大规模行人流实验和基于大数据的人群疏散仿真

In order to reduce stampede accidents, more attention should be paid on large-scale crowd movements in the real environment. Techniques of collecting and analyzing big data offer the new possibility of such kind of research. In the project, large-scale experiments on pedestrian flows will be conducted. A kind of more realistic microscopic continuous model is proposed, which is based on the floor field and calibrated by the experimental data. Then the model is used to investigate self-organization phenomena of pedestrians and its numerical simulations are compared with experimental results. Extensive observations on pedestrian flows in plazas, subway stations, places of crowd gathering, etc., are performed, related big data are collected and movement features of different types of pedestrians are analyzed. With consideration of these features, the presented model for pedestrian flows is able to depict the movements of the crowd in reality. We take holidays and large-scale group events as objects and extract information related to these activities from big data. In addition, virtual big data can be generated by numerical simulation, which is similar to real big data. Then the distribution of pedestrians is reconstructed by big data and the OD information is applied as well. The aggregation, congestion and dissipation of the real crowd can be simulated by the presented model. Possible stampedes can be predicted by using these simulation results, hence early preventive measures can be taken in time. This research provides theoretical and practical basis to evacuate the crowd and reduce the occurrence of stampedes.

为了减少人群踩踏伤害事故，保障公共安全，有必要研究真实环境中大规模人群的运动规律和应急疏散动力学，新兴的大数据收集与分析技术为此提供了新契机。本项目拟组织大规模行人流实验，建立基于背景场的微观连续模型，据此研究行人自组织现象，并与实验结果进行对比。在广场、地铁站、道路拥挤地段等场所进行大量行人交通实测，积累海量数据，从中提取不同类型行人的运动特征；以节假日群众聚散、大型群体活动为研究对象，从大数据中提取相关信息。此外，还将通过数值模拟产生与真实大数据性质类似的虚拟大数据。基于大数据重构特定区域的人群分布，提取OD信息，模拟真实人群的聚集、拥堵和疏散过程。利用模拟结果预测易发生踩踏事故的区域，提出应对预案，为有效疏散密集人群和减少踩踏事故的发生提供理论依据和可行方案。

为了减少人群踩踏伤害事故，保障公共安全，有必要研究真实环境中大规模人群的运动规律和应急疏散动力学。在给定的活动区域内，人群自身的聚集对疏散过程有重要的影响。本项目的主要内容包括：行人流的实验、观测和数据收集；行人流的建模和模拟；行人流与大数据。本项目对行人流微观模型的改进和创新包括：1）考虑行人影响的背景场，其中行人被当作可移动障碍物，静止的行人比运动的行人对背景场的贡献更大。背景场随人群的运动而动态变化，可以实时反映拥堵对于行人出口选择的影响；2）在社会力模型引入背景场，可以方便地应用于复杂环境下人群运动的模拟；3）采用实数编码的背景场格子气模型，并采用了加密的网格，使得行人具有更多的自由度，能够更精确地描述行人运动；4）建立反映信号交叉口处人车相互作用的微观离散模型，并率先考虑了行人绿灯周期内行人过街速度逐渐增加的特征。在行人流的观测方面，由于无法在校内使用无人机进行拍摄，我们对信号交叉口的人车相互作用进行了观测和建模。我们还利用改进的模型研究了行人流的自组织现象；基于疏散实验的教室人群疏散模拟和一个真实剧院的疏散模拟；研究了通道和房间内行人设施的优化设计，发现当出口处采用不对称设计时，有利于人群的疏散。此外，利用改进的模型还可以模拟产生不同场景下行人运动的虚拟大数据。通过数据采样，可用宏观模型或其他微观模型再现人群运动的整个过程。类似方法可以直接应用于研究有大数据记录的真实人群运动。在项目执行期间，在全国性力学会议中参与组织交通流分会4次， 3名硕士研究生毕业，完成学术期刊论文10篇。本项研究有助于深入理解行人流的自组织行为，基于大数据和改进模型可更好地模拟复杂环境下人群的真实运动过程，为有效疏散密集人群和减少踩踏事故的发生提供理论依据和可行方案。