基于密度聚类的多向行人流群集区域分布比较

山东科学ＳＨＡＮＤＯＮＧＳＣＩＥＮＣＥ
第３４卷第５期２０２１年１０月出版
Ｖｏｌ.３４Ｎｏ.５Ｏｃｔ.２０２１收稿日期:２０２０￣１２￣２０
基金项目:国家自然科学基金(７１８９０９７２ꎬ７２０２１００１)
作者简介:孙悦朋(１９９６ )ꎬ硕士研究生ꎬ研究方向为复杂系统建模与分析ꎬ行人交通ꎮＥ￣ｍａｉｌ:ｉｍｕｃｓ＿ｓｙｐ＠１６３.ｃｏｍ∗通信作者ꎬ郭仁拥(１９８０ )ꎬ男ꎬ博士ꎬ教授ꎬ研究方向为交通行为建模与分析ꎮＴｅｌ:151****6375ꎬE￣mail:buaa＿guorenyong＠１２６.ｃｏｍ
基于密度聚类的多向行人流群集区域分布比较
孙悦朋１ꎬ郭仁拥２∗ꎬ于涛１
(１.内蒙古大学计算机学院ꎬ内蒙古呼和浩特０１００２１ꎻ２.北京航空航天大学经济管理学院ꎬ北京１００１９１)
摘要:为预防公共场所的行人安全事故ꎬ优化和改善人群安全管理ꎬ基于情景实验的数据ꎬ利用密度峰值算法和具有噪声的密度聚类算法ꎬ从不同时刻分布变化的角度ꎬ分别选取单走廊双向行人流㊁９０ʎ和１２０ʎ交叉路口的行人流场景研究行人流群集区域的分布状态ꎬ并比较了两种算法的聚类效果和参数差异ꎬ得出场景实验数据中行人流群集区域的分布规律和变化特征ꎮ研究发现聚类簇在３个场景的行人移动过程中均是动态变化的ꎬ不会处在某个稳定的聚类状态ꎮ使用该方法识别密集人群的潜在群集区域及位置ꎬ可以观察场景内安全隐患区域ꎬ提前在这些区域放置引导疏散设施ꎬ同时做好全路段防护ꎬ提高行人群集疏散的效率及安全性ꎮ
关键词:交通安全ꎻ多向行人流ꎻ局部群集区域分布ꎻ聚类ꎻ密度峰值算法ꎻ密度聚类算法
中图分类号:Ｕ４９１.２＋
６５㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１００２￣４０２６(２０２１)０５￣００６４￣１１开放科学(资源服务)标志码(ＯＳＩＤ):
Ｃｏｍｐａｒｉｓｏｎａｍｏｎｇｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌ
ｐｅｄｅｓｔｒｉａｎｆｌｏｗｓｂａｓｅｄｏｎｄｅｎｓｉｔｙｃｌｕｓｔｅｒｉｎｇ
ＳＵＮＹｕｅ￣ｐｅｎｇ１ꎬＧＵＯＲｅｎ￣ｙｏｎｇ２∗ꎬＹＵＴａｏ１
(１.ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００２１ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔꎬＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙꎬＢｅｉｊｉｎｇ１００１９１ꎬＣｈｉｎａ)ＡｂｓｔｒａｃｔʒＴｏｐｒｅｖｅｎｔｐｅｄｅｓｔｒｉａｎｓａｆｅｔｙａｃｃｉｄｅｎｔｓａｎｄｏｐｔｉｍｉｚｅａｎｄｈｅｌｐｃｒｏｗｄｓｅｃｕｒｉｔｙｍａｎａｇｅｍｅｎｔｉｎｐｕｂｌｉｃｐｌａｃｅｓꎬｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｃｒｏｗｄａｒｅｓｔｕｄｉｅｄａｔｔｈｒｅｅｃｏｍｍｏｎｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｆｌｏｗｉｎｔｅｒｓｅｃｔｉｏｎｓｏｆ９０ʎꎬ１２０ʎａｎｄｓｉｎｇｌｅｃｏｒｒｉｄｏｒｔｗｏ￣ｗａｙｐｅｄｅｓｔｒｉａｎｆｌｏｗｕｓｉｎｇｔｈｅｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｉｓｅ(ＤＢＳＣＮ)ａｌｇｏｒｉｔｈｍｓａｔｄｉｆｆｅｒｅｎｔｔｉｍｅｓｂａｓｅｄｏｎａｄａｔａｓｅｔｆｒｏｍｓｃｅｎａｒｉｏｅｘｐｅｒｉｍｅｎｔｓ.Ｍｏｒｅｏｖｅｒꎬｔｈｅｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔａｎｄｐａｒａｍｅｔｅｒｄｉｆｆｅｒｅｎｃｅｏｆｔｈｅｔｗｏａｌｇｏｒｉｔｈｍｓａｒｅｃｏｍｐａｒｅｄ.Ｓｔｕｄｙｒｅｓｕｌｔｓｓｈｏｗｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｃｈａｎｇｅｓｏｆｔｈｅｃｒｏｗｄ.Ｔｈｅｃｌｕｓｔｅｒｓｃａｎｎｏｔｒｅｍａｉｎｉｎａｓｔａｂｌｅｃｌｕｓｔｅｒｉｎｇｓｔａｔｅｂｕｔｖａｒｙｄｙｎａｍｉｃａｌｌｙｉｎ３ｓｕｂｊｅｃｔｓｃｅｎａｒｉｏｓ.Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｂｅｕｓｅｄｔｏｉｄｅｎｔｉｆｙｐｏｔｅｎｔｉａｌｌｏｃａｔｉｏｎｓｏｆｃｒｏｗｄꎬｏｂｓｅｒｖｅｈｉｄｄｅｎｄａｎｇｅｒａｒｅａｓꎬｐｒｏｖｉｄｅｅｖａｃｕａｔｉｏｎｆａｃｉｌｉｔｉｅｓｉｎａｄｖａｎｃｅｉｎｓｕｃｈａｒｅａｓꎬａｎｄｐｒｏｔｅｃｔｔｈｅｅｎｔｉｒｅｓｅｃｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙａｎｄｓａｆｅｔｙｏｆｔｈｅｅｖａｃｕａｔｉｏｎｐｒｏｃｅｓｓ.
ＫｅｙｗｏｒｄｓʒｔｒａｆｆｉｃｓａｆｅｔｙꎻｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｐｅｄｅｓｔｒｉａｎｆｌｏｗꎻｌｏｃａｌｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎꎻｃｌｕｓｔｅｒｉｎｇꎻｄｅｎｓｉｔｙｐｅａｋａｌｇｏｒｉｔｈｍꎻＤＢＳＣＡＮａｌｇｏｒｉｔｈｍ
㊀㊀在城市中ꎬ许多行人群集的公共场所容易出现人群移动缓慢的现象ꎬ甚至出现由拥挤导致的挤压踩踏事故及其他意外情况ꎬ造成一定的人员伤亡和财产损失ꎮ行人的群集不仅是影响行人疏散的重要因素ꎬ同时也是影响场景设施(如商店㊁广告牌㊁指示牌等)布置的首要参照对象ꎮ因此ꎬ行人群集及其安全管理与控制成为目前行人交通中的一个主要研究方向ꎮ
行人群集既影响疏散过程也影响行人集结过程ꎬ是人群安全的直接影响因素ꎮ在现实生活中ꎬ大量行人进出公共空间ꎬ产生双向或交叉的行人流ꎬ而局部群集区域往往被忽视ꎬ局部行人密度增大产生的相互作用力足以压弯栅栏ꎮ如果忽略局部群集区域加之空间内布局不合理ꎬ导致行人流分配不合理ꎬ可能造成局部拥堵和局部的行人挤压事故ꎮ显然ꎬ关注局部群集区域比较重要ꎬ研究不同多向流场景中行人局部群集区域的分布规律ꎬ可以为行人移动和聚集研究提供参考ꎬ特别是在人群分析㊁人群安全管理与控制等方面有一定的借鉴意义ꎮ相关学者对于群集研究主要是进行建模分析ꎬ可以直接仿真群集状态ꎮＧａｚｉ等[１]提出了具有吸引和排斥功能的群集模型ꎬ可以表征一个群体内的群体凝聚力㊁大小和最终运动状态ꎮ业内专家对场所内设施摆放对行人疏散的影响进行了相关研究ꎮ陈亮等[２]使用建立的元胞自动机模型研究教室桌椅对学生疏散的影响ꎬ以利于教室内桌椅结构设计ꎮＷａｎｇ等[３]在基于ａｇｅｎｔ的ＣｉｔｙＦｌｏｗ￣Ｕ模型上引入吸引力因素研究人群的聚集ꎬ从ａｇｅｎｔ的内部需求和外部刺激两种角度分析并进行仿真ꎬ适用于街道设施的摆放ꎮ向南等[４]将行人个体间的情感传递采用热传导方式加入到社会力模型中来研究行人聚集ꎬ结果表明情感传递能增强人群聚集的控制性ꎮ除建模仿真外ꎬ还有学者利用仿真软件进行分析ꎬ如陈明钿等[５]使用Ｌｅｇｉｏｎ行人仿真软件对地铁站进行评价分析ꎬ发现客流瓶颈拥堵区域ꎮ人群的群集研究建模分析与仿真可以促进人群安全管理ꎬ但利用的是模拟数据ꎬ很少利用情景实验数据进行分析ꎮ
利用机器学习方法进行交叉口道路交通状态[６]㊁行人群集状态分析也成为许多学者的研究方向ꎮ于瑞康等[７]利用线性回归分析信号交叉口行人空间分布与车辆冲突行为ꎬ发现车辆延误受人群分布距离的影响ꎮ张琳琳等[８]利用基于遍历的ｋ￣ｍｅａｎｓ聚类法分析交通模式特点和分布ꎬ实现道路交通状况的评价ꎮ杨骁路等[９]通过模糊Ｃ聚类将城市快速路交通流数据划分为自由流㊁拥挤流和阻塞流三种状态ꎮＡｎｔｏｎｉｎｉ等[１０]提出将聚类技术应用到行人轨迹的聚类中ꎬ用于视频跟踪中的行人计数ꎬ减少与场景中真实行人数量的偏差ꎮ于泉等[１１]定义行人群集ꎬ提出群集半径的概念ꎬ利用ｋ￣ｍｅａｎｓ聚类算法和向前搜索方法对信号交叉口行人群集进行研究ꎮＳａｈａｎｉ等[１２]将遗传规划聚类对人行道的行人服务水平(ＰＬＯＳ)值进行分类ꎬ提供ＰＬＯＳ评分范围ꎬ提出的ＰＬＯＳ模型可以评估特定人行道的行人通行适应程度ꎮ
综上所述ꎬ现有研究中ꎬ基于多向行人流场景如地下通道㊁室内走廊等的情景实验数据使用聚类方法研究局部群集区域的较少ꎬ使用聚类方法来识别场景内人群局部群集区域ꎬ将有助于提高类似场景的人群疏散安全与效率ꎮ首先ꎬ在现实生活中行人数据采集比较困难ꎬ特殊的情景实验及其所需实验参与者的特殊行为还会导致实验参与者意外事故发生ꎮ而在室内进行的基本行人流场景的情景实验为行人流研究提供了实证方法ꎬ场景可以体现现实生活中大部分建筑结构等公共空间的常见场景ꎬ具有代表性ꎬ对实际生活中行人流管理有一定的参考价值ꎮ其次ꎬ在实际的行人流场景中ꎬ行人是移动的ꎬ行人在每个时间段的移动产生的状态与上一时间段的状态是不同的ꎮ在基本的场景中ꎬ将聚类方法应用到行人研究中可以对行人局部群集区域进行识别并发现分布规律ꎬ管理者可以提前对这些区域进行防范并及时疏导ꎬ因此可以作为制定人群安全管理策略和空间设施布局的重要依据ꎮ
本文基于情景实验的数据ꎬ利用密度峰值算法和具有噪声的密度聚类算法(ｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｉｓｅꎬＤＢＳＣＡＮ)进行分析ꎬ分别选取单走廊双向行人流㊁９０ʎ和１２０ʎ交叉路口的行人流场景ꎬ研究了不同场景和不同时刻下的行人群集分布规律ꎬ并根据分布规律和群集区域提供人群安全性策略的比较分析ꎮ
１㊀聚类方法与场景数据
１.１㊀聚类算法
１.１.１㊀基于距离的聚类算法
聚类算法主要有划分法㊁层次法㊁密度算法㊁图聚类等ꎬ对应的具体算法有ｋ￣ｍｅａｎｓ算法㊁ｋ￣ｍｅｄｏｉｄｓ算法㊁ＤＢＳＣＡＮ算法等ꎮ本文选用基于距离的聚类算法ｋ￣ｍｅａｎｓ算法与ｋ￣ｍｅｄｏｉｄｓ算法的比较如表１所示ꎬ两种算法都需要随机选取初始聚类中心ꎮ但是实际行人行走过程包括情景实验ꎬ特别是多向行人流情况下ꎬ行人之间会有距离的产生ꎬ也有可能形成 分层 拉链 等现象ꎬ而且由于行人活动的自由度和随意性ꎬ其行走方向是对冲交织的ꎬ自组织的群集不能事先预料到ꎬ局部群集区域不一定在固定地点产生ꎬ如果人为选定初始聚类中心可能会导致与实际不符的情况[１３]ꎮｋ￣ｍｅａｎｓ算法和ｋ￣ｍｅｄｏｉｄｓ算法输出结果都是用户预先确定需要簇的数量ꎬ但是行人移动产生的群集会变化ꎬ不同时刻产生的现象也会不同ꎬ所以簇数量不能预先指定ꎮ表１显示的ｋ￣ｍｅａｎｓ和ｋ￣ｍｅｄｏｉｄｓ算法在处理方式上也不适用于行人ꎬ因为行人移动过程与其周围行人的距离是不断变化的ꎬ不是固定的数据ꎮ另外ꎬ从表１看出ꎬｋ￣ｍｅｄｏｉｄｓ算法的计算复杂度很高ꎬ因此上述两种方法不适用于行人群集的数据分析ꎮ
表１㊀ｋ￣ｍｅａｎｓ算法和ｋ￣ｍｅｄｏｉｄｓ算法的比较
ｋ￣ｍｅａｎｓ算法随机选取ｋ个对象作为ｋ
个簇的中心用户预先指定需要簇的
数量ｋ
利用均值或加权均值得出新的聚类
中心点
Ｏ(ｎｋｔ)ꎬｎ为样本数量
ｋ￣ｍｅｄｏｉｄｓ算法随机选取ｋ个对象作为ｋ
个簇的中心用户预先指定需要簇的
数量ｋ
按距离把接近簇中心点的对象划归
为簇ꎬ利用代价函数更新簇中心点
Ｏ(ｋ(ｎ－ｋ)２)ꎬｎ为样
本数量
１.１.２㊀基于密度的聚类算法
基于密度的聚类算法主要有ＤＢＳＣＡＮ算法和密度峰值算法ꎮＤＢＳＣＡＮ算法是根据参数ｒ㊁Ｍｍｉｎ来进行聚类ꎬ定义ｒ为半径ꎬ以某一数据点Ｎ为圆心ꎬ在半径ｒ的圆的邻域内包含数据点的个数为Ｍꎬ给定参数Ｍｍｉｎ为最少包含个数ꎬ如果Ｍ大于等于Ｍｍｉｎꎬ则Ｎ为核心点[１４]ꎮ不同于ｋ￣ｍｅａｎｓ和ｋ￣ｍｅｄｏｉｄｓ算法ꎬＤＢＳＣＡＮ计算复杂度低ꎬ不需要随机初始化中心点ꎬ可以划分出高密度的区域利于观察ꎮ通过参数ｒ㊁Ｍｍｉｎ来判断这个点是中心点㊁边缘点还是噪声点ꎬ找出的簇是否满足密度可达关系的样本集合ꎮ
ＤＢＳＣＡＮ算法:输入数据集Ｄ㊁给定参数ｒ和Ｍｍｉｎ的值ꎬ输出达到密度要求所生成簇的集合及聚类核心ꎮ算法中检测邻域内点的数目首先需要测试距离ꎬ这里采用欧式距离ꎬ根据两个行人坐标(二维)来计算ꎮ具体步骤如下:
(１)在数据集Ｄ中选取一个未被处理过的点ｐꎬ判断ｐ是否为核心点ꎬ若是ꎬ执行步骤２ꎮ(２)若该点为核心点ꎬ则找出密度可达点并标记ꎬ从而形成聚类簇ꎮ若不是核心点ꎬ则继续判断下一个点ꎮ(３)重复上述步骤ꎬ直到所有点均判断完毕ꎮ
密度峰值算法[１５]同样是基于密度的聚类算法ꎬ主要思想是寻找低密度区域分离的高密度区域ꎬ将具有较大距离且同时具有较高局部密度的点定义为聚类中心ꎮ由于ＤＢＳＣＡＮ算法中的ｒ和Ｍｍｉｎ两个参数需要人为确定ꎬ本文利用密度峰值算法得出的二维非典型多维标度图来作为ＤＢＳＣＡＮ算法参数选择和结果的参考ꎮ之所以称为非典型ꎬ是因为密度峰值算法得出的多维标度图不完全符合经典多维标度的基于欧式距离的假设ꎬ视频中行人移动轨迹可以看作连续点ꎬ本文的密度峰值算法采用高斯核来计算局部密度[１５￣１６]ꎮ同时ꎬ本文使用两种聚类算法进行分析并得出的聚类结果图是基于多向行人流移动的不同时刻图ꎬ旨在发现局部群集区域ꎬ因此没有考虑行人具体的微观行为动作ꎮ
１.２㊀场景数据
本文从网站行人动力学数据档案(ｐｅｄ.ｆｚ￣ｊｕｅｌｉｃｈ.ｄｅ/ｄａｔａｂａｓｅ)中选取实验情景和对应的数据ꎬ情景实验数据是由ＢａＳｉＧｏ项目试验提供ꎬ该实验数据作为模型验证和行人流分析参考数据已被许多研究者引用ꎮ数据为行人二维坐标数据ꎬ不仅可以方便计算和反映行人间的距离ꎬ而且利于密度聚类算法的计算ꎬ结果图比较直观ꎮ选取场景为单走廊双向行人流㊁９０ʎ交叉路口和１２０ʎ交叉路口３个代表性的场景ꎬ情景实验中行人常态化行走ꎬ可以表示一般的行人行走状态ꎮ实验场景的基本数据特征和场景示例如表２和图１所示ꎮ为方便观察ꎬ图１的右边为简化图ꎬ箭头表示行人的行走方向ꎻ红色圆点标记的是入口处ꎬ图１(ｂ)中的４个入口和图１(ｃ)中３个入口设置方式均相同ꎬ这里只是标记了图像中可见部分ꎮ入口设计是为了不阻碍流入ꎬ受试行人通过交叉口后ꎬ可以从入口两旁的侧出口出去ꎮ具体场景细节可参考文献[１７￣１８]ꎮ每个实验场景中的行人轨迹数据是实验者利用ＰｅＴｒａｃｋ[１９￣２０]软件提前获得的ꎮ
表２㊀实验场景基本数据
单走廊双向行人流ＢＩ＿ｃｏｒｒ＿４００＿Ｂ＿１０４４７３６
９０ʎ交叉路口ＣＲＯＳＳ＿９０＿Ａ＿５１.５４３３７
１２０ʎ交叉路口ＣＲＯＳＳ＿１２０＿Ａ＿５２.４４８１４
图１㊀３个实验场景示意图
Ｆｉｇ.１㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｓｏｆｔｈｒｅｅｓｃｅｎａｒｉｏｓ
２㊀实验结果的比较分析
由于ＤＢＳＣＡＮ算法参数配置不方便ꎬ参考密度峰值算法得出二维非典型多维标度图(图中每种颜色代表一类簇行人)ꎬ来观察人群分布效果ꎮＹｏｕ等[２１]在收集公共场所行人实验数据中定义小团体行人为１~３人ꎬ李芳等[２２]提出地铁车站乘客小团体通常在２~５人ꎮ从人群安全管理角度考虑ꎬ任常兴等[２３]提到的日本建设省调查显示５人/ｍ２时ꎬ行人可以接触到旁边人的衣物ꎬ通过计算显示３.８人/ｍ２或以上ꎬ可能会造成行人拥挤ꎬ而９人/ｍ２会使得行人不能自由活动ꎬ属于行人最大忍耐值ꎮ因此为了观察到局部群集ꎬ文中设置
ＤＢＳＣＡＮ中的参数Ｍｍｉｎ为３或４ꎬ这样既可以保留较小类簇ꎬ又不至于因为Ｍｍｉｎ设置过大而出现多簇全覆盖和中型簇合并为大簇的现象ꎮ同时ꎬ以局部群集的角度进行聚类观察ꎬ不仅能观察出群集分布规律ꎬ还能发现一些密度峰值图看不到的聚类簇ꎬ为使用本实验数据集进行密度聚类研究行人小群体运动等的学者提供参考ꎮ半径ｒ的确定根据数据中每个行人坐标的平均距离和二维非典型多维标度图的显示结果来调整ꎮ同时ꎬ因为情景实验数据在某个时刻(或某帧)时数据量不大ꎬ数据较离散ꎬ密度峰值聚类得出的结果图适合观察的人群分布与ＤＢＳＣＡＮ算法的结果可能会有差别ꎮ所以下面将分别对三个场景的实验结果利用两种聚类算法进行比较分析ꎬ每个场景截取不同时刻对应帧的画面的数据ꎮ
２.１㊀单走廊双向行人流
单走廊双向行人流也即１８０ʎ双向交叉行人流ꎮ实验选取该场景４０㊁１１０㊁１８０㊁２５０ｓ对应帧的行人数据作为实验数据ꎬ由密度峰值法得出的二维非典型多维标度图和ＤＢＳＣＡＮ聚类结果图ꎬ见图２(右图横纵坐标分别对应行人位置ｘ㊁ｙ坐标ꎬ下同)ꎬＭｍｉｎ＝４ꎬ每个图像对应人数为６２㊁７９㊁８５㊁９７ꎮ
注:ａ~ｄ中的左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ
图２㊀单走廊双向行人流聚类结果
Ｆｉｇ.２㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓｏｆｂｉｄｉｒｅｃｔｉｏｎａｌｐｅｄｅｓｔｒｉａｎｆｌｏｗａｔａｓｉｎｇｌｅｃｏｒｒｉｄｏｒ
图２的密度峰值聚类结果图显示ꎬ在情景实验的４０ｓ时ꎬ行人刚进入实验场地ꎬ双向行人流刚汇合在一起ꎬ局部群集主要出现在交汇处ꎬ即图２(ａ)的浅蓝色点ꎮ在入口附近ꎬ由两个方向而来的行人(橘黄和浅绿色点)靠近通道两侧但较稀疏ꎮ１１０ｓ时行人数量增多ꎬ人群被分为两个部分ꎬ即图２(ｂ)中红色和绿色的点ꎮ１８０ｓ时人数继续增多ꎬ分布状态出现变化ꎬ很明显分为两部分(红色和浅蓝色点)ꎬ只有小部分行人(黄色点)在中间靠墙壁一侧ꎮ２５０ｓ时ꎬ进入场地的人数继续增多但簇的数目减少ꎬ较大的群集区域出现在黄色点部分ꎮ因此ꎬ较大的群集区域出现在双向行人流刚开始汇合阶段即中间部分ꎮ随着人数增多ꎬ中间部分缩小ꎬ较大群集区域向两侧移动出现分层ꎮ但人数继续增多至受试行人移动后期ꎬ较大群集区域出现在单侧ꎮ图２的ＤＢＳＣＡＮ结果显示ꎬ４０ｓ时ꎬ因为比较稀疏ꎬ符合ＤＢＳＣＡＮ的密度可达的簇出现在中间部分ꎮ１１０ｓ时则出现在图像的左下角ꎬ１８０ｓ时仍出现在左下角ꎬ但范围扩大ꎮ２５０ｓ时左下角范围缩小ꎬ右上角范围扩大ꎮ所以ꎬ行人局部群集区域从双向行人流汇合中间部分开始ꎬ随着人数增多ꎬ行人运动一段时间后ꎬ行人局部群集区域向左下角转移ꎬ人数断续增多后也出现在右上角ꎮ
２.２㊀９０ʎ交叉路口
实验选取场景２５㊁６５㊁７５㊁１０５ｓ对应帧的实验数据ꎬ对应人数分别为６０㊁１３８㊁１５０㊁１６６ꎮ但由于本场景的特殊性和每个实验场景提取行人数据的方法不同ꎬ因此ＤＢＳＣＡＮ参数也会适当做些调整ꎬ这里Ｍｍｉｎ＝３ꎬ结果见图３ꎮ
注:ａ~ｄ中的左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ
图３㊀９０ʎ交叉路口聚类结果
Ｆｉｇ.３㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓａｔａ９０ʎｉｎｔｅｒｓｅｃｔｉｏｎ
从图３的密度峰值图看出ꎬ２５ｓ时来自４个方向的行人刚汇合交织在一起ꎬ人数较少且分散ꎬ因此较大群集区域集中在路口的交叉部分ꎮ６５ｓ时ꎬ人数增至１３８人ꎬ出现局部群集区域即图３(ｂ)中绿色点ꎬＡ通道与Ｂ通道转弯处ꎮ７５ｓ时人数１５０人ꎬ交叉处局部群集区域几乎消失ꎬ而较大群集区域出现在左侧出入口处的橘黄色点部分ꎬ说明此时行人在左侧出入口处活动较多ꎮ１０５ｓ时人数为１６６人ꎬ以黄色点和深蓝色点代表的部分出现在两侧ꎮ７５ｓ和１０５ｓ出现的这种情况可能有两个原因ꎬ视频中可明显看出此时路口交叉部分人数比前面时段要更群集ꎬ但本文为观察局部群集区域ꎬ降低了密度峰值的选取ꎻ另外ꎬ由于数据提取存在误差ꎬ一些行人数据实验者没有完全提取出来ꎬ导致出现如图的聚类结果ꎮ总之ꎬ结果图表明ꎬ数据分散会直接影响聚类效果ꎮ其次ꎬ较大群集区域很明显集中在交叉路口处ꎬ且人数越多ꎬ范围越大ꎬ因此从宏观上看变化较小ꎮ
从图３的ＤＢＳＣＡＮ结果来看ꎬ其会出现与密度峰值图不一样且没有观察到的现象ꎮ２５ｓ时ꎬ出现在交叉口的簇为长条状ꎬ而在６５ｓ时其出现在Ａ通道口和Ｂ通道口相互穿梭转弯的地方ꎮ７５ｓ时密度可达的簇有３部分且呈现Ｔ字状ꎬ但靠近Ａ通道和Ｂ通道ꎮ１０５ｓ时ꎬ密度可达的簇出现在靠近Ａ通道和Ｃ通道转弯的地方ꎬ呈近似拱状ꎬ说明此时行人可能正在发生避让冲突ꎮ另一方面ꎬ在多向流交叉口场景中ꎬ行人在通过转弯处时ꎬ并不一定严格按队列排队行走ꎬ由于来自不同方向行人产生路径选择ꎬ行人会根据前方拥堵程度判断从哪个出口出去ꎬ从而易形成由行人组成的 瓶颈 ꎬ又由于交叉口的形状为十字型ꎬ所以新进入交叉口的行人会形成近似拱状ꎮ
２.３㊀１２０ʎ交叉路口
１２０ʎ交叉路口场景由于实验录像时间较长ꎬ人数多ꎬ为了方便观察ꎬ选取３５㊁６０㊁１２０㊁１８０㊁２４０㊁３００㊁３３５ｓ等７个时刻的实验数据ꎬ对应人数分别为１２２㊁１６３㊁２１０㊁２３７㊁２２７㊁２１０㊁１２５ꎬ这里Ｍｍｉｎ＝４ꎮ聚类结果见图４ꎮ图４左图的密度峰值聚类结果显示３５ｓ时行人进入场地汇合ꎬ局部群集区域集中在交叉中心处ꎮ６０ｓ时人数增多ꎬ出现较大群集区域(橘黄色点)ꎬ但局部群集区域出现在两个转弯处ꎮ而在１２０ｓ时人数继续增加后ꎬ较大群集区域出现在Ｂ通道(蓝色点)ꎬ且局部群集区域明显变少ꎮ１８０ｓ时人数达到最多ꎬ此时交叉中心形成群集区域(黄色点)ꎮ２４０㊁３００ｓꎬ场地中人数减少ꎬ局部群集区域出现变化ꎬ到３３５ｓ行人流移动后期ꎬ行人减至１２５人ꎬ出现图中３个局部群集区域ꎬ此时受试行人行走不受阻碍ꎮ由此看出ꎬ行人多集中在转
弯处和交叉中心ꎻ随着实验时间推移ꎬ人数增加ꎬ局部群集区域出现先明显聚集和数量增多后逐渐减少的变
化ꎮ但是ꎬ在实验刚开始和接近尾声时且人数相差较小的情况下ꎬ受试行人行走所受影响较小ꎬ密度峰值算法发现的群集区域不紧密ꎮ
注:ａ~ｇ中左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ
图４㊀１２０ʎ交叉路口聚类结果
Ｆｉｇ.４㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓａｔａ１２０ʎｉｎｔｅｒｓｅｃｔｉｏｎ
图４右图ＤＢＳＣＡＮ聚类结果显示更为形象一些ꎮ３５ｓ时与密度峰值结果图相似ꎬ但交叉中心形成两个
簇ꎮ６０ｓ时出现图４(ｂ)中３个大簇两个小簇ꎬ且其中两个大簇出现在转弯处ꎬ一个大簇出现在靠近Ｃ通道
出入口处ꎬ这与其左边的密度峰值结果图略有不同ꎮ１２０ｓ时ꎬＢ通道出入口处出现群集簇且出现在一侧ꎬＡ
通道出入口处出现小簇ꎮ１８０ｓ时ꎬ表征群集的簇出现在通道交叉地方ꎮ２４０ｓ时３个通道在临近交叉口各
形成一个簇ꎬＢ通道出入口处此时出现一个小簇ꎮ３００ｓ时ꎬＢ通道出入口处变成大簇(可参考左图绿色点)ꎬＢ通道靠近交叉口处出现长条状簇(可参考左图红色点附近)ꎮ３３５ｓ人数减少ꎬ但Ｂ通道靠近交叉口处的簇仍然存在且趋于拱状ꎬ靠近墙壁一侧ꎮ由此ꎬ密度可达的簇集中在交叉中心处分成两部分且贴近于转弯
处ꎮ随着人数增加和时间推移ꎬＢ通道处出现簇ꎬ交叉中心处的簇仍存在ꎮ但是继续随时间推移ꎬ人数下降ꎬ
交叉中心处的大簇被分解ꎬ但Ｂ通道仍然存在小簇ꎮ
２.４㊀方法与场景的比较与分析基于表１和聚类结果ꎬ从方法来看ꎬ密度峰值算法可以观察较为宏观的部分ꎬ且聚类效果受提取视频中数据影响ꎬ其数据集量大且离散较小ꎬ结果会更好ꎮ而ＤＢＳＣＡＮ算法可以根据输入的参数发现局部群集区域ꎬ得到结果与密度峰值算法略有不同ꎮ使用ＤＢＳＣＡＮ算法ꎬ发现相同Ｍｍｉｎ值下ꎬ３个场景半径ｒ各不相同ꎬ且每个场景不同时刻的半径ｒ也不尽相同ꎬ具体如表３所示ꎮ说明３个场景人群状态各异ꎬ相同的Ｍｍｉｎ和ｒ不适用于统一的人群管理模式或策略ꎮ由表３可以看出ꎬ１２０ʎ交叉路口场景由于数据量大ꎬ提取数据准确率高ꎬ但是每个场景中的ｒ在一定的范围内变化ꎬ表明人群密集状态下行人间距虽然变化幅度小ꎬ但是仍然存在变化ꎬ因此人群管理者需提前注意区域内行人间的距离ꎬ防止突变ꎮ从场景来看ꎬ３个场景通道的宽度都相同ꎬ入口数量和宽度不同ꎬ而３个场景聚类结果各异ꎬ参数选取各异ꎬ因为行人在不同场景行走状态会有差别ꎬ所以要根据不同的场景选取合适的参数ꎬ但应用密度聚类在３个场景中均能分别找出其局部群集区域ꎬ说明密度聚类较为适应不同场景ꎮ如表４所示ꎬ３个场景中的受试行人均在起初交汇处群集ꎬ３个场景局部群集区域位置有差别ꎮ这里存在一个最重要的关注点ꎬ由图２~４的３个场景的ＤＢＳＣＡＮ结果图看出ꎬ聚类簇的出现随行人移动和时间推移是动态变化的ꎬ即聚类的簇不在固定地方出现ꎬ说明行人移动整个过程都会因为外部因素出现不同规模的聚集ꎬ因此人群管理者必须要注重全路段的管理和防护ꎮ在行人集结过程中ꎬ根据局部群集区域分布规律和区域位置合理设置导向与吸引标志ꎬ从而利于人群在场所空间合理分布ꎬ减少安全隐患ꎮ
表３㊀ＤＢＳＣＡＮ在不同场景下参数表
单走廊双向行人流４１１０６５１８０７０２５０６１９０ʎ交叉路口３２５５５６５
４０７５４０１０５３９/４０１２０ʎ交叉路口４３５０.７２６００.６５
１２００.５６
１８００.５２４００.５５３０００.５５３３５
０.５８表４㊀不同场景群集区域主要位置
单走廊双向行人流
靠近出入口的两侧９０ʎ交叉路口
交叉中心ꎬ通道与通道的转弯处通道与通道的转弯处
１２０ʎ交叉路口通道出入口处和出入口处的一侧
靠近交叉中心处(交叉最中心常出现近似 空心 )
２.５㊀多向流行人安全性策略比较分析
通道空间受限㊁人群快速聚集㊁疏散措施无力是场景内聚集人群出现恐慌㊁拥挤甚至发生踩踏事件的主要原因ꎮ生活场景中ꎬ人群聚集的火车站㊁地铁站通道及室内通道多为上述交叉路口ꎬ通常会在通道中设置导流栏杆来疏散人流ꎬ划分双向或多向行人区域ꎻ而室内人行通道如学校教室㊁走廊㊁楼梯等场所ꎬ因为空间条件及适用性限制ꎬ不能做分流ꎬ只能依靠限流㊁疏散标志来保障安全ꎮ本文实验采用的聚类方法ꎬ可以快速定位场景内局部群集区域ꎬ根据群集区域的位置和变化规律ꎬ采取相应的安全策略ꎬ指导人群有序集结并快速疏散ꎬ有效提高聚集人群的安全性和疏散的效率ꎮ
如表４所示ꎬ群集区域即为安全性极低㊁事故多发区域ꎮ若不能划分行人区域ꎬ可在这些区域的入口进行限流ꎬ识别进出人数ꎬ实时显示通道内人数的变化ꎬ并设置入口可通行人数及通行间隔时间ꎮ在接近群集区域之前路段设置提醒㊁导向标志ꎬ避免局部拥堵及突发事件ꎬ来提高行人移动效率ꎮ９０ʎ㊁１２０ʎ交叉路口局部的群集区域多是围绕交叉中心分布ꎬ因此人群管理者应加强对交叉中心周围的管理和防护ꎬ可以在交叉中心放置分流设施ꎬ提前在通道中以实时视频或者拥堵程度灯牌等方式预警ꎬ具体策略见表５ꎮ除表４群集区域主要位置的管理外ꎬ由于图２~４中聚类簇的动态变化ꎬ还需行人移动过程的全路段防护ꎬ室内通道特别是学校走廊㊁楼梯间等场所ꎬ在地面㊁墙面及棚顶要全路段设置指示标识ꎬ要根据情况分时㊁错峰通行ꎬ高峰期安排专人进行人群疏导ꎬ以避免挤压和踩踏事件等危险事故发生ꎮ
表５㊀不同区域对应安全策略
出入口９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流设置分流栏杆ꎻ通行人数及时间限制
交叉中心１２０ʎ交叉路口㊁单走廊双向行人流设置分流栏杆ꎻ放置实时视频㊁拥堵程度指示灯牌
通道的转弯处１２０ʎ交叉路口㊁单走廊双向行人流张贴转向标志(地面㊁墙壁)ꎻ放置凸面镜
出入口处的一侧９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流张贴引导标志(地面㊁墙壁)
靠近交叉中心处１２０ʎ交叉路口㊁单走廊双向行人流张贴分流引导标识(地面㊁墙壁)
全路段９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流分时㊁错峰通行ꎻ专人疏导
３㊀结论
本文利用基于密度的聚类方法 密度峰值算法和ＤＢＳＣＡＮ算法对实际情景实验数据进行聚类分析ꎬ以局部群集区域角度研究了单走廊双向行人流㊁９０ʎ交叉路口㊁１２０ʎ交叉路口三个场景的群集区域的时空分布规律ꎮ通过实验对两种聚类算法结果进行了比较分析ꎬ由于数据的特性ꎬ密度峰值算法只能观察较宏观的分布规律ꎬ而ＤＢＳＣＡＮ算法则可以根据参数的调整观察较微观的群集区域分布规律ꎮ在每个场景中ꎬＤＢＳＣＡＮ算法中的参数也存在变化ꎬ特别是半径ｒ会在一定范围内变化ꎮ本实验方法可以识别密集人群移动中的潜在群集的关键区域或关键位置ꎮ实验结果与分析表明:(１)在行人流长时间过渡状态中ꎬ表征局部的聚类簇出现变动ꎬ后期只有少数的局部的聚类簇存在(但会存在少数大聚类区域)ꎬ说明三个场景的行人流不会处在某个稳定的聚类划分状态ꎬ而且群集区域有向外扩散的特点ꎻ(２)人群数量在不断增加的状态下会出现集簇式分布ꎻ(３)管理上不仅要关注局部群集区域的防护ꎬ更要关注全路段的防护ꎻ(４)不同场景的局部群集区域和场景的安全管理策略存在差异ꎮ
公共场所人群流动不可忽略局部群集区域ꎬ人群管理可根据本文的聚类方法来获取局部群集区域的定位ꎬ提前采取对应策略并进行安全方案㊁突发事件预案制定ꎬ将极大地提高公共场所的安全性ꎬ提升人群疏散的效率ꎮ同时ꎬ在现实生活中ꎬ在保证人群管理安全的前提下ꎬ上述三种场景中的局部群集区域同样对商业广告张贴和共享交通设施部署㊁特殊空间(比如校园)功能区的安排具有参考价值ꎮ
本研究为行人移动或聚集情况下的人群管理以及使用本实验数据进行聚类研究提供参考ꎮ本实验数据。