人群聚集规模与移动基站接入量之间关系研究.docVIP

人群聚集规模与移动基站接入量之间的关系研究 　　摘要：采用移动电话聚集研究人群聚集特征，建立恰当的移动基站接入设备量和人群聚集量之间的数学模型。该模型与实验结果吻合性较好，可以为非正常人群聚集预警技术提供科学的决策依据。 　　关键词：移动基站；人群聚集；电话聚集；关联关系 　　DOIDOI：10.11907/rjdk.151465 　　中图分类号：TP301 　　文献标识码：A 文章编号文章编号2015）008006103 　　0 引言 　　随着经济的发展和科技的进步，人类群体活动日益增多，随之而来的群体安全问题也得到了广泛关注。人群密集的活动场合，如体育赛事、大型庆典等，易发生拥挤踩踏等安全事故。还有很多场合如机场、车站、停车场等，也需要获得人群密度与时间的关系信息，以更好地进行人群管理和资源分配等工作[1]。密集场所人群聚集问题直接关系到大型公共场所的安全保障能力，数目众多的人群聚集在一块空间相对狭小的区域，或是结构相对复杂的建筑中，其危险系数将成几何倍数增加。例如，2015年新年前夕，100多万人聚集于上海外滩参加跨年活动引发的严重踩踏事故，造成了36人死亡，49人受伤。因此，对公共场所的人群密度进行研究，建立密集场所的人群聚集模型，是一个非常重要的研究课题。 　　1 人群监控研究现状 　　近年来对群体性事件中人群聚集人数的研究重点集中于区域式场景下的人数估计。虽然具体实现方式千差万别，但是主流且有代表性的方式可以分为两类：一类是基于检测的方式，如基于形状特性[2]检测人体，或通过运动目标检测追踪获得人数信息[3]等。该方法精度较高，但是基于两个前提假设：一是不同时域长度的轨迹线不会属于同一人，二是属于同一人的轨迹线从相同空间位置开始，而这两个假设在人群遮挡严重的情况下显然不成立。因此，由于这类方法依赖于对目标的准确检测、分割和跟踪，不适用于人数较多、遮挡普遍的场景。 　　另一类是寻找视频图像中某些特征与人数之间的关系，采用基于特征提取回归的方式对人群进行计数。这类方式对于非简单场景下的处理通常比第一类方式效果好，但也存在不足之处。Gong等[4]综述了最先进的基于视频技术的人群监控措施，得出的结论是，由于部署视频监控的复杂度以及从画面人工判断风险临界情况的不确定性，在拥挤公共场所使用视频监控技术效果不佳。此外，同时监控多个视频需要经过大量训练，而对人员聚集的发展趋势却难以进行有效预测。为了克服这些限制，在紧急情况下，公共部门还需辅以人力现场监控的方式，甚至需要出动直升飞机等工具才能获得现场的实时详细情况[5]。这对于内部分布有大型商场、地铁站出口、公交站点等人员密集区域，以及存在过街天桥、地下通道等多种立体交叉步行设施的热点区域而言，具有很高的实施难度，同时还会造成人力物力的额外消耗。 　　随着技术的发展，如最新的基于多摄像头网络的监控手段，可通过计算机视觉算法融合多个摄像头信息，实现对人群的自动监控[6]。但由于大型集会时人群的混乱，对个体的识别将面临很大挑战。因此在大型集会中难以仅从视频画面中精确地获得人群密度，从而得到总体发展趋势预测。 　　2 基于移动基站接入手机数的人群聚集模型 　　随着通讯技术的发展，移动电话已在人们的生活中获得普及，截至2014年第二季度，根据工信部的数据显示，97%的城市居民拥有手机，而在移动运营商后台拥有大量手机用户的移动轨迹，普通城市中移动信号收发机站（简称移动基站）平均距离不足200m。人群的聚集即意味着手机的聚集，因此希望通过移动网络的数据反馈，把人的手机变成一个可靠的传感测量工具，从而实时监控人群密度信息，用于紧急情况预警或人群活动管理。 　　2.1 最小二乘法模型 　　最小二乘法（Least Square）最主要的用途是进行曲线拟合。所谓曲线拟合，是已知一组二维数据，即平面上的n个点（xi， yi），其中i=1， 2， …， n。寻求一个函数y=f（x）形成该平面上的曲线，使f（x）在某种准则下与所有样本数据点最为接近，也即曲线拟合得最好。 　　最小二乘拟合的步骤为： 　　（1）先选定一类函数y=f（x，a1，a2，…，am），其中x，a1，a2，…，am为待定参数，f则可以为一类简单的基函数（1（x）2（x）…m（x））（1）的线性组合，即： 　　f（x，a1，a2，…，am）=a11+a2（x）2（x）+…+amm（x）（1） 　　（2）确定参数a1，a2，…，am，准则为最小二乘准则，即使n个点（xi，yi），i=1， 2， …， n与曲线距离的平方和J（a1，a2，…，am）最小，其中： 　　J（a1，a2，…，am）=∑ni=1（f（xi，a1，a2，…，am）-yi）2（2） 　　最小二乘法有一定局限