一种基于资源分配的人避难行踪的位置预测方法及其系统

摘要

本发明涉及公共安全技术领域，特别涉及一种基于资源分配的人避难行踪的位置预测方法及其系统；本发明先构建二维平面模型；再在二维平面模型中确定环境体的容纳量、灾难点位置、人的位置及出口位置，从而可以确定出人的位置与灾难点位置的距离S及人的位置与出口位置的距离D；然后计算出人的位置与可供选择去的环境体的距离；而再计算出人在下一时刻的位置；实时循环进行前一步骤，直至得到人的稳定下来的最终位置；本发明额外增加了资源的动态调整，这样就保证了信息变更的同时资源也是动态消耗的且使用数据少，实际操作方便。

说明书

技术领域

本发明涉及公共安全技术领域，特别涉及一种基于资源分配的人避难行踪的位置预测方法及其系统。

背景技术

随着我国人口的增长和社会公共性活动的经常发生，紧急情况下在公共场合公众疏散就变成了一个严峻的问题。

在人口密集公共场所，发生火灾、爆炸、枪击等紧急事件时，人群时常会发生骚乱，很有可能出现踩踏事件，如果可以采取合理地紧急避难措施，合理疏散人群，可以避免灾难事件。

发明内容

本发明主要解决的技术问题是提供一种基于资源分配的人避难行踪的位置预测方法，其通过构建二维平面模型，从而可以在二维平面模型中可以看到每个人的位置，从而利用场所中的环境体进行收容人群避难，而且可以方便指挥离出口近的人向出口移动；本发明还提供一种基于资源分配的人避难行踪的位置预测系统。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于资源分配的人避难行踪的位置预测方法，其中，包括如下步骤：

步骤S1、构建二维平面模型；

步骤S2、在二维平面模型中确定环境体的容纳量、灾难点位置、人的位置及出口位置，从而可以确定出人的位置与灾难点位置的距离S及人的位置与出口位置的距离D；

步骤S3、计算出人的位置与可供选择去的环境体的距离；

步骤S4、计算出人在下一时刻的位置；

步骤S5、循环进行步骤S4，直至得到人的稳定下来的最终位置。

作为本发明的一种改进，在步骤S2内，环境体的容纳量C＝2^T/10。

作为本发明的进一步改进，在步骤S2内，在二维平面模型中，进行参数调节：当前环境体累计人数造成的影响因子：F(w_i)＝1-C/K_i，其中，K_i代表着当前环境体的最大容纳量。

作为本发明的更进一步改进，在步骤S3内，当前人的位置与可供选择去的环境体的距离：其中，x_c代表着人的位置。

作为本发明的更进一步改进，在步骤S3内，在二维平面模型中，人的位置与出口位置的距离的影响效用函数的定义：

作为本发明的更进一步改进，在步骤S3内，在二维平面模型中，人的位置的移动轨迹关系公式：

作为本发明的更进一步改进，在步骤S4内，特定个体在t-1时刻的位置的计算公式：

在二维平面模型中所有个体在t-1时刻的位置的计算公式：

gBest＝max(Fitness(x_i))；s.t.

作为本发明的更进一步改进，在步骤S5内，人的稳定下来的最终位置的计算公式：v(t)＝v(t-1)+c1*r1*(gBest-x(t-1))+c2*r2*(pBest-x(t-1))；

x(t)＝x(t-1)+v(t)。

一种基于资源分配的人避难行踪的位置预测系统，其中，包括：

构建模块，用于构建二维平面模型；

采集模块，用于在二维平面模型中采集环境体的容纳量、灾难点位置、人的位置及出口位置；

获取模块，用于根据所述采集模块的信息确定出人的位置与灾难点位置的距离及人的位置与出口位置的距离；

计算模块，用于二维平面模型的参数及计算公式结合所述获取模块的信息，计算出人的位置与可供选择去的环境体的距离及人在下一时刻的位置，从而确定人的稳定下来的最终位置。

作为本发明的一种改进，还包括：

预估模块，用于根据所述获取模块的信息预估在二维平面模型中人在下一时刻的位置给所述计算模块提供信息。

本发明的有益效果是：与现有技术相比，本发明额外增加了资源的动态调整，这样就保证了信息变更的同时资源也是动态消耗的且使用数据少，实际操作方便。

附图说明

图1为本发明的基于资源分配的人避难行踪的位置预测方法的方法步骤框图；

图2为本发明构建模型的坐标化示意图；

图3为本发明的流程示意图；

图4为本发明的基于资源分配的人避难行踪的位置预测系统的连接框图。

具体实施方式

现在已有的位置预测方法很多都是半动态(不能实时更新资源的变化)甚至有些方法是纯静态，在预测人群运动的最终位置上不能根据过程中资源的变化去时刻调整预测的结果。

粒子群算法(Particle Swarm)依靠粒子间相互共享资源来更新每个粒子的位置以求达到最好的状态或最有利的当前条件。由于这种算法和人群中共享信息来更新自己行走路线的思路很接近，本发明将位置附近的资源状态和本申请提出的动态粒子群算法(Particle Swarm Dynamics)有效结合，形成了一个预测一段时间内人群(即粒子)运动方向并确定其在这段时间内最终位置的方法。

粒子群算法是一种基于种群寻优的启发式搜索算法，它借鉴了这样的思想，每个粒子代表待求解问题搜索解空间中的一个潜在解，它相当于一只鸟，“飞行信息”包括粒子当前的位置和速度两个状态量。每个粒子都可以获得其邻域内其它个体的信息，对所经过的位置进行评价，并根据这些信息和位置速度更新规则，改变自身的两个状态量，在“飞行”过程中传递信息和互相学习，去更好地适应环境。随着这一过程的不断进行，粒子群最终能够找到问题的近似最优解；本发明利用这一过程产生的结果来预测人群最终聚集的位置。我们认为在重大活动和灾难下人群的位置变化是瞬时的且是互相交流信息的，这里假设人的思考基本是理性的并且他们的运动状态是相互影响。

如图1至图3所示，本发明提供一种基于资源分配的人避难行踪的位置预测方法，包括如下步骤：

步骤S1、构建二维平面模型；

步骤S2、在二维平面模型中确定环境体的容纳量、灾难点位置、人的位置及出口位置，从而可以确定出人的位置与灾难点位置的距离S及人的位置与出口位置的距离D；

步骤S3、计算出人的位置与可供选择去的环境体的距离；

步骤S4、计算出人在下一时刻的位置；

步骤S5、循环进行步骤S4，直至得到人的稳定下来的最终位置。

与现有技术相比，本发明额外增加了资源的动态调整，这样就保证了信息变更的同时资源也是动态消耗的且使用数据少，实际操作方便。

在本发明中，构造以下的变量：

(1)环境容纳量C；

(2)距离出口的位置F；

(3)灾难点的位置S，这里指的是在二维平面模型中的坐标；

(4)当前位置与可以选择环境体的位置之间的距离dist(x_c，w_i)。

其中，环境体可以具体来说是店铺、避难所等客观实体，可以作为人群避难的场所。

本发明给出上述的四种动态变量(也就是资源动态变化)的形式化表示：(1)环境容纳量C(2)距离出口的位置F(3)灾难点的位置S(4)当前位置与可以选择环境体之间的距离dist(x_c，w_i)，然后建模一个模型；再利用前面所述的动态粒子群结合上述的的四种动态变量构造的模型给出一个人群位置演化过程和最终的位置。

其中，在步骤S2内，环境体的容纳量C＝2^T/10，环境体的容纳量是设计本发明系统预先预估的容纳场可以容纳的人的数量。

进一步，在步骤S2内，在二维平面模型中，进行参数调节：当前环境体累计人数造成的影响因子：F(w_i)＝1-C/K_i，其中，K_i代表着当前环境体的最大容纳量。

更进一步，在步骤S3内，当前人的位置与可供选择去的环境体的距离：其中，x_c代表着人的位置。

在步骤S3内，在二维平面模型中，人的位置与出口位置的距离的影响效用函数的定义：

在步骤S3内，在二维平面模型中，人的位置的移动轨迹关系公式：

通过上述人的位置的移动轨迹可以方便预测者或决策者做出合理地决策，及时地进行调度调整，从而使人群聚集地分散，不至于人群堆集。

更进一步，在步骤S4内，特定个体在t-1时刻的位置的计算公式：

通过上述计算个体在t-1时刻的位置，可以预测人在下一步的位置，该计算公式采用的是局部最优方式，预测的下一步是往全局最优靠拢，该计算公式在整个方案中属于中间过程，故称之为局部最优。

在二维平面模型中所有个体在t-1时刻的位置的计算公式：

gBest＝max(Fitness(x_i))；s.t.

更进一步，在步骤S5内，人的稳定下来的最终位置的计算公式：v(t)＝v(t-1)+c1*r1*(gBest-x(t-1))+c2*r2*(pBest-x(t-1))；

x(t)＝x(t-1)+v(t)。

通过上述的最终位置的计算，可以预测人的最终位置，从而可以引导人群，不会造成拥挤的状况，该计算公式结合了不断变化的情况，同时其迭代过程不复杂，只依赖于前面的过程，从而便于预测，另外其更新的方式是以粒子群算法支撑，而且加入动态量融合进行，从而方便计算，预测计算准确。

本发明提供一个实施例，如图2和图3所示，具体详细方法如下：

首先，将每一个人(即粒子)和环境体(具体来说是店铺、避难所等客观实体)网格化成一个具有二维平面坐标表示的内容，如图2所示，接下来提到的每一个人和环境体都有这种位置属性，其中人的位置是随时间变化的。

如图2所示，图中黑色圆点代表每个人，浅色长方形代表环境体，深色长方形代表事件点爆发的位置，长方条框代表出口，所有的距离衡量方式均为空间中欧氏距离的计算，即为两个待计算物体中心点之间的距离用图中双箭头表示。

如图3所示，图中P(1，2…n)代表不同个体的位置。算法会按照一遍遍的资源更新进行循环，直到达到设定好的终止条件，此处资源指的是人变化的状况信息，也就是说，环境容纳量C距离出口的位置F及距离灾难点的位置S，当前位置与可以选择环境体之间的距离，粒子间共享资源，共享的就是位置和速度等信息，具体来说就说就是粒子间分享或感知(随着人潮也是一种感知)这些动态量的变化，灾难点位置就是一种坏资源，形成负反馈；此处终止条件指的是时间或者外力停止，例如：如果整个避难过程只持续1个小时，那么一个小时就是终止条件，外力停止意味着假设此时灾难点不再有事故发生，或者停止，那么这个过程就停止了，设定该条件有助于了解当我们从某一时间段终止的时候，出于什么状态，也有助于判断在灾害中时间持续的预估。

1、四种动态变量表示方法：

首先是环境体容纳量C＝2^T/10，这里T的单位是秒，此处T，这是代表着随时间环境体容纳量是逐渐增加的，也就是说，环境体容纳量是一个关于时间的函数，但是，时间是有限定范围的。

；距离出口的位置D＝F³，这里F指的是每一个人想去的环境体与出口之间的距离，F就是人对距离的估计量；当前人的位置与事件或者灾难发生点之间距离S而产生的一个效用函数log₁₀S，此处配合公式(5.3)，因为人群对灾难点的位置的恐惧，并不是线性增长，而是先增加，到一定距离后几乎不变化，这个效用函数log₁₀S是符合这个要求的。

；当前人的位置与可供选择去的环境体的距离：

公式5.1中的x_c代表着人的位置，是一个由(x，y)平面坐标构成的位置表示，同理对于环境体的位置w_i进行平面坐标化。

2、模型的调节参数的构建：在定义模型之前，我们先给出这样一些定义：

(a)由当前环境体累计人数造成的影响因子：

F(w_i)＝1-C/K_i(5.2)

其中，K_i代表着环境体最大容纳量，这个值是一个给定的常数值，代表着最大能容纳的人数；在此处，F(w_i)小，去的人就多，如F(w_i)大，去的人就多，作用于公式(5.4)，适应度函数会变大，也就是更适应，也就是说，去的人越多，那么感知到这个信息的人越多，也就不会再去了，例如，地震救灾点，人多了人们会换地方。

举个例子，去的越多，那么感知到这个信息的人越多，也就不会再去了。就好比地震救灾点，人多了人们会换地方。去的人越多，被减数越大，这个F就会更小，如果去的人少，这个F就会变大，那么作用于5.4公式，适应度函数会变大，也就是更适应。

(b)定义完(5.2)后，再定义一个综合距离效用函数：

其中，公式5.3给实际距离首先增加了一个距出口距离的影响因子F³/100，同时考虑到事件发生时事件中心点的作用，增加了一个波动因子写为log₁₀S，这也是这个模型巧妙之处，增加了一个十分实用且强大的影响因素即公式(5.2)和(5.3)之体现，这样的增加使得本方法更贴近人群在运动中真实的位置选择过程；使公式(5.3)可以提高计算精确度。

3、模型的计算：该模型数学表示如下：

这个模型本质上抽象的是人群在运动时得到和主观获取到的用于下一次判断的信息。这个适应度模型即这个函数将会使用在PSD方法计算演化过程和预测最终演化结果上。这个适应度模型对PSD模型至关重要，好比汽车里的发动机。

4、人群位置更新规则：使用三条规则来实时更新人群的位置，因为每一个人的位置是由速度(其中包括了方向)和当前位置构成的，所以使用速度更新规则(公式5.8)、全局位置更新规则(公式5.6)、局部位置更新规则(公式5.7)三条来确定下一个时刻人的位置。

更新规则的公式如下：

x(t)＝x(t-1)+v(t)(5.5)

gBest＝max(Fitness(x_i))；s.t.

v(t)＝v(t-1)+c1*r1*(gBest-x(t-1))+c2*r2*(pBest-x(t-1))(5.8)

其中，gBest代表着此时t-1所有运动个体中最佳的位置，pBest代表着某一特定个体t-1时刻最佳的位置，通过结合公式(5.6)和(5.7)来更新公式(5.8)，此时的v(t)既有速度也有方向，那么结合公式(5.6)、(5.7)和(5.8)就可以得到下一时刻t的最佳位置，或者可以表述为个体将要出现的位置。

在该实施例中，我们通过给出结合四个动态资源即四种变量就可以模拟任意时刻的大规模个体所在的位置，同时因为资源的实时更新和算法的动态调整，实现了动态化模拟位置的过程。该过程确定最终的状态即可以把时间条件或者某一项资源先耗尽作为终止条件，至此就可以看出最终的个体随着资源动态变化所稳定下来的位置，也就是公式(5.5)体现出来的x(t)；我们通过计算x(t)就可以得到此时人群的预测位置和最终的位置。该过程模拟了在商场危机疏散或者自然灾害中逃离中人群的过程位置以及最终位置(公式5.5)，既可以确定中间过程，又能预测最终结果。

如图4所示，本发明还提供一种基于资源分配的人避难行踪的位置预测系统，包括：

构建模块，用于构建二维平面模型；

采集模块，用于在二维平面模型中采集环境体的容纳量、灾难点位置、人的位置及出口位置；

获取模块，用于根据所述采集模块的信息确定出人的位置与灾难点位置的距离及人的位置与出口位置的距离；

预估模块，用于根据所述获取模块的信息预估在二维平面模型中人在下一时刻的位置给所述计算模块提供信息；

计算模块，用于二维平面模型的参数及计算公式结合所述获取模块的信息，计算出人的位置与可供选择去的环境体的距离及人在下一时刻的位置，从而确定人的稳定下来的最终位置。

在本发明中，具有如下优点：

1、本发明与传统的粒子群算法相比，首先是通过环境体的计算及公式(5.3)和公式(5.4)额外增加了模型上资源的动态调整，这样就保证了信息变更的同时资源也是动态消耗的，与传统粒子群算法相比实用性更强。

2、使用数据少，只需要个体和环境体的初始位置，以及最初的四种变量，然而这四种变量都是客观的固定数值，这些数据一次就可以得到，大大减少了数据量，简化了模拟过程；也就是说只需事件点位置、环境体(避难体)位置、客观位置坐标和常见人群流量等基础信息即可。

3、模拟灾害中人群的位置，这在传统上预测太困难(传统预测考虑了很多影响人群判断的因素)，而且不易实际操作，很多数据都有误差(以往的模型，用到的是消防通道，靠近某种特定资源，这种完全没照顾到实际情况，突发情况下首先是慌乱，后来才会形成这种理性聚集，所以刚开始设定的资源，反倒造成模型过拟合，误差很大，不具有鲁棒性)，本发明选取的都是客观的不易出错的数据，而且给出了一个通用的解法，在精度上可能不如大数据算出来的精准，但是做一个预测的功能是很实用而且代价很小的，牺牲了一些精度换来了低成本预测；本发明的因素主要集中在事件点位置和环境容纳量，其余都是不断更新和粒子运动交换信息得到了。

以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。