IEEE MASS2024
国際会議IEEE MASS2024においてD3田中が研究発表
研究発表
国際会議 · 2026
Rapid Policy Impact Estimation for Pedestrian Flow Using Neural Network Surrogates
Abstract
High-fidelity pedestrian microsimulators are essential for evaluating crowd-management policies but are too computationally costly for rapid, interactive policy screening. We propose using neural network surrogate models that predict simulator outputs conditioned on network topology, demand, and policy parameters, enabling fast estimation of policy impacts without running the full simulator. We evaluate the surrogates on synthetic networks, measuring reconstruction accuracy on pedestrian flows and prediction error on a composite policy effectiveness score. Results show that a spatio-temporal graph-based surrogate provided the most accurate policy-impact estimates.
解説
通路の一部を一方通行にする、入口を増やす、案内を出す時刻を変えるといった群衆管理の施策は、効果を事前に確かめてから打ちたいものですが、そのための歩行者シミュレーションは一つの案を試すのに時間がかかります。担当者が会議の場で条件を変えながら比べていくような使い方には、計算が重すぎるわけです。
代理モデルというのは、重いシミュレータの入出力関係だけを学習して即座に答えを返す近似モデルのことです。ここで難しいのは、入力が単なる数値の並びではなく、通路のつながり方という構造を持っていることです。歩行者の流れは通路網の形に強く依存するので、その構造を無視して数値だけを与えても、うまく効果を予測できません。
そこで本研究は、通路網の位相、需要、施策のパラメータを条件として与えるとシミュレータの出力を予測するニューラルネットワーク代理モデルを提案し、シミュレータを走らせずに施策の効果を素早く見積もれるようにしています。評価では合成した通路網を使い、歩行者流量の再現精度と、施策の有効性を一つの値にまとめた指標の予測誤差の両方を測りました。
比較した複数の構成のなかでは、空間と時間の両方をグラフとして扱う時空間グラフベースの代理モデルが、施策の影響を最も正確に見積もりました。通路のつながりをグラフとして明示的に持たせることが効くという結果です。
関連プロジェクト
