英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

从建模行人小群组行为探讨行人小群组动态和方法的综述

由研究人员观察透露,在人群组的相互作用是一种普遍现象,对行人的行为有很大的影响。然而,目前由不同人员做的大多数研究在发展行人流量模型中没有考虑到结伴动态。本文结合结伴行为的评论提出了一个行人模型。在这篇综述里说该模型主要创造了微观建模方法,比如社会力量、元胞自动机和基于代理的方法。本文献综述的目的是提高我们对行人小群组动力学的理解和强调在开发行人仿真模型时考虑群体动力学的必要性。

关键词：群体动态，行人，仿真，群体行为

介绍

行人的行为已经被研究了大约一个世纪。早期的研究主要是比较注重设计交通规则和行人安全保护方面(塞德,1979;摩尔,1979)。随着时间的推移,提高建筑工程的质量来创造更多的愉快和友好的行人设施已成为现代建筑师和设计师的不懈追求。随着计算机技术的提高,行人模型已经广泛使用,也被视为一个重要的工具来评估建筑设计的性能和行人设施的质量(D.赫尔本,法卡斯和莫尔纳,2002;大佛,2004;Schadschneideretal.,2011;Teknomo,2006)。

在现实世界中,这是一种常见的现象,许多行人喜欢一群人走。通过一群人的互动和外貌、性别、年龄、交流等特征很容易了解一群人。虽然已经证明,社会互动极大地影响人群的行为和决策,在开发客流模型里很少有人注意到群体行为(Ma, Fookes, Kleinschmidt, and Yarlagadda, 2012; Qiu and Hu, 2010; Singh et al., 2009）。桑托斯和阿吉雷(2004)也指出,一个常见的紧急疏散模型的缺点在于缺乏包含社会心理的相关的群体水平处理。

本文演示了行人的社会群体的重要性和目前的行人模型包含了行人小群组动态。第二节会探讨行人行为的特点和突出群体动态的重要性。第三节介绍了目前的行人建模方法,也包括了群体动态和对其优点和缺点的分析。最后,第四部分总结了文献综述,并讨论了行人模型的未来趋势。

行人小群组动态

普遍存在的行人社会团体

研究人员已经研究行人行为的社会群体超过半个世纪了。为了调查在人类群体互动的规模的决定因素,詹姆斯(1953)观察了22625个行人，样本来自尤金、波特兰和俄勒冈州的18个公共场所。观察的时间是1950年的冬季和春季。有几个不同的地方作为观察地点，比如公开市场,操场,学校、游泳池、公共海滩。观察时间和地点的多样性保证了能反映行人的平常行为扮演不同的角色的观察结果。观察表明,人群分成自由形态的的多种多样的小群体。群体的关系通过面对面的互动来确认,比如手势,大笑,微笑,说话,玩耍,或工作。这次观察里一共记录了15486个小组。观察结果可以如表1所示。第1种大小的团体表明,一个人也视为一个团体，这个团体只有一个小组成员。从表1,可以计算出,超过三分之一的人都在至少两个成员的团体里。

阿维尼（1977）也做了一个类似的研究,他采访了在庆祝足球活动中的204名球迷。这个研究发现,人群中四分之三的人都是和一个或多个朋友一起。这个结果显示了团体的人群比例高于詹姆斯的研究观察的人群比例。造成以上差异的原因，可能是该研究的数据收集是来自一个特殊的体育赛事,这可能不能反映人群在各种各样的场合时普通的群体行为。

詹姆斯和阿维尼的研究已经过去了几十年。社会背景发生了极大地改变,因此人们交流和互动的方式也会发生很多的改变。因此,在最近的行为研究里探讨人群是否以一个个团体的方式活动还是有必要的。辛格(2009)通过拍照和观察研究了行人的群体行为。在半个小时内每隔10秒记录了人群的行为，地点是以下四个地方:诺丁汉火车站,Broadmarsh购物中心、矮脚长耳猎犬街和诺丁汉大学校园。在这四个地方的行人包括了三种环境中人群:旅行、购物和工作。从图1可以看到,大部分的人都是以两个或两个以上的团体活动。在旅游环境(火车站),团体活动的百分比约为55%。在购物环境中(Broadmarsh购物中心和矮脚长耳猎犬街),比例约为65%。在大学校园,人们学习和工作,这个数字大约是47%。在不同观察地点的不同比例的数据表明,团体活动的数目可以受到周边环境的影响。但这种观察方法是局限的,而且观察时间不够长。因此研究者只捕获了一小部分，可能对“团体真相”导致偏差。

为了调查社会群体中行人的步行行为， Moussaiuml;d, Perozo, Garnier, Helbing, and Theraulaz (2010)分析了在低密度人口A组的中密度人口B组的行人的行为，在这个研究里没有提到详细观察时间和地点。结果表明,行人是以团体活动的A组人口比例是55%，B组人口比例是70%，这占据了行人中的大部分人。作者做了一个解释，A组和B组的比例之所以不同，是因为:A组是在一个工作天做的记录,而B组是在一个周六下午的受欢迎的商业通道记录的。这意味着在休闲场所和空闲时间里可以看到更多的以团体活动的行人。

Popovic, Kraal, and Kirk (2009)提供了一个观察技术,在机场里通过调查乘客的活动来了解人们的乘坐飞机的经验。在这项研究中,详细地记录了在机场的乘客的行为。发现团体旅游的乘客在安全程序里有相当多的等待时间。监控录像显示,人们在中间走道里等待他们的小组成员去验护照。使用相同的观察技术，Popovic, Kraal, and Kirk (2009)报道了在机场公共场所旅客零售经验的结果。通过对40名乘客的数据收集,研究人员发现,乘客的旅行同伴的存在会影响乘客在机场公共场所停留时间和购物的行为。

在统计模型里行人团体活动的人数

为了定量计算的自由形态的人群的各种人数大小的分布,詹姆斯(1953)拟合样本组的人数大小(显示在表1)为两个分布模型:负二项模型和泊松模型。拟合优度是用卡方检验进行比较。结果表明,负二项模型的拟合比泊松模型更接近观测的数据。对这种结果的解释是泊松分布在这个观察过程中需要一个常数,因此,更适合当人数相对稳定的社会环境。另一方面,负二项模型可以被认为是一群不同泊松模型聚集在一起,因此，从这18个不同的观察能更准确的使用负二项模型拟合数据。尽管这是一个对拟合结果的合理的解释,但作者未能进一步去探讨来支持他的结论。因此,如果作者在一个稳定人数的社会坏境测试了泊松模型和负二项模型的拟合优度，并进行对比,这研究将更有说服力。

科尔曼和詹姆斯(1961)重新分析了詹姆斯(1953)收集的数据，并说团体的人数大小的频数分布可以truncated-Poisson(t - p)公式拟合。这个公式的推导是这样的：假设在任何时候一个小组消失和一个小组得到一个成员存在一个恒定的概率,最后在这个系统里小组的人数大小的分布将达到一个平衡状态。使用这种机制,Moussaid et al .(2010)收集了两种人群密度的人群观测数据，与用zero-truncated泊松公式拟合的数据。拟合的结果是错误的!引用源没有找到。表明泊松模型在观察组人口规模中呈现出,A组比B组的有着更高比例的只有1个人的团体和更低比例的有2个人团体。然而,该模型反映了和观察组里团体人数大小类似的趋势。使用统计模型拟合的群体大小的分布为生成行人小群组提供了一个参考模型。

行人小群组的步行速度

亨德森(1971)提示行人人群所需的步行速度在高斯分布里的均值1.34 m / s,标准差为0.26 m / s。最近的研究表明,行人步行速度可受许多因素的影响。这些因素包括环境因素如人群密度,走道的宽度,和人流的混乱程度，以及个人因素如年龄、性别、体能，和旅行的目的。(哈尼,2002;Moussaid et al .,2010;Rastogi,Thaniarasu,钱德勒,2011)。除了这些因素,一些研究发现人群大小也会明显地影响行人步行速度。

Moussaid et al。(2010)测量了不同人群大小行人的步行速度，得出结论,行人步行速度随人群的大小增加呈线性降低(图3)。然而,从图3可以看到,这种有拟合曲线获得的线性关系仅仅有三个数据点。因此,不同人群大小的步行速度的更多数据点将得到一个更有说服力的结论。除此之外,个人的速度(组1)的大小也值得研究。尽管如此,这项研究揭示了人群的步行速度随有人群人数的增加而降低这一趋势。

舒尔茨的研究里讨论了类似的结果,舒尔茨和Fricke(2010),通过用视频监控系统记录和分析了在德累斯顿国际机场乘客的步行行为。图4比较1个成员的小组和3个成员的小组之间的步行速度。正如作者预测,组有三个成员的步行速度明显慢于只有一个成员的组。自从在很多研究中提到环境对行人的步行速度有很大影响以来(Finnis and Walton, 2008; Harney, 2002; Rastogi et al., 2011)，以上研究结果只能应用于机场环境,不能代表在其他任何情况下的行人速度。

相比较而言,在先前的研究里表2表明了在不同的地方行人步行速度也不同。Tarawneh(2001)研究了在安曼,约旦的27个人行横道的行人的速度。收集了近3500人走人行横道的情况。结果表明,以三个或三个以上人的人群比三个以下人群的步行速度慢得多。Tarawneh认为,原因可能是:(1)在人行横道上行人小组(单个或两个)感到更不安全;(2)更多人数的团体的行人在通过人行道时会聊天。然而,作者忽略了环境的特殊性。在人行横道行人的速度往往会受到交通信号的影响。此外,住在人行横道上可能会造成潜在的安全隐患。因此,行人更倾向于尽快通过人行道而团队之间的相互作用的影响是相对较弱。这可以从一个人或者夫妇的步行速度比大团体的只快0.02米/秒的例子很明显地看出来。

Rastogi et al(2011)收集了来自印度的5个城市的18个地方的行人步行速度数据。收集到的行人步行速度数据是来自做了标志的已知长度的有行人的，记录了在两个公园行人的同一天的数据。据报道,行人在团体走时会以平均速度步行而近73%的行人发现自己落后于其他小组成员时会加快他们的速度。Rastogi还观察到一个有趣的现象:在人行道上,行人在大群(有5个或更多人的人群)经常分裂成更小的群体,以避免更多的行人走上来。这种分裂行为减少了群体成员,但是增加了小群体的步行速度。因此,从表2可以看到,在人行道上五个人的小组的平均步行速度快于四个人的小组。这种现象不会发生在宽阔的人行道和范围,因为没有空间限制一大群人不需要分割成小群体。

行人小群组的步行行为

辛格etal(2009)从拍摄的证据发现避免行人以一群人走路的行为。图5显示了当看到有很多行人即将到来时能避免一群人走的行为的百分比。这表明在大多数情况下,一个人或一群人将会向左(34%)或向右(44%)走,以避免与他人碰撞(向左走的人的比率高于向右走的人的比率,这种实验现象有一个可能是在英国发生的,因为英国应用的是左手交通规则)。为了避免碰撞只有22%的人群将会分裂成小群体。这一发现表明有一群人还是尽可能地保持持团体行走。在赫尔本的“社会影响力理论” (Dirk Helbing and Molnaacute;r, 1995)里提到，小组成员之间的关系创造了一个无形的债券,这将使他们保持群体行走。在他们的研究中辛格还注意到,如果一群人为了避免障碍会分裂,这群人会分开一定的距离和但一旦没有障碍了就会重新组成人群。

为了了解群体行为及其对人流的影响,路透社et al(2014)观察了很多个人群（5个或5个人以上的人群)。在足球场周围观测了大约1800个人。观测结果表明,在足球体育场的人群有很高百分比的人以这种群体活动。此外,很大大群体往往又分成更小的群体。反复出现分裂,观察发现他们根据实际环境又加入原来的群体。

默塞德et al .(2010)在两个不同人口密度的地方研究了行人小群组的空间组织。有人说,在人口低密度的地方,一群人走在同一个水平线上,他们好与其他小组成员聊天(图6(a))。在中等密度的人群里,这种群体结构很难保持，因为会受到旁边行人的干扰。因此,人群的线性组织结构将会在中间弯曲,形成一个V字型。默塞德,等人指出,这向前弯曲的方向,而不是向后弯曲,可以使小组成员之间得到更好的交流(图6(b))。尽管向后弯曲是一种更灵活的可以避免与对面来的行人碰撞，但它阻碍了小组成员间的活动。最后,在高密度人口的人群里，迎面来的人太多会互动,小组成员会相互走后面,形成一个河流图形的形成(图6(c))。辛格et al(2009)在人群中观察也注意到这河流图形的形成。

仿真处理

仿真类型

在过去的几十年里,为了仿真行人行为已经提出了大量的方法。可以根据不同的特征对仿真行为进行分类。就仿真范围而言,有宏观模型和微观模型。宏观模型的主要对象是不同密度的人群的仿真(Bauer, Seer, and Brauml;ndle, 2007)。宏观模型以行人作为一个整体,忽视个体的局部动态和行人之间的相互影响。正因为如此,宏观模型有计算负载上的优势。然而,研究人员发现,他们也不能明确说出环境变化对行人流量性能的影响(Teknomo,Takeyama Inamura,2000)。此外,宏观模型是假设在一个均匀的人口流动即处在一个平衡状态的人群里,它不能代表真实的情况(约翰逊et al .,2012)。

相比之下,在微观模型中个人对结果有很大的影响。这种模型关注的是单个行人的行为和决策,以及他们对周围其他行人的影响。微观模型通过加入一组预先确定的规则可以克服宏观模型中局限性。通过定义适当的行为规则,微观模型能够在更多种类的情况下得到更精确的行人行为(Camillenetal,2009;Pluchino,Garofalo,Inturri,Rapisarda,Ignaccolo,2013)。然而,一个详细的行人模型需要丰富的数据支持来减慢计算速度(鲍尔et al .,2007)。微观模型的例子:physical-based社会力模型(Dirk Helbing and Molnaacute;r, 1995),geography-based元胞自动机模型,遵循预先设定的规则(Fukui

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[147419]，资料为PDF文档或Word文档，PDF文档可免费转换为Word