A data-driven neural network approach to simulate pedestrian movement

همانطور که هوش مصنوعی به یک نقطۀ تحقیق تبدیل می شود، محققان بیشتر و بیشتر تلاش می کنند تا آن را به حوزه های متعدد اعمال کنند. بنابراین جالب و چالش برانگیز است که فناوری شبکه عصبی داده شده به مدلسازی جنبش عابر پیاده اعمال شود تا اثرات آن بر مدل نیروی اجتماعی سنتی که میتواند در سناریوهای عکاسی چندگانه مورد استفاده قرار گیرد. مطالعات شبیه سازی جنبش جنبش مبتنی بر شبکه های عصبی اغلب تنها با یک سناریو شبکه را آموزش می دهد و سپس در این سناریو با پارامترهای مختلف آزمایش می کند. برای ایجاد یک شبکه عصبی تطبیقی، ما یک شبکه چهار لایه را برای یادگیری داده های سناریوی چندگانه با نرمال سازی موقعیت های نسبی در عابران پیاده، انتقال بردار سرعت به اسکالر و ترکیب اطلاعات بیشتر مسیر مسیریابی و به این ترتیب برای انطباق بیشتر با سناریوهای مختلف پیشنهاد می کنیم. نتایج شبیه سازی نشان می دهد که روش پیشنهادی شبکه عصبی را می توان به چندین سناریو معمول پیاده روی، از جمله ضد جریان و تخلیه استفاده کرد. علاوه بر این، منحنی تراکم واقعی واقع گرایانه را نشان می دهد و نوسانات کمتری را در مقایسه با مدل نیروی اجتماعی ایجاد می کند. بنابراین، روش پیشنهادی قادر به تولید جریان واقعی عابر پیاده در سناریوهای مختلف است.