★ 人群導航的人流預測技術

tyco 監控攝影機系列（總代理上敦企業）

1. 簡介

交通擁堵通常發生在旅遊區、商業區和大型活動場所等人群聚集的地方，而且擁擠嚴重的情況下甚至可能引發重大事故。因此，在這些地方提供人群導航，以幫助人們安全舒適地通行非常重要。這可以透過掌握該區域的整體人流、提前預測，由複雜因素引起的擁塞，並採取適當措施引導人群來實現。此外，由於人們的行為會隨著移動而變化，透過反覆掌握發生變化的人流，並預測下一次擁塞發生的位置，可以正確地引導不斷變化的人流（圖 1）。

圖 1. 騎自行車實現安全舒適的旅行。

本報導首先描述一種時空變數線上預測演算法，用於預測一系列週期內的人流。然後，我們介紹一種整合該預測技術的軟體，並解釋各種應用方法。

2.時空變數線上預測

在大型活動等人群聚集的擁擠場所，提前預測擁塞風險非常重要。預測擁堵風險涉及多項任務。例如，有些任務需要事先預測已知擁擠場所（例如入口）的擁擠高峰時間和擁塞規模，有些任務需要預測未知時間或地點的意外擁塞。我們應用了時空變數線上預測演算法，來解決後者的預測問題。

此預測演算法的處理流程，概覽如圖 2 所示。此演算法的輸入是擁塞觀測區域的時空觀測資料（圖 2(a)）。例如，這些資料包括使用 GPS（全球定位系統）取得的位置資料，以及透過安裝在活動現場的位置感測器所取得的人數統計資料。

圖2.時空變數線上預測處理流程。

接下來，透過估算每個觀測時間的缺失值，來產生空間資料（圖 2(b)）。利用由此產生的時間序列空間數據，我們可以建立一個潛在結構模型，該模型能夠捕捉每個時間點區域共有的特徵（圖 2(c)）。該模型表達了人流的潛在結構，透過將模型與每個時間點的輸入資料進行擬合，人流的波動可以視為潛在結構的波動。學習這種波動模式，可以預測不久的將來人流的波動（圖 2(d)）。

傳統的預測方法，是基於假設空間和時間上彼此接近的數據相似，這使得預測突發波動變得困難。然而，時空變數在線預測演算法，能夠學習潛在結構模型中的時間序列波動模式，因此即使波動較大也能有效。

3.時空人流資料預測軟體

時空人流資料預測軟體，能夠根據即時收集的感測器資料，視覺化當前擁塞狀況，並利用基於累積時空資料的時空變數，在線預測演算法預測未來擁塞狀況。

軟體的概覽如圖 3 所示。此軟體處理的資料包括常規時空資料、低功耗藍牙 (BLE) 信標偵測到的事件、Wi-Fi 存取點日誌偵測到的終端數量，以及攝影機測量的人數。輸入資料由分析伺服器處理，結果透過應用程式介面 (API) 伺服器輸出。輸出有兩種類型：第一種是當前和近期擁塞密度訊息，另一種是透過顏色表示擁塞訊息而形成的可視化熱力學圖。

圖3.時空人流資料預測軟體概述。