Das wissenschaftliche Modell ist das Herzstück jeder Simulationssoftware. Je genauer ein solches Modell das reale Bewegungsverhalten abbilden kann, desto genauer werden die Ergebnisse sein.

Die verschiedenen auf dem Markt erhältlichen Modelle haben unterschiedliche Ursprünge. Der Zellularautomat hat sich aus der Verkehrstechnik heraus entwickelt und zeichnet sich insbesondere durch seine schachbrettartige Geometrieauflösung aus, welche kurze Rechenzeiten zur Folge hat. Das Social Force Model hat sich aus der physikalischen Strömungslehre abgeleitet und kann somit gut hohe Dichten abbilden.

Das Optimal Steps Model beschreitet neue Wege: statt auf vorhandene Modelle aus anderen Disziplinen aufzusetzen, fokussiert es sich auf den Grundgedanken jedes Personenstromsimulators: das menschliche Bewegungsverhalten. Ausgangspunkt ist der Schritt, den ein Mensch aufgrund seiner Schrittlänge in Abhängigkeit von der Gehgeschwindigkeit und der Laufrichtung machen kann, ohne mit Hindernissen oder anderen Personen zu kollidieren. Somit wird jeder Schritt neu errechnet und die Gehgeschwindigkeit jeweils den Gegebenheiten der Umwelt angepasst.

Die Fortbewegung allein ist jedoch nicht ausreichend, um Bewegungsverhalten realistisch abzubilden. Ebenso in die Analyse einfließen muss die Umwelt. Hierfür müssen Erkenntnisse aus der Sozialpsychologie und die Techniken zur Modellierung von Verhalten aufeinander abgestimmt werden. Um menschliches Bewegungsverhalten zu verstehen, müssen die folgenden Fragen beantwortet werden: Wie bewegt sich eine Person fort? Welche persönlichen Eigenschaften besitzt sie? Und wie interagiert die Person mit der Umwelt?

Modellierungsebenen in crowd:it

Um diese drei Aspekte in einer Simulationssoftware abbildbar zu machen, haben wir sie in drei Modellierungsebenen übersetzt:

 

Lokomotionsebene


Die Lokomotionsebene modelliert die Art der Fortbewegung von Personen (Gehen, Treppen steigen, Rennen, auf Rampen laufen, auf Fahrtreppen etc.). Hierfür muss zunächst auf die Abbildung der Geometrie geachtet werden: im Gegensatz zu anderen Modellen hat das OMS eine kontinuierliche Geometrie, d.h. jeder Punkt der Fläche ist zu jedem Zeitpunkt betretbar.

Diskrete Geometrie: nur vorgegebene Bereiche sind betretbar / OSM: Kontinuierliche Geometrie: jeder Punkt ist betretbar

Auf der Lokomotionsebene wird auch die Kollisions­vermeidung abgebildet: In der Realität vermeiden Menschen implizit Kollisionen. Durch Navigationsfelder können Kollisionen nicht nur mit Hindernissen, sondern auch gegenüber anderer Personen vermieden werden.

In crowd:it ist die Lokomotionsebene wie folgt angelegt:

Kontinuierliche Geometrie

  • Die Agenten sind frei in der Bewegungsrichtung.
  • Alle Details des Plans bleiben erhalten, runde Objekte können abgebildet werden. Dadurch werden gefährliche Artefakte vermieden.

 

Dynamisches Navigationsfeld

  • In jedem Zeitschritt überlegen die Agenten, welche Route unter den gegebenen Umständen die beste ist.
  • Sie betrachten andere Akteure als Hindernisse und können je nach Situation über den längeren, aber letztlich schnelleren Weg entscheiden.

 

Optimal Steps Model

  • Das Modell imitiert den echten Schritt von Fußgängern.
  • Das zugrundeliegende Optimal Steps Model ermöglicht ein reales Fußgängerschrittverhalten. Agenten verlangsamen sich auf natürliche Weise, wenn sie mit dichten Menschenmassen konfrontiert werden, indem sie kleinere Schritte unternehmen. (Daher ist keine Dichte-Geschwindigkeitsbeziehung als Eingabe erforderlich.)

 

Vertikale Verbindungselemente

Im Gegensatz zu anderen Modellen können in crowd:it auch alle vertikalen Verbindungselemente modelliert werden. In anderen Programmen werden beispielsweise Treppen als Bereiche modelliert, bei denen sich die Gehgeschwindigkeit verlangsamt. Werte für die Verlangsamung auf Treppen (aufwärts und abwärts) wurden in Studien belegt. Trotzdem kommt es durch diese Art der Modellierung zu sog. Artefakten, also künstlich hergestellte Situationen, die Fehlerquellen in sich tragen. Bei der Modellierung von Verlangsamungsflächen sieht man beispielsweise oftmals einen Zickzack-Lauf von Agenten. Dies hat Auswirkungen auf die Raumeinnahme einer einzelnen Person und bildet somit den Durchfluss auf Treppen nicht exakt ab.

In crowd:it können Festtreppen, Fahrtreppen und Aufzüge direkt modelliert werden geben damit realistischere Ergebnisse aus.

Modellierte Treppen vs Zick-Zack Lauf auf Verlangsamungsebenen

stairs vs scaled velocity in crowd:it

Simulation von Gehverhalten auf Festtreppen und Fahrtreppen

escalators and stairs in crowd:it

Individualebene


Die Individual- oder Verhaltensebene beschreibt die motorischen und kognitiven Fähigkeiten und Eigenschaften jeder Person wie den Platzbedarf, die Wunschgeschwindigkeit, Mobilität, Ortskenntnis sowie individuelle Pläne, also das persönliche Vorhaben an einem speziellen Ort. Orte, die besucht werden, können als sog. Points of Interest abgebildet werden.

 

Individualebene in crowd:it:

  • Jeder Agent hat einen individuellen Plan und persönliche Eigenschaften.
  • Durch die Anwendung vorselektierter Heuristiken interagieren die Agenten individuell mit Raum und Ereignissen (z.B. nehme den kürzesten Weg vs. den schnellsten Weg, den Ort mit dem meisten freien Platz, der Schlange mit der kürzesten Wartezeit etc.). Das bringt Flexibilität - modellieren Sie einfach verschiedene Situationen, von der Planung bis zur Räumung.

 

Wie können solche individuellen Pläne in crowd:it angelegt werden?

Die Agenten „arbeiten“ eine Liste aus sogenannten Points of Interest (PoIs) ab. Sobald sie ein Point of Interest erreicht haben und dort ihre Aufgabe erledigt haben (z.B. die Treppe hochgelaufen sind, die Wartezeit abgelaufen ist etc.), steuern sie zum nächsten PoI. Je nach Heuristik werden die nächsten PoIs gewählt. So haben wir eine sehr flexible und simple Architektur geschaffen, um sehr unterschiedliche Anwendungsfälle abzubilden und dem Benutzer die Möglichkeit zu geben, die Population so modellieren, wie es für den Anwendungsfall bzw. das Szenario am sinnvollsten ist.

Damit können auch andere Faktoren abgebildet werden, wie z.B. Ortskenntnis von Personen, indem man den Personen mit Ortskenntnis die Heuristik „schnellster Weg“ zuordnet, den Agenten ohne Ortskenntnis die Heuristik „kürzester Weg“ oder ihnen den gleich Weg als Ausgang zuordnet, zu dem sie auch das Gebäude betreten haben.

 

Welche Eigenschaften haben Agenten und welche kann ich anpassen?

Den Agenten werden normalverteilt Standardwerte automatisch vergeben zu grundsätzlichen Parametern wie der Gehgeschwindigkeit, Größe oder Platzbedarf. Diese wurden in Experimenten und Studien ermittelt und bilden die Grundlage unserer Personenstromanalysen (s. u. Literaturliste). Diese Standardwerte wurden ausreichend validiert und sind Konsens in wissenschaftlichen Fachkreisen. Hat man jedoch eine spezifische Population, welche von diesen Standardwerten abweichen (z.B. Kindergartengruppe, Mobilitätseingeschränkte etc.), können die Werte angepasst werden.

 

Points of Interest in crowd:it

Interaktionsebene


Die Interaktionsebene bildet die soziale Interaktion mit der Umgebung und anderen Personen ab. Jede Interaktion von Personen untereinander oder mit der Umwelt wird in dieser Ebene abgebildet (bspw. Schlangenbildung, Wartebereiche, Gruppenverhalten). Zudem werden ortsspezifische Gegebenheiten abgebildet (z.B. Fahrpläne oder sicherheitsrelevante Prozesse).

  • Es können beliebig viele Agenten, Routen und Merkmale kombiniert werden.
  • Unsere Agenten reflektieren das reale menschliche Verhalten, vermeiden Kollisionen und Hindernisse und suchen den einfachsten Weg zum Ziel. Staus, Spurbildung und ineffiziente Fußgängerführung werden so realitätsnah dargestellt.

Queueing in crowd:it

Literatur


Ausgewählte Publikationen zum Simulationsmodell

(1)M. J. Seitz and G. Köster, Natural discretization of pedestrian movement in continuous space, American Physical Society, PHYSICAL REVIEW E 2012, 86, 046108

(2)Kneidl, A.; Hartmann, D.; Borrmann, A. (2013): A hybrid multi-scale approach for simulation of pedestrian dynamics. In: Transportation Research Part C, in press.

(3)Kneidl, A. (2013). Methoden zur Abbildung menschlichen Navigationsverhaltens bei der Modellierung von Fußgängerströmen, PhD Thesis, Technische Universität München

(4)I. v. Sivers, G. Köster (2014): How stride adaption in pedestrian models improves navigation

(5)G. Köster, F. Treml, M. Seitz & W. Klein (2014) Validation of Crowd Models Including Social Groups, in Pedestrian and Evacuation Dynamics 2012, Springer.

(6)Angelika Kneidl (2015): How Do People Queue - A Study Of Different Queuing Models, TGF '15, Delft, Netherlands.

(7)M. J. Seitz, „Simulating pedestrian dynamics: Towards natural locomotion and psychological decision making“, PhD Thesis, 2016, Technische Universität München

(8)G. Köster, D. Lehmberg, F. Dietrich: „Is Slowing Down Enough To Model Movement On Stairs?“, TGF '15, Delft, Netherlands.

(9)A. Kneidl, “Simulation of the Neuschwanstein Castle: Egress of a fairy castle”, PED '16, Hefei, China, 2016.

Literaturstudien zur Einstellung von Parametern für das Simulationsmodell

(10)Richtlinie für Mikroskopische Entfluchtungsanalysen, Version 3.0, 10. März 2016,

(11)Weidmann, U. (1993): Transporttechnik der Fussgänger: Transporttechnische Eigenschaften des Fussgängerverkehrs (Literaturauswertung)

(12)Forell, B., Klüpfel H., Schneider, V., Schelter S. (2011) Vergleichende Betrachtung zu Evakuierungsberechnungen

(13)Schneider, B., Seyfried, A.: Methods for measuring pedestrian density, flow, speed and direction with minimal scatter, Physica A, vol. 389, no. 9, pp. 1902–1910, 2010.

(14)Oberhagemann, D.: Statische und dynamische Personendichten bei Großveranstaltungen, vfdb Technischer Bericht, März 2012

(15)Lam, Yuen et al. 2014 - Experimental study on upward movement in a high-rise building, Safety Science 70:397–405