作者:朱诺
出版社:东北林业大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
行人交通安全——基于视频检测和元胞自动机的人群疏散机理研究试读:
前言
在各种交通方式中,步行可以独立地成为一种交通方式,并且构成各类交通出行的两端环节.在大型活动的场所里,人们一般采用步行的方式参与活动,各类设施都要满足行人行走的需要,行走的服务水平直接关系到活动的质量.因此,通过基于行人微观特征的宏观疏散行人流的研究,建立微观特征与宏观特征之间的联系,探索不同环境下不同行人流的特征和现象,是人群疏散研究的重点和热点,同时具有重要的理论意义,为行人的安全疏散和建筑物的整体结构合理化设计提出宝贵的方案.因此,本书从行人视频检测方法的研究、正常情况下的人群疏散模型研究和紧急情况下的人群疏散模型研究三个方面进行阐述.
第一,本书根据不同的交通状态,提出了低密度情况下基于行人运动的检测方法和高密度情况下基于人头的视频检测方法.在低密度状态下提出了基于行人运动的检测方法:从改进权值参数和控制方差两个方面对传统的高斯模型 (GMM)进行了改进,有效地减少了由于交通冲突使得运动前景融入背景模型的可能;建立了基于K a l m a n滤波和M e a n-S h i f t算法的目标跟踪方法,改进了多个运动目标相互合并或分离时的处理方法;通过B P神经网络对运动个体进行分类,进而得到行人的运动信息.在高密度状态下提出了基于人头的行人检测方法,提出了基于头发颜色在R-B和H S V颜色空间、脸部颜色在YUV颜色空间的混合颜色模型进行头部区域检测;建立了基于C a n n y算法与小波变换的人头轮廓提取方法,实现对人头轮廓的提取;根据H o u g h变换提出了基于人头图像的圆环检测方法,对人头进行精确定位并统计行人流量.最后,通过实际的实验分析,验证了所提出的高、低密度状态下行人视频的检测方法的有效性和先进性.
第二,在对正常情况下的人群疏散模型研究中,本书建立了基于元胞自动机的动态参数模型.在传统的动态参数模型的基础上引入了感知参数,用来描述出口附近的行人密度对行人疏散路径和出口选择的影响,通过用不同的行人分布状态与以往模型进行比较,模拟结果证明这种改进是有效的,因为在对于门的选择上,除了对空间距离的要求以外,密度也是一个很重要的影响因素.本书分别对无阻碍情况下和有阻碍情况下的人群疏散进行了研究:对于无阻碍情况下的人群疏散,本书分别研究了安全出口的最佳位置,以及单个门和多个门的布局对疏散时间的影响,并对模型参数进行了最优选取,描述了疏散时间、系统规模、行人密度、出口宽度之间的关系;对于有阻碍情况下的人群疏散,本书考虑了障碍物布局对疏散时间的影响,同时考虑当障碍物发生位置移动时对疏散时间的影响,分析了障碍物移动时间、疏散时间、行人密度之间的相互关系.与此同时,为了验证所建模型的可靠性和实用性,本书进行了相应的实际疏散实验,通过本书所提出的视频检测方法和模型模拟的比较分析,发现模型的模拟过程与实际疏散过程基本相符.
第三,在对紧急情况下的人群疏散模型研究中,本书从视线受影响情况下的人群疏散、存在挤压情况下的人群疏散及发生火灾情况下的人群疏散三个方面来对紧急情况下的人群疏散模型进行研究.针对视线受影响的情况,本书从无疏散标志的从众疏散和有疏散标志的沿墙疏散两个角度进行了研究,引入了行人视野半径的概念,并分析了行人视野半径、行人密度、出口宽度对疏散时间的影响;针对发生挤压的情况,本书构建了元胞容量可变的C A模型,模型从方向参数和从众参数两个方面进行了考虑,分析了出口宽度、系统规模、行人密度与疏散时间的关系;针对发生火灾的情况,本书建立了火灾发生情况下存在挤压的人群疏散模型,模型考虑了火灾的发生对系统的领域值和行人疏散行为的影响,分析了火灾蔓延时间、出口宽度、行人密度、系统规模与死亡人数的关系.最后,本书仿真了三种情况下的行人疏散过程,从疏散模拟图来看,模型和更新规则较为合理并符合实际.1绪论1.1 研究背景
随着中国国民经济的持续稳定发展,中国现代化、城市化水平显著提高,城市发展已进入快速增长时期,城市规模不断扩大,人口迅速增长,交通基础设施的建设也不断完善.发达的交通网络使居民的出行特点、出行环境均出现较大变化,居民出行频率、出行时间较以前有较大增加,加之我国部分区域人口密集,人们在短时间内高密度聚集变得更加容易.以北京为例,北京每年举办的大型活动数量庞大、类型众多、情况复杂,仅2.1 0年举办的单场次参加人员在10.0人以上的大型活动便有几千场,涵盖了经济、文化、体育、旅游、教育等社会生活的各个领域.2.0 8年8月北京举办了第2 9届夏季奥林匹克运动会,8月8日开幕式当天,“鸟巢”周围奥林匹克中心区的人流达1 6万人 (图1-1);2.1 0年5月上海举办第4 1届世界博览会,仅5月2 9日一天,上海世博园当日入园人数达5 0.5 0万;2.1 0年1 1月广州举办第1 6届亚洲运动会,开幕式当天现场观众约有3万人,运动员约有1万人.这些大型活动的举办提高了我国在世界上的影响力,促进了我国经济的发展;但是吸引的大量观众也会影响到当地的交通,特别是大型活动疏散时的交通问题.此外,春运期间的各汽车站、火车站,每天都有大量的旅客聚集 (图1-2).据估计,春运期间很多大型火车站每天发送旅客超过5万人.与此同时,在学校的教学楼、大型商场、超市、礼堂,还有一些大型聚会,如展览会、招聘会等,每每都有大量密集的人员流动.图1-1 2.0 8年北京奥运会开幕式图1-2 2.1 1年北京站春运
人群拥挤造成的各种事故数量逐年增加,这不仅给社会经济造成了巨大的损失,而且给人民生命和财产造成了严重的损害.全世界每年举办 (或举行)的各类社会活动中,因人群拥挤导致的踩踏事故时常发生,人员伤亡也在所难免.
1.9 1年9月2 2日中秋节,山西省太原市 “煤海之光”彩灯展,能容纳4万人的公园涌入了1 0万人,在通过园内一座石桥时,人员拥挤造成踩踏事故,1.6人丧生,9 8人受伤.
1.9 4年1 2月8日,克拉玛依市友谊宾馆发生重大火灾,造成3.5人死亡,1.0人受伤,直接经济损失约1.0万元.
2.0 0年1 2月2 5日,河南省洛阳市东都商厦发生特大火灾事故,造成3.9人死亡,7人受伤,直接经济损失2.5万元.
2.0 4年2月5日,北京密云彩虹桥事件造成重大社会影响.当时行人过度拥挤在热点区域,抢占观景的最佳地点,使得人员处于超高密度并且拥挤人群持续受到挤压,造成了3 7人丧生、2 4人受伤的严重后果.
2.0 8年9月2 0日,深圳市龙岗区龙岗街道龙东社区舞王俱乐部发生一起特大火灾.事故共造成4 3人死亡,8 8人受伤.火灾是由于舞台上燃放烟火造成的,起火点位于舞王俱乐部3楼,现场有一条大约1 0米长的狭窄过道.现场人员逃出时,过道上十分拥挤,因此造成惨剧.
2.0 9年3月3 0日,科特迪瓦国家足球队在阿比让迎战马拉维队.这场比赛是2.1 0南非世界杯和非洲国家杯预选赛.大约5万名球迷试图涌入仅能容纳3.5万名观众的体育场,造成踩踏事件,至少2 2人死亡,1.2人受伤.
2.1 1年1 1月2 2日,柬埔寨首都金边举行的送水节活动发生严重踩踏事件,至少3.8人死亡,7.5人受伤.
从国内外的经验教训分析,只有了解大型活动的行人集散特性、行人的交通流特性,以及拥挤条件下的行人行为,才能够从行人规划、组织、管理和控制等方面减少行人自主的灵活性及行人彼此之间较强的非线性相互作用.因此,本书总结出针对行人运动特性的参数并建立数学模型,通过数据分析得出切实可行的解决方案,并利用这些成果在基础设施规划设计、行人交通组织、建筑物应急疏散、安全防范管理等方面提出科学化改进建议,这对行人流的理论研究及实际的行人疏散都有较强的指导意义.1.2 研究的目的和意义1.2.1 研究目的
人群疏散特征是广场、商场、娱乐场所等大型活动场所设计的基础,同时也是行人疏散设施设立的重要依据.行人疏散设施是行人交通的主要基础设施之一,一般人群密集的场所,同时也是行人生活必需的场所.为了设计合理的行人疏散设施或者对现有的行人交通或聚集设施进行安全检查,可以通过模拟仿真不同环境下的行人流状态,对现有的交通设施、人群疏散规则,以及建筑设施进行分析,排除安全隐患.人群在不同环境下,其微观行为不同,从而导致不同的宏观行人流特征.在商业步行街购物时,行人倾向于毫无目的地闲逛;在大型超市购物时,行人有一定的目的性并绕过某些展台直接到达目的地;在视线受影响的情况下,行人更倾向于沿着疏散标志进行疏散;在紧急疏散的情况下 (如火灾),行人急于移动到安全的环境中去.通过对不同环境中的人群研究,可以掌握行人流的宏观特征,同时可以在模拟仿真的基础上,制定、设置合理的人性化人群疏散规则和诱导标志.对大型人群集散地如地铁枢纽站、轨道交通站台、体育馆场、大型游乐园等的人群聚集与疏散特征研究,可为人群大型集散地的设计和人群疏散提供理论基础;与此同时,为相关部门提供疏散策略与建议,在紧急情况下合理地分配疏散人流,避免人员伤亡和财产损失.
本书在已有研究的基础上,利用视频处理技术,针对行人的运动特点、疏散行为及所表现出来的疏散现象,深入研究人群疏散机理;研究在不同环境和条件下人群的疏散特性,并综合利用系统科学、管理科学、交通工程学、计算机科学和行为科学等学科的知识,建立科学的理论模型,并进行数值模拟和统计分析.研究成果将为基础设施规划设计、人群交通组织、建筑物应急疏散等提供科学依据.1.2.2 研究意义
交通是人和物在空间上的位置移动,作为社会活动的主体,人同时也是交通系统的主体,是最为复杂的元素.行人交通理论是行人交通设施设计的基础理论,只有掌握行人交通的微观和宏观特征,才能设计合理化、人性化的交通设施,从而进一步提高交通设施的性能.
步行作为一种独立的交通方式,成为各类交通出行的两端环节.在大型活动的场所,人们一般采用步行的方式参与活动,因而各类设施都需要满足行人行走的需要,行走的服务水平直接关系到活动的质量.因此通过基于行人微观特征的宏观疏散行人流的研究,建立微观特征与宏观特征之间的联系,探索不同环境下不同宏观行人流特征和现象的生成机理,是人群疏散研究的重点和热点,并且具有重要的理论意义和应用价值,为保证人员安全疏散提出宝贵的经验.研究成果可为建筑物的整体结构、安全出口位置、安全出口宽度、突发事件通道、疏散标志等的合理设计与设置提供科学依据.
可见,对人群疏散理论的研究,不仅具有科学研究的价值,更具有重要的实际应用价值.行人运动是一个复杂的物理过程,在整个运动的过程中,其行为要受许多因素的直接或间接影响,如场所类型、空间结构、组织管理、人群类型、运动特征、危险物资管理等方面.其中,人群在场所中的行为特征是影响人群聚集风险的重要因素.而群体之间 (包括群体与个体)的相互作用,会影响人群的整体运动效果.为了预防由于人群密集而造成的潜在危险的发生,了解人群的运动 (包括疏散)规律非常重要.对此,本书将综合考虑行人流理论、交通行为、人群组织与诱导及人群仿真等多个方面,来揭示人群疏散过程的演化机理,进而利用科学的人群疏散理论来管理和控制疏散过程,有效地减少拥堵和疏散时间,进而减少人民生命和财产的损失,这对提升我国城市行人交通的基础理论及应用水平均具有重要意义.1.3 国内外研究现状1.3.1 行人视频检测方法的研究现状
行人交通与其他的交通方式相比,有着自己的特性.因此,数据采集方法也与其他的交通方式有所区别,这主要是由于两方面原因造成的.第一,行人本身的特点.由于行人体积较小,运行线路比较随意,因此基于感应的检测器的方法并不适用.第二,采集数据的多样性.行人数据的采集中不仅需要行人流量、速度、密度等宏观交通数据,还需要行人的步幅、步频、集结人数、延误时间、启动时间和加速度等微观交通数据.[1][2]
A l i和D a g l e s s与N a k a m u r a等分别运用了AUT O S C O P E系统和T I P S系统进行了行人交通数据的采集,结果发现,由于行人在体积、轮廓及行走路线上都与其他交通方式存在较大的差别,所以检测机动车数据的系统不能很好地应用于行人交通;H a r i t a o g l u[3]等通过分析摄像机采集的视频图像,将外形分析与跟踪技术结合起来跟踪行人,通过行人的头、躯干、四肢等关键部位来检测和跟踪行[4]人;H o o g e n d o o r n等利用摄像机跟踪行人运动轨迹,在实验检测区域内预先制定好行走线路,实验人员带着不同颜色的帽子以示区别,[5]根据帽子的颜色和实验人员的编号得到运动轨迹;K a r d i等运用图像处理技术来获取行人的交通数据,进而得到行人的交通特征及运行[6]轨迹;王亮等在跟踪人体运动中采用了运动模型和关节人体模型对[7]行人进行建模分析;赵明等采用单目视频图像序列对人体没有被遮挡部位的动作进行了跟踪,首帧采用手工标注人体特征点,但该方法基于单目视觉,无法准确估计被遮挡部位的位置,而且手工干预较多.[8]
H a r i t a o g l u等利用最小、最大强度值和最大时间差分值为场景中每个像素进行统计建模,并且进行周期性的背景更新;L i p t o n[9]等利用两帧差分方法从实际视频图像中检测运动目标,进而用于目[10]标的分类与跟踪;V i o l a等 建立了基于图像灰度和行人运动信息的[11]检测方法;D a l a l等 提出了一种在某个固定的单帧图像里,通过面向梯度方向最大值的直方图来描述行人特征的检测方法;N i y o g i等[12] 采用 “时空切片法”进行行人轨迹跟踪,首先分析行人下肢轨迹的时空交错模式,然后在时空域里定位人头和四肢的轨迹投影,进而描[13]绘出行人的整体轮廓;R o h r 采用1 4个椭圆、柱状的模型来描述行人的基本特征和结构,人体躯干的中心被定义为系统坐标的原点,用以[14]模拟行人行走时所产生的三维图;L e f e v r e等 采用矩形初始化S n a k e模型,针对足球比赛中多个足球运动员的轮廓进行了实时跟[15]踪;W r e n等 在人的运动跟踪中使用区域模型,将人体分为头、躯干、四肢等部分,利用高斯分布建立人体和场景的模型,属于人体的像素被归属于不同的身体部分,通过跟踪各个小区域块来完成对整个人[16]体的跟踪;S e g e n等 用一个矩形框将行人封闭起来,质心 (质量中心)被选择作为跟踪的特征,在跟踪过程中若两人出现相互遮挡时,只要[17]质心的速度能被区分开来,跟踪仍能被成功地执行;H e i k k i l a等 采用K a l n a n滤波对行人进行跟踪,通过历史数据预测分析运动目标的位置,可以缩小目标的搜索范围,实现快速跟踪.
现有的行人检测方法采用模块化、结构化设计,可扩展性较好,可以实时进行行人数据采集和统计.但由于行人是个复杂的个体,其本身的运动有着一定的不可预测性,因此行人运动轨迹的预测可能与实际的运动情况存在着一定的误差.另外,在不同的交通状态下 (如不同的行人密度),行人会存在着不同的运动特性,而现有的行人检测方法并没有考虑交通状态的不同对行人检测的影响,比如在高密度状态下,行人之间相互遮挡现象比较严重,此时基于运动整体检测方法的有效性就有待于商榷.因此本书根据不同的交通状态,分别提出了低密度状态下基于运动的行人检测方法和高密度状态下基于人头的视频检测方法.1.3.2 人群疏散模型的研究现状
目前对人群疏散模型的研究思路有两类:一类是从建立行人之间或行人与环境之间关系的模型入手;另一类是由借鉴成熟的交通流模型而发展起来的.根据模型对交通系统描述的细节程度不同,人群疏散模型可以分为宏观、中观、微观三种.
(1)宏观模型
宏观模型着重从全局的角度来研究行人运动特性,人群被视为一个可压缩的实体或流体,模型中不追踪单个行人的移动,对个体运动、行为及其相互作用的细节描述较为粗糙.较早的宏观仿真模型是由F r [18]u i n 首先提出的,主要参数是行人平均速度、行人密度和流量等,模[19]型主要研究行人的一些集聚性特点.H u g h e s 分别运用连续统一体模型、二维流动模型及 “思考流体”模型来模拟各种类型行人的[20]行走行为,进而得到人群的流动机理.徐尉南和吴正 引进了流体力学的相关理论和思想,把地铁站台内的人群移动看成是空间的流体运动,根据行走方向,采取一维和二维空间来进行描述,通过实际的观测数[21]据建立了一维和二维的客流运动模型.吴正等 通过实际的观测数据来优化和标定客流运动模型的参数,并对地铁站台内的客流疏散时间进行模拟和预测,进而得到最少的疏散时间和最优的疏散效果.
大部分的宏观模型主要是针对行人群体行为及其评价进行分析研究,如分析研究行人密度、速度和流量基本特征参数之间的关系;分析研究行人群体流动的波动性;分析研究行人群体拥挤机理及群集行为
[22][2特性 ;分析研究行人交通设施或活动设施的服务水平和通行能力 326][2728] ;分析研究行人交通设施综合体系评价方法 .
(2)中观模型
与宏观模型相比,中观模型对行人运动的系统要素、个体运动、行为及其相互作用的阐述要更加细致.中观模型不仅可以描述宏观模型的空间和时间特性,而且还能提供微观模型的某些核心数据.最早的[29]中观模型由F l o r i a n等 提出,该模型通过若干个行人所构成的运动整体 (也称队列单元)来描述人群运动,这种方法可以描述人群在节点处的动态变化,但不能很准确、很细致地表达行人之间的相互作[30]用.H o o g e n d o o r n等 提出了气体动力学模型,在气体动力学理论的基础上,建立了行人移动动态方程.
(3)微观模型
微观模型既融合了宏观模型和中观模型的某些优点,又能够细致描述行人个体的行为,所以是近年来发展较快的一类人群疏散模型.微观模型以单个行人为研究对象,是对行人个体在各种条件下所可能采取的运动方式的描述,行人的运动由行人特性 (性别、年龄、心理[31]等)、周围环境等因素共同决定.H e l b i n g等 提出一个行人移动的社会力模型,该模型引入了3个要素:①行人尽可能舒适地到达一定的目的地;②行人移动受到其他人的挤压影响;③行人有时被其他人(如朋友、街道艺术家等)或者对象 (如橱窗展览)所吸引.此模型从牛顿力学的角度来描述疏散人员与环境及疏散人员之间的社会物理和心理作[32]用,模拟重现了行人交通流的 “自组织”现象.H e l b i n g等 基于社会力模型模拟了在发生恐慌的状况下,疏散人群的逃生现象,通过模型模拟和进一步分析发现:①拥堵会产生人群分布的不协调;② “欲速[33]而不达”;③从众行为.P a r i s i等 基于社会力模型来探讨房间及大型公共场所的人员疏散问题.通过分析疏散系统内的丛生结构,P a r i s i等发现阻塞丛生的形成与长时间的丛生延迟有关,因此诠释了恐慌引[34]起的 “欲速而不达”现象.S e y f r i e d等 对一维的模型进行了改良,假定行人为可以在连续空间上自由移动的自驱动体,定性地讨论了行人之间各种相互作用对行人速度-行人密度关系的影响.[35]
T a k i m o t o等 利用步行者的格子气模型模拟了行人在大厅中通过一个安全出口进行疏散的过程,分析了行人逃离时间与幸存率之间的关系.模拟结果表明:疏散行人的逃离时间不仅和行人本身所在[36]的初始位置有关,而且还和安全出口的宽度有关.而N a g a i等 应用格子气模型对爬行者和步行者的疏散路径及疏散行为进行了研究,研究从实际实验和模拟仿真两个方面入手,分析了爬行者和步行者从安全通道通过安全出口时的运动特性,阐述了两者的动力学行为.在模型选取时,步行者采用偏随机走动模型,爬行者采用扩展的格子气模型,通[37]过模拟结果发现,两者的流率与安全出口的宽度有关.S o n g等 把社会力模型的相关理念引入到格子气模型当中,建立了多格子的疏散模型.在模型中,行人之间及行人与建筑物之间的作用力得到了量化.模拟结果表明:在人群紧急疏散的过程中,行人为了尽可能快地离开疏散环境,不仅要克服行人之间的相互作用和障碍物会对行人的排斥,而且要考虑安全出口对疏散行人的吸引,这些相互之间的作用共同决定了疏散人群的整体行为.在安全出口附近的 “成拱”现象和堵塞行为反映了斥力、吸引力和摩擦力的影响,在恐慌的心态下,行人想尽快离开疏散空间,因此行人之间所产生的相互作用增强,导致疏散时间也随之[38]增加.I s o b e等 利用改进的格子气模型模拟了人群从有浓烟的室内转移到室外的疏散过程,并利用实际实验对模型进行了验证,研究结果表明:在对周围情况不明确时,指向安全出口的有声引导能够避免行人的拥挤和阻塞,缩短疏散时间,增加生存概率.
近几年基于元胞自动机的人群疏散模型已成了行人疏散问题的研[39]究热点.Z h a o等 提出了一个二维C A随机模型,得到如下结论:①对于单个安全出口而言,安全出口处的行人流量随着安全出口宽度的增加而增加;②对于某个固定的疏散空间而言,安全出口宽度应保证在某个区域之间;③对于多个安全出口而言,安全出口的布局应尽量对称;④[40]对于不同的系统规模和行人密度,上述规律同样适用.V a r a s等 基于改进的二维C A模型来研究疏散空间内有、无障碍物时的疏散过程.模拟结果表明:行人的疏散时间随着安全出口宽度的增加而减少;当疏散空间内无障碍物时,安全出口附近的行人会出现类似拱形的排队现[41]象.W e n g等 基于行人动力学的思想,建立了一个不后退的C A模型.该模型研究了周期性边界条件及开放性边界条件下的对向行人流的疏散情况,根据时间、步长间隔的更新,可以模拟出行人的不同速度.对于周期性边界条件而言,疏散人群共有三种运动状态,即自由流移动、小道形成及静止状态;对于开放性边界条件而言,疏散人群共有两[4种运动状态,即亚稳定的自由流状态和完全静止状态.K i r c h n e r等 2]也通过行人动力学的相关理论结合C A模型分析和描述了人群的动态疏散过程,该模型利用仿生学的方法来研究存在趋势化想法的行人在疏散过程中的相互作用.研究结果发现:系统如果想实现疏散时间最小化,那么合理并适当地搭配人群行为,了解周围动态的疏散环境是非[43]常有必要的.K i r c h n e r等 在二维的C A模型的基础上引进了摩擦力的概念,用以模拟疏散过程中行人竞争外出的行为.模拟结果显示:当安全出口宽度大于临界值时,行人之间的竞争行为是有益的,可以减少疏散时间;而当安全出口宽度小于临界值时,行人之间的竞争行为将增[44]加疏散时间.K i r c h n e r等 改进了行人动力学的二维随机C A模型.模型中指出:当人群进行疏散时,经常会伴随着冲突的发生,当几个行人都想占据某个元胞位置时,冲突的解决是通过引入摩擦参数来得到每个疏散行人进入该元胞位置的概率,虽然摩擦作用只是在局部显现,但它对全局的疏散过程都有影响,尤其是在高密度的条件下,摩擦作用对[45]疏散时间及疏散路径的影响较大.李得伟等 利用计算机模拟技术和多智能体的相关方法,提出了可以反映交通枢纽内部交通设施的协调性和客流疏散的仿真模型,模型分析了智能体的个体疏散行为、疏散规则、动态信息的相互传递和疏散行人之间的合作等,运用该模型,可以分析行人复杂行为对交通枢纽设施的影响及交通枢纽内部的交通设[46]施布局是否合理等.李得伟等 在分析行人交通的基本特性的基础上,建立了基于动态博弈的行人仿真模型,从路径选择、冲突处理等五个方面对模型进行了阐述,实际试验和仿真数据的比对表明了模型的有效性,该模型在提高运算速度的基础上解决了行人之间的同步决策[47]等问题.N i s h i n a r i等 通过C A方法以统一的方式研究了蚂蚁与步行者的简易模型,阐明了在轨迹上的蚂蚁与疏散中的步行者的相似性:在轨迹上的蚂蚁沿着前面的蚂蚁留下的信息前进;由于安全与效率[48]的原因,在拥挤或恐慌时,步行者也跟着其他人前进.岳昊等 提出了基于元胞自动机的动态参数模型,模型利用两个动态参数反映行人移动区域内的疏散情况,从而决定行人的行为选择.模型研究了在正常的疏散环境下,行人密度、系统规模、安全出口宽度对疏散时间的影响.研究结果表明:随着行人密度的增加,行人的疏散时间呈线性增长;随着安全出口宽度的增加,行人的疏散时间呈负指数减少;同时,安全出口的布局也会对行人的疏散时间有影响.
不同的人群疏散模型有着不同的优缺点和使用范围.C A模型可以通过改变行人的运动规则,模拟出不同状态下的疏散情况;格子气模型与社会力模型都能成功地模拟在步行动力学中所观察到的极其典型的现象;社会力模型能够非常准确地描述行人的群体效应和重现恐慌时的人群行为;A g e n t模型可以捕获紧急的疏散现象,提供系统的自然描述;博弈论在群体疏散行为中的应用是比较崭新的,对于紧急疏散时群体对出口的选择过程,博弈论分析方法可以使疏散者与环境的相互作用更加合理化.然而,大多数C A模型不擅长描述紧急疏散的复杂行为;格子气模型常常表现为用概率统计的方法研究群体步行者的特点,而有时概率的确定却是非常主观的;社会力模型的不足就是它比C A模型耗费更多时间来运行仿真.在现有的微观疏散模型中,C A模型由于其理论体系成熟,规则简单明了,被广泛应用在行人疏散领域.本书基于C A的相关理论,探讨了行人在不同疏散环境下的运动特性,分别建立了与疏散环境相适应的理论模型和行走规则,进而深层次地探索行人的疏散机理.1.4 研究的内容和方法1.4.1 研究内容
本书以行人的交通特征为依据,针对不同的交通状态,分别建立高、低密度下的行人视频检测方法;根据行人在不同疏散环境下的微观特征,建立基于元胞自动机的人群疏散仿真模型,讨论行人流宏观特征的形成机理.研究对象主要包括:无障碍情况下的人群疏散、存在障碍情况下的人群疏散、视线受影响情况下的人群疏散、存在挤压情况下的人群疏散、发生火灾情况下的人群疏散.本书的主要结构如图1-3所示.
第1章为绪论,主要阐述本书研究的背景、目的和意义、国内外研究现状,提出了本书的研究内容、方法和整体框架.图1-3 本书的主要结构
第2章为行人视频检测与人群疏散模型的基础理论.首先介绍行人视频检测的理论和方法;然后阐述元胞自动机的定义、构成和特征;最后介绍人群疏散模型的基础理论.
第3章为行人视频检测方法的研究.本章提出了在低密度状态下基于行人运动的检测方法:从改进权值参数和控制方差两个方面对传统的高斯模型 (GMM)进行了改进,有效减少了由于交通冲突使得运动前景融入背景模型的可能;建立了基于K a l m a n滤波和M e a n-S h i f t算法的目标跟踪方法,改进了多个运动目标相互合并或分离时的处理方法;通过B P神经网络对运动个体进行分类,进而得到行人的运动信息.在高密度状态下提出了基于人头的改进的行人检测方法:提出了基于头发颜色在R-B和H S V颜色空间、脸部颜色在YUV颜色空间的混合颜色模型进行头部区域检测;建立了基于C a n n y算法与小波变换的人头轮廓提取方法,实现对人头轮廓的提取;根据H o u g h变换提出了基于人头图像的圆环检测方法,对人头进行精确定位并统计行人流量.最后,通过实际的实验分析,验证了本章所提出的高、低密度状态下行人视频的检测方法的有效性和先进性.
第4章为正常情况下的人群疏散模型.本章在已有的动态参数模型的基础上引入了感知参数,用以描述出口附近的行人密度对行人疏散行为的影响,分别对无阻碍和有阻碍情况下的人群疏散进行了研究:对于无阻碍情况下的人群疏散,本章分别研究了安全出口的最佳位置,以及单个门和多个门的布局对疏散时间的影响,并对模型参数进行了最优的选取,描述了疏散时间、系统规模、行人密度、出口宽度之间的关系;对于有阻碍情况下的人群疏散,本章考虑了障碍物布局对疏散时间的影响,同时考虑当障碍物发生位置移动时对疏散时间的影响,分析了障碍物移动时间、疏散时间、行人密度之间的相互关系.最后,对无阻碍和有阻碍两种情况分别进行了实际实验和仿真模拟,利用本书所提出的低密度状态下基于行人运动的检测方法对视频进行检测,通过背景分割得到最后一个运动前景离开疏散空间的时间 (也称疏散时间),并利用目标跟踪分析出行人的运动轨迹,通过与实际实验的比对,发现模型模拟的效果较好,这也显示了本书所建模型的优越性.
第5章为紧急情况下的人群疏散模型.本章从视线受影响情况下的人群疏散、存在挤压情况下的人群疏散及发生火灾情况下的人群疏散三个方面来对紧急情况下的人群疏散模型进行研究.在视线受影响的情况下,本章从无疏散标志的从众疏散和有疏散标志的沿墙疏散两个角度进行了研究,引入了行人视野半径的概念,并分析了行人视野半径、行人密度、出口宽度对疏散时间的影响;在发生挤压情况下,本章构建了元胞容量可变的C A模型,模型从方向参数和从众参数两个方面进行了考虑,分析了出口宽度、系统规模、行人密度与疏散时间的关系;在发生火灾情况下,本章建立了火灾发生情况下存在挤压的人群疏散模型,模型考虑了火灾的发生对系统的领域值和行人疏散行为的影响,分析了火灾蔓延时间、出口宽度、行人密度、系统规模与死亡人数的关系.最后,本章仿真了三种情况下的行人疏散过程,从疏散模拟图来看,模型和更新规则较为合理并符合实际.
第6章为研究总结及展望.本章总结了本书研究成果,并展望未来的研究工作.1.4.2 研究方法
本书综合应用多学科知识,利用定性与定量相结合、宏观与微观相结合的方法,定性分析行人在不同疏散环境下的微观决策行为,并通过视频检测和数值模拟进行研究,把影响行人疏散的因素量化为元胞自动机仿真模型的参数及局部移动规则,并建立相应的理论模型.具体方法如下.
第一,搜集现有文献,总结以往的研究成果.初步掌握行人疏散特征及活动特性,设计数据调研方案,明确需要获取的特征数据.
第二,进行数据调研,选取具有代表性的大型公共场所作为疏散空间,在某大型活动结束后拍摄视频录像.应用视频处理软件提取交通数据,对于一些复杂特征采用人工提取方式.对所获取的行人疏散数据进行统计分析,并以此为基础,初步分析行人疏散的影响因素.
第三,根据不同疏散环境行人疏散的主要特征,提出合理假设,并结合已有的理论成果,建立试验性的行人疏散模型,并制定相应的规则描述行人疏散行为.
第四,采用实测数据对模型中相应的特征参数进行标定,并对模型规则进行修改完善.
第五,根据所得的模型进行疏散模拟,对模拟结果进行对比检验,依据检验结果进一步改进理论模型,几经反复,确定最终的模型.1.5 框架结构
本书主要内容的框架结构如图1-4所示.图1-4 本书框架结构1.6 本章小结
本章首先介绍了本书的研究背景,阐述了研究的目的和意义、国内外的研究现状;然后,简单介绍了本书研究的主要内容和方法;最后给出了本书主要内容的框架结构.2行人视频检测与人群疏散模型的基础理论2.1 行人视频检测的基础理论
行人交通数据是行人交通设施设计和交通管理的基础,对智能交通系统的建设有着不可低估的作用.近几年,各地政府和学者已经逐渐意识到行人交通的重要性,因此使得行人视频检测方法也越来越受到各方面人员的重视.研究人员从不同的方向、不同的角度出发,对行人交通数据采集技术进行了研究,提出了相应的行人视频检测方法和模型.将各种方法总结起来,我们可以将其分为不同的模块 (图2-1),不同的方法是这几个模块的不同组合.2.1.1 行人检测
行人检测是在连续的图像中判定出运动的目标,需要从背景图像中把前景图像提取出来,因此背景模型对运动检测至关重要,同时也影响着目标的识别和目标跟踪.由于混合高斯模型对背景的自适应性高,在时空效率都适中的情况下能提供相对精确的背景模型,因此很多学者都广泛采用此模型.
S t a u f f e r和G r i m s o n提出了混合高斯模型 (G a u s s i a n M i x t u r e M o d e l,GMM).背景图像中的每一个像素分别由K个高斯分布构成的混合模型来表示,利用混合高斯模型提取背景图像的过程可以分为以下三个步骤:首先是参数更新,其次是背景估计,最后是前景分割.其中,当前点被认定为背景模型的概率为式中:P(X)——背景模型t的概率;
K——高斯分布的数量;
ω——t时刻第k个高斯分布的权值;k,t
μ——t时刻第k个高斯分布的均值;k,t时刻第k个高斯分布的概率密度函数.
(1)参数更新
随着新图像的到来,模型参数要不断更新,每一个像素都需要和背景模型的K个高斯分布进行匹配,然后再决定参数是否更新.倘若X没有t跟混合模型中的任意一个高斯分布匹配,那么用一个新的高斯—t时刻第k个高斯分布的方差;分布代替最底端的高斯分布 (即代替优先级最低的高斯分布),并初始化较大的方差和较小的权值.更新过程为
式中:α——权值更新率;ρ——参数更新率;—t时刻第k个高斯分布的概率密度函数;
(2)背景估计
参数更新后,需要确定可以描述背景模型的最佳的高斯分布.本书以ω/σ作为参评指标,按照比值的大小将所有的高斯分布进行从高k,tk,t到低的排序.将最有可能描述背景模型的高斯分布置于序列的顶端,不稳定的扰动所产生的背景置于序列的底端.选择前B个高斯分布作为背景模型式中:B——背景模型的高斯分布个数;
T——背景阈值,通过T的设定可以选出描述背景的最佳分布.B
(3)前景分割
依据前B个高斯分布所建立的背景模型,将像素值X按照优先级次t序分别与前B个高斯分布进行逐一匹配.若没有作为背景分布的高斯分布与之匹配,则判定该点为前景点,否则为背景点.2.1.2 行人跟踪
行人跟踪是指通过在视频序列的每幅图像中寻找目标位置,建立运动目标在视频序列中的联系.它是连接目标检测和对象识别的重要环节,可以为目标行为分析提供运动轨迹和准确位移.
(1)K a l m a n滤波
K a l m a n滤波在预测方面具有出色表现,被广泛应用于导航系统和计算机视觉的跟踪系统.K a l m a n滤波的基本原理是通过所获得的观测值z对当前状态x进行最优估计,按照状态转移方程来对下一时刻tt的运动状态进行预测,并接收下一个观测值z,结合上一次的预测值t+1对运动状态做出新的最优估计.因此,K a l m a n滤波主要包括两个阶段.
第一个阶段是预测阶段,系统运动状态的预测方程为x=Axtn×nt-1+Bu+w (2-5)式中:x——t时刻n维状态向量;n×cttt
x——t-1时刻n维状态向量;t-1
A——状态转移的n阶方阵;n×n
B——联系输入控制和状态改变的n×c矩阵;n×c
u——由表示输入控制的c维变量组成,作用是允许外部控制施加t于系统;
w——激励噪声,为零均值的高斯白噪声序列.t
第二个阶段是修正阶段,系统某一时刻的状态变量x,与观测量z之tt间的关系用观测方程来描述z=Hx+w′ (2-6)式中:z——系统在ttm×nttt时刻的真实观测值,为m维向量;
H——m×n维的观测矩阵;m×n
w′——观测噪声,为零均值高斯白噪声序列.在m≥n且方程有唯一t解的情况下,若不存在观测噪声,可以直接算出状态变量值.
(2)M e a nS h i f t算法
M e a nS h i f t算法是一种在采样空间进行搜索,以迭代的方式自动到达特征空间内数据点对应概率密度函数局部极大值的算法.M e a n S h i f t算法在聚类分割方面具有优势,被部分学者引用到了行人视频检测领域.基于M e a n-S h i f t算法的行人跟踪主要包含以下几个步骤.
首先,在跟踪开始的第n帧图片上用概率密度函数建立行人的(参考)目标模型.为了减小因为遮挡、外围背景像素对目标的干扰,除了行人目标的颜色信息外还需要将其颜色布局的空间信息也包含进来.具体就是给距离物体中心近的像素点赋予较大的权重,而给距离物体中心较远的像素点赋予较小的权重.
其次,在第n+1帧,对第n帧的参考目标位置附近的候选目标建立概率密度函数模型.使用相同的核函数,而候选目标的范围取n个像素k点.
再次,寻找位置y,使得以y为中心的候选目标模型和参考目标模型之间的相似函数的值最大.
最后,计算以核函数为空域的权重函数,以特征函数为特征域内权重函数的候选目标在中心点y处的概率密度函数的最大值.2.1.3 行人识别
运动行人的识别分类是智能交通监控系统最基本的研究内容,也是交通领域研究的热点问题.本书依据运动特征和形状特征,采用B P神经网络 (图2-2)对行人目标进行分类.B P神经网络结构简单,具有较强的非线性映射能力,对数据分布无任何要求,能有效解决非正态分布、非线性的评价问题,具有信息的分布存储、并行处理和自学习能力,是应用最为广泛的一类多层前向神经网络,目前已成为模式识别的研究热点.图2-2 B P神经网络结构
B P神经网络结构一般具有三层神经网络,即输入层、隐含层和输出层,其中每一层都包含多个神经元,上下层之间的神经元按照某种特定的方式进行连接,而同层内的左右神经元之间并不相连.B P神经网络是一种按照误差逆传播算法进行训练的多层前馈网络结构.首先,网络按照监督学习方式进行训练,输出层的各神经元输出对应输入模式的响应;然后,根据实际输出与期望输出之间的误差最小原则,从输出层到隐含层,再到输入层,逐层修正各连接系数的权重,网络的正确率随着训练的进行不断提高.
完成网络结构设计后,需进行网络模型训练,即利用样本数据,给定一个输入向量X′= (x,x,1001bb,x)和期望输出向量D′= 12p(d,d,1001bb,d),按照实际输出最接近期望输出的原则,反复修改连接12p权重与阈值,直到误差满足要求为止,如图2-3所示.图2-3中:y——隐含j层各单元输出;图2-3 B P神经网络算法流程
y——输出层各单元输出;t
Δw ——隐含层第j单元与输出层第t单元连接权重的修正量;jt
Δθ——输出层第t单元的阈值修正量;t
Δw ——输入层第i单元与隐含层第j单元连接权重的修正量;ij
Δθ——隐含层第j单元的阈值修正量;j
ε——输出层的调整误差;t
ε——隐含层的调整误差.j2.1.4 参数提取
在行人视频检测中,研究者可根据自己的需求进行参数的提取(包括最基本的交通数据),如行人流量、行人流率、疏散时间、疏散行人密度等.本书在分析人群疏散特性的基础上,在低密度的行人视频检测中提取行人的疏散时间、行人位置坐标及每个安全出口的疏散行人个数等参数;在高密度的行人视频检测中,提取行人的流量和疏散时间等参数.2.2 元胞自动机的基础理论
元胞自动机 (C e l l u l a rA u t o m a t a或C e l l u l a rA u t o m a t o n,简称C A)的基本思想源于著名的计算机科学家N e u m a n n.从N e u m a n n规则的诞生、C o n w a y生命游戏机概念的提出、部分规则在计算机上的实现,到W o l f r a m的巨著 «一种新科学»(A N e w K i n do fS c i e n c e)的出版,元胞自动机逐渐成为一门理论体系完善、应用领域广泛 (生物学、生态学、物理学、化学、计算机科学)的新科学.自1.8 6年C r e m e r和L u d w i g首次将元胞自动机运用到机动车交通流研究中后,元胞自动机逐渐被广泛应用于交通流研究领域.
元胞自动机是一种交叉性科学,是数学家、物理学家、生物学家和计算机科学家共同工作的成果.因此,不同的学者对元胞自动机有着不同的解释:数学家认为元胞自动机是一个时空离散的数学模型;生物学家认为它是生命现象的抽象;物理学家将其视为离散的动力学系统.2.2.1 元胞自动机的物理学定义
元胞自动机是指在具有离散和有限状态的元胞组成的元胞空间上,按照一定的局部规则,在离散的时间纬度上演化的动力学系统.在元胞自动机中,空间被一定形式的规则网格分割为许多单元.这些规则网格中每一个单元都称为元胞,所有的元胞遵循同样的规则进行更新.与其他的动力学模型相比,元胞自动机没有严格的数学函数和物理方程,而是由一系列的动态演化规则所构成的.从另一个层面来说,一个元胞在某一时刻的状态完全取决于上一时刻该元胞及该元胞周围所有相邻元胞的状态;元胞空间内的元胞根据相应的局部规则进行同步更新,整个元胞空间则表现为在离散的时间维度上的变化.2.2.2 元胞自动机的构成
元胞自动机最基本的组成单位包括元胞、元胞空间、邻居及演化规则四个部分.元胞自动机可以视为由一个元胞空间和定义于该空间的变换函数所组成 (图2-4).
(1)元胞
元胞又可以称为细胞、单元,是元胞自动机最基本的组成部分.元胞被分布在离散的一维、二维或多维的欧几里德空间的晶格点上.元胞形状会随着元胞空间划分的不同而不同.在演化的某一时刻,每个元胞都拥有自己的状态,元胞的状态集一般是整数形式的离散集.图2-4 元胞自动机的构成
(2)元胞空间
元胞所分布的空间上所有元胞的集合组成了元胞自动机的元胞空间.目前的研究工作多集中在一维和二维的元胞自动机上,对三维及三维以上的元胞自动机的研究相对较少.元胞空间的元胞划分形式,一维元胞自动机只有一种划分;多维元胞自动机一般有多种划分形式.二维元胞自动机通常采用三角形、矩形、六边形的划分方式,如图2-5所示.图2-5 元胞空间的三种划分方式
(3)邻居
某一元胞状态更新时所需的局部搜索空间域叫作该元胞的邻居.在元胞自动机内,系统的每个元胞都拥有相同的邻居,即所有元胞的邻居大小要相同.系统演化的时间长度一般随着邻居大小的增加呈指数增长.
一维元胞自动机中,一般距离某元胞半径r内的所有元胞均被认为是该元胞的邻居.二维元胞自动机的邻居一般有v o nN e u m a n n型、M o o r e型、扩展的M o o r e型和M a r g o l u s型 (以正方形空间划分为例,如图2-6所示).图2-6 二维元胞自动机模型中常用的邻居
在理论上,元胞空间通常是在各维方向上无限延伸的,这有利于理论上的推理和研究.在实际的元胞自动机模拟演化时,系统不可能处理无限大小的元胞空间.因此,元胞自动机的元胞空间必须是有限的、有界的.处于元胞空间边界的元胞不具有与其他内部元胞一样的邻居,为了确定这些边界元胞的行为,系统可以指定不同的演化规则以考虑适当的邻居,即对边界格点的信息进行编码,并根据这些信息来选择不同的演化规则.
另一种元胞自动机模拟演化的方法不是通过对边界元胞指定不同的演化规则,而是采用在边界处扩展元胞以满足边界元胞和内部元胞拥有类似的邻居.常用的几种被扩展后的边界有周期性边界 (P e r i o d i c B o u n d a r y)、固定边界 (C o n s t a n tB o u n d a r y)、绝热边界 (A d i a b a t i c B o u n d a r y)和映射边界 (R e f l e c t i v eB o u n d a r y)等 (以一维元胞为例,如图2-7所示).周期性边界元胞空间是指将相对边界相互连接的空间;固定边界元胞空间是指边界外扩展元胞均取某一固定常量的元胞空间;绝热边界元胞空间是指边界外邻居元胞状态始终与边界元胞状态保持一致的空间;映射边界元胞空间是指在边界外邻居元胞状态是以边界元胞为轴的镜面反射.图2-7 一维元胞自动机模型中常用的边界条件
(4)演化规则
演化规则是根据元胞及其邻居当前状态确定下一时刻该元胞状态的动力学函数,也就是指一个局部状态的转移函数.演化规则是元胞自动机的灵魂所在,一个元胞自动机模型是否成功,关键在于演化规则设计得是否合理,是否真实反映出了客观事物内在的本质特征,因此,演化规则是元胞自动机模型能否成功的核心.
根据演化规则是否具有随机性,元胞自动机被分为概率性元胞自动机和确定性元胞自动机.概率性元胞自动机的演化规则中包含有一定程度的随机性;确定性元胞自动机的演化规则是按照意义明确的函数,在给定初始状态后将始终演化出同样结果的元胞自动机.实际上,确定性元胞自动机和概率性元胞自动机之间的差异并不大,在确定性模型的演化规则中添加一条带有随机性的规则即可得到概率性元胞自动机.尽管元胞自动机具有离散的性质,概率性元胞自动机却可以使模型的某些参数在一定的连续数值范围内进行调整,这使得元胞自动机在处理某些实际问题时变得异常方便.2.2.3 元胞自动机的特征
从元胞自动机的内涵和构成角度分析,元胞自动机具有以下特征.
第一,同质性、齐性:同质性是指在元胞空间内的每个元胞状态的变化都服从相同的演化规则;齐性是指元胞在元胞空间内分布整齐规则,分布方式相同,大小形状相同.
第二,空间离散:元胞被分布在按照一定的规则划分的离散空间内.
第三,时间离散:系统的演化是按照间隔相等的离散时间分步向前推进的,演化的时间变量只能取等步长的时刻点,并且上一时刻的元胞状态只对下一时刻的元胞状态产生影响.
第四,状态离散有限:元胞自动机的元胞状态只能在有限的离散空间内取值.
第五,并行性:元胞自动机依据演化规则的系统演化是同步进行的,适合于在并行计算环境下运行.
第六,时空局限性:每个元胞在下一时刻的状态仅仅取决于上一时刻自身及其邻居中的元胞状态.
第七,维数高:由于任何完备的元胞自动机的元胞是定义在一维、二维或多维空间上的无限集,每个元胞的状态变量便是这个动力学系统的变量,因此元胞自动机是一类无穷维动力学系统,在实际应用中能处理维数较高的动力学问题.2.3 人群疏散模型的基础理论2.3.1 力学模型
(1)磁场力学模型
O k a z a k i等提出了模拟行人运动的磁场力学模型.在该模型中,疏散行人、障碍物、疏散空间内的墙体等被定义为阳极,安全出口被定义为阴极,模型假设只有行人可以进行位置的移动.在整个疏散空间范围内,行人在磁场斥力与磁场引力的共同作用下,向着安全出口方向移动,在此过程中应避免与其他行人及障碍物发生冲突.当行人受到其他外来的磁力时,行人会根据受力大小调整运动方向和速度,当速度达到规定的上限的时候,其数值不再变化.模型利用库仑定律来计算行人运动的磁场力,如公式 (2-7)所示.→
式中:F——场力 (矢量);
k——常数;
q——行人位置的磁场强度;1
q——磁极位置的磁场强度;2→
r ——从疏散行人指向磁极的矢量;f
r——由行人与磁极之间的距离.f
如图2-8所示,为了防止行人A与行人B相冲突,磁场力学模型中存在着一种斥力,该力会产生一个加速度a并作用于行人A上,使其运动方向发生改变,即由R V转向A C.其中,加速度a的计算方法如公式 (2-8)所示.a=V·c o sα·t a nβ (2-8)
图2-8中:A——行人A;
B——行人B;
V——行人A的速度;
R V——行人A对行人B的相对速度;α——V与R V之间的夹角;
β——R V与A C之间的夹角.
在模型中,来自安全出口的吸引力及其他疏散行人和障碍物的排斥力的合力共同作用于每个行人,并决定了疏散行人的运动方向和运动速度.在磁场力学模型中,磁场强度值是预先设定的,如果该强度值较大,那么疏散行人之间、疏散行人与墙体 (障碍物)之间的排斥力也相对较大.
(2)社会力模型
2 0世纪9 0年代,H e l b i n g基于分子动力论和心理场论的相关知识提出了可以支配行人运动的社会力模型,模型中把促使行人改变其现有运动状态的所有因素统称为 “社会力”,该力的方向和大小随着行人之间的距离、障碍物的位置及安全出口位置的变化而变化.社会力模型是一种连续模型,模型中所描述的行人速度、行人位置及行人的疏散时间等物理量都是连续的.该模型的核心由一组动力学微分方程构成,按照此微分方程可以把相应的物理量的变化联系起来.一旦初始条件给定,模型就可以自动模拟出行人接下来的运动情况.社会力模型的数学表达式如下
式中:——行人的实际速度;——行人的期望速度;——行人α的实际位置;——行人β的实际位置;——物体B最接近于行人α的位置.
该模型的等号右侧第一项表示为行人对期望速度的倾向;第二项为行人之间的排斥力;第三项为行人与障碍物之间的排斥力;第四项为安全出口对行人的吸引力.2.3.2 格子气模型
F r i s c h等提出了著名的F H P模型,这是一种在位形空间、速度空间上都高度离散化的模型,模型规则非常简单,并且在微观水平上满足粒子数守恒和动量守恒定律,能够较好地模拟复杂的流体运动.后人通常又将F H P模型称为格子气模型 (L a t t i c eG a sM o d e l).格子气模型经常被用来研究不同的公共建筑 (如瓶颈通道、大厅、T形通道等)下人群流动的特征.M u r a m a t s u等提出了基于格子气的行人疏散模型,模型中把疏散行人比喻成随机运动的气体分子,每个疏散行人会根据周围的动态情况来选择自己下一步的移动位置.当行人不允许后撤时,疏散行人共有三个方向可以选择,即向前、左移和右移;当行人允许后撤时,疏散行人除了上述的三个方向可供选择以外,还可以后退到后面空白的元胞位置.图2-9描述了行人在运动过程中可能遇到的状况 (以上行为例),×代表元胞位置被占据;○代表移动的行人.当遇到如图2-9所描述的交通状况时,行人上行概率P、左行概率P、右行概率PULR的值如下.
情况 (a)时:P=D+(1-D)/3;P=P=(1-D)/3.ULR
情况 (b)时:P=D+(1-D)/2;P=(1-D)/2;P=0.ULR
情况 (c)时:P=D+(1-D)/2;P=(1-D)/2;P=0.URL
情况 (d)时:P=0;P=P=1/2.ULR
情况 (e)时:P=1;P=P=0.ULR
试读结束[说明:试读内容隐藏了图片]