Data-Driven Simulation of Pedestrian Movement with Artificial Neural Network
Notice bibliographique
Résumé
To predict pedestrian movement is of vital importance in a wide range of applications. Recently, data-driven models are receiving increasing attention in pedestrian dynamics studies, demonstrating a great potential in enhancing simulation performance. This paper presents a pedestrian movement simulation model based on the artificial neural network, in which two submodels are, respectively, used to predict velocity displacement and velocity direction angle at each time step. Destination information, the pedestrian’s historical movement information, neighboring pedestrians, and environmental obstacles within a semicircular-shaped perception area are used as inputs to learn pedestrian movement behavioral rules. In the velocity direction angle submodel, a novel division method on pedestrian’s perception area is adopted. Specifically, perception radius is divided into several bands, and perception angle range is divided into a number of sectors, establishing a weighted spatial matrix to represent varied influences of neighboring pedestrians and obstacles. Experiments on two typical scenarios, the unidirectional flow and bidirectional flow in a long straight corridor, were conducted to obtain pedestrian movement datasets. Then, a series of simulation cases were conducted to investigate the proper values for critical parameters, including perception radius, perception angle division, weights of the spatial matrix, and historical movement adoption. In comparison of pedestrian trajectory between simulation results and real data, the mean trajectory error (MTE) and mean destination error (MDE) are, respectively, 0.114 m and 0.171 m in the unidirectional flow scenario, which are, respectively, 0.204 m and 0.362 m in the bidirectional flow scenario. In addition, the fundamental diagram representing density-velocity and density-flow relationships in simulation results agree well with that in real data. The results demonstrate great capacity and credibility of the presented model in simulating pedestrian movement in real applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».