基于人群疏散的折半聚类方法技术

人群疏散折半聚类方法，包括：将整个疏散场景面积定义为P＝L*W；将人群疏散个体数据集定义为E＝{e

Binary clustering method based on crowd evacuation

Including the evacuation binary clustering method, the evacuation of the area of the scene is defined as P = L*W; evacuate the individual data set is defined as E = {e

【技术实现步骤摘要】
基于人群疏散的折半聚类方法
本专利技术涉及一种于人群疏散问题计算机仿真的折半聚类方法，特别适用于大型购物商场、活动中心等在进行人群疏散时对其聚类分组，如在超市等公共场合发生火警、踩踏等突发事件时，需要快速安全疏散人群，而合理、有效地聚类分组才能保证人群疏散的效率和质量，本专利技术能切实地进行人群疏散仿真模拟，为现实的突发事件人群疏散提供可行的方案。技术背景随着人民生活水平的提高以及精神文化需求的发展，诸如车站、商场、演唱会以及各类大型活动中大规模且高密度的人群随处可见。这些公共场所具有的空间有限，却常常出现人山人海、熙熙攘攘的景象，其背后隐藏着巨大的安全隐患，踩踏、推搡等性质严重的人群异常事件更是频繁发生，给人们的人身财产安全带来严重的危害，对社会的安定和谐也造成不利影响。所以在突发事件发生时，人群的疏散工作就显得极为重要。现有的聚类方法都是基于划分、层次、密度以及网格实现的，旨在将人群按照给定的分类标准分为指定的几类。但无论是k-medoids算法还是STING算法，或者执行效率较低，或者求解精确度不够。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种基于人群疏散的折半聚类方法。本专利技术提出了基于人群疏散的折半聚类方法。在实际的人群疏散过程中，人群的分布状态会随着行人的运动，随时发生变化，在整个场景中人群的局部疏密度也会发生变化，折半聚类方法可以区分疏密区域，粗分稀疏区域或舍弃空白区域，细分稠密区域，提高准确度的同时减少了网格数量，提高了聚类效率。并且准确掌握人群信息，使人群分组聚类更加合理，模拟仿真更符合现实。对于解决公共场所的突发事件人群疏散问题具有较好的效果。本专利技术提出的基于人群疏散的折半聚类方法，包括以下步骤：1)将整个疏散场景面积定义为P＝L*W，其中，L、W分别代表疏散场景的长和宽，用(x,y)来表示疏散场景的坐标；2)将人群疏散个体数据集定义如下：E＝{ei,i＝1,2,…,num}，其中，ei表示在数据集中的第i号个体，num是个体总数，pi和gj分别表示第i号个体和j号网格的小组属性，j＝1,2,…,n，n是非空叶子网格数目；3)个体数据集E到场景P的映射是E→S，被定义为S＝{ei(x,y)}，其中，ei是E中第i号个体，1≤i≤num；(x,y)是场景中的坐标，1≤x≤W，1≤y≤L，ei(x，y)表示i号个体的位置；4)同组个体属性设定，先求得j号网格内的个体序号，再确定网格内个体实际范围左下方及右上方的边界点(xld,yld)和(xru,yru)，就可以算出中心位置如图1所示，则(xm,ym)可表示为：同时得到同组个体的邻域半径rj：从而确定同组内个体的属性值pi(在实际仿真中，pi是个体间的关系阈值，而个体间的关系值则在初始化时给定的关系矩阵确定)；5)计算网格密度den(cj)：其中den(cj)表示网格第j号叶子网格C的密度，(1≤j≤n)，n是叶子网格的总数，count()、s()分别是计算网格内个体数目和个体所占实际面积的函数。如图2所示，实际面积是通过网格内个体实际范围左下方及右上方的边界点(xld,yld)和(xru,yru)计算得到；6)核心网格是包含的个体数目大于1的叶子网格且核心网格数目不大于k；如图3所示，每个核心网格的邻居网格是和它直接相连的网格，最多有八个；7)对整个场景进行二分的非均匀网格划分，比较场景的边长，把长边均分两半，形成两个格子，再检测每个格子，如果格子里是空的或者是同组的个体则停止，否则就把该格子按同样规则二等分，这样继续二等分下去，直到格子为空或者格子里的个体都是同组的为止；8)检测非空网格内的个体是否同；以个体的实际中心为中心位置，即以边界个体的坐标而不是网格顶点坐标来计算中心位置，以个体到中心距离的均值为邻域半径，距离在半径内的个体则同组并设置同组属性，否则是异组；9)按网格密度非递增排序叶子网格；10)按顺序依次提取叶子网格为核心网格，聚合其周围的同组邻居网格，聚合规则是邻居网格中任意一个体的属性与核心网格属性相同则为同组，因为叶子网格内的个体都是同组的；11)按距离就近原则，聚合剩余的非核心网格。模拟仿真得到如图4所示的人群疏散聚类仿真的结果。本专利技术提出的人群疏散折半聚类方法，将现实中的人际关系如家人、朋友等考虑到聚类分组中去，在人群疏散过程中快速识别出人群中有关系的人并准确地聚类成组。使得仿真模拟更加符合实际的人群疏散，并且在k-medoids算法和STING算法思想的基础上增加了折半划分的思想，即先将人群疏散场景网格化，但这个网格化过程是基于折半思路的非均匀二分法划分的过程，再利用围绕中心点聚类的思想，找出核心网络(内部个体密度高的网格)，然后进行聚类分组。这样减少了最终网格划分数量，提高了聚类效率。对于解决公共场所的突发事件人群疏散问题具有较好的效果。本专利技术提出的基于人群疏散的折半聚类方法，对于解决群体性事件发生时，人群疏散过程中的人群聚类问题具有较好的效果。本专利技术的有益效果在于：本专利技术有效克服了k-medoids和STING算法在聚类时的低效率和低准确度，在疏散人群的分布状态随着行人的运动随时发生变化时，折半聚类方法可以区分疏密区域，粗分稀疏区域或舍弃空白区域，细分稠密区域，提高人群聚类准确度的同时减少网格数量，同时，提高聚类效率。对于解决公共场所的突发事件人群疏散问题具有较好的效果。附图说明图1是本专利技术方法的网格内个体实际边界图。图2是本专利技术方法的网格密度图。图3是本专利技术方法的核心网格及其邻居网格图。图4a～图4d是本专利技术方法的人群疏散折半聚类模拟仿真图。具体实施方式下面结合附图对本专利技术做进一步详细说明。本专利技术提出的基于人群疏散的折半聚类方法，包括以下步骤：1)将整个疏散场景面积定义为P＝L*W，其中，L、W分别代表疏散场景的长和宽，用(x,y)来表示疏散场景的坐标。2)将人群疏散个体数据集定义如下：E＝{ei,i＝1,2,…,num}，其中，ei表示在数据集中的第i号个体，num是个体总数，pi和gj分别表示第i号个体和j号网格的小组属性，j＝1,2,…,n，n是非空叶子网格数目；3)个体数据集E到场景P的映射是E→S，被定义为S＝{ei(x,y)}，其中，ei是E中第i号个体，1≤i≤num；(x,y)是场景中的坐标，1≤x≤W，1≤y≤L，ei(x,y)表示i号个体的位置；4)同组个体属性设定，先求得j号网格内的个体序号，再确定网格内个体实际范围左下方及右上方的边界点(xld,yld)和(xru,yru)，就可以算出中心位置如图1所示，(xm,ym)可表示为：同时得到同组个体的邻域半径rj：从而确定同组内个体的属性值pi(在实际仿真中，pi是个体间的关系阈值，而个体间的关系值则在初始化时给定的关系矩阵确定)；5)计算网格密度den(cj)：其中den(cj)表示网格第j号叶子网格C的密度，(1≤j≤n)，n是叶子网格的总数，count()、s()分别是计算网格内个体数目和个体所占实际面积的函数。如图2所示，实际面积是通过网格内个体实际范围左下方及右上方的边界点(xld,yld)和(xru,yru)计算得到；6)核心网格是包含的个体数目大于1的叶子网格且核心网格数目不大于k；如图3所示，每个核心网格本文档来自技高网...

【技术保护点】
基于人群疏散的折半聚类方法，包括以下步骤：1)将整个疏散场景面积定义为P＝L*W，其中，L、W分别代表疏散场景的长和宽，用(x,y)来表示疏散场景的坐标；2)将人群疏散个体数据集定义如下：E＝{e

【技术特征摘要】
1.基于人群疏散的折半聚类方法，包括以下步骤：1)将整个疏散场景面积定义为P＝L*W，其中，L、W分别代表疏散场景的长和宽，用(x,y)来表示疏散场景的坐标；2)将人群疏散个体数据集定义如下：E＝{ei,i＝1,2,…,num}，其中，ei表示在数据集中的第i号个体，num是个体总数，pi和gj分别表示第i号个体和j号网格的小组属性，j＝1,2,…,n，n是非空叶子网格数目；3)个体数据集E到场景P的映射是E→S，被定义为S＝{ei(x,y)}，其中，ei是E中第i号个体，1≤i≤num；(x,y)是场景中的坐标，1≤x≤W，1≤y≤L，ei(x,y)表示i号个体的位置；4)同组个体属性设定，先求得j号网格内的个体序号，再确定网格内个体实际范围左下方及右上方的边界点(xld,yld)和(xru,yru)，算出中心位置，则(xm,ym)可表示为：同时得到同组个体的邻域半径rj：从而确定同组内个体的属性值pi(在实际仿真中，pi是个体间的关系阈值，而个体间的关系值则在初始化时给定的关系矩阵确定)；5)计算网格密度den(cj)：

【专利技术属性】
技术研发人员：陈庭贵，石佳文，许翀寰，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33