关键词:
人群分析
计算机仿真
疏散引导
格子玻尔兹曼机
社会力模型
强化学习
摘要:
随着城市化加快和人口密度增加,人群聚集场所的意外事件逐渐增加,涉及大量人群流动和疏散。如何有效管理和引导人群,保障人群安全,是亟待解决的重要问题。特别是在火灾等突发事件中,人群的恐慌和混乱可能导致严重伤亡和财产损失。因此,对密集人群流动模型的分析和人群疏散引导问题的研究具有重要的理论意义和实际价值。
密集人群流动模型和人群疏散引导问题是一个复杂系统问题,涉及到多层次和多因素的相互作用。人群系统的运动状态演进受到外部环境约束因素影响,包括场景结构、其他人群、引导设备等。本文从系统角度研究了在环境约束条件下的密集人群流动模型和人群疏散引导问题,具体研究内容包括:
首先,使用复杂系统的研究方法分析人群系统,用元胞自动机模型定性分析人群系统的复杂性。对元胞自动机模型进行改进,考虑个体运动速率限制、行动力表示、非弹性碰撞处理等因素,使模型更贴近真实人群运动过程。在仿真实验中考虑场景结构影响,并设置不同的障碍物条件,观察到人群系统表现出秩序性、涌现性和适应性等特征,为系统观的人群仿真研究打好基础。
其次,从宏观视角分析密集人群系统,建立基于统计的离散化仿真模型,模拟人群系统的短期演进过程,并实现人群异常事件预测。针对格子玻尔兹曼机在人群仿真中的速度场扩散问题,提出目的驱动格子玻尔兹曼机方法,考虑个体在周围人群环境约束条件下的心理因素和从众现象,调整节点粒子方向,更准确预测人群速度场演进状态。结合行为熵特征分析,可在异常事件发生之前有效预警。
再次,从微观视角分析人群疏散问题,提出基于改进的社会力模型,包含环境约束干预因素的人群疏散全过程仿真系统。本文对真实建筑平面图场景构建人群疏散仿真模型,从障碍物、挤压和碰撞等方面改进社会力模型,更真实地模拟人群运动。加入人群以外的实体干预人群运动,如监控摄像机、动态引导标志,提出了由人群运动仿真、人群状态统计、疏散引导干预三个步骤组成的人群疏散引导系统闭环架构。在人群分布不均匀的实验中此方法可提高疏散效率。
最后,结合宏观与微观研究视角,提出多尺度耦合的人群疏散引导强化学习模型。在社会力模型人群疏散仿真基础上,从宏观视角构建用于人群疏散引导的强化学习智能体,其超然于建筑场景和逃生人群之外,将二者一同视作智能体的交互环境。智能体以人群动态为输入状态,以疏散引导标志的干预信号为输出动作,在与环境交互试错的过程中发现和学习最优的疏散引导策略。针对强化学习的深度Q网络应用于人群疏散时出现的“维度灾难”问题,提出组合动作空间深度Q网络结构,显著降低网络结构复杂度,使强化学习智能体得以实现。仿真实验中,智能体自主发现的疏散策略达到人工建模方法的最优水平,同时避免了人工设置模型参数的大量工作和人为误差。