基于社交隐式模型的运输类飞机人员疏散轨迹预测

为精准预测运输类飞机在狭窄空间内紧急情况下的乘客疏散轨迹,构建了基于深度学习的社交隐式(Social-Implicit)模型,该模型包括社交区域、社交神经元和社交损失3个模块,通过轨迹聚类和卷积神经网络处理乘客在不同状态下的行为变化和动态交互;基于波音737-800模拟舱应急撤离试验,采集了乘客的运动状态与冲突行为数据,结合社会力模型参数标定生成了训练数据集,利用该数据集对Social-Implicit模型进行训练和验证,并从平均位移误差(ADE)、最终位移误差(FDE)、平均马氏距离(AMD)和平均最大特征值(AME)四方面评估了模型的预测效果。分析结果表明:Social-Implicit模型在构建的应急撤离数据集上表现良好,ADE为0.011 m,FDE为0.02 m,相比苏黎世联邦理工学院行人数据集和塞浦路斯大学行人数据集均降低了97%,AMD和AME精度分别提高了72.4%和94.1%,说明模型在狭窄环境中捕捉乘客轨迹变化方面表现优异;该模型的撤离时间、路径、速度和瓶颈位置预测都与社会力模型结果非常接近,疏散效率分别为1.92和1.93,路径预测能准确捕捉人员卡塞位置,速度误差不超过0.02 m·s^(-1),瓶颈位置误差在每平方米0.41人以内,表明模型能够模拟乘客疏散中拥堵特征;与社会力模型相比,基于深度学习的Social-Implicit模型的运行时间从65.000 s显著缩短至0.021 s,模型内存减小了78.02%,因此,Social-Implicit模型能够为民航应急疏散系统的优化提供高效、准确的轨迹预测与性能评估方法。