采用聚类方法监测高密集度人群聚集区域

菅肖霞 顾海

摘 要：高密度人群聚集区域存在严重安全隐患，为避免由此引发的挤压踩踏事故，可采用基于密度的网格聚类方法，定义网格、密度、高密度的临界值等参量，建立人群密度监测模型，标记高于临界密度值的区域，并发布警示信号，引导人群避免聚集，合理疏散，实现大型活动场站的安全疏散管理。

关键词：人群;聚集;聚类方法;密度

一、高密度人群聚集现象

高密度人群聚集现象随处可见。比如，地铁、火车站等室内大型场站，是分散在不同城区出行人员的汇集点，会频繁出现聚集现象。加之，目前城际交通系统飞速发展，人员流动不断增加，尤其节假日期间，不同城区、不同城市间的人员流动增长迅速，成倍地、频繁地加重地铁、火车站等场站的聚集程度。此外，各大中型城市中大量的开放性活动广场内有各种各样大型活动，可能是有组织的活动，也可能是群众自发的大型活动，同样会有不同程度的人群聚集现象。

国内外大型活动中经常会突发踩踏事故，均有不同程度伤亡。踩踏事故发生主要是大规模人群聚集，行人进退两难，在高密度人群压力下，若有行人窒息倒地，其他行人的身体平衡受到影响，产生“多米诺”效应，行人相继倒地，在事发地周围引发恐慌，行人逃离路线混乱，而远处人群对事发地的路况信息不明确，继续向事发地行进，使整个人群系统进入恶性循环。从聚集程度讲，事故区域的密度较高，又没有得到及时疏散，是诱发倒地踩踏事故的重要原因之一。因此，需要考虑监测高密度人群，防患于未然。

二、应用聚类分析方法监测高密度人群聚集区域

随着人群聚集密度不断升高，需要管理者在密度达到某个临界值前，对人群进行合理疏散，否则将造成严重的人员伤亡。这里我们将采用基于密度的网格聚类方法监测高密度人群聚集区域，为安全疏散管理措施的设计与实施提供必要的理论基础。

1.基于密度的网格聚类

聚类分析方法是一类典型的数据挖掘方法，根据在数据中发现的描述对象及其关系的信息，将数据对象分组;组（簇）内部对象具有公共特性，不同组的對象特性不同。根据簇类型的不同，可将聚类方法分为不同类型，比如，明显分离、基于原型、基于密度、基于图聚类等。这里我们将预测人群聚集区域的密度，因此，选择基于密度聚类中的网格聚类方法[1]。

首先，定义网格与密度，设定密度临界值。将监控场景全域所在的水平地面作为二维数据分布区域，场景中行人投影到水平地面上作为数据点，将行人的位置点用二维坐标表示，然后利用等间距的二维正方形单元将场景区域网格化，其中网格边长可以根据测试需要调整。由于是均匀网格，在定义人群密度时只需关注人数，不考虑面积。因此，每个网格单元的密度定义为网格中行人的个数。

其次，高密度网格单元形成聚集区域。计算每个网格的密度，与临界值比较，超过临界值的、相邻近的网格构成聚集区域。其中，邻近的网格可以定义为以一个网格单元为中心，其水平与垂直方向上的四个网格单元构成邻近网格，也可以是水平与垂直方向、对角线方向上的八个网格单元构成的邻近网格，这些邻近高密度网格单元构成高密度人群聚集区域。注意到，不同的邻近区域定义可能丢失周边的低密度网格单元，造成簇凝聚不完整，但是我们只需要高密度聚集区域，并不需要完整的簇，因此，此设计是合理可行的。

2.监测高密度人群聚集区域

利用基于密度的网格聚类方法是可以得到高密度聚集区域，但是要得到合理而精准地数据，还是要对网格划分尺度、密度定义、密度临界值定义、邻近区域定义加以校准。比如，网格划分太细，网格单元尺寸太小，可能每个网格单元最多包含一个行人或者单元中没有行人，也就是说密度取值只有0和1，无法合理预测高密度人群。网格划分太粗，网格单元尺寸太大，每个单元容纳的人数就较多，人群在网格单元分布的稀疏程度不同，其内部有些局部区域密度可能超过临界值，有些局部区域密度较低，总的单元密度可能没有达到临界值，造成局部高密度区域没有被发现的错误监测。因此，网格边长的大小将影响高密度区域获取的准确度，网格划分的尺度要经过多次计算模拟，并结合实场景真实数据校准。同时，密度临界值的定义也要考虑经验数据或者实际管理情况而定。

在合理的确定参数后，行人可视范围内的明显位置标记网格位置识别信息，便于发现高密度聚集区域后，准确定位。根据实时人群分布，计算人群密度，分析高密度聚集区域，发出警示信号，管理者要及时控制行人流量，对高密度区域周围的行人流进行疏散，并引导高密度区域内部的人群离开此区域。

三、结语

考虑到大型活动场站或场所基本都有视频监控系统，管理者通过视频实时监控人群动态，利用图形图像处理软件或方法，提取行人位置分布信息，采用基于密度的网格聚类方法，及时发现高密度聚集区域，实时发出警示信号，可以采取现场管理者引导的方式实时限流，或者控制中心广播指引疏散路径等方式，阻止人群中出现高密度聚集区域。总之，行人对于活动场站或场所的拥挤度均有一定地认知，因此，只要采取有效的监测方法，设计合理的疏散线路，管理者提供警示信号与引导，可以避免高密度人群挤压踩踏事故发生。

参考文献：

[1] 陈封能、斯坦巴赫、库玛尔著， 范明、范宏建等译. 数据挖掘导论：完整版[M]. 北京：人民邮电出版社，2011.