人群安全管理器:面向人群活动规划与控制的数据驱动主动决策支持
人工智能
2023-08-02 v1 机器学习
机器学习
摘要
本文提出了旨在增强规划与运营阶段人群管理的新技术与方法。该方法涵盖创新的数据收集技术、数据集成,以及使用 3D 数字孪生(Digital Twin)进行可视化,并结合人工智能(AI)工具用于风险识别。本文引入了蝴蝶结(Bowtie)模型,这是一个用于评估和预测风险水平的综合框架。该模型将客观估计与预测(如交通流运行和拥挤程度)与天气条件、情绪和访客目的等多种恶化因素相结合,以评估预期的事故风险。所提出的框架应用于斯海弗宁恩的 Crowd Safety Manager 项目,其中 DigiTwin 基于大量实时数据源开发。一个值得注意的数据源是 Resono,它利用荷兰超过 200 万用户的手机面板提供访客数量及其移动的洞察。特别关注蝴蝶结的左侧,包括状态估计、预测和预报。值得注意的是,重点是利用 Resono 数据生成用于活动规划目的的多天前预报。比较了包括 XGBoost 框架在内的先进机器学习技术,其中 XGBoost 展现出最准确的预报。结果表明预测具有足够的准确性。然而,某些位置可能受益于额外输入数据以进一步提升预测质量。尽管存在这些局限,本工作有助于更有效的人群管理系统,并为这一关键领域的进一步进展开辟了途径。
引用
@article{arxiv.2308.00076,
title = {Crowd Safety Manager: Towards Data-Driven Active Decision Support for Planning and Control of Crowd Events},
author = {Panchamy Krishnakumari and Sascha Hoogendoorn-Lanser and Jeroen Steenbakkers and Serge Hoogendoorn},
journal= {arXiv preprint arXiv:2308.00076},
year = {2023}
}
备注
Submitted to TRB Annual Meeting 2024