MétaCan
Menu
Retour à la cohorte
Enregistrement W4200173447 · doi:10.1109/iemcon53756.2021.9623214

Modelling Crowd Dynamics and Crowd Management Strategies

2021· article· en· W4200173447 sur OpenAlexaff
Andrew J. Park, Ryan Ficocelli, Lee D. Patterson, Valerie Spicer, Frank Dodich, Herbert H. Tsang

Notice bibliographique

Revue2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON) · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueEvacuation and Crowd Dynamics
Établissements canadiensSimon Fraser UniversityThompson Rivers UniversityTrinity Western UniversityWestern University
Organismes subventionnairesnon disponible
Mots-clésCrowd psychologyCrowd simulationComputer scienceDynamics (music)Event (particle physics)CrowdsCrowd sourcingSocial dynamicsOrder (exchange)Computer securityData scienceBusinessArtificial intelligenceSociology

Résumé

récupéré en direct d'OpenAlex

A crowd is a large number of people who gather at a specific location at the same time with or without shared agendas and/or emotions. A crowd is formed at sporting, holiday, religious, or political events. Proper management of a crowd is one of the major duties for the civic agencies such as police and fire departments to maintain public order and safety. When such management is ill-prepared and poorly executed, it can result in chaotic situations with human injuries and fatalities as well as damage to public properties. Good crowd management requires a good modelling of crowd dynamics and devising strategies accordingly. This paper presents the modelling and simulations of crowd dynamics that resembles the actual crowd behaviours using the social force model. With the realistic crowd dynamics, different scenarios and crowd management strategies were tested for optimal crowd flows. Our framework can be used to test various scenarios of an event that attracts a large crowd and devise suitable strategies for the crowd management.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,785
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,220
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON)Même sujetEvacuation and Crowd DynamicsTravaux en français237 207