[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

说明书

本发明公开了一种基于分子动力学和机器学习的人群疏散模拟方法，包括以下步骤：获取当事人的地理位置、面部朝向以及速度分布；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；重复所述步骤，直至所述当事人达到出口。本发明的目的在于提供一种基于分子动力学和机器学习的人群疏散模拟方法，通过构建吸引‑排斥模型结合真实人群疏散数据驱动的机器学习算法来量化建模疏散过程中人的智力、心理、是否有外部导航辅助等主观因素和环境障碍物、烟、火、毒危险接触等客观因素对当事人运动行为的影响，实现人群疏散的精细化动力学模拟。

技术领域

本发明涉及大数据分析和利用技术领域，尤其涉及一种基于分子动力学和机器学习的人群疏散模拟方法。

背景技术

在公共场所突发事故的情况下，由于恐慌和不熟悉地形等原因，人群基于应激反应的自然逃生行为，容易造成拥堵和踩踏等严重后果。针对这个情况，目前解决紧急疏散问题重在制定应急响应预案，部署实地演习，并主要通过外部人员投送来干预和控制人群流动。但是，由于公共场所人员流动大，场景布置容易发生变化，事故种类多种多样等原因，演习和真实事故情况下的疏散存在显著的差异，会导致演习效果大打折扣。为了应对这些困难，基于计算机仿真的人群模拟技术发展了起来，出现了基于个体行为规则建模的人群运动模拟技术和基于社会力学的人群运动模拟技术。通过这些模拟方法，人们可以在虚拟空间中进行演习，观察人群在疏散时的流动行为，制定针对性策略。

然而，目前不管是基于个体行为规则建模的人群运动模拟技术还是基于社会力学的人群运动模拟技术，均是基于事前理论建模，只能考虑数量有限的影响因素，无法深入个体运动的细微差异，所以只能提供少数参数(如速度)来区分不同人的行为特点。然而人的行为具有复杂性，心理、生理和物理的因素都会导致个人之间的逃生行为产生明显差异，并最终影响到拥堵、踩踏等关键事件的发生。

发明内容

本发明的目的在于提供一种基于分子动力学和机器学习的人群疏散模拟方法，通过构建吸引-排斥模型结合真实人群疏散数据驱动的机器学习算法来量化建模疏散过程中人的智力、心理、是否有外部导航辅助等主观因素和环境障碍物、烟、火、毒危险接触等客观因素对当事人运动行为的影响，实现人群疏散的精细化动力学模拟。

本发明通过下述技术方案实现：

一种基于分子动力学和机器学习的人群疏散模拟方法，如图1所示，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。

优选地，所述当事人受力模型为：

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。

优选地，构建所述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；