CN114818360B - 人群应急疏散场景下的疏散出口设置方法及装置 - Google Patents

人群应急疏散场景下的疏散出口设置方法及装置 Download PDF

Info

Publication number
CN114818360B
CN114818360B CN202210509344.XA CN202210509344A CN114818360B CN 114818360 B CN114818360 B CN 114818360B CN 202210509344 A CN202210509344 A CN 202210509344A CN 114818360 B CN114818360 B CN 114818360B
Authority
CN
China
Prior art keywords
evacuation
phi
parameter
exit
scene
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
CN202210509344.XA
Other languages
English (en)
Other versions
CN114818360A (zh
Inventor
刘晗
齐庆杰
张玥
张婧雯
柴美佳
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.)
General Coal Research Institute Co Ltd
Original Assignee
General Coal Research Institute 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 General Coal Research Institute Co Ltd filed Critical General Coal Research Institute Co Ltd
Priority to CN202210509344.XA priority Critical patent/CN114818360B/zh
Publication of CN114818360A publication Critical patent/CN114818360A/zh
Application granted granted Critical
Publication of CN114818360B publication Critical patent/CN114818360B/zh
Priority to US18/314,286 priority patent/US11893325B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
    • G06Q90/20—Destination assistance within a business structure or complex
    • G06Q90/205—Building evacuation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本公开提供了一种人群应急疏散场景下的疏散出口设置方法及装置，涉及疏散仿真技术领域。具体步骤为：构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案。本公开通过获取行为参数获取人群行为特征并优化所述疏散出口决策方案，提高了疏散效率。

Description

人群应急疏散场景下的疏散出口设置方法及装置
技术领域
本公开涉及疏散仿真技术领域，尤其涉及一种人群应急疏散场景下的疏散出口设置方法及装置。
背景技术
相关技术中，随着社会、经济的高速发展，各种聚集了大量人群的大型公共活动不断增多，在一些人员密集的公共建筑场所内，由于在建筑设计上的不合理，以及应急管理方面的不到位，当发生各种紧急突发事件，人员需要紧急撤离时，容易造成疏散人群的拥挤和阻塞，甚至发生严重的人员踩踏事故。
在现有的人群疏散仿真技术中，如何优化疏散出口的设置，提高疏散效率，尚缺乏有效的解决方案。
发明内容
本公开提供一种人群应急疏散场景下的疏散出口设置方法及装置，以至少解决相关技术中疏散效率较低的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种人群应急疏散场景下的疏散出口设置方法，包括：
构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；
设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；
以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案。
可选的，所述轨迹数据包括所述疏散人群中个体在各个时间点的坐标数据，所述以特定应急疏散场景和疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景疏散人群的行为参数，包括：
设置所述仿真模型中疏散人群的初始行为参数，并获取仿真轨迹数据；
以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数。
可选的，所述初始行为参数包括第一参数α和第二参数β，所述初始行为参数φ＝(α，β)，所述以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数，包括：
设置3组初始行为参数φ＝(α，β)，并根据φ获取所述仿真轨迹数据；
计算所述仿真轨迹数据与所述实际轨迹数据的接近度函数值E(φ)，根据所述接近度函数值优化所述初始行为参数，以获取推荐行为参数，其中，所述推荐行为参数中包括第一参数推荐值α′和第二推荐参数推荐值β′。
可选的，根据所述接近度函数值优化所述初始行为参数，包括：
设置逼近算法参数，所述逼近算法参数包括a、b、c、d；
计算所述初始行为参数对应的接近度函数值，根据所述接近度函数值由小到大的顺序设置第一初始行为参数φ1、第一初始行为参数φ2和第三初始行为参数φ3；
对所述初始行为参数进行迭代直到
Figure BDA0003637305040000021
确定所述第一初始行为参数φ1为所述推荐行为参数，其中，ε为容差。
可选的，所述方法还包括：
设置φc＝(φ1+φ2)/2，并设置φr＝φc+a(φc-φ3)，其中，φc为第一中间参数，φr为第二中间参数。
可选的，所述方法还包括：
如果E(φ1)≤E(φr)≤E(φ2)，则将φr的值赋予φ3，输出φ3并结束此次迭代。
可选的，所述方法还包括：
如果E(φr)≤E(φ1)，则计算φe＝φc+c(φr-φc)，其中，φe为第三中间参数。
可选的，所述方法还包括：
如果E(φe)≤E(φr)，则将φe的值赋予φ3，输出φ3并结束此次迭代；
如果E(φe)＞E(φr)，则将φr的值赋予φ3，输出φ3并结束此次迭代。
可选的，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ2)≤E(φr)＜(φ3)，则计算φcr＝φc+b(φr-φc)，其中，φcr为第四中间参数。
可选的，所述方法还包括：
如果E(φcr)≤E(φr)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
可选的，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ3)≤E(φr)，则计算φcr＝φc+b(φ3-φc).
可选的，所述方法还包括：
如果E(φcr)≤E(φ3)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
可选的，所述方法还包括：
设置迭代次数阈值，如果所述迭代的次数大于所述迭代次数阈值，则确定所述第一初始行为参数φ1为所述推荐行为参数。
可选的，所述设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本，包括：
设置疏散出口集合I，所述I中包含至少一个疏散出口i的坐标，所述疏散出口决策整数规划方案中包括疏散出口i对应的决策变量Yi，Yi的值为0或1，将应急疏散场景中疏散出口对应的疏散区域微分为多个微分区域x，根据所述推荐行为参数获取微分区域x的拥堵程度参数，结合疏散人群中个体的仿真轨迹数据，以获取总疏散成本，所述总疏散成本的公式化表达为：
Figure BDA0003637305040000031
其中，N为所述总疏散成本，Ai为疏散出口i对应的疏散区域，v(x)为x区域内疏散人群的速度参数，α′·u(x)为x区域内的第一拥堵程度参数，u(x)为x区域内第一拥堵参数程度的系数，f(x)为x区域人群流量矢量，β′·w(x)为x区域的第二拥堵程度参数，w(x)为x区域内第二拥堵参数程度的系数，ρ为惩罚系数，Qi为通过疏散出口i的个体总数，Ci为疏散出口i处的人群疏散成本函数。
可选的，所述根据约束条件包括：
第一约束条件：∑i∈IfiYi≤P，其中，fi为疏散出口i的建设成本，Yi为决策变量，P为建设成本阈值；
第二约束条件：
Figure BDA0003637305040000032
其中，Qi为通过疏散出口i的个体总数，Mi为任意大于Qi的正整数；
第三约束条件：
Figure BDA0003637305040000033
其中，q(x)为x区域内的个体密度；
第四约束条件：
Figure BDA0003637305040000034
第五约束条件：Ci(Qi)＝1+τcQi，其中，τc为疏散成本系数。
可选的，所述以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案后，还包括：
在所述推荐疏散出口决策整数规划方案中Yi的值为1对应的疏散出口i坐标处设置疏散出口。
根据本公开实施例的第二方面，提供一种人群应急疏散场景下的疏散出口设置装置，其特征在于，包括：
场景创建模块，用于构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；
出口设置模块，用于设置疏散出口集合，构建疏散出口决策整数规划模型，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；
优化模块，用于以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案。
本公开的实施例提供的技术方案至少带来以下有益效果：
根据实际轨迹数据获取所述行为参数，得到的应急疏散场景更接近实际情景，提高仿真模型的真实性，根据约束条件，以降低总疏散成本为目标调整疏散出口决策整数规划模型，提高疏散效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置方法的流程图。
图2是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置方法的流程图。
图3是根据一示例性实施例示出的一种数值逼近算法的流程图。
图4是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的本公开的一些方面相一致的装置和方法的例子。
相关技术中，随着社会经济的高速发展，各种聚集了大量人群的大型公共活动不断增多，在一些人员密集的公共建筑场所内，由于在建筑设计上的不合理，以及应急管理方面的不到位，当发生各种紧急突发事件，人员需要紧急撤离时，容易造成疏散人群的拥挤和阻塞，甚至发生严重的人员踩踏事故。在现有技术的人群疏散仿真中，在人群疏散仿真的真实性问题上，如何更真实地反映人群的行为，以优化疏散出口的设置，提高疏散效率，尚缺乏有效的解决方案。
图1是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置方法的流程图，如图1所示，所述方法包括以下步骤。
在步骤101中，构建基于社会力模型的仿真模型，以特定应急疏散场景和疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景疏散人群的行为参数。
本申请实施例中，通过基于社会力模型的仿真模型来模拟人群应急疏散场景下人群的行为，所述社会力模型以牛顿力学为基础，将特定场景下个体对周围环境的反应描述为一系列作用力的集体结果。所述社会力模型中当前个体受到的力可表示为
Figure BDA0003637305040000051
Figure BDA0003637305040000052
其中，
Figure BDA0003637305040000053
为将个体导向终点的作用力，τ越小，表示当前个体越期望快速到达终点，
Figure BDA0003637305040000054
越大；
Figure BDA0003637305040000055
为个体之间的圆形作用力，
Figure BDA0003637305040000056
和当前个体与其他个体之间的距离有关，个体之间的距离越小，所述
Figure BDA0003637305040000057
越大，γ为圆形力修正因子，表示其他个体对当前个体的圆形作用力对所述当前个体的影响程度，γ与当前个体速度矢量和其他个体速度矢量之间夹角的角度有关；
Figure BDA0003637305040000058
为墙对当前个体的作用力，个体往往会和墙保持一定的距离以保障舒适度，
Figure BDA0003637305040000061
即用来保持当前个体与墙之间的距离；
Figure BDA0003637305040000062
为所述应急疏散场景下障碍物对当前个体的作用力；
Figure BDA0003637305040000063
为个体之间的椭圆作用力，与当前个体与其他个体之间的相对速率和距离有关。其中各个力的具体计算方式为：
Figure BDA0003637305040000064
v0为当前个体的期望速度值，
Figure BDA0003637305040000065
为t时刻的单位向量，表示从当前个体的当前位置到目的地的方向，
Figure BDA0003637305040000066
为t时刻当前个体的当前速度矢量，τ表示当前个体期望的引导时间。其他分力可以分别表示为
Figure BDA0003637305040000067
Figure BDA0003637305040000068
其中，αcircular、αwall、αobstacle、αelliptic为各个分力对应的行为参数中的第一参数，βcircular、βwall、βobstacle、βelliptic各个分力对应的行为参数中的第二参数；d为当前个体与对应社会力对象的距离，所述社会力对象为其他个体、墙或障碍物，
Figure BDA0003637305040000069
中d为当前个体与其他个体之间的距离，
Figure BDA00036373050400000610
中d为当前个体与墙之间的距离，
Figure BDA00036373050400000611
中d为当前个体与障碍物之间的距离，
Figure BDA00036373050400000612
中d为当前个体与其他个体之间的距离。在应急疏散场景中不同分力对应的第一参数和第二参数数值可能不同，本申请将各个分力对应行为参数中的第一参数和第二参数融合为通用的第一参数α和第二参数β，将其他分力之和
Figure BDA00036373050400000613
可表示为
Figure BDA00036373050400000614
需要说明的是，本申请研究的是应急疏散场景下特定疏散人群的行为，所述疏散人群在同样的应急疏散场景下的行为特征类似，所以可以用疏散人群的行为参数来代表所述疏散人群中的所有个体对应的行为参数，所述疏散人群的行为参数包括第一参数α和第二参数β。
在一种可能的实施例里，所述疏散人群为4岁到6岁的儿童，其思维能力、认知能力与身体物理特征类似，在应急疏散场景下的行为特征相似，所以可以用该疏散人群的行为参数表示疏散人群中所有个体的行为参数。
可选的，α为αcircular、αwall、αobstacle、αelliptic的加权平均值，β为βcircular、βwall、βobstacle、βelliptic的加权平均值，各个分力的第一参数和第二参数的权重值可由实施者根据实际情况确定。
在一种可能的实施例里，所有分力对应第一参数和第二参数的权重值都为0.25。
在一种可能的实施例里，所述v0的取值范围为0-2。
在一种可能的实施例里，τ的取值为0.5。
在特定的应急疏散场景中，通过摄像头等传感器获取疏散人群中的个体在各个时间点对应的坐标数据，以生成所述实际轨迹数据。为了使仿真模型获取的人群轨迹和实际轨迹数据接近，需要调整所述仿真模型中的第一参数α和第二参数β，使仿真模型获取的人群轨迹和实际轨迹数据的接近度函数值较小。
在步骤102中，设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本。
本申请实施例中，获取所述仿真模型后，为了在人群疏散的复杂场景下提高疏散效率，提出疏散出口集合，所述疏散出口集合中包括多个疏散出口的坐标。所述疏散出口决策整数规划方案用于决定是否在所述疏散出口集合中的疏散出口位置上设置疏散出口。根据所述仿真模型计算根据所述疏散出口进行疏散时的总疏散成本。
在步骤103中，以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案。
本申请实施例中，为了设置合适的疏散出口，以提高疏散效率，降低疏散成本。构建了所述应急疏散优化模型，所述应急疏散优化模型中包括优化目标和约束条件，在满足约束条件的前提下根据所述优化目标优化所述疏散出口决策整数规划方案，获取最佳的疏散出口设计方案，即所述推荐疏散出口决策整数规划方案。
图2是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置方法的流程图，如图2所示，图1中的步骤101中包括以下步骤。
步骤201，设置所述仿真模型中疏散人群的初始行为参数，并获取仿真轨迹数据。
本申请实施例中，设置疏散人群的初始行为参数后运行社会力模型，即可获取疏散人群中仿真轨迹数据，所述仿真轨迹数据中包括疏散人群中个体在各个时间点的坐标数据。
步骤202，以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数。
本申请实施例中，所述实际轨迹数据和仿真轨迹数据的接近度函数值为
Figure BDA0003637305040000071
其中，φ为所述行为参数，φ中包括第一参数α和第二参数β，E(φ)为所述φ对应的接近度函数值，m为当前个体的编号，M为个体编号集合，t为时间点，T为时间点集合。
Figure BDA0003637305040000072
分别为实际轨迹数据中t时刻个体m的横坐标和纵坐标；
Figure BDA0003637305040000073
和
Figure BDA0003637305040000074
分别为仿真轨迹数据中t时刻个体m的横坐标和纵坐标。接近度函数值越小，说明实际轨迹数据和仿真轨迹数据越接近。
可选的，所述初始行为参数包括第一参数a和第二参数β，所述初始行为参数φ＝(α，β)，以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数，包括：
设置3组初始行为参数φ＝(α，β)，并根据φ获取所述仿真轨迹数据；
计算所述仿真轨迹数据与所述实际轨迹数据的接近度函数值E(φ)，根据所述接近度函数值优化所述初始行为参数，以获取推荐行为参数，其中，所述推荐行为参数中包括第一参数推荐值α′和第二推荐参数推荐值β′。
本申请实施例中，通过数值逼近的方法确定所述推荐行为参数，设置3组不同的初始行为参数，并根据其对应的接近度函数值大小关系来优化所述初始行为参数。对2元函数，选2+1个顶点构成初始多边形，计算并比较各顶点目标函数值的大小，确定它们当中函数值大的顶点及函数值的下降方向，再设法找到一个函数值较小的新点替换函数值最大的顶点，从而构成新的多边形。其中，在每次迭代过程中将目标函数值最小的顶点标记为最好点，目标函数值最大的顶点标记为最差点随着迭代过程推进，新的多面体向极小值点收缩逼近，最终求得极小值点。
图3是根据一示例性实施例示出的一种数值逼近算法的流程图，如图3所示，根据所述接近度函数值优化所述初始行为参数，包括：
设置(Assign)逼近算法参数，所述逼近算法参数包括a、b、c、d；
初始化(Initialize)所述初始行为参数的数值，计算所述初始行为参数对应的接近度函数值，根据所述接近度函数值由小到大的顺序设置第一初始行为参数φ1、第一初始行为参数φ2和第三初始行为参数φ3；
迭代所述初始行为参数直到
Figure BDA0003637305040000081
确定所述第一初始行为参数φ1为所述推荐行为参数，其中，ε为容差。
本申请实施例中，将初始行为参数排序，使初始行为参数的标号越大，对应的接近度函数值E(φ)越大，并对所述初始行为参数进行迭代优化，每次迭代后都需要对初始行为参数重新排位并再次迭代，直到所述接近度函数值的最大值和最小值满足所述容差之后，停止迭代并将最小的接近度函数值对应的第一初始行为参数φ1作为所述推荐行为参数。
可选的，所述a＝1、b＝0.5、c＝2、d＝0.5。
可选的，所述ε＝1％。
可选的，所述方法还包括：
进行计算(Compute)以设置φc＝(φ1+φ2)/2和φr＝φc+a(φc-φ3)，其中，φc为第一中间参数，φr为第二中间参数。
可选的，所述方法还包括：
如果E(φ1)≤E(φr)≤E(φ2)，则将φr的值赋予φ3，输出φ3并结束此次迭代(对应图3中End)。
可选的，所述方法还包括：
如果E(φr)≤E(φ1)，则计算φe＝φc+c(φr-φc)，其中，φe为第三中间参数。
可选的，所述方法还包括：
如果E(φe)≤E(φr)，则将φe的值赋予φ3并输出φ3，结束此次迭代；
如果E(φe)＞E(φr)，则将φr的值赋予φ3并输出φ3，结束此次迭代。
可选的，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ2)≤E(φr)＜(φ3)，则计算φcr＝φc+b(φr-φc)，其中，φcr为第四中间参数。
可选的，所述方法还包括：
如果E(φcr)≤E(φr)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
可选的，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ3)≤E(φr)，则计算φcr＝φc+b(φ3-φc).
可选的，所述方法还包括：
如果E(φcr)≤E(φ3)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
在迭代之后，根据E(φ1)、E(φ2)、E(φ3)由小到大排序，并对φ1、φ2、φ3重新标号，使初始行为参数的标号越大，对应的接近度函数值E(φ)越大，判断是否满足
Figure BDA0003637305040000091
如果满足则结束迭代并将最小的接近度函数值对应的第一初始行为参数φ1作为所述推荐行为参数，其中包含第一参数推荐值α′和第二推荐参数推荐值β′；如果所述不满足，则继续进行新一轮的迭代。
可选的，所述方法还包括：
设置迭代次数阈值，如果所述迭代的次数大于所述迭代次数阈值，则确定所述第一初始行为参数φ1为所述推荐行为参数。
本申请实施例中，如果迭代的次数较多时，已经难以使所述
Figure BDA0003637305040000101
满足容差的要求，可以停止迭代过程，并确定所述第一初始行为参数φ1为所述推荐行为参数。
可选的，所述迭代次数阈值为100。
可选的，所述设置疏散出口参数，并设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本，包括：
设置疏散出口集合I，所述I中包含至少一个疏散出口i的坐标，所述疏散出口决策整数规划方案中包括疏散出口i对应的决策变量Yi，Yi的值为0或1，如果Yi＝1，则表示在疏散出口i处设置疏散出口；如果Yi＝0，则表示不在疏散出口i处设置疏散出口。将应急疏散场景中疏散出口对应的疏散区域微分为多个微分区域x，所述疏散区域为所述疏散出口周围一定范围内的二维区域，所述疏散区域可由实施者根据实际情况自行设置。在一种可能的实施例里，所述疏散区域为以所述疏散出口为圆心的圆形区域。
根据所述推荐行为参数获取微分区域x的拥堵程度参数，结合所述推荐行为参数获取社会力模型疏散人群中个体的仿真轨迹数据，以获取总疏散成本，所述总疏散成本的公式化表达为：
Figure BDA0003637305040000102
其中，N为所述总疏散成本，Ai为疏散出口i对应的疏散区域，v(x)为x区域内疏散人群的速度参数；α′·u(x)为x区域内的第一拥堵程度参数，u(x)为x区域内第一拥堵参数程度的系数，α′为所述推荐行为参数中的第一参数推荐值；f(x)为x区域人群流量矢量，|f(x)|为矢量f(x)的模，也即长度，根据所述仿真轨迹数据对x区域内进行流量、速度、密度分析，即可获取所述f(x)。β′·w(x)为x区域的第二拥堵程度参数，w(x)为x区域内第二拥堵参数程度的系数，β′为所述推荐行为参数中的第二参数推荐值；ρ为惩罚系数；Qi为通过疏散出口i的个体总数；Ci为疏散出口i处的人群疏散成本函数。
需要说明的是，以上参数在不同的应急疏散场景中可能会存在不同的值，可由实施者根据实施本发明时的实际情况对以上参数的值进行调整。
在一种可能的实施例里，u(x)的值为0.05。
在一种可能的实施例里，α′的值为2.72。
在一种可能的实施例里，w(x)的值为0.315。
在一种可能的实施例里，β′的值为0.20。
在一种可能的实施例里，ρ的值为0.72。
在一种可能的实施例里，v(x)的值为1。
在一种可能的实施例里，|f(x)|的值为1。
本申请实施例中，所述疏散出口集合I中包含多个疏散出口i的坐标，疏散出口i附近的区域为疏散区域。将应急疏散场景中的疏散区域抽象为二维的连续区域S，将S微分为多个x区域。N中v(x)+α′·u(x)|f(x)|β′·w(x)·|f(x)|反映了疏散区域中的拥堵成本，即应急疏散场景中人群中个体从初始的位置移动到疏散出口附近的疏散区域的拥堵消耗的成本，α′·u(x)和β′·w(x)共同反映了疏散出口的疏散区域中x区域的拥堵程度。Ci(Qi)为所述疏散出口i处人群疏散所需的成本函数，也即人群在疏散出口i排队的成本。推荐疏散出口决策整数规划方案中所述决策变量Yi的值决定是否设置疏散出口i，如果Yi＝1，则说明在疏散出口i处设置疏散出口；如果Yi＝0，则不在疏散出口i处设置疏散出口。
在一种可能的实施例里，v(x)为x区域内局部自由流速度参数。
可选的，所述根据约束条件包括：
第一约束条件：
Figure BDA0003637305040000111
其中，fi为疏散出口i的建设成本，Yi为决策变量，P为建设成本阈值。
第二约束条件：
Figure BDA0003637305040000112
其中，Qi为通过疏散出口i的个体总数，Mi为任意大于Qi的正整数。
第三约束条件：
Figure BDA0003637305040000113
其中，q(x)为x区域内的个体密度；
第四约束条件：
Figure BDA0003637305040000114
本申请实施例中，为了使所述疏散出口建设的总成本不高于成本上限，设置所述第一约束条件。决策变量Yi用于决定是否在所述疏散出口集合中的疏散出口i处设置疏散出口，Yi＝1表示在疏散出口i处设置疏散出口，Yi＝0表示不在疏散出口i处设置疏散出口。所述第二约束条件为了保证Yi＝0对应的疏散出口i对应的Qi为0。
第五约束条件：Ci(Qi)＝1+τcQi。当某一疏散出口的疏散人数不同时，出口对应的疏散排队成本是不一样的：某一出口的疏散人数较少时，出口对应的疏散排队成本较低；随着此出口的疏散人数增加，对应的疏散排队成本也会相应地增加。其中，τc为疏散成本系数，表示疏散出口人群排队成本对通过此出口人数的依赖性。
在一种可能的实施例里，τc＝0.01。
可选的，以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案后，还包括：
在所述推荐疏散出口决策整数规划方案中Yi的值为1对应的疏散出口i坐标处设置疏散出口。
本申请实施例中，通过优化算法调整所述疏散出口决策整数规划模型中Yi的值，计算总疏散成本N最小时的疏散出口决策整数规划方案，作为所述推荐疏散出口决策整数规划方案。根据其中Yi的值来确定是否在疏散出口坐标处设置疏散出口，如果疏散出口i对应的Yi＝1，则在此处设置疏散出口，如果疏散出口i对应的Yi＝0，则不在此处设置疏散出口。在此推荐疏散出口决策整数规划方案下可以高效地在人群应急疏散场景下进行行人的疏散，提高了疏散的效率。
在一种可能的实施例里，在一台3.30GHz CPU和16GB内存的个人计算机上的GAMS平台中根据Cplex优化求解器构建所述应急疏散优化模型，用于解决优化问题。最大计算时间设置为3600秒。将上述约束条件中各个参数的数据、所述总疏散成本公式内的参数数据和所述优化目标存储在所述个人计算机的存储器中，所述个人计算机的存储器中同时存储着所述处理器可执行指令；其中，所述处理器被配置为执行所述指令，以实现上述人群应急疏散场景下的疏散出口设置方法。将所述推荐行为参数中的第一参数推荐值α′和第二推荐参数推荐值β′输入所述应急疏散优化模型，对所述应急疏散优化模型中各个出口对应的Yi进行优化，到最大计算时间后，即可获取所述推荐疏散出口决策整数规划方案，GAP设置为0.1％。
图4是根据一示例性实施例示出的一种人群应急疏散场景下的疏散出口设置装置框图。参照图4，该装置400包括场景创建模块410，出口设置模块420和优化模块430。
场景创建模块410，用于构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；
出口设置模块420，用于设置疏散出口集合，构建疏散出口决策整数规划模型，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；
优化模块430，用于以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种人群应急疏散场景下的疏散出口设置方法，其特征在于，包括：
构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；
设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；
以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案；
其中，所述轨迹数据包括所述疏散人群中个体在各个时间点的坐标数据，所述以特定应急疏散场景和疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景疏散人群的行为参数，包括：
设置所述仿真模型中疏散人群的初始行为参数，并获取仿真轨迹数据；
以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数；
其中，所述初始行为参数包括第一参数α和第二参数β，所述初始行为参数φ＝(α，β)，所述以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数，包括：
设置3组初始行为参数φ＝(α，β)，并根据φ获取所述仿真轨迹数据；
计算所述仿真轨迹数据与所述实际轨迹数据的接近度函数值E(φ)，根据所述接近度函数值优化所述初始行为参数，以获取推荐行为参数，其中，所述推荐行为参数中包括第一参数推荐值α′和第二推荐参数推荐值β′；
其中，根据所述接近度函数值优化所述初始行为参数，包括：
设置逼近算法参数，所述逼近算法参数包括a、b、c、d；
计算所述初始行为参数对应的接近度函数值，根据所述接近度函数值由小到大的顺序设置第一初始行为参数φ1、第一初始行为参数φ2和第三初始行为参数φ3；
对所述初始行为参数进行迭代直到
Figure FDA0003830614550000011
确定所述第一初始行为参数φ1为所述推荐行为参数，其中，ε为容差；
其中，所述设置疏散出口集合，构建疏散出口决策整数规划方案，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本，包括：
将应急疏散场景中疏散出口对应的疏散区域微分为多个微分区域x，根据所述推荐行为参数获取微分区域x的拥堵程度参数，结合疏散人群中个体的仿真轨迹数据，以获取总疏散成本。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
设置φc＝(φ1+φ2)/2，并设置φr＝φc+a(φc-φ3)，其中，φc为第一中间参数，φr为第二中间参数。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果E(φ1)≤E(φr)≤E(φ2)，则将φr的值赋予φ3，输出φ3并结束此次迭代。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果E(φr)≤E(φ1)，则计算φe＝φc+c(φr-φc)，其中，φe为第三中间参数。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
如果E(φe)≤E(φr)，则将φe的值赋予φ3，输出φ3并结束此次迭代；
如果E(φe)＞E(φr)，则将φr的值赋予φ3，输出φ3并结束此次迭代。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ2)≤E(φr)＜(φ3)，则计算φcr＝φc+b(φr-φc)，其中，φcr为第四中间参数。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
如果E(φcr)≤E(φr)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
8.根据权利要求2所述的方法，其特征在于，所述方法还包括：
如果E(φr)≥E(φ2)，且E(φ3)≤E(φr)，则计算φcr＝φc+b(φ3-φc)。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
如果E(φcr)≤E(φ3)，则将φcr的值赋予φ3，输出φ3并结束此次迭代；
否则，确定φ2＝φ1+d(φ2-φ1)，φ3＝φ1+d(φ3-φ1)，输出φ2和φ3并结束此次迭代。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
设置迭代次数阈值，如果所述迭代的次数大于所述迭代次数阈值，则确定所述第一初始行为参数φ1为所述推荐行为参数。
11.根据权利要求1所述的方法，其特征在于，设置疏散出口集合I，所述I中包含至少一个疏散出口i的坐标，所述疏散出口决策整数规划方案中包括疏散出口i对应的决策变量Yi，Yi的值为0或1，所述总疏散成本的公式化表达为：
Figure FDA0003830614550000031
其中，N为所述总疏散成本，Ai为疏散出口i对应的疏散区域，v(x)为x区域内疏散人群的速度参数，α′·u(x)为x区域内的第一拥堵程度参数，u(x)为x区域内第一拥堵参数程度的系数，f(x)为x区域人群流量矢量，β′·w(x)为x区域的第二拥堵程度参数，w(x)为x区域内第二拥堵参数程度的系数，ρ为惩罚系数，Qi为通过疏散出口i的个体总数，Ci为疏散出口i处的人群疏散成本函数。
12.根据权利要求11所述的方法，其特征在于，所述约束条件包括：
第一约束条件：∑i∈IfiYi≤P，其中，fi为疏散出口i的建设成本，Yi为决策变量，P为建设成本阈值；
第二约束条件：Qi≤MiYi,
Figure FDA0003830614550000032
其中，Qi为通过疏散出口i的个体总数，Mi为任意大于Qi的正整数；
第三约束条件：
Figure FDA0003830614550000035
其中，q(x)为x区域内的个体密度；
第四约束条件：Yi∈{0,1},
Figure FDA0003830614550000034
第五约束条件：Ci(Qi)＝1+τcQi，其中，τc为疏散成本系数。
13.根据权利要求12所述的方法，其特征在于，所述以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案后，还包括：
在所述推荐疏散出口决策整数规划方案中Yi的值为1对应的疏散出口i坐标处设置疏散出口。
14.一种人群应急疏散场景下的疏散出口设置装置，其特征在于，包括：
场景创建模块，用于构建基于社会力模型的仿真模型，以特定应急疏散场景下疏散人群中个体的实际轨迹数据为参照，通过数值逼近的方法获取应急疏散场景中疏散人群的行为参数；
出口设置模块，用于设置疏散出口集合，构建疏散出口决策整数规划模型，并根据所述仿真模型获取所述应急疏散场景下疏散出口的总疏散成本；
优化模块，用于以降低所述总疏散成本为优化目标，根据约束条件构建应急疏散优化模型，求解所述应急疏散优化模型，以获取推荐疏散出口决策整数规划方案；
其中，所述轨迹数据包括所述疏散人群中个体在各个时间点的坐标数据，所述场景创建模块还用于：
设置所述仿真模型中疏散人群的初始行为参数，并获取仿真轨迹数据；
以所述实际轨迹数据和仿真轨迹数据对应的接近度函数值最小为目标优化所述初始行为参数，以获取推荐行为参数；
其中，所述初始行为参数包括第一参数α和第二参数β，所述初始行为参数φ＝(α，β)，所述场景创建模块还用于：
设置3组初始行为参数φ＝(α，β)，并根据φ获取所述仿真轨迹数据；
计算所述仿真轨迹数据与所述实际轨迹数据的接近度函数值E(φ)，根据所述接近度函数值优化所述初始行为参数，以获取推荐行为参数，其中，所述推荐行为参数中包括第一参数推荐值α′和第二推荐参数推荐值β′；
其中，所述场景创建模块还用于：
设置逼近算法参数，所述逼近算法参数包括a、b、c、d；
计算所述初始行为参数对应的接近度函数值，根据所述接近度函数值由小到大的顺序设置第一初始行为参数φ1、第一初始行为参数φ2和第三初始行为参数φ3；
对所述初始行为参数进行迭代直到
Figure FDA0003830614550000041
确定所述第一初始行为参数φ1为所述推荐行为参数，其中，ε为容差；
其中，所述出口设置模块还用于：
将应急疏散场景中疏散出口对应的疏散区域微分为多个微分区域x，根据所述推荐行为参数获取微分区域x的拥堵程度参数，结合疏散人群中个体的仿真轨迹数据，以获取总疏散成本。
CN202210509344.XA 2022-05-10 2022-05-10 人群应急疏散场景下的疏散出口设置方法及装置 Active CN114818360B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210509344.XA CN114818360B (zh) 2022-05-10 2022-05-10 人群应急疏散场景下的疏散出口设置方法及装置
US18/314,286 US11893325B2 (en) 2022-05-10 2023-05-09 Method and apparatus for setting evacuation exit under crowd emergency evacuation scenario

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210509344.XA CN114818360B (zh) 2022-05-10 2022-05-10 人群应急疏散场景下的疏散出口设置方法及装置

Publications (2)

Publication Number Publication Date
CN114818360A CN114818360A (zh) 2022-07-29
CN114818360B true CN114818360B (zh) 2022-11-01

Family

ID=82513094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210509344.XA Active CN114818360B (zh) 2022-05-10 2022-05-10 人群应急疏散场景下的疏散出口设置方法及装置

Country Status (2)

Country Link
US (1) US11893325B2 (zh)
CN (1) CN114818360B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610437B (zh) * 2024-01-24 2024-06-21 青岛理工大学 水灾场景下地下车站疏散高风险区预测方法和装置
CN118192474B (zh) * 2024-04-25 2024-08-30 山东国华时代投资发展有限公司 一种基于新能源场站分区的中心智能调度控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220447A (zh) * 2017-06-05 2017-09-29 山东师范大学 基于疏散路径集合的人群疏散仿真方法及系统
CN107679275A (zh) * 2017-08-31 2018-02-09 中国建筑第八工程局有限公司 一种基于bim技术的消防逃生疏散模拟方法
JP2019016312A (ja) * 2017-07-11 2019-01-31 株式会社大林組 避難安全性能評価方法、避難安全性能評価システム、及び、プログラム
CN114298438A (zh) * 2022-01-04 2022-04-08 青岛理工大学 多危险源下的地铁站内人员疏散仿真路径规划方法及系统

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7366674B2 (en) * 2003-01-24 2008-04-29 Diegane Dione Occupant management method, system, and program product
US20090306946A1 (en) * 2008-04-08 2009-12-10 Norman I Badler Methods and systems for simulation and representation of agents in a high-density autonomous crowd
US8970365B2 (en) * 2008-12-30 2015-03-03 Oneevent Technologies, Inc. Evacuation system
US8827714B2 (en) * 2009-06-22 2014-09-09 Lawrence Livermore National Secuity, LLC. Web-based emergency response exercise management systems and methods thereof
CN103143128B (zh) * 2011-09-06 2016-06-29 阿什万·莫德海B·艾尔杜沙瑞 一种高层建筑物快速逃生出口
WO2013090910A2 (en) * 2011-12-15 2013-06-20 Northeastern University Real-time anomaly detection of crowd behavior using multi-sensor information
US10192411B2 (en) * 2012-12-13 2019-01-29 Oneevent Technologies, Inc. Sensor-based monitoring system
US20160314554A1 (en) * 2013-07-02 2016-10-27 National Ict Australia Limited Evacuation plan design
GB201313712D0 (en) * 2013-07-31 2013-09-11 Ibm Optimizing emergency resources in case of disaster
WO2015106808A1 (en) * 2014-01-15 2015-07-23 Nec Europe Ltd. Method and system for crowd detection in an area
JP6665786B2 (ja) * 2014-11-14 2020-03-13 日本電気株式会社 モデル集約装置、避難予測システム、集約モデル生成装置、集約方法及びコンピュータ読み取り可能記録媒体
EP3220325B1 (en) * 2014-11-14 2022-01-05 Nec Corporation Evacuation prediction system, evacuation prediction method, and computer-readable recording medium
JPWO2016170767A1 (ja) * 2015-04-20 2018-02-15 日本電気株式会社 群集誘導装置、群集誘導システム、群集誘導方法、および、プログラム
US10467888B2 (en) * 2015-12-18 2019-11-05 International Business Machines Corporation System and method for dynamically adjusting an emergency coordination simulation system
EP3211591A1 (en) * 2016-02-23 2017-08-30 Tata Consultancy Services Limited Systems and methods for planning location-sensitive probabilistic behavior based evacuation paths
WO2017189451A1 (en) * 2016-04-25 2017-11-02 Patrocinium Systems, Llc Interactive emergency visualization methods
US10026278B1 (en) * 2017-01-17 2018-07-17 International Business Machines Corporation Optimal evacuation plans in emergency situations
US10540871B2 (en) * 2017-07-05 2020-01-21 Oneevent Technologies, Inc. Evacuation system
KR101828005B1 (ko) * 2017-11-22 2018-03-22 한국건설기술연구원 피난용 승강기를 이용한 피난전략 지원 시스템 및 그 방법
US10410483B2 (en) * 2017-12-15 2019-09-10 Honeywell International Inc. Systems and methods for interactive emergency response systems
CN111492414A (zh) * 2017-12-19 2020-08-04 瑞典爱立信有限公司 实时管理建筑物的疏散
CN108665103B (zh) * 2018-05-11 2021-12-10 南京邮电大学 基于离散最优控制的恐慌人群疏散方法
US11243083B2 (en) * 2018-06-11 2022-02-08 International Business Machines Corporation Implementing route generation with augmented reality
US11561100B1 (en) * 2018-10-26 2023-01-24 Allstate Insurance Company Exit routes
US11557013B2 (en) * 2019-05-15 2023-01-17 International Business Machines Corporation Personalized venue evacuation plan
US20220307839A1 (en) * 2019-06-18 2022-09-29 Nec Corporation Evacuation guidance system, evacuation guidance apparatus, evacuation guidance method and evacuation guidance program
US11202188B1 (en) * 2020-09-18 2021-12-14 International Business Machines Corporation Method and system for personalized evacuation advice with deep mixture models
US20220090927A1 (en) * 2020-09-22 2022-03-24 Genasys Inc. Multi-Hazard Spatio-Temporal Zone-Based Evacuation Management Platform
TWI770971B (zh) * 2021-04-28 2022-07-11 一德金屬工業股份有限公司 避難狀態的避難導航方法
CN113536996B (zh) * 2021-06-30 2022-04-15 大连海事大学 一种基于大量真实人群运动视频的人群运动仿真方法
US11756406B2 (en) * 2021-07-06 2023-09-12 Johnson Controls Tyco IP Holdings LLP Systems and methods for providing evacuation monitoring and assistance
US11756409B2 (en) * 2021-09-22 2023-09-12 International Business Machines Corporation Collaborative control of evacuation of a venue
KR102349293B1 (ko) * 2021-11-09 2022-01-11 대한민국 휴대 기기의 증강현실을 이용한 재실자의 피난 경로 안내 방법 및 이를 위한 시스템
US11417106B1 (en) * 2022-02-04 2022-08-16 King Abdulaziz University Crowd evacuation system based on real time perception, simulation, and warning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220447A (zh) * 2017-06-05 2017-09-29 山东师范大学 基于疏散路径集合的人群疏散仿真方法及系统
JP2019016312A (ja) * 2017-07-11 2019-01-31 株式会社大林組 避難安全性能評価方法、避難安全性能評価システム、及び、プログラム
CN107679275A (zh) * 2017-08-31 2018-02-09 中国建筑第八工程局有限公司 一种基于bim技术的消防逃生疏散模拟方法
CN114298438A (zh) * 2022-01-04 2022-04-08 青岛理工大学 多危险源下的地铁站内人员疏散仿真路径规划方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Route choice in pedestrian evacuation under conditions of good and zero visibility: experimental and simulation results;R Y Guo et al;《Transportation Research Part B: Methodological》;20121231;第669–686页 *
基于社会力模型的飞机应急撤离仿真研究;吴义兵;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181015;第C031-150页 *
建筑疏散门位置生成设计方法研究;高寒;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20200315;第B026-11页 *

Also Published As

Publication number Publication date
US20230367930A1 (en) 2023-11-16
US11893325B2 (en) 2024-02-06
CN114818360A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN114818360B (zh) 人群应急疏散场景下的疏散出口设置方法及装置
Zhong et al. Learning behavior patterns from video for agent-based crowd modeling and simulation
Guy et al. A statistical similarity measure for aggregate crowd dynamics
Chen et al. A novel reinforced dynamic graph convolutional network model with data imputation for network-wide traffic flow prediction
Sun et al. A new fitness estimation strategy for particle swarm optimization
Yuksel Agent-based evacuation modeling with multiple exits using NeuroEvolution of Augmenting Topologies
Bae et al. Non-probability sampling network for stochastic human trajectory prediction
Lee et al. A hybrid neural network model for noisy data regression
Varghese et al. A psychologically inspired fuzzy cognitive deep learning framework to predict crowd behavior
Zhong et al. Automatic model construction for the behavior of human crowds
JP6749282B2 (ja) 人流量予測装置、人流量予測方法、及び人流量予測プログラム
Viswanathan et al. Quantitative comparison between crowd models for evacuation planning and evaluation
Ma et al. An intelligence-based approach for prediction of microscopic pedestrian walking behavior
Chen et al. Entropy-based crowd evacuation modeling with seeking behavior of social groups
WO2022163003A1 (ja) モデル生成装置、推定装置、モデル生成方法、及びモデル生成プログラム
Chen et al. Pedestrian behavior prediction model with a convolutional LSTM encoder–decoder
Zhang et al. Knowledge-based crowd motion for the unfamiliar environment
JP6807822B2 (ja) 人流量予測装置、方法、及びプログラム
CN114461931A (zh) 一种基于多关系融合分析的用户轨迹预测方法和系统
Hu et al. Heterogeneous crowd simulation using parametric reinforcement learning
Li et al. Dimensionally aware multi-objective genetic programming for automatic crowd behavior modeling
JP6665071B2 (ja) 人流量予測装置、人流量予測方法、及び人流量予測プログラム
Zhu et al. Tri-HGNN: Learning triple policies fused hierarchical graph neural networks for pedestrian trajectory prediction
Tse et al. Human–robot communications of probabilistic beliefs via a Dirichlet process mixture of statements
Usman et al. A social distancing index: Evaluating navigational policies on human proximity using crowd simulations

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
CB03 Change of inventor or designer information

Inventor after: Liu Han

Inventor after: Qi Qingjie

Inventor after: Zhang Yue

Inventor after: Zhang Jingwen

Inventor after: Chai Jiamei

Inventor before: Liu Han

Inventor before: Qi Qingjie

Inventor before: Zhang Yue

Inventor before: Zhang Jingwen

Inventor before: Chai Meijia

CB03 Change of inventor or designer information