Команда исследователей МГУ, включая Павла Точилина и Маргариту Зайцеву, представила инновационную модель регулирования движения людей в закрытых помещениях, способную эффективно предотвращать скопления и повышать безопасность на массовых мероприятиях. В этой модели сочетаются новейшие методики искусственного интеллекта, включая алгоритмы обучения с подкреплением и математические подходы, среди которых – усовершенствованный вариант Cell Transmission Model (CTM).
Задача управления безопасностью потоков людей
Организация массовых мероприятий в закрытых пространствах, таких как транспортные хабы, арены, концертные залы и торговые центры, всегда требует высокоэффективных систем, позволяющих предотвращать опасные ситуации и минимизировать риски возникновения давки. Именно поэтому команда МГУ сконцентрировала усилия на создании универсального инструмента прогнозирования и оперативного реагирования.
Современная реальность диктует новые стандарты безопасности: от организаторов массовых событий всё чаще требуют гарантий комфорта и отсутствия угроз для посетителей. Поэтому управление потоками – ключевая задача при планировании общественных пространств нового поколения.
Cell Transmission Model (CTM): пересмотренный взгляд
Базой для модели послужила адаптация Cell Transmission Model, ранее применявшейся в анализе транспортных систем. В новом контексте помещения рассматриваются подобно карте комнат и переходов между ними – определённой сетке, для каждой ячейки-клетки задана площадь, максимально допустимое число людей и текущее наполнение.
В отличие от стандартных подходов, предложенная модель учитывает не просто фиксированные показатели, а целые диапазоны допустимых значений (гарантированные оценки), благодаря которым можно заранее выявить моменты потенциального превышения безопасной заполняемости отдельной комнаты и вовремя скорректировать стратегию управления людскими потоками.
Алгоритмы DQN: искусственный интеллект на страже порядка
Впервые в подобных задачах МГУ применяет технологию обучения с подкреплением, а именно — алгоритм Deep Q-Network (DQN). В модели системе отводится роль "агента", задача которого — выбирать наилучшие действия: где и какие двери закрывать или открывать, чтобы группы людей перемещались безопасно и равномерно, избежав образования заторов.
Виртуальный «агент» награждается за профилактику критической массовки и оперативное предотвращение опасных ситуаций, а допущение скоплений и приближение к критическим значениям заполняемости отмечается штрафом. Благодаря такому подходу, система действительно учится принимать оптимальные решения даже при резком изменении ситуации.
Преимущества для массовых мероприятий и зданий
Первые сценарии работы модели показали: распределение потоков происходит куда равномернее, а риск образования опасных заторов существенно снижается. Применение разработанной технологии возможно как при проектировании новых транспортных узлов, концертных площадок и спортивных арен, так и при модернизации уже существующих систем управления безопасностью.
Не менее важна возможность интеграции полученной модели с современными программными решениями диспетчерского контроля, что позволит в реальном времени корректировать маршруты движения людей, реагировать на экстренные ситуации и поддерживать комфорт даже при максимальной посещаемости объектов.
Комментарий авторов и дальнейшие перспективы
Павел Точилин отметил значимость объединения математического моделирования с технологиями искусственного интеллекта: «Система не только выявляет зоны возможного скопления, но и действует на опережение, регулируя потоки в реальном времени. Таким образом, мы создаём механизм оперативной защиты жизни и здоровья людей».
Маргарита Зайцева, аспирант МГУ, подчеркнула: дискутируется внедрение дополнительных методов идентификации параметров модели и поиск новых стратегий на практике. Команда рассматривает проект как крупномасштабное исследование с многочисленными направлениями развития: «Прежде всего, результаты важны для реального внедрения в повседневную жизнь, будь то планирование мероприятий или модернизация инфраструктуры».
Оптимистичный взгляд в будущее безопасности
Инициатива учёных МГУ демонстрирует, как достижения в области искусственного интеллекта и математики могут внести вклад в повышение общественной безопасности. Сочетание DQN и Cell Transmission Model позволяет не только предсказывать, но и предотвращать опасные скопления людей, что существенно повышает стандарты качества современных объектов массового пребывания.
В перспективе представленная разработка может стать стандартом планирования интеллектуальных зданий и мероприятий, а также послужить примером успешного применения AI в решении практических и жизненно важных задач. Вдохновляющий подход к управлению массовыми потоками открывает новые горизонты как для исследователей, так и для организаторов крупнейших событий.
Источник: scientificrussia.ru
