基于生成模型的建筑疏散模式学习与仿真
机器学习
2025-11-13 v1
摘要
疏散仿真是建筑安全设计的关键，确保疏散路线得到妥善规划。然而，传统疏散仿真方法高度依赖精细建模，参数繁复，难以在早期设计阶段实现快速迭代。为此，本研究提出DiffEvac，一种基于生成模型的建筑疏散模式学习方法，用于高效疏散仿真和提升安全设计。首先，建立包含399个多样功能布局及其对应建筑疏散热图的数据集。随后，提出解耦特征表示，用于嵌入布局和occupant密度等物理特征。最后，提出基于图像提示的扩散模型，从模拟的疏散热图中学习疏散模式。与使用RGB表示的条件生成对抗网络(Conditional GAN)的现有研究相比，DiffEvac在SSIM上提升最高可达37.6%，PSNR提升142%，且处理速度快16倍，将仿真时间缩短至2分钟。案例研究进一步表明，本方法显著提升了快速设计迭代和调整过程中的疏散仿真效率，为智能建筑设计的未来安全优化提供了新的见解和技术路径。研究意义在于，该方法降低了建模负担，使大规模情景探索成为可能，并便于与多目标设计工具集成。
引用
@article{arxiv.2510.19623,
title = {Learning and Simulating Building Evacuation Patterns for Enhanced Safety Design Using Generative Models},
author = {Jin Han and Zhe Zheng and Yi Gu and Jia-Rui Lin and Xin-Zheng Lu},
journal= {arXiv preprint arXiv:2510.19623},
year = {2025}
}