基于时间卷积网络的视觉信息驱动人群仿真模型
人工智能
2024-04-10 v2 机器学习
摘要
人群仿真在建筑设计中起着关键作用，影响用户体验与公共安全。传统知识驱动模型虽有优点，但数据驱动的人群仿真模型有望为仿真带来新的真实感维度。然而，现有多数数据驱动模型针对特定几何设计，导致适应性与适用性较差。一种提升数据驱动人群仿真模型适应性与真实感的有前景策略是融入视觉信息，包括场景几何与行人运动。为此，本文提出一种新颖的视觉信息驱动（VID）人群仿真模型。VID模型基于个体的先前社会-视觉信息与运动数据预测下一时间步的行人速度。我们建立雷达-几何-运动方法以提取行人的视觉信息。此外，开发了基于时间卷积网络（TCN）的深度学习模型，称为社会-视觉TCN，用于速度预测。VID模型在三个具有不同几何的公开行人运动数据集（即走廊、拐角与T型路口）上进行了测试。采用定性与定量指标评估VID模型，结果凸显了该模型在所有三种几何场景中的改进适应性。总体而言，所提方法在增强数据驱动人群模型适应性方面表现出有效性。
引用
@article{arxiv.2311.02996,
title = {Visual-information-driven model for crowd simulation using temporal convolutional network},
author = {Xuanwen Liang and Eric Wai Ming Lee},
journal= {arXiv preprint arXiv:2311.02996},
year = {2024}
}