一种大规模人群疏散计算机仿真系统及其方法

摘要

本发明公开了一种大规模人群疏散计算机仿真系统及其方法，其中，该系统包括疏散场景模型建立单元，其用于提取疏散场景的特征，得到疏散场景的三维模型；疏散场景全局路径规划单元，其用于根据疏散场景的三维模型对疏散场景进行全局路径规划，计算疏散场景中所有出入口的全局路径；人群活动生成单元，其用于根据疏散场景特征、个体间关系以及个体位置信息进行人群分组，获得若干个群组；人群仿真单元，其用于筛选每个群组的引领者，并根据改进型社会力模型计算个体的实时速度；在仿真过程中，每个群组移动方向由引领者决定，实时调整个体的运动速度，以保持每个群组行进的一致性，实现疏散人群的行为仿真。

说明书

技术领域

本发明涉及人群疏散计算机仿真领域，尤其涉及一种大规模人群疏散计算机仿真 系统及其方法。

背景技术

随着人们生活水平的提高，人们出行的频率逐渐增多，各类公共场所内的行人规 模也逐步增大。特别是在早晚高峰通勤、重大节日的大型集会、体育赛事或其他文化公共活 动时，设施内的人群往往处于密集和拥挤的状态。当建筑物内的人员密集程度较高时，行人 流相互交织、相互挤压，微小的扰动可能致使人群进入不稳定的状态。如果不能及时和有效 的控制，很容易导致人群拥挤践踏事故等事故的发生。

计算机仿真技术能够安全有效的对复杂条件下的运动过程进行可视化、重复性的 模拟，因此该技术逐渐运用到行人疏散理论的科学研究。突发事件下的人群疏散是一项复 杂的系统工程，在实际应用中通常使用疏散实验的方式获取合适的疏散预案。该方式具有 针对性强、信息量丰富等特点。然而，由于存在人员安全无法保障、实验投入大等不可避免 的问题，计算机仿真成为研究突发事件下人群疏散的最有效的方法。

利用计算机仿真人群疏散问题需要考虑到众多影响群体运动的因素，根据社会心 理学的观点，群体可以分为具有不同特征的小群体。而在一个小群体内部，个体之间具有某 些共同的特征形成一个群组。例如，最常见的群组包括家庭关系群组、同学朋友群组、同事 群组等。这些群组通过一种或多种社会关系为纽带连接。

从人的社会性角度来说，某些家庭成员或者说一些小团体成员，他们关心每一个 小群体成员的安全，总是和他们所在的小群体一起疏散，以亲情和友情或者其他某种关联 关系为纽带，将群体中一个个松散的个体变成了若干个紧密联系在一起的小群体。

可观测的事实表明，危急情形下的人群疏散中，同一群组人员的行为总会保持一 致。他们相互协商运动的方向，并可能在某一时刻一起离开群体。所以，同一群组中的每个 个体都会试图调整自己的运动速度，以保持跟整个群组行进的一致性。

从大规模人群疏散计算机仿真系统的角度来说，采用按群组移动规划路径的方 法，可以大大提高运行效率。例如：一千个人员表现出来的群体运动可以看成是由几个几百 人组成的相互独立的群体运动的合成。人群疏散仿真时，只需要为每个组的引领者规划路 径，组内其他成员跟随引领者移动。这就解决了大规模人群疏散计算机仿真为每个个体计 算路径导致的速度过慢的问题。

DirkHelbing根据人群行为特征，以牛顿力学为基础建立了社会力模型。社会力 是指一个人运动时受到所处环境(包括环境中的人和物)对其施加的力，并非是直接作用在 他身上的物理概念的力。社会力模型中依据行人不同的动机和在环境中受到的影响，共有 三种作用力的影响：驱动力、人和人之间的作用力以及人和障碍物之间作用力。这些力的合 力作用于行人，产生一个加速度。在整个个体行走过程中，以及个体和个体之间始终存在一 定的力的作用。例如，驱动力会引导个体朝目标方向前进；在个体身体接触之前，人和人之 间的作用力使人群中的个体避免相互碰撞；人和环境之间的作用力使人群中的个体避免与 障碍物碰撞。这个阶段可以用经典牛顿第二定律来解释。

现有人群疏散仿真方法中均未考虑人群之间的关系以及形成的群组对运动的影 响。虽然，Helbing和Molnar提出社会力模型依据牛顿力学公式模拟人群行为，能够很好地 重现一些现象，例如“越想快反而越慢”以及出口处的拱形现象。但是它过度简化了行人的 行为，没有考虑人群之间的关系以及形成的群组对运动的影响。

因此，为了解决大规模人群疏散计算机仿真系统的真实性及疏散效率问题，需要 考虑研究群组移动对疏散效率的影响，不仅可以提供合理的安全疏散方案，并且可以为建 筑结构的设计、密集人群的管理、突发事件人群疏散演习以及制定紧急疏散计划提供科学 的指导。

发明内容

本发明提供了一种大规模人群疏散计算机仿真系统及其方法。本发明在考虑人群 关系的特性对人群进行分组的前提下，每组选出引领者，采用改进型社会力模型来模拟在 突发事件人群疏散时群组移动的过程，为建筑结构的设计、密集人群的管理、突发事件人群 疏散演习以及制定紧急疏散计划提供科学的指导。

一种大规模人群疏散计算机仿真系统，包括：

疏散场景模型建立单元，其用于提取疏散场景的特征，得到疏散场景的三维模型；

疏散场景全局路径规划单元，其用于根据疏散场景的三维模型对疏散场景进行全 局路径规划，计算疏散场景中所有出入口的全局路径；

人群活动生成单元，其用于根据疏散场景特征、个体间关系以及个体位置信息进 行人群分组，获得若干个群组；

人群仿真单元，其用于筛选每个群组的引领者，并根据改进型社会力模型计算个 体的实时速度；在仿真过程中，每个群组移动方向由引领者决定，实时调整个体的运动速 度，以保持每个群组行进的一致性，实现疏散人群的行为仿真；

其中，改进型社会力模型中社会力为个体驱动力、个体间的作用力、个体与障碍物 间作用力、群组吸引力及扰动力的总和。

所述人群仿真单元，包括：

引领者选择模块，其用于根据个体间关系来确定个体间的关系值，筛选出各个群 组中与其他个体的关系值之和最大的个体，作为各个群组的引领者；

人群疏散仿真模块，其用于根据改进型社会力模型计算个体的实时速度；在仿真 过程中，每个群组移动方向由引领者决定，实时调整个体的运动速度，以保持每个群组行进 的一致性。

一种基于大规模人群疏散计算机仿真系统的仿真方法，包括：

步骤(1)：提取疏散场景的特征，得到疏散场景的三维模型；

步骤(2)：根据疏散场景的三维模型对疏散场景进行全局路径规划，计算疏散场景 中所有出入口的全局路径；

步骤(3)：根据疏散场景特征、个体间关系以及个体位置信息进行人群分组，获得 若干个群组；

步骤(4)：筛选每个群组的引领者，并根据改进型社会力模型计算个体的实时速 度；在仿真过程中，每个群组移动方向由引领者决定，实时调整个体的运动速度，以保持每 个群组行进的一致性，实现疏散人群的行为仿真。

所述步骤(4)中筛选每个群组的引领者的过程，包括：

步骤(4.1)：据个体间关系来确定个体间的关系值，分别计算各个群组中每个个体 与其他个体的关系值之和；

步骤(4.2)：在每个群组中，将每个个体与其他个体的关系值之和的大小进行排 序，筛选出各个群组中与其他个体的关系值之和最大的个体，作为各个群组的引领者。

所述步骤(4)中，改进型社会力模型中社会力为个体驱动力、个体间的作用力、个 体与障碍物间作用力、群组吸引力及扰动力的总和。

改进型社会力模型中群组吸引力的方向指向群组的中心，群组的中心为相应群组 的引领者。

所述步骤(3)中个体间关系包括同事关系、亲属或恋人关系和朋友关系。

所述步骤(3)中个体间关系还包括团队成员与领队关系。

如果两个个体无关系，则关系值为0。

个体间关系值取值范围为：

本发明的有益效果为：

(1)本发明用于大规模人群疏散计算机仿真系统的人群仿真单元，考虑了人群之 间的关系以及形成的群组对运动的影响，可以再现人群疏散时成组移动的效果，使人群疏 散计算机仿真更真实，为人群疏散安全演练提供重要的依据，还可以检测建筑疏散性能，优 化实际疏散过程以及提高疏散效率；

(2)从大规模人群疏散计算机仿真系统的角度来说，采用按群组移动规划路径的 方法，可以大大提高运行效率。例如：一千个人员表现出来的群体运动可以看成是由几个几 百人组成的相互独立的群体运动的合成。人群疏散仿真时，只需要为每个组的引领者规划 路径，组内其他成员跟随引领者移动。这就解决了大规模人群疏散计算机仿真系统为每个 个体计算路径导致的速度过慢的问题。

(3)由于人群是按组运动的，采用增加了改进型社会力模型，群组吸引力的方向指 向群组的中心，该发明用于提高计算机仿真的真实性和效率，并且为建筑结构的设计、密集 人群的管理以及制定紧急疏散计划提供科学的指导

附图说明

图1是本发明的大规模人群疏散计算机仿真系统的结构示意图；

图2是本发明人群仿真单元群组移动流程示意图；

图3是本发明实施例中初始化后的人群示意图；

图4是本发明实施例中人群疏散仿真中人群分组过程示意图；

图5是本发明实施例中分组后向出口移动的状态图；

图6是本发明实施例中分组后向出口移动，接近出口的状态图；

图7是本发明实施例中分组后向出口移动，疏散基本结束的状态图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

在本发明的大规模人群疏散计算机仿真系统中：

(1)人群数据集P＝{p_i,i＝1,2,…,N}，p_i＝(p_i1,p_i2,…,p_im)表示数据集中第i个个 体，p_im表示第i个个体的第m个属性。

(2)人群个体间的关系：

对于两个个体p_l和p_m，关系值表示两个个体之间的紧密程度，取值为0到1，用rel (p_l，p_m)表示。

如果两个个体无关系，则关系值为0，如果是母子或恋人关系，则关系值趋近于1。 为了反映紧急疏散时，查找导游或者一个团体的领导者，把旅游团队中的每个人与导游都 建立关系，并且关系为1，同样的道理，每个集体的个体与领队之间，也都建立关系，并且关 系值为1。待疏散人群数据集的个体之间的关系取值范围为：

(3)人群个体与疏散场景的人群活动区域的映射关系：

本发明疏散场景的人群活动区域定义为S＝L×W，是一个长为L，宽为W的矩形平面 区域，上面的每一个点都可以用由两个数构成的坐标(x,y)来表示。

其中，P→S的映射为M：待疏散人群数据集P到平面区域的映射M＝{p_i(x,y)}；

p_i是待疏散人群数据集中的第i个个体，1≤i≤N，(x,y)是二维平面上的坐标，1≤ x≤W，1≤y≤L，p_i(x,y)表示第i个个体在平面区域上的位置是(x,y)。

(4)群组中引领者的选择：

计算每个群组中每个个体与其他个体的关系值之和后，筛选出各个群组中与其他 个体的关系值之和最大的个体，作为各个群组的引领者。

(5)改进型社会力模型：

DirkHelbing根据人群行为特征，以牛顿力学为基础建立了社会力模型。社会力 是指一个人运动时受到所处环境(包括环境中的人和物)对其施加的力，并非是直接作用在 他身上的物理概念的力。社会力模型中依据行人不同的动机和在环境中受到的影响，共有 三种作用力的影响：驱动力、人和人之间的作用力以及人和障碍物之间作用力。这些力的合 力作用于行人，产生一个加速度。在整个个体行走过程中，以及个体和个体之间始终存在一 定的力的作用。例如，驱动力会引导个体朝目标方向前进；在个体身体接触之前，人和人之 间的作用力使人群中的个体避免相互碰撞；人和环境之间的作用力使人群中的个体避免与 障碍物碰撞。这个阶段可以用经典牛顿第二定律来解释。表达式如下：

$m_i\frac{d{\overrightarrow{v}}_i}{dt}=\overrightarrow{f_i^0}+\underset{j(\ne i)}{\Sigma }\overrightarrow{f_{ij}}+\underset{W}{\Sigma }\overrightarrow{f_{iW}}+\overrightarrow{\xi {\left(t\right)}_i}$公式(1)

公式(1)表示个体i的运动受到自身驱动力个体i与其他个体之间的作用力 个体与障碍物之间的作用力以及扰动力这四种力的影响。

在这四种力的共同作用下，个体的位置发生变化。m_i为个体i的质量，表示个体i 当前的速度，那么个体i的自身驱动力为：

$\overrightarrow{f_i^0}=m_i\frac{v_i^0\left(t\right)\overrightarrow{e_i^0}\left(t\right)-\overrightarrow{v_i}\left(t\right)}{{\tau }_i}$公式(2)

在移动过程中，个体i会不断调整自己当前的实际速度期望以最大速率向着目的地移动。τ_i是个体i的反应时间，是目的地所在方向。其中

$\overrightarrow{v_i}\left(t\right)=\frac{d\overrightarrow{r_i}}{dt}$公式(3)

$\overrightarrow{f_{ij}}=\overrightarrow{f_{ij}^{Psy}}+\overrightarrow{f_{ij}^{Touch}}$公式(4)

公式(4)表示个体i受到个体j的作用力。这个作用力包括两部分，一是个体i刻意 与个体j保持安全距离的心理作用力二是个体i与个体j之间的物理作用力心理 作用力为：

$\overrightarrow{f_{ij}^{Psy}}=A_i\exp [(r_{ij}-d_{ij})/B_i]\overrightarrow{n_{ij}}$公式(5)

公式(5)中，A_i、B_i均为常量，A_i表示相互作用力的强度，B_i为排斥力的浮动范围。r_i、 r_j分别为个体i及个体j的半径，r_ij为个体i和个体j的半径之和，r_ij＝r_i+r_j。d_ij为个体i与个 体j的质心距离，为由个体i指向个体j的单位向量，和分别表 示个体i与j的位置。

物理作用力为：

$\overrightarrow{f_{ij}^{Touch}}=g(r_{ij}-d_{ij})(k\overrightarrow{n_{ij}}+{\mathrm{\kappa \Delta v}}_{ji}^{\prime }\overrightarrow{t_{ij}})$公式(6)

公式(6)中，表示个体i受到个体j的物理作用力，k、κ为常量，Δv'_ji表示个体 i与个体j切线方向的相对速率：

${\mathrm{\Delta v}}_{ji}^{\prime }=(\overrightarrow{v_j}-\overrightarrow{v_i})·\overrightarrow{d_{ij}}$公式(7)

表示个体i与个体j的切线方向，当两个人没有接触时，g(x)为0，反之为x。即，当 个体i与个体j有接触时时g(r_ij-d_ij)的函数值为r_ij-d_ij。

个体和障碍物之间的作用力表示为：

$\overrightarrow{f_{iW}}=\overrightarrow{f_{iW}^{psy}}+\overrightarrow{f_{iW}^{touch}}$公式(8)

$\overrightarrow{f_{iW}^{psy}}=A_i\exp [(r_i-d_{iW})/B_i]\overrightarrow{n_{iW}}$公式(9)

$\overrightarrow{f_{iW}^{touch}}=g(r_i-d_{iW})[k\overrightarrow{n_{iW}}-\kappa (\overrightarrow{v_i},\overrightarrow{t_{iW}})\overrightarrow{t_{iW}}]$公式(10)

其中，表示个体i刻意与障碍物w保持安全距离的心理作用力；表示个体i 受到障碍物w的物理作用力；d_iw为个体i与障碍物w的质心距离；为由个体i指向障碍物w 的单位向量；表示个体i与障碍物w的切线方向。

本发明的改进型社会力模型的表达式为：

$m_i\frac{d\overrightarrow{v_i}}{dt}=\overrightarrow{f_i^0}+\underset{j(\ne i)}{\Sigma }\overrightarrow{f_{ij}}+\underset{W}{\Sigma }\overrightarrow{f_{iW}}+\underset{j(\ne i)}{\Sigma }\overrightarrow{f_{ij}^{Group}}+\overrightarrow{\xi {\left(t\right)}_i}$公式(11)

其中，m_i表示个体i的质量；表示个体i当前的速度；表示个体i的运动受到自 身驱动力；表示个体i与其他个体之间的作用力；表示个体与障碍物w之间的作 用力；表示扰动力；表示个体i在群体中与个体j的吸引力。

$\overrightarrow{f_{ij}^{Group}}=w_{ij}.A_i.\exp [t(r_i-d_{ij})/B_i]\overrightarrow{n_{ij}}$公式(12)

其中，w_ij＝β×rel(i,j)，β是关系对吸引力的权重；rel(i,j)表示两个个体i和j的 关系值，取值为0到1。

是个体i在群体中与个体j的吸引力的合力。该力的方向指向群组的中心，其 大小由个体期望在一起的程度决定，主要由个体之间的关系决定。关系越密切，期望在一起 的程度越大，群组吸引力就越大；反之越小。例如，由母亲和孩子组成的群组，他们之间的关 系更紧密，吸引力大小要比由同事关系为社会纽带形成群组个体之间的吸引力大。因此，在 疏散过程中，倾向于逐渐靠近，并步伐比较协调的移动。

如图1所示，本发明的大规模人群疏散计算机仿真系统，包括：

疏散场景模型建立单元，其用于提取疏散场景的特征，得到疏散场景的三维模型；

疏散场景全局路径规划单元，其用于根据疏散场景的三维模型对疏散场景进行全 局路径规划，计算疏散场景中所有出入口的全局路径；

人群活动生成单元，其用于根据疏散场景特征、个体间关系以及个体位置信息进 行人群分组，获得若干个群组；

人群仿真单元，其用于筛选每个群组的引领者，并根据改进型社会力模型计算个 体的实时速度；在仿真过程中，每个群组移动方向由引领者决定，实时调整个体的运动速 度，以保持每个群组行进的一致性，实现疏散人群的行为仿真；

其中，改进型社会力模型中社会力为个体驱动力、个体间的作用力、个体与障碍物 间作用力、群组吸引力及扰动力的总和。

进一步地，人群仿真单元，包括：

引领者选择模块，其用于根据个体间关系来确定个体间的关系值，筛选出各个群 组中与其他个体的关系值之和最大的个体，作为各个群组的引领者；

人群疏散仿真模块，其用于根据改进型社会力模型计算个体的实时速度；在仿真 过程中，每个群组移动方向由引领者决定，实时调整个体的运动速度，以保持每个群组行进 的一致性。

如图2所示，本发明的大规模人群疏散计算机仿真系统的仿真方法，包括：

步骤(1)：提取疏散场景的特征，得到疏散场景的三维模型；

步骤(2)：根据疏散场景的三维模型对疏散场景进行全局路径规划，计算疏散场景 中所有出入口的全局路径；

步骤(3)：根据疏散场景特征、个体间关系以及个体位置信息进行人群分组，获得 若干个群组；

步骤(4)：筛选每个群组的引领者，并根据改进型社会力模型计算个体的实时速 度；在仿真过程中，每个群组移动方向由引领者决定，实时调整个体的运动速度，以保持每 个群组行进的一致性，实现疏散人群的行为仿真。

进一步地，步骤(4)中筛选每个群组的引领者的过程，包括：

步骤(4.1)：据个体间关系来确定个体间的关系值，分别计算各个群组中每个个体 与其他个体的关系值之和；

步骤(4.2)：在每个群组中，将个体按关系值之和排序，筛选出各个群组中与其他 个体的关系值之和最大的个体，作为各个群组的引领者。

改进型社会力模型中社会力为个体驱动力、个体间的作用力、个体与障碍物间作 用力、群组吸引力及扰动力的总和。

改进型社会力模型中群组吸引力的方向指向群组的中心，群组的中心为相应群组 的引领者。

下面提供一个仿真实施例：

由300个人300×250的平面区域上进行计算机人群疏散仿真，如图3～图7所示。在 图3中，初始化后的状态，相同灰度的个体表示：个体之间存在关系。在图4中，从人群分组后 各组向出口移动的状态可看出，相同灰度的个体分在相同的组中。从图5，6，7中可看出，在 向出口移动过程中，有关系的个体基本保持在同一组，并且同组中的每个个体都会试图调 整自己的运动速度，以保持跟整个群组行进的一致性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范 围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。