Vorhersage der Fußgängerdynamik in komplexen Architekturen mit künstlichen neuronalen Netzen
Das Verhalten der Fußgänger hängt in der Regel von der Art der Einrichtung ab. Der Fluss an Engpässen kann beispielsweise die in geraden Gängen beobachteten maximalen Raten übersteigen. Folglich sind genaue Vorhersagen von Fußgängerbewegungen in komplexen Gebäuden mit Gängen, Ecken, Engpässen oder Kreuzungen eine schwierige Aufgabe für Minimalmodelle mit einer einzigen Einstellung der Parameter (so genannte physikbasierte Modelle).
Künstliche neuronale Netze sind robuste Algorithmen, die verschiedene Arten von Mustern erkennen können. In diesem Beitrag überprüfen wir ihre Eignung für die Vorhersage der Fußgängerdynamik in komplexen Architekturen. Dazu haben wir mehrere künstliche neuronale Netze für die Vorhersage von Fußgängergeschwindigkeiten in Korridor- und Engpassversuchen entwickelt, trainiert und getestet. Die Schätzungen werden mit denen eines klassischen geschwindigkeitsbasierten Modells verglichen.
Für das Training und den Test des Geschwindigkeitsmodells und der künstlichen neuronalen Netze sowie für den Vergleich mit den Vorhersagen wurden zwei Datensätze von Fußgängertrajektorien verwendet, die aus Experimenten unter Laborbedingungen stammen. Ein Experiment wurde in einer Korridorgeometrie durchgeführt, das andere in einem Engpass.
Die beiden Datensätze für das Korridor- und das Engpass-Experiment beschreiben zwei leicht unterschiedliche Interaktionsverhaltensweisen. Die Geschwindigkeit für einen bestimmten mittleren Abstand ist im Engpass tendenziell höher als im Korridor, wenn das System überlastet ist. Dies deutet darauf hin, dass Fußgänger akzeptieren, bei gleichem mittleren Abstand in einem Engpass schneller und näher zu gehen als in einem Korridor.
Im Folgenden werden einige Beispiele für Vorhersagen vorgestellt, die mit den entwickelten neuronalen Netzen für das heterogene Szenario C+B/C+B (das sowohl Korridor- als auch Engpassversuche kombiniert) gewonnen wurden. Die im Engpass-Experiment für die realen Daten beobachtete Leistungssteigerung wird, wenn auch nur teilweise, vorhergesagt. In der Tat scheinen die neuronalen Netze die beiden Experimente und ihre spezifischen Muster zu erkennen.
Wir haben gezeigt, dass die neuronalen Netze die beiden Einrichtungen unterscheiden können und die Vorhersage der Fußgängergeschwindigkeiten erheblich verbessern. Die Ergebnisse sind erste Schritte, die darauf hindeuten, dass neuronale Netze geeignete und robuste Algorithmen für die Vorhersage der Fußgängerdynamik in komplexen Architekturen mit verschiedenen Arten von Einrichtungen sein könnten. Die Datenerfassung, die Methoden für das Training und die Einstellung der Komplexität des Netzes müssen noch entwickelt und experimentell getestet werden. Die Simulation der Netze muss noch über vollständige Trajektorien durchgeführt und mit den Leistungen verglichen werden, die mit anderen bestehenden mikroskopischen Modellen, insbesondere anisotropen Modellen und Multiagentensystemen, erzielt wurden.