要約
複雑な建物内での歩行者のルート選択行動を理解することは、歩行者の安全を確保するために重要です。
これまでの研究では、特に単純な屋内環境において、歩行者のルートと出口の選択に対するさまざまな要因の影響を理解するために、主に従来のデータ収集方法と離散選択モデリングが使用されてきました。
しかし、複雑な建物内の歩行者ルートの選択に関する研究はまだ限られています。
この論文では、高層ビル内での通常および緊急時の進路探索中の歩行者の意思決定ポイントの選択を理解および予測するためのデータ駆動型のアプローチを紹介します。
このため、私たちはまず屋内ネットワーク表現を構築し、VR 座標を屋内表現にマッピングするデータ マッピング手法を提案しました。
次に、確立された機械学習アルゴリズム、つまりランダム フォレスト (RF) モデルを使用して、高層ビル内での 4 つの道案内タスク中に、ルートに沿った歩行者の意思決定ポイントの選択を予測しました。
高層ビル内の歩行者の行動データは、仮想現実実験によって収集されました。
結果は、ロジスティック回帰モデルと比較して、RF モデルを使用した場合の決定点の予測精度がはるかに高い (つまり、平均 93%) ことを示しています。
最も高い予測精度は、タスク 3 で 96% でした。さらに、個人の特性を組み合わせたモデルのパフォーマンスをテストしたところ、個人の特性は意思決定ポイントの選択に影響を及ぼさないことがわかりました。
この論文は、複雑な屋内建物における歩行者のルート選択行動を研究するために機械学習アルゴリズムを適用する可能性を実証します。
要約(オリジナル)
Understanding pedestrian route choice behavior in complex buildings is important to ensure pedestrian safety. Previous studies have mostly used traditional data collection methods and discrete choice modeling to understand the influence of different factors on pedestrian route and exit choice, particularly in simple indoor environments. However, research on pedestrian route choice in complex buildings is still limited. This paper presents a data-driven approach for understanding and predicting the pedestrian decision point choice during normal and emergency wayfinding in a multi-story building. For this, we first built an indoor network representation and proposed a data mapping technique to map VR coordinates to the indoor representation. We then used a well-established machine learning algorithm, namely the random forest (RF) model to predict pedestrian decision point choice along a route during four wayfinding tasks in a multi-story building. Pedestrian behavioral data in a multi-story building was collected by a Virtual Reality experiment. The results show a much higher prediction accuracy of decision points using the RF model (i.e., 93% on average) compared to the logistic regression model. The highest prediction accuracy was 96% for task 3. Additionally, we tested the model performance combining personal characteristics and we found that personal characteristics did not affect decision point choice. This paper demonstrates the potential of applying a machine learning algorithm to study pedestrian route choice behavior in complex indoor buildings.
arxiv情報
| 著者 | Yan Feng,Panchamy Krishnakumari |
| 発行日 | 2023-08-07 12:05:55+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google