Real-time detection, evaluation and mapping of crowd panic emergencies based on geo-biometrical data and machine learning

Abstract

In recent years, the demand for efficient real-time emergency response systems (ERS) has increased substantially, largely due to the urgent need to detect, map, and respond to crowd panic situations that pose significant risks to public safety. In this study, we propose an innovative, real-time, geo-referenced ERS that leverages biometric and spatiotemporal data collected from wearable devices and smartphones to provide actionable intelligence in emergency scenarios. Unlike traditional visual surveillance technologies and community engagement systems, the proposed ERS employs advanced machine learning techniques to process incoming data. In particular, a Gaussian Support Vector Machine (SVM) classifier is utilized to differentiate individuals experiencing panic from those exhibiting normal behavior , thereby introducing the Stress Profile Index (SPI). By enabling real-time data collection and analysis, the system seamlessly transmits critical information from the source of the event -i.e., the human body- to the appropriate emergency response teams. Furthermore, this research introduces the Domino Effect Index (DEI), a novel metric designed to gauge the severity of panic-induced crowd behavior . The DEI considers multiple factors, including the rate of panic propagation, the density of affected individuals, and the alignment of their movement with the surrounding road network. By incorporating the DEI, emergency responders can quickly evaluate the severity of an ongoing event and enact effective measures to prevent escalation, thereby enhancing public safety. Real-time spatial analysis, performed using labeled subjects’ geospatial information, is integral to this framework. Through such analysis, it becomes possible to detect latent patterns that may indicate the onset of crowd panic, thereby providing essential insights to first responders. This analytical approach further facilitates the visualization of regions where aberrant crowd behavior is emerging, supporting proactive mitigation efforts. The proposed ERS continuously generates dynamic areas to represent the real-time spatial development of crowd panic emergencies. These dynamic areas offer responders an immediate overview of the location and progression of the incident, enabling them to calibrate their interventions for maximum efficacy. Three types of dynamic areas are produced: one corresponding to the initial stressed locations of individuals, another reflecting their current stressed positions, and a third illustrating the geometric difference between the two—a measure that captures the evolving nature of the emergency. By integrating both machine learning methodologies and the DEI metric, the proposed ERS emerges as a robust, dependable, and efficient platform for the detection, mapping, and severity assessment of crowd panic emergencies. The ability to process real-time biometric and geospatial data empowers emergency responders to develop more effective strategies and optimize resource allocation, ultimately strengthening public safety. In conclusion, our real-time, geo-referenced ERS—enhanced by the inclusion of the DEI metric—constitutes a transformative approach to managing crowd panic emergencies. By enabling the rapid detection, spatial mapping, and severity assessment of such events, the system equips emergency responders with the information necessary for targeted interventions, thereby improving public safety and mitigating the risks associated with panic-induced crowd movements.

Τα τελευταία χρόνια, η ζήτηση για αποδοτικά συστήματα άμεσης ανταπόκρισης σε έκτακτες ανάγκες (Emergency Response System - ERS) έχει αυξηθεί σημαντικά, κυρίως λόγω της επιτακτικής ανάγκης για ανίχνευση, χαρτογράφηση και αντιμετώπιση καταστάσεων πανικού πλήθους που θέτουν σοβαρούς κινδύνους για την ασφάλεια του κοινού. Στην παρούσα μελέτη, προτείνουμε ένα καινοτόμο, άμεσο και γεωαναφερόμενο ERS που αξιοποιεί βιομετρικά και χωροχρονικά δεδομένα από wearables και smartphones για να παρέχει πρακτικές πληροφορίες σε σενάρια έκτακτης ανάγκης. Σε αντίθεση με τις παραδοσιακές τεχνολογίες οπτικής παρακολούθησης και τα συστήματα εμπλοκής της κοινότητας, το προτεινόμενο ERS χρησιμοποιεί προηγμένες τεχνικές μηχανικής μάθησης για την επεξεργασία εισερχόμενων δεδομένων. Συγκεκριμένα, χρησιμοποιείται ένας ταξινομητής Gaussian Support Vector Machine (SVM) για να διακρίνει τα άτομα που βιώνουν πανικό από αυτά που επιδεικνύουν φυσιολογική συμπεριφορά, εισάγοντας τον Stress Profile Index (SPI). Με τη δυνατότητα άμεσης συλλογής και ανάλυσης δεδομένων, το σύστημα μεταφέρει κρίσιμες πληροφορίες από την πηγή του συμβάντος - δηλαδή το ανθρώπινο σώμα - στις κατάλληλες ομάδες άμεσης ανταπόκρισης. Επιπλέον, η έρευνα αυτή εισάγει το Domino Effect Index (DEI), ένα νέο μέτρο σχεδιασμένο να εκτιμά τη σοβαρότητα του πανικού στο πλήθος. Ο DEI λαμβάνει υπόψη πολλαπλούς παράγοντες, όπως ο ρυθμός διάδοσης του πανικού, η πυκνότητα των επηρεαζόμενων ατόμων και η ευθυγράμμιση της κίνησής τους με το οδικό δίκτυο της περιοχής. Με την ενσωμάτωση του DEI, οι ομάδες άμεσης ανταπόκρισης μπορούν γρήγορα να αξιολογήσουν τη σοβαρότητα ενός συμβάντος και να εφαρμόσουν αποτελεσματικά μέτρα για την πρόληψη της κλιμάκωσής του, ενισχύοντας έτσι την ασφάλεια του κοινού. Η άμεση χωρική ανάλυση, που πραγματοποιείται με βάση τις γεωχωρικές πληροφορίες των χαρακτηρισμένων ατόμων, αποτελεί αναπόσπαστο μέρος αυτού του πλαισίου. Μέσω αυτής της ανάλυσης, καθίσταται δυνατή η ανίχνευση κρυφών μοτίβων που μπορεί να υποδηλώνουν την έναρξη πανικού πλήθους, παρέχοντας κρίσιμες πληροφορίες στους πρώτους ανταποκριτές. Αυτή η αναλυτική προσέγγιση διευκολύνει επίσης την οπτικοποίηση περιοχών όπου εμφανίζεται ανώμαλη συμπεριφορά πλήθους, υποστηρίζοντας προληπτικές προσπάθειες μετριασμού του φαινομένου αυτού. Το προτεινόμενο ERS παράγει συνεχώς δυναμικές περιοχές για να απεικονίσει την χωρική εξέλιξη των επεισοδίων πανικού πλήθους σε πραγματικό χρόνο. Αυτές οι δυναμικές περιοχές προσφέρουν στους ανταποκριτές μια άμεση επισκόπηση της τοποθεσίας και της προόδου του συμβάντος, επιτρέποντάς τους να προσαρμόσουν τις παρεμβάσεις τους για μέγιστη αποτελεσματικότητα. Παράγονται τρεις τύποι δυναμικών περιοχών: μία που αντιστοιχεί στις αρχικές θέσεις πανικού των ατόμων, μία που αντικατοπτρίζει τις τρέχουσες θέσεις πανικού τους και μία που απεικονίζει τη γεωμετρική διαφορά μεταξύ των δύο—ένα μέτρο που αποτυπώνει τη μεταβαλλόμενη φύση της έκτακτης ανάγκης. Με την ενσωμάτωση τόσο μεθοδολογιών μηχανικής μάθησης όσο και του DEI metric, το προτεινόμενο ERS αναδεικνύεται ως μια αξιόπιστη και αποδοτική πλατφόρμα για την ανίχνευση, χαρτογράφηση και εκτίμηση σοβαρότητας επεισοδίων πανικού σε πλήθος. Η ικανότητα επεξεργασίας βιομετρικών και γεωχωρικών δεδομένων πραγματικού χρόνου δίνει τη δυνατότητα στους ανταποκριτές να αναπτύξουν πιο αποτελεσματικές στρατηγικές και να βελτιστοποιήσουν τη διανομή πόρων, ενισχύοντας τελικά την ασφάλεια του κοινού. Συμπερασματικά, το ERS αυτό, εμπλουτισμένο με τη συμπερίληψη του DEI metric, αποτελεί μια καινοτόμα προσέγγιση στη διαχείριση επεισοδίων πανικού σε πλήθος. Ενεργοποιώντας την ταχεία ανίχνευση, τη χωρική χαρτογράφηση και την εκτίμηση σοβαρότητας τέτοιων γεγονότων, το σύστημα εξοπλίζει τους ανταποκριτές με τις απαραίτητες πληροφορίες για στοχευμένες παρεμβάσεις, βελτιώνοντας την ασφάλεια του κοινού και μειώνοντας τους κινδύνους που συνδέονται με τις κινήσεις πλήθους που προκαλούνται από πανικό.