Перед вами не вымышленная картинка из рекламного журнала «Аэропорты будущего». Это реально действующий аэропорт японского города Фукуока, который предлагает пассажирам немало свободного пространства для перемещения. Благодаря специальной технологии моделирования были выявлены причины образования очередей и приняты меры по оптимизации. Кому интересно, как работает эта технология, прошу под кат.
Фото предоставлено городом Фукуока
Профессор Такахаши (Shingo Takahashi), руководитель кафедры разработки промышленных систем и систем управления Университета Васэда и Fujitsu Laboratories разработали технологию, которая позволяет выявить, по каким причинам возникает скопление людей в общественных местах. Решение автоматически анализирует факторы, которые привели к образованию большой массы людей, на основании результатов моделирования поведения человека.
Ещё в 2015 году Fujitsu и профессор Такахаши использовали данную технологию в системе моделирования поведения людей, которая анализировала меры по устранению очередей в аэропорте города Фукуока. Им удалось обнаружить в 4 раза больше причин возникновения столпотворения по сравнению с анализом экспертов. Например, при анализе скопления людей во время контрольного досмотра пассажиров и багажа система смогла впервые выявить, что пассажиры, собравшиеся на определенной стойке регистрации, вызвали неожиданное скопление людей в зоне контрольного досмотра. В ходе моделирования было подтверждено, что эта технология позволяет уменьшить количество людей, ожидающих прохождение контрольного досмотра, на одну шестую. Кроме того, количество персонала можно будет уменьшить на треть. А время анализа было значительно уменьшено, с нескольких месяцев до нескольких минут.
Новая разработка объединяет в группы категории, которые имеют определенную общность, и выражает характеристики соответствующих «агентов» (смоделированное поведение, действия людей) в виде небольшого количества комбинаций категорий без составления списков результатов передвижения или маршрутов десятков или сотен тысяч агентов. Такой подход позволяет проще выделять характеристики агентов, связанные с причинами возникновения скоплений людей, и дает возможность создавать параметры, относящиеся к определенным характерным признакам и примерам перемещения.
Диаграмма симуляции поведения людей и прогноз образования скопления людей в аэропорту
Ранее по причине того, что данные, относящиеся к отличительным особенностям, восприятию и действиям агентов (например, задача агента заключается в том, чтобы «пообедать», или агент увидел указатель в точке), которые выражались в виде десятков записей в базе данных, должны были быть объединены для создания характеристик агента, этот процесс создавал большое количество комбинаторных примеров. С новой технологией, которая создает логические группы, которые включают схожести в характеристиках, и создает кластеры характеристик агента для каждой группы, была реализована возможность уменьшить количество комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить ответ на вопрос, какие меры будут эффективны для уменьшения скоплений людей.
Выявление полного спектра причин образования скопления людей, основанных на отличительных особенностях, действиях и способах восприятия
Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончили обедать в кафе и все вместе пришли в магазин. Таким образом, скопление людей в магазине А можно устранить путем установки новых указателей, а скопление в магазине Б можно устранить за счет увеличения количества обслуживающего персонала и скорости обслуживания.
Выявление причины и примеры противодействий, которые получили благодаря технологии
При моделировании человеческого поведения эксперты, как правило, повторяют процесс проб и ошибок, анализируя большие объемы данных, которые получили в результате моделирования, и предлагают гипотезы причин образования столпотворений и возможные контрмеры, основываясь на своем опыте и информации, и затем повторно выполняя моделирование для оценки предложенных гипотез. Соответственно, анализ предложенных причин и определение контрмер может занять несколько месяцев. А в отдельных случаях, когда аналитик пропустил определенные причины, могут возникать дополнительные проблемы. Новая технология профессора Такахаши и Fujitsu Laboratories осуществляет комплексное выделение характеристик агентов, которые имеют отношение к скоплению людей. Следовательно уменьшается число комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить оперативно разработать меры для борьбы с очередями.
Технология позволяет выполнить оперативную оценку параметров для предотвращения образования скоплений людей в местах торговли, местах проведения различных мероприятий и в других местах, в которых могут образовываться скопления людей в связи с их высокой посещаемостью или централизацией. Таким образом, новая разработка дает возможность повысить безопасность и комфорт городских сред.
Места проведения мероприятий, аэропорты и торговые центры, в которых часто образуются большие массы людей, это может негативно сказаться на уровне удовлетворенности посетителей и, в конечном счете, на продажах. В настоящий момент, помимо таких способов решения этой проблемы, как увеличение числа персонала, размещаемого у входов, выходов и в местах продаж для оказания помощи посетителям, существует целый ряд других мер, которые включают в себя установку специальных указателей и схем для перемещения посетителей в менее загруженные помещения. Однако для реализации более эффективных средств уменьшения потока важно понимать, какие типы людей предпримут какие типы действий в ответ на какие типы информации.
Для этого все чаще используются технологии «моделирования поведения человека». Специалисты выполняют моделирование отличительных особенностей, восприятия и действий различных групп людей в качестве «агентов». А с помощью компьютерного виртуального моделирования ситуаций образования очередей ученые могут проанализировать причины и оценить решения, которые позволят предотвратить столпотворения.
Фото предоставлено городом Фукуока
Профессор Такахаши (Shingo Takahashi), руководитель кафедры разработки промышленных систем и систем управления Университета Васэда и Fujitsu Laboratories разработали технологию, которая позволяет выявить, по каким причинам возникает скопление людей в общественных местах. Решение автоматически анализирует факторы, которые привели к образованию большой массы людей, на основании результатов моделирования поведения человека.
Ещё в 2015 году Fujitsu и профессор Такахаши использовали данную технологию в системе моделирования поведения людей, которая анализировала меры по устранению очередей в аэропорте города Фукуока. Им удалось обнаружить в 4 раза больше причин возникновения столпотворения по сравнению с анализом экспертов. Например, при анализе скопления людей во время контрольного досмотра пассажиров и багажа система смогла впервые выявить, что пассажиры, собравшиеся на определенной стойке регистрации, вызвали неожиданное скопление людей в зоне контрольного досмотра. В ходе моделирования было подтверждено, что эта технология позволяет уменьшить количество людей, ожидающих прохождение контрольного досмотра, на одну шестую. Кроме того, количество персонала можно будет уменьшить на треть. А время анализа было значительно уменьшено, с нескольких месяцев до нескольких минут.
Новая разработка объединяет в группы категории, которые имеют определенную общность, и выражает характеристики соответствующих «агентов» (смоделированное поведение, действия людей) в виде небольшого количества комбинаций категорий без составления списков результатов передвижения или маршрутов десятков или сотен тысяч агентов. Такой подход позволяет проще выделять характеристики агентов, связанные с причинами возникновения скоплений людей, и дает возможность создавать параметры, относящиеся к определенным характерным признакам и примерам перемещения.
Диаграмма симуляции поведения людей и прогноз образования скопления людей в аэропорту
Ранее по причине того, что данные, относящиеся к отличительным особенностям, восприятию и действиям агентов (например, задача агента заключается в том, чтобы «пообедать», или агент увидел указатель в точке), которые выражались в виде десятков записей в базе данных, должны были быть объединены для создания характеристик агента, этот процесс создавал большое количество комбинаторных примеров. С новой технологией, которая создает логические группы, которые включают схожести в характеристиках, и создает кластеры характеристик агента для каждой группы, была реализована возможность уменьшить количество комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить ответ на вопрос, какие меры будут эффективны для уменьшения скоплений людей.
Выявление полного спектра причин образования скопления людей, основанных на отличительных особенностях, действиях и способах восприятия
Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончили обедать в кафе и все вместе пришли в магазин. Таким образом, скопление людей в магазине А можно устранить путем установки новых указателей, а скопление в магазине Б можно устранить за счет увеличения количества обслуживающего персонала и скорости обслуживания.
Выявление причины и примеры противодействий, которые получили благодаря технологии
При моделировании человеческого поведения эксперты, как правило, повторяют процесс проб и ошибок, анализируя большие объемы данных, которые получили в результате моделирования, и предлагают гипотезы причин образования столпотворений и возможные контрмеры, основываясь на своем опыте и информации, и затем повторно выполняя моделирование для оценки предложенных гипотез. Соответственно, анализ предложенных причин и определение контрмер может занять несколько месяцев. А в отдельных случаях, когда аналитик пропустил определенные причины, могут возникать дополнительные проблемы. Новая технология профессора Такахаши и Fujitsu Laboratories осуществляет комплексное выделение характеристик агентов, которые имеют отношение к скоплению людей. Следовательно уменьшается число комбинаторных примеров. Это позволяет выполнять поиск причин, которые напрямую связаны с контрмерами, и получить оперативно разработать меры для борьбы с очередями.
Технология позволяет выполнить оперативную оценку параметров для предотвращения образования скоплений людей в местах торговли, местах проведения различных мероприятий и в других местах, в которых могут образовываться скопления людей в связи с их высокой посещаемостью или централизацией. Таким образом, новая разработка дает возможность повысить безопасность и комфорт городских сред.
Актуальность
Места проведения мероприятий, аэропорты и торговые центры, в которых часто образуются большие массы людей, это может негативно сказаться на уровне удовлетворенности посетителей и, в конечном счете, на продажах. В настоящий момент, помимо таких способов решения этой проблемы, как увеличение числа персонала, размещаемого у входов, выходов и в местах продаж для оказания помощи посетителям, существует целый ряд других мер, которые включают в себя установку специальных указателей и схем для перемещения посетителей в менее загруженные помещения. Однако для реализации более эффективных средств уменьшения потока важно понимать, какие типы людей предпримут какие типы действий в ответ на какие типы информации.
Для этого все чаще используются технологии «моделирования поведения человека». Специалисты выполняют моделирование отличительных особенностей, восприятия и действий различных групп людей в качестве «агентов». А с помощью компьютерного виртуального моделирования ситуаций образования очередей ученые могут проанализировать причины и оценить решения, которые позволят предотвратить столпотворения.
Комментарии (26)
Caracat
15.03.2019 12:29Вопрос собственно в разрезе теории массового обслуживания. В каждом абзаце речь идет о некой уникальной технологии поведенческого моделирования, но тема так и не раскрыта. Скудные пара предложений перед второй схемой, ясности не вносят. С таким же успехом можно писать о технологиях спецслужб контроля поведения толпой, что они вот есть, и что они работают.
FeeAR Автор
15.03.2019 15:25Благодарю. Если тема заинтересовала, то тогда как-нибудь в следующих постах опишу технологию более развернуто.
IvUs
15.03.2019 15:25Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончил обедать в кафе и все вместе пришли в магазин. Таким образом, скопление людей в магазине А можно устранить путем установки новых указателей
Интересно, какие же новые указатели можно установить для уменьшения скопления людей в магазине? «Не ходите туда». «Вам туда не надо».
По-моему, магазину в торговом центре, наоборот, должно быть выгодно, что бы в нем возникало скопление людей.FeeAR Автор
15.03.2019 15:28Не думаю, что магазину было бы выгодно, чтобы рядом с ним постоянно толпились люди, которым просто нужен банкомат (ATM). Собственно, указатель и показывает где магазин, а где банкомат, тем самым отсекая «нерелевантных» посетителей.
IvUs
15.03.2019 15:44Конечно выгодно. Особенно, если толпа создается бесплатно для магазина. Люди у банкомата это по определению платежеспособные люди. Соответственно, какая-то их часть является целевой аудиторией для данного магазина.
anko_2000
15.03.2019 15:52Люди у банкомата — это неплатежеспособные люди.
Платежеспособными они становятся после банкоматаtvr
15.03.2019 15:59Люди у банкомата — это неплатежеспособные люди.
В магазине перестали принимать карты?anko_2000
15.03.2019 16:27Те, что стоят в банкомат, не платят картами
tvr
15.03.2019 16:39+3Те, что стоят в банкомат, не платят картами
Неужели?
Я в 95% случаев расплачиваюсь картами, но для оставшихся 5% (где их не принимают) приходится таскать постоянно с собой наличные, которые имеют обыкновение иногда заканчиваться
И как вы считаете, где я их тогда беру?
Сюрпрайз!
В банкомате.
И только не говорите мне, что это уникальный сценарий использования безналичного и наличного видов расчётов.
FeeAR Автор
15.03.2019 17:02В том и дело, что к банкомату они обращаются, наверное, не для того, чтобы снять средства для шоппинга. Все-таки спектр операций у них относительно широкий.
Ну, например, вспомнил я, что надо срочно оплатить счет и пошел искать банкомат, а покупать мне ничего и не надо. Посмотрите какие очереди в некоторых ТЦ у банкоматов сбера, там явно не для ближайшего магазинчика деньги снимают.
FeeAR Автор
15.03.2019 17:03А если эта толпа ничего особо не собирается покупать и мешает реальным клиентам? Наверное, это как раз тот случай, когда жертвуем частью «потенциальных», чтобы сохранить массу «реальных» покупателей.
alexa-apple
15.03.2019 18:26Слишком много людей в самом магазине не всегда играет в плюс. Например, скопления людей создают очереди на кассах, в примерочных, у полок с товаром. Следовательно, получается, что обслуживают клиентов медленно… А мы все сейчас такие нетерпеливые и придирчивые к сервису :) #блонд
IvUs
15.03.2019 19:02+1Так ведь такие проблемы уж точно не решаются указателями «вам в другое место». А увеличением пропускной способности примерочных, касс, расширением торговых площадей…
sairus777
16.03.2019 14:59Например, в отношении скопления людей, возникающего в магазине А и Б в торговом центре, при обнаружении скопления людей можно определить, что скопление в магазине А было вызвано людьми, которые увидели указатель, а скопление в магазине Б было вызвано людьми, которые закончили обедать в кафе и все вместе пришли в магазин.
Мне непонятно, почему подобные случаи не могли выявить без применения новой технологии?
В статье это описано довольно сумбурно (видимо, трудности перевода с японского?), но давайте разберемся: Какие модели использовали до этой технологии? Почему в предыдущих моделях нельзя было выявить типичные маршруты? Какие параметры добавили в новую модель? Что изменилось, и что привело к улучшению результата?
Я не увидел четких ответов на эти вопросы, помимо туманных сообщений о большом комбинаторном поле и кластерном анализе. Можете пояснить более подробно?
Также было бы полезно привести ссылку на первоисточник, во избежание искажений…
lisovsky1
Это так же актуально для предотвращения терактов. Нет групповой цели, в отличии от того же Домодедово, в то время, когда пришел Аэроэкспресс, и все попёрлись в терминал.
teifo
Хммм, так можно и наоборот, исследовать причины способствующие появлению масс людей в конкретном общественном здании. Но что-то мне от этого не по себе.
TimsTims
Если слишком сильно углубляться, то причиной будет то, что поезд слишком вместительный. Нужно 19 поездов по 1 вагону.
А причиной вообще такого большого скопления людей то, что Москва слишком большая, и нужно не 1 Москву, а 100 небольших Московий, и принудительно расселить людей. /Сарказм
DrunkBear
тогда Москва -большая развомерно распределится в пробках на дорогах между Московиями-малыми и Москвой-Малой-Центральной.
solariserj
Да — поток между ними будет огромен, но не совсем, ведь работу будут искать поближе к дому, локальными центрами кластиризации, тоесть в каждой Московии. тут важнее чтоб уровень жизни остался почти у всех на равне, а не экспонинциально зависил от " расстояния от центра"
DrunkBear
Уже сейчас можно искать работу ближе к дому или дом ближе к работе, но люди всё равно от 2 до 4 часов в 1 сторону ездят.
teifo
Вы не совсем поняли мою мысль. Я говорю о том, что кто-то может исследовать причины появления масс людей в каком-то определенном месте определенного общественного места для не очень хороший целей.