Исследователи представили новейшую математическую систему для контроля перемещения людей в закрытых помещениях. Технология прогнозирует перемещения групп, снижает риски скоплений и управляет безопасностью через алгоритмы глубинного обучения. Разработка опубликована в трудах международной научной конференции.
Новый подход к безопасности скоплений
Обеспечение безопасности на стадионах, вокзалах и торговых комплексах требует инновационных решений. Разработанная учёными модель сочетает прогнозирование поведения толпы с возможностью оперативного управления потоками в режиме реального времени.
Адаптированная CTM-основа
В основе решения лежит модифицированная Cell Transmission Model (CTM), преобразованная для анализа людских потоков. Пространства моделируются как сеть помещений с переходами, где каждое имеет строго заданные параметры площади, предельной вместимости и текущего заполнения.
Интеллектуальное прогнозирование
Ключевым компонентом стали гарантированные оценки – динамические диапазоны возможного заполнения помещений. Эти инструменты выявляют потенциальные риски превышения критической плотности до возникновения опасной ситуации.
Сила DQN-алгоритма
"Наш симбиоз математики и машинного обучения не просто оценивает риски, а активно регулирует потоки", – подчеркивает Павел Точилин. Глубинная нейросеть DQN обучает управляющую систему принимать оптимальные решения, награждая за предотвращение скученности и применяя санкции за потенциальную давку.
Доказанная эффективность
DQN-алгоритм продемонстрировал превосходные результаты в тестах, исключая образование зон перенаселения и распределяя людей равномерно. Это принципиально снижает риски давки и оптимизирует эвакуационные сценарии.
Перспективы применения
Технология открывает возможности для интеграции в системы безопасности стадионов, транспортных терминалов и ТРЦ. Как отметила Маргарита Зайцева: "Мы работаем над улучшением идентификации параметров модели и планируем сравнение стратегий управления для максимальной адаптации в реальных условиях".
