Modelo impulsado por información visual para simulación de multitudes utilizando una red convolucional temporal

Las simulaciones de multitudes juegan un papel fundamental en el diseño de edificios, influyendo tanto en la experiencia del usuario como en la seguridad pública. Si bien los modelos tradicionales basados en el conocimiento tienen sus méritos, los modelos de simulación de multitudes basados en datos prometen aportar una nueva dimensión de realismo a estas simulaciones. Sin embargo, la mayoría de los modelos basados en datos existentes están diseñados para geometrías específicas, lo que conduce a una mala adaptabilidad y aplicabilidad. Una estrategia prometedora para mejorar la adaptabilidad y el realismo de los modelos de simulación de multitudes basados en datos es incorporar información visual, incluida la geometría del escenario y la locomoción peatonal. En consecuencia, este artículo propone un nuevo modelo de simulación de multitudes impulsado por información visual (VID). El modelo VID predice la velocidad del peatón en el siguiente paso de tiempo basado en la información social-visual previa y los datos de movimiento de un individuo. Se establece un método de geometría de radar-locomoción para extraer la información visual de los peatones. Además, se desarrolla un modelo de aprendizaje profundo basado en una red convolucional temporal (TCN), llamado TCN social-visual, para la predicción de velocidad. El modelo VID se prueba en tres conjuntos de datos públicos de movimiento peatonal con geometrías distintas, es decir, pasillo, esquina y cruce. Se emplean métricas tanto cualitativas como cuantitativas para evaluar el modelo VID, y los resultados destacan la mejorada adaptabilidad del modelo en los tres escenarios geométricos. En general, el método propuesto demuestra efectividad en la mejora de la adaptabilidad de los modelos de multitudes basados en datos.