Перед вами не вымышленная картинка из рекламного журнала «Аэропорты будущего». Это реально действующий аэропорт японского города Фукуока, который предлагает пассажирам немало свободного пространства для перемещения. Благодаря специальной технологии моделирования были выявлены причины образования очередей и приняты меры по оптимизации. Кому интересно, как работает эта технология, прошу под кат.
Фото предоставлено городом Фукуока
Профессор Такахаши (Shingo Takahashi), руководитель кафедры разработки промышленных систем и систем управления Университета Васэда и Fujitsu Laboratories разработали технологию, которая позволяет выявить, по каким причинам возникает скопление людей в общественных местах. Решение автоматически анализирует факторы, которые привели к образованию большой массы людей, на основании результатов моделирования поведения человека.
Ещё в 2015 году Fujitsu и профессор Такахаши использовали данную технологию в системе моделирования поведения людей, которая анализировала меры по устранению очередей в аэропорте города Фукуока. Им удалось обнаружить в 4 раза больше причин возникновения столпотворения по сравнению с анализом экспертов. Например, при анализе скопления людей во время контрольного досмотра пассажиров и багажа система смогла впервые выявить, что пассажиры, собравшиеся на определенной стойке регистрации, вызвали неожиданное скопление людей в зоне контрольного досмотра. В ходе моделирования было подтверждено, что эта технология позволяет уменьшить количество людей, ожидающих прохождение контрольного досмотра, на одну шестую. Кроме того, количество персонала можно будет уменьшить на треть. А время анализа было значительно уменьшено, с нескольких месяцев до нескольких минут.
Новая разработка объединяет в группы категории, которые имеют определенную общность, и выражает характеристики соответствующих «агентов» (смоделированное поведение, действия людей) в виде небольшого количества комбинаций категорий без составления списков результатов передвижения или маршрутов десятков или сотен тысяч агентов. Такой подход позволяет проще выделять характеристики агентов, связанные с причинами возникновения скоплений людей, и дает возможность создавать параметры, относящиеся к определенным характерным признакам и примерам перемещения.
Диаграмма симуляции поведения людей и прогноз образования скопления людей в аэропорту
Ранее по причине того, что данные, относящиеся к отличительным особенностям, восприятию и действиям агентов (например, задача агента заключается в том, чтобы «пообедать», или агент увидел указатель в точке), которые выражались в виде десятков записей в базе данных, должны были быть объединены для создания характеристик агента, этот процесс создавал большое количество комбинаторных примеров. С новой технологией, которая создает логические группы, которые включают схожести в характеристиках, и создает кластеры характеристик агента для каждой группы, была реализована возможность уменьшить количество комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить ответ на вопрос, какие меры будут эффективны для уменьшения скоплений людей.
Выявление полного спектра причин образования скопления людей, основанных на отличительных особенностях, действиях и способах восприятия
Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончили обедать в кафе и все вместе пришли в магазин. Таким образом, скопление людей в магазине А можно устранить путем установки новых указателей, а скопление в магазине Б можно устранить за счет увеличения количества обслуживающего персонала и скорости обслуживания.
Выявление причины и примеры противодействий, которые получили благодаря технологии
При моделировании человеческого поведения эксперты, как правило, повторяют процесс проб и ошибок, анализируя большие объемы данных, которые получили в результате моделирования, и предлагают гипотезы причин образования столпотворений и возможные контрмеры, основываясь на своем опыте и информации, и затем повторно выполняя моделирование для оценки предложенных гипотез. Соответственно, анализ предложенных причин и определение контрмер может занять несколько месяцев. А в отдельных случаях, когда аналитик пропустил определенные причины, могут возникать дополнительные проблемы. Новая технология профессора Такахаши и Fujitsu Laboratories осуществляет комплексное выделение характеристик агентов, которые имеют отношение к скоплению людей. Следовательно уменьшается число комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить оперативно разработать меры для борьбы с очередями.
Технология позволяет выполнить оперативную оценку параметров для предотвращения образования скоплений людей в местах торговли, местах проведения различных мероприятий и в других местах, в которых могут образовываться скопления людей в связи с их высокой посещаемостью или централизацией. Таким образом, новая разработка дает возможность повысить безопасность и комфорт городских сред.
Места проведения мероприятий, аэропорты и торговые центры, в которых часто образуются большие массы людей, это может негативно сказаться на уровне удовлетворенности посетителей и, в конечном счете, на продажах. В настоящий момент, помимо таких способов решения этой проблемы, как увеличение числа персонала, размещаемого у входов, выходов и в местах продаж для оказания помощи посетителям, существует целый ряд других мер, которые включают в себя установку специальных указателей и схем для перемещения посетителей в менее загруженные помещения. Однако для реализации более эффективных средств уменьшения потока важно понимать, какие типы людей предпримут какие типы действий в ответ на какие типы информации.
Для этого все чаще используются технологии «моделирования поведения человека». Специалисты выполняют моделирование отличительных особенностей, восприятия и действий различных групп людей в качестве «агентов». А с помощью компьютерного виртуального моделирования ситуаций образования очередей ученые могут проанализировать причины и оценить решения, которые позволят предотвратить столпотворения.
Фото предоставлено городом Фукуока
Профессор Такахаши (Shingo Takahashi), руководитель кафедры разработки промышленных систем и систем управления Университета Васэда и Fujitsu Laboratories разработали технологию, которая позволяет выявить, по каким причинам возникает скопление людей в общественных местах. Решение автоматически анализирует факторы, которые привели к образованию большой массы людей, на основании результатов моделирования поведения человека.
Ещё в 2015 году Fujitsu и профессор Такахаши использовали данную технологию в системе моделирования поведения людей, которая анализировала меры по устранению очередей в аэропорте города Фукуока. Им удалось обнаружить в 4 раза больше причин возникновения столпотворения по сравнению с анализом экспертов. Например, при анализе скопления людей во время контрольного досмотра пассажиров и багажа система смогла впервые выявить, что пассажиры, собравшиеся на определенной стойке регистрации, вызвали неожиданное скопление людей в зоне контрольного досмотра. В ходе моделирования было подтверждено, что эта технология позволяет уменьшить количество людей, ожидающих прохождение контрольного досмотра, на одну шестую. Кроме того, количество персонала можно будет уменьшить на треть. А время анализа было значительно уменьшено, с нескольких месяцев до нескольких минут.
Новая разработка объединяет в группы категории, которые имеют определенную общность, и выражает характеристики соответствующих «агентов» (смоделированное поведение, действия людей) в виде небольшого количества комбинаций категорий без составления списков результатов передвижения или маршрутов десятков или сотен тысяч агентов. Такой подход позволяет проще выделять характеристики агентов, связанные с причинами возникновения скоплений людей, и дает возможность создавать параметры, относящиеся к определенным характерным признакам и примерам перемещения.
Диаграмма симуляции поведения людей и прогноз образования скопления людей в аэропорту
Ранее по причине того, что данные, относящиеся к отличительным особенностям, восприятию и действиям агентов (например, задача агента заключается в том, чтобы «пообедать», или агент увидел указатель в точке), которые выражались в виде десятков записей в базе данных, должны были быть объединены для создания характеристик агента, этот процесс создавал большое количество комбинаторных примеров. С новой технологией, которая создает логические группы, которые включают схожести в характеристиках, и создает кластеры характеристик агента для каждой группы, была реализована возможность уменьшить количество комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить ответ на вопрос, какие меры будут эффективны для уменьшения скоплений людей.
Выявление полного спектра причин образования скопления людей, основанных на отличительных особенностях, действиях и способах восприятия
Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончили обедать в кафе и все вместе пришли в магазин. Таким образом, скопление людей в магазине А можно устранить путем установки новых указателей, а скопление в магазине Б можно устранить за счет увеличения количества обслуживающего персонала и скорости обслуживания.
Выявление причины и примеры противодействий, которые получили благодаря технологии
При моделировании человеческого поведения эксперты, как правило, повторяют процесс проб и ошибок, анализируя большие объемы данных, которые получили в результате моделирования, и предлагают гипотезы причин образования столпотворений и возможные контрмеры, основываясь на своем опыте и информации, и затем повторно выполняя моделирование для оценки предложенных гипотез. Соответственно, анализ предложенных причин и определение контрмер может занять несколько месяцев. А в отдельных случаях, когда аналитик пропустил определенные причины, могут возникать дополнительные проблемы. Новая технология профессора Такахаши и Fujitsu Laboratories осуществляет комплексное выделение характеристик агентов, которые имеют отношение к скоплению людей. Следовательно уменьшается число комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить оперативно разработать меры для борьбы с очередями.
Технология позволяет выполнить оперативную оценку параметров для предотвращения образования скоплений людей в местах торговли, местах проведения различных мероприятий и в других местах, в которых могут образовываться скопления людей в связи с их высокой посещаемостью или централизацией. Таким образом, новая разработка дает возможность повысить безопасность и комфорт городских сред.
Актуальность
Места проведения мероприятий, аэропорты и торговые центры, в которых часто образуются большие массы людей, это может негативно сказаться на уровне удовлетворенности посетителей и, в конечном счете, на продажах. В настоящий момент, помимо таких способов решения этой проблемы, как увеличение числа персонала, размещаемого у входов, выходов и в местах продаж для оказания помощи посетителям, существует целый ряд других мер, которые включают в себя установку специальных указателей и схем для перемещения посетителей в менее загруженные помещения. Однако для реализации более эффективных средств уменьшения потока важно понимать, какие типы людей предпримут какие типы действий в ответ на какие типы информации.
Для этого все чаще используются технологии «моделирования поведения человека». Специалисты выполняют моделирование отличительных особенностей, восприятия и действий различных групп людей в качестве «агентов». А с помощью компьютерного виртуального моделирования ситуаций образования очередей ученые могут проанализировать причины и оценить решения, которые позволят предотвратить столпотворения.
