Data-driven pedestrian simulation: an alternative to theory-based pedestrian simulation?

Abstract

The aim of the research is to examine whether data-driven pedestrian simulation models can outperform the theoretical ones and provide a robust model framework for pedestrian simulation. Initially, an extended literature review was performed to identify the existing pedestrian simulation models and the main parameters utilized in pedestrian simulation. To achieve the aim of the study, a comparative analysis of a well-known and widely applied theoretical pedestrian simulation model (i.e. the social force mode) and four data-driven techniques: the Artificial Neural Networks, the Support Vector Regression, the Gaussian Processes and the Locally Weighted Regression was conducted. A suitable methodological framework for the comparative analysis was designed. Initially, appropriate data (i.e. pedestrian trajectories) were collected from two different area types: a metro station during peak hours and a shopping mall during afternoon hours, via video recordings. Then, with the aid of an appropriate software, pedestrian trajectories were extracted. Due to the fact that the collected data include white noise, an algorithm for noise elimination was developed as a combination of existing smoothing filters. Subsequently, an appropriate pedestrian simulation model setup for the data-driven techniques was developed, as they do not cater specifically for pedestrian simulation framework. In order to conduct a fair comparison the variables of the theoretical model were employedin the data-driven models. Cross-validation was applied as the appropriate method for examining each model’s performance and to cater for data overfitting, while a combination of goodness-of-fit measures the models’ accuracy were estimated to assess the models in a holistic manner. The results indicate that data-driven methods have higher capability of simulating pedestrian movement as they perform better according to all of goodness-of-fit measures. Following the first level of comparison (compare models with the same parameters), additional parameters (agent’s characteristics and time parameter) have been included in the data-driven models in order to examine the possibility of improving (and its magnitude) the performance of these models. Results of this analysis indicate that the employment of the selected variables can improve data-driven pedestriansimulation models performance (they performed better for almost every goodness-of-fit measure).

Σκοπό της παρούσας έρευνας αποτελεί η διερεύνηση της καταλληλότητας υιοθέτησης μοντέλων που βασίζονται σε μεθόδους ανάλυσης δεδομένων για την προσομοίωση της πεζής κίνησης. Για το σκοπό αυτό, σχεδιάζονται κατάλληλα μοντέλα και εξετάζεται αν δύναται να παράσχουν ένα αξιόπιστο μεθοδολογικό πλαίσιο στην προσομοίωση της πεζής κίνησης. Επιπλέον, αξιολογείται η απόδοσή τους σε σχέση με τα αντίστοιχα θεωρητικά μοντέλα προσομοίωσης της πεζής κίνησης. Στο πλαίσιο αυτό πραγματοποιείται μια συγκριτική ανάλυση ενός αρκετά γνωστού και ευρέως εφαρμοσμένου θεωρητικού μοντέλου προσομοίωσης της πεζής κίνησης (το μοντέλο social force) και τεσσάρων μεθόδων ανάλυσης δεδομένων: των Τεχνητών Νευρωνικών Δικτύων, των Μηχανών Διανυσμάτων Υποστήριξης, των Gaussian Processes και της Τοπικά Σταθμισμένης μη Παραμετρικής Παλινδρόμησης. Προγενέστερα αυτού μια εκτενής βιβλιογραφική ανασκόπηση ανέδειξε τα υφιστάμενα θεωρητικά μοντέλα προσομοίωσης τηςπεζής κίνησης και τις παραμέτρους τους. Ακολούθως σχεδιάστηκε ένα κατάλληλο μεθοδολογικό πλαίσιο για τη συγκριτική ανάλυση. Αρχικά συλλέχθηκαν τα δεδομένα (οι τροχιές των πεζών) από δυο διαφορετικούς τύπους περιοχών, την πλατφόρμα ενός σταθμού του μετρό κατά τις ώρες αιχμής και ενός εμπορικού κέντρου κατά τις απογευματινές ώρες, όλα μέσω βιντεοσκόπησης. Ακολούθως με τη βοήθεια ενός κατάλληλου λογισμικού εξήχθησαν οι τροχιές των πεζών. Καθώς τα συλλεχθέντα δεδομένα περιέχουν θόρυβο αναπτύχθηκε κατάλληλος αλγόριθμος για ελαχιστοποίηση του θορύβου των δεδομένων, υιοθετώντας έναν συνδυασμό υφιστάμενων φίλτρων ομαλοποίησης. Στη συνέχεια αναπτύχθηκε ένα κατάλληλο μοντέλο προσομοίωσης της πεζής κίνησης το οποίο ενσωματώθηκε στις μεθόδους ανάλυσης δεδομένων καθώς αυτές δεν διαθέτουν κάποιο πλαίσιο προσομοίωσης της πεζής κίνησης. Για την πραγματοποίηση μιας δίκαιης σύγκρισης χρησιμοποιήθηκαν στα μοντέλα ανάλυσης δεδομένων οι παράμετροιτου θεωρητικού μοντέλου προσομοίωσης της πεζής κίνησης. Η μέθοδος της διασταυρωμένης επικύρωσης (cross-validation) υιοθετήθηκε ως η καταλληλότερη μέθοδος για την εξέταση της απόδοσης των μοντέλων και για τον περιορισμό του προβλήματος της υπερμοντελοποίησης (overfitting). Επιπλέον χρησιμοποιήθηκε ένας συνδυασμός δεικτών απόδοσης για να ποσοτικοποιηθεί η καλή προσαρμογή και η ακρίβεια των μοντέλων. Τα αποτελέσματα υποδεικνύουν πως οι μέθοδοι ανάλυσης δεδομένων παρουσιάζουν μεγαλύτερη δυνατότητα προσομοίωσης της πεζής κίνησης καθώς αποδίδουν καλύτερα με βάση όλους τους προαναφερθέντες δείκτες. Μετά το πρώτο επίπεδο της συγκριτικής αξιολόγησης (όπου συγκρίνονται μοντέλα με τις ίδιες παραμέτρους), επιπλέον παράμετροι (τα χαρακτηριστικά των πεζών και η παράμετρος του χρόνου) ενσωματώθηκαν στα μοντέλα ανάλυσης δεδομένων για εξεταστεί περαιτέρω βελτίωση της απόδοσής τους. Τα αποτελέσματα αυτής της ανάλυσης υποδεικνύουν πως η υιοθέτηση των συγκεκριμένων μεταβλητών μπορεί να βελτιώσει την απόδοση των μοντέλων ανάλυσης δεδομένων που αφορούν στην προσομοίωση της πεζής κίνησης.