基于瓶颈处人群推挤行为的混合机器学习与物理模型
物理与社会
2024-12-31 v1
摘要
在高密度人群中，靠近的体积使得 steady state 极易受到推挤行为的扰动，可能导致严重事故。然而，由于实验数据稀缺，导致该机制的系统性研究与准确建模一直受限。利用瓶颈处实验行为数据，我们调查了人群在推挤倾向上的异质性，表明在高动机且在较宽的走廊中，人们倾向于推挤。我们引入空间离散方法，将邻居状态编码为特征向量，作为推挤倾向与随机森林模型的输入，用于预测推挤行为。通过比较速度-跟随距离关系，我们揭示推挤行为对应于一种激进的空间利用运动策略。因此，我们提出一种集成推挤倾向异质性、推挤行为预测与动态运动策略调整的混合机器学习与物理模型。验证表明，该混合模型有效再现实验性人群动力学，并能融合额外行为特征。
引用
@article{arxiv.2412.20058,
title = {Hybrid Machine Learning and Physics-based Modelling of Pedestrian Pushing Behaviours at Bottlenecks},
author = {Qiancheng Xu and Ezel Üsten and Ahmed Alia and Biao He and Renzhong Guo and Mohcine Chraibi},
journal= {arXiv preprint arXiv:2412.20058},
year = {2024}
}