Odhad Fundamentálního diagramu z evakuačních experimentů

Abstract

Fundamentální diagram je důležitou charakteristikou toku chodců, která umožňuje inženýrům posuzovat maximální kapacitu chodcovských zařízení. Klasické metody odhadu fundamentálního diagramu používají analytické aproximace tohoto vztahu. Nezohledňují však specifické vlastnosti jednotlivých geometrií a složení chodců. Tato bakalářská práce prezentuje datově orientovaný přístup k odhadu fundamentálního diagramu pomocí umělých neuronových sítí. To zahrnuje simulování evakuací v open-source simulátoru pohybu chodců, výpočet alternativní míry hustoty - průměrné vzdálenosti ke k-nejbližším sousedům a následné trénování neuronové sítě k odhadu fundamentálního vztahu mezi hustotou a rychlostí. Naučené modely ukazují významnou schopnost extrahovat makroskopické vztahy z jednotlivých měření. Predikce je poté rozšířená o další příznaky - relativní polohy nejbližších sousedů a relativní vzdálenost k východu. To přispívá k dalšímu snížení chyby predikce a demonstruje tak použitelnost metod strojového učení v oblasti dynamiky chodců.

The fundamental diagram is a crucial characteristic of pedestrian flow that enables engineers to judge the maximum capacity of pedestrian facilities. The classical methods of estimating the fundamental diagram use analytical approximations of this relationship. However, they fail to take into consideration the specific properties of each geometry and the composition of the pedestrians. This thesis presents a data-driven approach to estimating the fundamental diagram via artificial neural networks. This includes simulating evacuations in an open-source pedestrian simulator, computing an alternative measurement of density - the mean distance to k-nearest neighbors, and subsequently training a neural network to estimate the fundamental relationship between density and velocity. The trained models show significant ability to extract the macroscopic relationship from the individual measurements. The prediction is then expanded to include more explanatory variables - the relative positions of nearest neighbors and the relative distance to the exit. This further reduces the prediction error, demonstrating the applicability of machine-learning methods in the field of pedestrian dynamics.