和消费、业务办理、签到数据统计，判断筛选出的人员是否熟悉场所地形；如果筛选出的人员熟悉场所地形，将其列为助他型人员；其中，判断筛选出的人员是否熟悉场所地形的判断标准为：有5次以上的公共场所出入或者消费记录；
A3.据所述公共场所的人群特征数据，通过关键词匹配，筛选出残疾或年纪大于80岁的人员，将其列为一键求助型人员；
A4.据所述公共场所的人群特征数据，通过关键词匹配，筛选出年纪为60到80岁之间的人员，将其列为被助型人员；
A5.根据一键求助型、被助型人员分布以及助他型人员分布，判断是否有设定阈值的助他型人员，如果达到设定阈值，就将剩下的所有人标记为自助型人员；如果未达到设定阈值，将A2中不熟悉地形的军人、警察人员标记为助他型人员；最终助他型人员总数与一键求助型和被助型人员的数量关系为：助他型人数＝一键求助型人数+被助型人数/5；
A6.在逃生的过程中出现受伤的人员，所述受伤的人员通过便携式终端求助，此时所述受伤的人员被标注为一键求助型。
7.根据权利要求1所述的一种大数据驱动的公共场所聚集人群疏散方法，其特征在于，所述的根据待疏散人群的人员类型和其对应的疏散路径，进行人群疏散；具体包括：
根据待疏散人群的人员类型和其对应的疏散路径，利用公共场所的3D数字模型，以箭头标识行进方向，生成动态的导航动画，且动画中配有语音和文字方式提醒。
8.一种大数据驱动的公共场所聚集人群疏散装置，其特征在于，包括获取单元、离散地图构建单元、路径地图构建单元、人员定位单元、人员分类单元、导航路径生成单元、疏散路径计算单元、输出单元；
所述获取单元，用于获取公共场所的场景相关信息数据和公共场所的人群特征数据；
所述离散地图构建单元，用于根据所述公共场所的场景相关信息数据，构建公共场所二维离散地图；
所述路径地图构建单元，用于根据所述公共场所二维离散地图，设置导航点；通过所述导航点和相邻导航点的距离，构建路径地图；
所述人员定位单元，用于根据所述导航点的位置分布，采用基于多模态数据的区域定位方法对公共场所的人员进行定位，得到人员的位置信息；
所述人员分类单元，用于根据所述公共场所的人群特征数据，采用公共场所人员分类方法对公共场所人员进行分类，得到待疏散人群的分类结果，所述分类结果包括自助型、助他型、被助型和一键求助型；
所述导航路径生成单元，用于根据所述分类结果，按照人员类型设置导航目的地；并根据所述导航目的地及人员的位置信息，更新所述路径地图，生成各类人员的导航路径；
所述疏散路径计算单元，用于根据所述导航路径，搜索得到三维地图上导航点离出口的最短有效距离，作为疏散路径；
所述输出单元，用于输出待疏散人群的人员类型和其对应的疏散路径，实现人群疏散；
所述各类人员的导航路径的生成过程为：
对于自助型人员，导航目的地设为场所出口，根据人员疏散路径地图规划算法为其生成导航路径；
对于助他型人员，按照距离远近，一对一地分配助他型人员；把助他型人员的目的地设置为一键求助型人员的位置；并利用人员疏散路径地图规划算法为助他型人员生成导航路径；将剩下的助他型人员，利用k-means聚类算法，根据被助型人员位置分布，设置导航目的地；对于被助型人员，设置自己的导航目标为类别的中心点，并利用基于最短有效路径的导航方法，生成对应的导航路径；
所述基于最短有效路径的导航方法，计算最短有效距离的过程为：
根据场所人流量特点，生成人员密度和速度分布；根据所述人员的位置信息，统计二维离散地图中每个网格的人员数目，计算网格的人员密度；计算公式为：
Figure FDA0003365037680000061
根据位置随时间的变化，计算人员的移动速度，公式为：
Figure FDA0003365037680000062
Figure FDA0003365037680000063
Figure FDA0003365037680000064
Figure FDA0003365037680000065
式中，υkijx为人员x轴方向上的平均分速度；υkijy为人员y轴方向上的平均分速度；υkijz为人员z轴方向上的平均分速度；υkij为第k个人通过标号为i，j的网格的速度；x(t)为利用主动和被动定位获得的人员在时刻t所处x轴方向上的坐标值；y(t)为利用主动和被动定位获得的人员在时刻t所处y轴方向上的坐标值；z(t)为利用主动和被动定位获得的人员在时刻t所处z轴方向上的坐标值；x(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处x轴方向上新的坐标值；y(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处y轴方向上新的坐标值；z(t+Δt)为经过一段时间Δt后，利用主动和被动定位获得的人员所处z轴方向上新的坐标值；
利用等效距离，考虑安全和通过时间对路径选择的影响，根据通过速度计算该人员通过网格的时间为：
Figure FDA0003365037680000066
式中，tkij为第k个人通过i，j处网格的时间；
一段时间内，通过网格的所有人员的平均时间tij为：
Figure FDA0003365037680000071
式中，n为通过人员的总数；
1个网格的等效距离deff设置为：
deff＝k*tij+b
式中，k与b为超参数，用于设置考虑拥堵等情况的重要程度；k表示拥堵带来的路径增长效应；b为偏置项目，用来保证拥堵时，等效距离的绝对长度要大于未拥堵时；
根据所述等效距离，重新计算并更新路径地图及其对应的距离矩阵，然后再次使用最短路径算法找到任意两个导航点之间的等效最短路径和相应的路径长度；
根据等效最短路径搜索结果，得到地图上导航点离出口的最短有效距离。
CN202111195556.7A 2021-10-14 2021-10-14 一种大数据驱动的公共场所聚集人群疏散方法及装置 Active CN113643170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111195556.7A CN113643170B (zh) 2021-10-14 2021-10-14 一种大数据驱动的公共场所聚集人群疏散方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111195556.7A CN113643170B (zh) 2021-10-14 2021-10-14 一种大数据驱动的公共场所聚集人群疏散方法及装置

Publications (2)

Publication Number Publication Date
CN113643170A CN113643170A (zh) 2021-11-12
CN113643170B true CN113643170B (zh) 2022-01-18

Family

ID=78426798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111195556.7A Active CN113643170B (zh) 2021-10-14 2021-10-14 一种大数据驱动的公共场所聚集人群疏散方法及装置

Country Status (1)

Country Link
CN (1) CN113643170B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901727B (zh) * 2021-11-16 2022-02-22 枫树谷(成都)科技有限责任公司 一种基于分子动力学和机器学习的人群疏散模拟方法
CN114550397A (zh) * 2021-12-20 2022-05-27 北京城市系统工程研究中心 一种公共场合人员密度识别预警及疏散指示方法和装置
CN115497238B (zh) * 2022-06-20 2023-09-01 中国矿业大学 基于Wi-Fi探针的被动定位与疏散引导方法及系统
CN115114538B (zh) * 2022-08-29 2023-09-15 伊苏林迪(北京)文化科技有限公司 一种公共空间的动态引流方法、装置、设备及存储介质
CN115293465B (zh) * 2022-10-09 2023-02-14 枫树谷(成都)科技有限责任公司 一种人群密度预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101694A (zh) * 2018-07-16 2018-12-28 山东师范大学 一种安全疏散标志引导的人群行为仿真方法及系统
CN111380545A (zh) * 2015-02-10 2020-07-07 御眼视觉技术有限公司 用于自主车辆导航的方法、服务器、自主车辆以及介质
EP3731198A1 (de) * 2019-04-24 2020-10-28 Minimax Viking Research & Development GmbH Brandschutzroboter zur steuerung von brandbekämpfungsvorrichtungen, entsprechendes brandschutzsystem und verfahren zum betrieb desselben

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2466530A1 (de) * 2010-12-16 2012-06-20 Siemens Aktiengesellschaft Verfahren zum Simulieren eines Personenstroms und Vorrichtung zum Generieren eines zellularen Automaten zum Simulieren eines Personenstroms
CN104331917B (zh) * 2014-10-22 2017-09-26 电子科技大学 一种恐慌人群逃生模拟方法
CA2990977A1 (en) * 2015-06-30 2017-01-05 Lawrence Douglas Systems and methods for automatic path management
CN109086550B (zh) * 2018-08-27 2019-05-28 山东师范大学 基于多Agent共享Q学习的疏散仿真方法及系统
CN109839935B (zh) * 2019-02-28 2020-08-25 华东师范大学 多agv的路径规划方法及设备
CN112034836B (zh) * 2020-07-16 2023-06-16 北京信息科技大学 一种改进a*算法的移动机器人路径规划方法
CN112668768A (zh) * 2020-12-24 2021-04-16 宁波工程学院 基于导航点和rvo模型的人群疏散仿真方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380545A (zh) * 2015-02-10 2020-07-07 御眼视觉技术有限公司 用于自主车辆导航的方法、服务器、自主车辆以及介质
CN109101694A (zh) * 2018-07-16 2018-12-28 山东师范大学 一种安全疏散标志引导的人群行为仿真方法及系统
EP3731198A1 (de) * 2019-04-24 2020-10-28 Minimax Viking Research & Development GmbH Brandschutzroboter zur steuerung von brandbekämpfungsvorrichtungen, entsprechendes brandschutzsystem und verfahren zum betrieb desselben

Also Published As

Publication number Publication date
CN113643170A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113643170B (zh) 一种大数据驱动的公共场所聚集人群疏散方法及装置
US10558898B2 (en) System and method for generating a map from activity data
Senaratne et al. Urban mobility analysis with mobile network data: A visual analytics approach
Sarmady et al. A cellular automata model for circular movements of pedestrians during Tawaf
Yu et al. Integrating multi-agent evacuation simulation and multi-criteria evaluation for spatial allocation of urban emergency shelters
Kim et al. Modeling handicapped pedestrians considering physical characteristics using cellular automaton
Krueger et al. Semantic enrichment of movement behavior with foursquare–a visual analytics approach
Castro et al. Modeling the impact of earthquake-induced debris on tsunami evacuation times of coastal cities
Hussein et al. Validation of an agent-based microscopic pedestrian simulation model in a crowded pedestrian walking environment
Wang et al. A cognitive pedestrian behavior model for exploratory navigation: Visibility graph based heuristics approach
Dubey et al. Identifying indoor navigation landmarks using a hierarchical multi-criteria decision framework
Zhao et al. An indoor crowd movement trajectory benchmark dataset
Haron et al. Software evaluation for crowd evacuation-case study: Al-masjid an-nabawi
Piccialli et al. Path prediction in IoT systems through Markov Chain algorithm
Cohen et al. Machine‐learning prediction models for pedestrian traffic flow levels: Towards optimizing walking routes for blind pedestrians
KR20090022816A (ko) 건물 내부 공간에 대한 3차원 지리 정보의 생성 방법 및장치
Chen et al. Automatic Guidance Signage Placement Through Multiobjective Evolutionary Algorithm
Wan et al. Trace analysis using Wi-Fi probe positioning and virtual reality for commercial building complex design
Liebig et al. Methods for analysis of spatio-temporal bluetooth tracking data
Gao et al. An improved optimization model for crowd evacuation considering individual exit choice preference
Strawderman et al. Utilization of behavioral studies in developing the intermodal simulator for the analysis of pedestrian traffic (ISAPT)
Ying et al. EvacAgent: A building emergency evacuation simulation model based on agent
JP2017224201A (ja) シミュレーションプログラム、シミュレーション方法およびシミュレーション装置
Li et al. A Landmark-based cognition strength grid model for indoor guidance
Ward Urban movement-models of pedestrian activity

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant