英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
仿真建模的实践与理论
模拟行人对地点的兴趣:一个改进模拟行人目的地选择的概念
Peter M. Kielar, Andreacute; Borrmann
（慕尼黑工业大学,主持计算建模与仿真,Arcissstraszlig;e 21, 80333,慕尼黑,德国）
文章信息：
文章历史： 2015年2月12日收到
2015年10月15日收到修订格式
2015年11月8日录取
2015年11月21日可在在线观看
关键词：行人动力学, 行人行为模拟目的地选择,入住率,有关目标记忆可达性
摘要：为旅行、休闲和日常生活而设计的大型环境——如交通枢纽、游乐园和购物中心——是行人经常光顾的不同功能的地点。每一次访问都是由一个人在特定地点从事某种活动的动机所激发的。借助于计算机模拟的方法模拟行人对地点的兴趣，利用复杂的行人目的地选择模型来预测地点的入住率是可能的。在行人动力学研究领域，位置偏好建模并不常见，但是在这种选择模型中加入心理基础就更加罕见了。这里我们展示了我们的心理启发和数学定义的模型来描述行人的兴趣所在的位置能够提高行人目的地选择模型的准确性。兴趣函数模型是基于有关目标记忆可达性的心理学概念，以及在与行人相关的数据中发现的基本相干性，这些相干性在某些位置是可测量的。我们验证了兴趣函数模型，结果表明我们的方法提高了入住率预测的模拟逼真度。因为兴趣概念被设计成一个框架，可以与现有的微观行人模拟器耦合，所以它可以用于大多数行人目的地选择模型来描述行人的访问偏好。因此，通过将兴趣函数模型集成到选择模型中，可以提高行人模拟的入住率预测的可靠性。
1.介绍
行人模拟旨在预测行人在不同环境下的移动行为。决策者可以通过评估预测模型的仿真结果来识别危险情况并提高行人的安全性。我们将这些结果描述为宏观行人绩效指标。行人流量是一个重要的指标，它描述了行人在两个地点[58]之间的时间和空间的吞吐量。，由两个路口连接的路线。行人流量随着行人数量的增加而减少。此外，如果周围环境的几何布局阻碍了[42]的行走，流量也会发生变化。另一个重要的指标是在高行人密度 [50]。爱的游行灾难是一个著名的悲剧例子，其中高行人密度起到了关键作用[28]。与宏观指标相比，微观指标反映了人的位置、方向、速度等行走特性。因此，微观的行人步行行为决定了宏观的行人相关绩效指标。所以，微观行人计算机模拟被用来预测宏观性能指标[1,16,36,56,60]。
在我们的工作中，我们关注一个特定的宏观因素:随着时间的推移，一个地点随时间变化的游客数量，换句话说，地点的入住率。这个时间相关的值最终描述了行人在一个地点的访问模式，这是一个容量上限和安全问题的宏观指标[50,57]。入住率的出现是由于行人的微观行为，包括重复停留在某个地点和地点之间移动。因此，目的地选择链描述了一个复杂的访问过程。在文献中，这一过程被称为行程链[46]、多目标行程[15]、计划[25]或空间顺序选择[23]。在行人动力学中，下一个访问地点的选择被定义为战略行为[30]，也被称为目的地选择或目标选择。一般来说，行人选择一个目的地是因为他/她更喜欢在那个地方参加一个活动而不是另一个活动。因此，目的地的选择包括一系列的动机属性，这些动机指导和驱动行人的行为。
当代行人动力学研究的一个问题是，考虑心理因素的行人目的地选择模型非常少。因为模拟行人的行为本质上是模拟人类的行为，所以我们认为引入一种基于心理学的方法来模拟行人的位置偏好将会改善目的地选择模型。针对这一研究空白，我们提出了一个新的框架，以数学函数的形式来模拟行人的兴趣。兴趣函数模型的理论基础是与目标相关的记忆可达性的心理学概念和行人访问位置测量的基本相干性。在计算机仿真的基础上，证明了兴趣函数模型作为独立概念的有效性。利用兴趣函数模型对已有的任务排队目的地选择模型[53]进行了改进，证明了该方法在多位置仿真场景下的性能优于广泛使用的起点-终点地矩阵方法。结果表明，应用兴趣函数模型可以通过改进目的地选择模拟来提高行人占用率预测。
本文其余部分的结构如下。在第二部分，我们介绍了当代战略行为建模方法和相关工作。第三部分首先概述了必要的心理基础，接着是对兴趣函数框架的数学描述。此外，还解释了一个地点的居住更新。对单个位置的兴趣函数框架的验证结束于第三部分。在第四部分中，我们将展示如何将该模型集成到现有的行人行为微观模型中。此外，我们提出和评估结果的兴趣为基础的行人计算机模拟的多个地点。本文以第五部分对挑战的讨论和第六部分的结束语结束。
2.相关工作
将行人行为分为战略、战术和操作行为的概念是行人动力学中公认的方法[14,30,31]。战略行为描述目标选择和模型排序活动——而战术模型通过定义从行人当前位置开始并在某个目的地结束的近似步行路线来描述行人的导航行为。操作模型涉及步行到下一个可见中间导航节点的方式，与步行路线相连，并与沿途的其他行人和障碍物进行交互。
Timmermans等人对战略行人行为研究的历史进行了很好的总结。[55]。早期的战略行为模型是由尝试评估购物中心[15]的效率所驱动的。然而，许多战略行人行为模型是与应用无关的，最广泛使用的通用方法是原始目标矩阵(OD矩阵)概念。OD矩阵是一个马尔科夫链模型[55]，它描述了如果行人在一个特定的起点位置，访问一个目的地的概率。该模型是不变时的且很容易应用。然而，OD矩阵方法很难应用于更大的应用场景[14]，目前仍在研究中[20,34]。此外，近年来还开发了更复杂的方法[16,19,25,30]。与我们的工作高度相关的研究有Arentze和Timmermans[7]的基于需求的方法和Danalet等人的潜在吸引力度量概念。[17]。这两种模型都是原始的方法，但是是基于兴趣函数模型以外的其他基础。因此，我们为这一研究分支提供了一个新的视角。
一般来说，基于心理学的概念越来越受到行人动力学研究的重视。考虑人类心理和认知能力的方法已经在操作模型[32、45、47]和战术模型[10、37、38]中建立。即使罕见，也有心理强化的行人战略行为模型的例子[35,41,59,61]。
关于人类认知、行为和决策的可计算实现模型的发展在当今是非常先进的[11,29,54]。例如Anderson[3]的思想自适应控制(adaptive control of thought, ACT)被广泛应用于不同的变体中，并不断得到改进。Balke和Gilbert[8]对社会模拟中人类决策的模型和架构进行了深入的调查。这些高度先进的模型和架构的主要缺点之一是它们不是为行人行为建模而设计的。然而，也有例外——比如Pelechano等人 [48]和Wijermans等人。[61]。
尽管战略行为有不同的方法和建模范例，但在大多数战略模型中都发现了一个令人惊讶的空白。通常，目的地的选择是基于动机、欲望、冲动、驱动力或意志的变化来建模的，但几乎没有任何可实现的数学函数来描述这些因素。如果定义了这些功能，它们大多不是基于深刻的心理基础，或者相反，这些概念不是为行人动力学范围内的应用而设计的。
3.兴趣函数建模
在这一部分中，我们首先阐述了兴趣函数模型的理论基础。然后，我们描述了单地点兴趣函数模型的数学框架。在此背景下，我们将展示多个行人的兴趣函数如何导致单地点的入住。
3.1心理基础
在这里，我们阐明了兴趣函数的心理基础，最重要的是借鉴了Masicampo和Ambady[43]的工作。他们提供了关于广泛兴趣和个人兴趣之间相互关系的重要发现。
Anderson[4]描述了人类以概念的方式储存知识；因此，信息是根据意义和上下文在命题网络中进行存储和链接的。这个理论的结果是，回忆一个物品的过程也会增加回忆其他相关物品的可能性[2,4]。在我们的上下文中，一个可能的例子是，如果一个游乐园的游客饿了，那么他/她就会更了解有关餐馆的信息，会记住一顿饭的味道，或者一家餐馆的位置。因此，回忆与饥饿有关的信息的效率得到了提高。尽管如此，用一个数学函数来解释召回概率是必须包含的。Anderson和Milson[5]、Anderson和Schooler[6]提出了所谓的需求概率理论，根据该理论，s型函数是回忆概率数学模型的最佳选择(见图.1 (a))。该理论认为，如果与某个目标相关的事物的记忆回忆增加，那么一个人的精神状态就会越来越倾向于这个目标。福斯特等。[22]为这一假设提供了证据，并表明，如果人们被给出目标，这将增加与目标相关的信息的可访问性。因此，在追求目标的过程中，人们会关注与目标相关的信息，从而导致回忆效应的增加。此外，一个人离实现目标越近(或看起来越接近)，这种效果就会越明显。如果达到了一个目标，若要保留与实现的目标相连接的活动信息，那么追求其他目标将是一个负担——因此增强的可访问性被丢弃了[21]。
Masicampo和Ambady[43]将与目标相关的可达性、需求概率和广泛兴趣的概念联系起来。基于并同意Anderson和Schooler[6]和Forster等人，他们认为记忆模式描述了一种实现目标的认知方式。这些模式很好地替代和接近人们对目标的兴趣。这种相似性使他们能够将与目标相关的兴趣和与目标相关的记忆可达性描述为类似的s形函数。他们还通过分析基于互联网的搜索趋势，为他们的假设提供了证据，表明如果许多人在一个目标上的兴趣是积累，那么可以重新生成一个s型模式。因此，群体利益是由个体的利益创造的，普遍存在的与目标相关的模式遵循着需要概率的概念。概念的定性可视化如图所示.1(b)。我们与Masicampo和Ambady[43]的工作方法的重要概念上的差异是，他们只关注公共触发事件(例如选举和假期)而这项工作的主要焦点在于触发与个人有关的事件(例如，在商店橱窗里满足饥饿或兴趣的需要)。行人的内部触发事件自然不像公众的触发事件那样同步。此外，我们所描述的目标在身体上是可接近的；因此，目标总是与位置直接相关。
基于上述心理学研究的发现，兴趣函数被建模为s形函数。s形函数可以代表对目标的认知方法，它被解释为行人对某个位置的兴趣。
3.2模型建设
兴趣函数是由一个s形函数部分和一个线性函数部分组成的非连续复合函数。s形部分模拟了行人对某一地点的目标日益增长的兴趣，而线性实现部分描述了该目标的实现，包括等待时间。函数的量级越高，访问某个位置的概率就越高。因此，执行与位置相关的活动的动机与兴趣函数的大小直接相关。因为行人不止一次地访问一个地点是很常见的，兴趣概念集成了一个重复机制。图2(a)提供兴趣函数的定性描述，图2(b)给出了兴趣函数的重复。
行人不感兴趣和非常感兴趣的极值之间的持续时间是未知的。为了确定未知持续时间并对兴趣函数进行建模，我们使用可以从某个位置的行人收集的统计字段数据。服务时间分布的数据源是mu;的位置,中间到达时间分布nu;的位置, 创建到达间隔时间分布的度量数|nu;|和eta;,包括行人的数量和在场行人流入最大数量。中间到达时间分布表示两个行人在同一地点连续到达的持续时间。服务时间分配是行人在某一位置所花费的时间；因此包括等待和参与活动的时间。这些分布数据总是在一个观测的时间范围内[ti,tj]和一个地点a进行测量。
图1.(a) Anderson和Milson [5] (theta;=-5,s=0.5)的例子。横坐标表示需要记忆的抽象概念，纵坐标表示回忆记忆的概率。(b) 在一个触发事件之前和之后，对一个目标越来越广泛的兴趣和抑制的一个通用的例子[43]。横坐标是时间刻度，纵坐标是兴趣刻度。
图2.(a)对利益函数的定性描述。横坐标是一个时间尺度，纵坐标是0(不感兴趣)和1(感兴趣)之间的兴趣大小。(b)重复利息函数的例子。横坐标表示时间(以秒为单位)，纵坐标表示0(不感兴趣)和1(感兴趣)之间的兴趣大小。
基本的依赖关系可以在数据中找到，这有助于定义兴趣提升持续时间的数学函数。一个非常突出的一致性是行人出现在位置a的时刻是基于位置a的到达间隔时间分布nu;和场景中行人的最大数量eta;。这些基本依赖关系定性地描述在图3中，但是没有边界情况(例如容量上限)。在此基础上，可以估算出利率提升期限omega;a,ti,tj。为此，我们使用了eta;a,ti,tj，从到达间隔时间分布中提取出来的到达间隔时间值nu;a,ti,tj，以及一个弹性项sp a,ti,tj，它补偿了在低或高访客数情况下的到达间隔分布的规范化。
（1）
弹簧项是基于一个多项式函数，它包括eta;a,ti,tj和测量的行人到达间隔时间数|nu;a,ti,tj|。
（2）
（3）
弹簧项引入了重要的约束条件，例如，如果可以测量较少的互达数据，则omega;a,ti,tj趋近于无穷大。模型常数alpha;和beta;通过逐步优化进行校准(见3.4)。对于常数h，我们使用-1.55值，这是我们通过初步模拟测试得出的一个数字。
下一步是对行人两次重复访问之间的兴趣重复时间跨度delta;a,ti,tj进行建模。重复被描述为行人到达a地点的时间omega;a,ti,tj和服务时间mu;a,ti,tj的总和，这是从服务时间分布中得出的。
（4）
兴趣会上升，直
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235465]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
