Modeling crowds at mass-events: learning large-scale crowd - PowerPoint PPT Presentation

Modeling ¡crowds ¡at ¡mass-­‑events: ¡ ¡ learning ¡large-­‑scale ¡crowd ¡dynamics ¡from ¡ Bluetooth ¡tracking ¡data ¡ ¡ Manuel ¡Claeys ¡Bouuaert ¡ Mobile ¡Ghent ¡2013 ¡– ¡October ¡23 rd ¡ Department ¡of ¡Geography ¡ Ghent ¡University ¡ Manuel.ClaeysBouuaert@UGent.be ¡

CartoGIS ¡gathered ¡a ¡rich ¡collecEon ¡of ¡ databases ¡on ¡crowd ¡dynamics ¡at ¡mass-­‑event ¡ using ¡ Bluetooth ¡tracking ¡ Overview ¡of ¡possible ¡ appropriate ¡models ¡ that ¡could ¡enable ¡us ¡to ¡ learn ¡about ¡crowd ¡ dynamics ¡ using ¡this ¡data ¡ My ¡experience ¡ with ¡Agent ¡Based, ¡StaEsEcal ¡ ¡ and ¡Machine ¡Learning ¡models ¡ 2 ¡

CartoGIS ¡gathered ¡a ¡rich ¡collecEon ¡of ¡ databases ¡on ¡crowd ¡dynamics ¡at ¡mass-­‑event ¡ using ¡ Bluetooth ¡tracking ¡ Overview ¡of ¡possible ¡ appropriate ¡models ¡ that ¡could ¡enable ¡us ¡to ¡ learn ¡about ¡crowd ¡ dynamics ¡ using ¡this ¡data ¡ My ¡experience ¡ with ¡Agent ¡Based, ¡StaEsEcal ¡ ¡ and ¡Machine ¡Learning ¡models ¡ 3 ¡

CartoGIS ¡has ¡built ¡up ¡experience ¡in ¡Bluetooth ¡(& ¡WiFi) ¡tracking ¡ ¡ to ¡study ¡crowd ¡behavior ¡at ¡mass ¡events. ¡ The ¡‘simple’ ¡concept ¡of ¡ Bluetooth ¡tracking ¡ Place ¡Bluetooth-­‑scanners ¡at ¡strategic ¡locaEons ¡ Let ¡them ¡ scan ¡for ¡discoverable ¡devices ¡ within ¡detecEon ¡range ¡(mainly ¡cell-­‑phones) ¡ Devices ¡respond ¡ by ¡broadcasEng ¡their ¡MAC ¡address ¡and ¡COD ¡(class ¡of ¡device) ¡code ¡ Count ¡unique ¡responses ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ crowdedness ¡around ¡sensor ¡ Unique ¡(and ¡permanent) ¡MAC ¡addresses ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ crowd ¡flows ¡between ¡sensors ¡ Penetra>on ¡rate ¡ reasonably ¡constant ¡(8%), ¡now ¡declining ¡ Recently ¡also ¡implemented ¡ WiFi ¡tracking ¡ Advantages ¡over ¡other ¡approaches ¡(GPS ¡/ ¡cell-­‑tower ¡data) ¡ 4 ¡

The ¡resulEng ¡spaEotemporal ¡moving-­‑object ¡databases ¡contain ¡meaningful ¡informaEon ¡on ¡ the ¡event’s ¡crowdedness ¡and ¡crowd ¡dynamics. ¡ Data ¡from ¡ a ¡variety ¡of ¡mass-­‑events ¡ Music ¡fesEvals, ¡sports ¡events, ¡fairs, ¡… ¡ Ghent ¡Fes>vi>es , ¡our ¡‘living ¡lab’ ¡ Annual ¡event ¡in ¡historic ¡city ¡center ¡ 1.5 ¡million ¡visitors ¡over ¡10 ¡days ¡– ¡40 ¡sensors ¡ Crowdedness ¡at ¡Sint ¡Baafsplein ¡– ¡Ghent ¡FesitviEes, ¡2011 ¡ 5 ¡

Over ¡the ¡years, ¡CartoGIS ¡tested ¡the ¡measuring ¡technology, ¡analyzed ¡data ¡and ¡acquired ¡a ¡ rich ¡collecEon ¡of ¡databases ¡on ¡mass-­‑events. ¡What’s ¡next? ¡ ImplementaEon ¡and ¡tesEng ¡of ¡ scanners ¡ ✓ ¡ Measure ¡ Data ¡stored ¡in ¡ databases ¡ ‘GISMO’ ¡– ¡GIS ¡for ¡moving ¡objects ¡& ¡ post-­‑event ¡analysis ¡ ✓ ¡ Analyse ¡ Database ¡& ¡‘Gyrid’ ¡middleware ¡fore ¡ real-­‑>me ¡analysis ¡ … ¡ Model ¡ Forecast ¡ 6 ¡

CartoGIS ¡gathered ¡a ¡rich ¡collecEon ¡of ¡ databases ¡on ¡crowd ¡dynamics ¡at ¡mass-­‑event ¡ using ¡ Bluetooth ¡tracking ¡ Overview ¡of ¡possible ¡ appropriate ¡models ¡ that ¡could ¡enable ¡us ¡to ¡ learn ¡about ¡crowd ¡ dynamics ¡ using ¡this ¡data ¡ My ¡experience ¡ with ¡Agent ¡Based, ¡StaEsEcal ¡ ¡ and ¡Machine ¡Learning ¡models ¡ 7 ¡

Crowd ¡behavior ¡can ¡be ¡studied ¡at ¡different ¡scales. ¡ Micro ¡scale ¡ Meso ¡scale ¡ Macro ¡scale ¡ Scale ¡of ¡encounter ¡ ~ ¡10-­‑100 ¡individuals ¡ Full ¡mass-­‑event ¡scale ¡ Basic ¡interacEons ¡ Specific ¡situaEons ¡ Crowd ¡dynamics ¡

Many ¡approaches ¡exist ¡for ¡modeling ¡moving ¡objects. ¡ Agent ¡Based ¡Models ¡ Physical ¡Models ¡ EquaEons ¡/ ¡rules ¡of ¡moEon ¡per ¡agent ¡ MoEvated ¡by ¡physical ¡laws ¡ Path ¡planning, ¡steering, ¡behavioral ¡ ConservaEon ¡of ¡mass, ¡travel ¡Eme, ¡Navier-­‑Stokes ¡eq. ¡ StaEsEcal ¡Models ¡ Machine ¡Learning ¡Models ¡ Start ¡from ¡data ¡ Start ¡from ¡data, ¡maximal ¡knowledge ¡on ¡seing ¡ Predict ¡stochasEc ¡relaEons ¡between ¡variables ¡ Learn ¡from ¡data ¡by ¡training ¡

CartoGIS ¡gathered ¡a ¡rich ¡collecEon ¡of ¡ databases ¡on ¡crowd ¡dynamics ¡at ¡mass-­‑event ¡ using ¡ Bluetooth ¡tracking ¡ Overview ¡of ¡possible ¡ appropriate ¡models ¡ that ¡could ¡enable ¡us ¡to ¡ learn ¡about ¡crowd ¡ dynamics ¡ using ¡this ¡data ¡ My ¡experience ¡ with ¡Agent ¡Based, ¡StaEsEcal ¡ ¡ and ¡Machine ¡Learning ¡models ¡ 10 ¡

Agents ¡Based ¡Models ¡are ¡successful ¡in ¡modeling ¡meso ¡scale ¡situaEons ¡ such ¡as ¡spontaneous ¡lane ¡formaEon ¡in ¡walkway ¡ Example: ¡ ¡ ¡ ¡ ¡ ¡ ¡Helbing ¡‘Social ¡Force’ ¡Model, ¡implemented ¡in ¡NetLogo ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Simulates ¡ pedestrians ¡in ¡walkway ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Walk-­‑lanes ¡emerge ¡spontaneously ¡ D. ¡Helbing ¡and ¡P. ¡Molnar, ¡Social ¡Force ¡Model ¡for ¡Pedestrian ¡ Dynamics, ¡Phys. ¡Rev. ¡E, ¡Vol ¡51, ¡Num ¡5, ¡May ¡1995 ¡ 11 ¡

Agents ¡Based ¡Models ¡are ¡successful ¡in ¡modeling ¡meso ¡scale ¡situaEons ¡ but ¡are ¡very ¡difficult ¡to ¡scale ¡up ¡to ¡macro ¡scale. ¡ + ¡ ¡Advantages ¡ Visual ¡representaEon ¡ ParEcle ¡models ¡well ¡known ¡from ¡physics ¡ Path ¡planning ¡algorithms ¡are ¡efficient ¡ -­‑ ¡ ¡Disadvantages ¡ Problems ¡when ¡scaling ¡up ¡ ¡ ¡computaEonal ¡complexity ¡(parEcle ¡models) ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡+ ¡other ¡factors ¡start ¡to ¡play ¡major ¡role: ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡external ¡influences, ¡personal ¡schedules, ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡populaEon ¡diversity, ¡psychology ¡ Ground ¡truth ¡data ¡collecEon ¡at ¡macro ¡scale ¡is ¡hard ¡ 12 ¡

In ¡staEsEcs ¡and ¡economeEcs, ¡Autoregressive ¡(AR) ¡models ¡are ¡used ¡to ¡ model ¡and ¡forecast ¡certain ¡Emeseries, ¡such ¡as ¡crowdedness ¡(macro ¡scale) ¡ Autoregressive ¡model ¡of ¡order ¡p ¡– ¡AR(p) ¡ 1 ¡variable, ¡e.g. ¡crowdedness ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡at ¡1 ¡locaEon ¡ 13 ¡

Example ¡from ¡Ghent ¡FesEviEes ¡2011 ¡dataset: ¡ A ¡very ¡simple ¡AR(2) ¡model ¡yields ¡dull ¡forecast ¡ Timeseries ¡ +2h ¡forecast ¡ Timeseries ¡forecast ¡ > auto.arima(myts, d=0, max.q=0, seasonal=F) Series: myts ARIMA(2,0,0) with non-zero mean Coefficients: ar1 ar2 intercept 0.7461 0.2258 58.8430 s.e. 0.0314 0.0314 14.1428 sigma^2 estimated as 164.6: log likelihood=-3813.16 AIC=7634.32 AICc=7634.37 BIC=7653.79 14 ¡

Example ¡from ¡Ghent ¡FesEviEes ¡2011 ¡dataset: ¡ More ¡complicated ¡models ¡yield ¡seemingly ¡good ¡forecasts ¡ +3h ¡forecast ¡ ARIMA(5,1,0) ¡ ¡ Arima ¡model ¡on ¡smoothed ¡& ¡ ¡ differenced ¡Emeseries ¡ Timeseries ¡ ARIMA(5,1,0)(1,1,0) ¡ ¡ Seasonal ¡Arima ¡model ¡on ¡smoothed, ¡ ¡ differenced ¡& ¡seasonaly ¡differenced ¡ ¡ Emeseries ¡ 15 ¡

Vector ¡Autoregressive ¡(VAR) ¡models ¡can ¡be ¡used ¡to ¡model ¡and ¡forecast ¡certain ¡ mulEvariate ¡Emeseries. ¡ Autoregressive ¡model ¡of ¡order ¡p ¡– ¡AR(p) ¡ 1 ¡variable, ¡e.g. ¡crowdedness ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡at ¡1 ¡locaEon ¡ Vector ¡Autoregressive ¡model ¡of ¡order ¡p ¡– ¡VAR(p) ¡ k ¡variables, ¡e.g. ¡different ¡locaEons ¡ Example: ¡2 ¡variables, ¡1 ¡lag ¡(p=1) ¡ 16 ¡