[发明专利]一种基于分子动力学和机器学习的人群疏散模拟方法

权利要求书

1.一种基于分子动力学和机器学习的人群疏散模拟方法，其特征在于，包括以下步骤：

S1：获取当前时刻当事人的地理位置、面部朝向以及速度分布；

S2：根据所述地理位置、所述面部朝向、所述速度分布以及构建好的当事人受力模型更新所述当事人的地理位置；

S3：重复所述S1-S2，直至所述当事人达到出口；

所述当事人受力模型为第一当事人受力模型或第二当事人受力模型；

所述第一当事人受力模型为：

其中，表示当事人受力模型，表示当事人在各种因素下的总势能，U_k(r_ij)表示当事人i感受到对象j的势能，对象j包括其他当事人、障碍物、导航标识、危险物品和/或出口，和n^k为第k种作用势能的特征系数，r_ij表示当事人i与对象j之间的距离，表示当事人i的位置信息，表示对象j的位置信息；

构建所述第一当事人受力模型包括以下步骤：

获取人群疏散数据集，所述人群疏散数据集包括当事人的个人信息、事故种类信息、现场地理和建筑结构信息、当事人面部朝向以及运动轨迹信息；

根据所述运动轨迹信息对所述人群疏散数据集中的当事人进行分类；

根据人员分类结果和所述人群疏散数据集利用吸引-排斥模型构建所述当事人受力模型；

所述第二当事人受力模型为：

其中，表示当事人受力模型，表示当事人在各种因素下的总势能，U_k(r_ij)表示当事人i感受到对象j的势能，对象j包括其他当事人、障碍物、导航标识、危险物品和/或出口，和n^k为第k种作用势能的特征系数，r_ij表示当事人i与对象j之间的距离，表示当事人i的位置信息，表示当对象j的位置信息，表示余量力，为深度学习模型的输入特征向量；

构建所述第二当事人受力模型包括以下步骤：

获取人群疏散数据集，所述人群疏散数据集包括当事人的个人信息、事故种类信息、现场地理和建筑结构信息、当事人面部朝向以及运动轨迹信息；

根据所述运动轨迹信息对所述人群疏散数据集中的当事人进行分类；

根据人员分类结果和所述人群疏散数据集利用吸引-排斥模型和深度学习算法构建所述当事人受力模型；

其中，根据所述运动轨迹信息对所述人群疏散数据集中的当事人进行分类包括以下子步骤：

子步骤1：获取位于相同的所述现场地理和建筑结构信息下对应的所述当事人的运动轨迹信息；

子步骤2：从所述当事人中随机选择k个人所对应的所述运动轨迹信息作为聚类中心；

子步骤3：计算其余的所述当事人的运动轨迹与每个所述聚类中心的距离，把所述当事人对应的所述运动轨迹划分至距离所述聚类中心最近的类中；

子步骤4：根据类中已有的运动轨迹，重新计算类中心；

子步骤5：重复所述子步骤3-所述子步骤4，直到连续N次迭代都不改变聚类结果，或者迭代次数达到上限。

2.根据权利要求1所述的一种基于分子动力学和机器学习的人群疏散模拟方法，其特征在于，所述当事人的运动轨迹与每个所述聚类中心的距离为：

其中，l_ij表示距离，为第i个当事人的运动轨迹，为第j个当事人的运动轨迹，x，y，z为当事人的空间坐标值，下标表示所处时刻。

3.根据权利要求2所述的一种基于分子动力学和机器学习的人群疏散模拟方法，其特征在于，根据所述运动轨迹信息对所述人群疏散数据集中的所述当事人进行分类还包括以下子步骤：

子步骤6：获取所述当事人的个人信息以及所述当事人的分类结果；

子步骤7：用机器学习的分类算法学习所述当事人的个人信息与所述当事人的分类结果之间的函数关系。