摘要:疏散效率的提升是疏散系统研究的核心关注点。 由于疏散系统通常呈现局部可观测性,而异常的局部观测信息会降低疏散效率,因此需对观测信息进行预测校正。 为此,提出一种基于扩展卡尔曼滤波的人员密度信息预测校正算法。 该算法采用神经网络拟合方法对扩展卡尔曼滤波算法中状态函数和观测函数的参数进行辨识,完成非线性疏散系统的近似线性化,提高了建模的精度;同时算法通过误差协方差矩阵的迭代更新机制实现疏散人员密度的快速预测和校正。 在此基础上,还结合密度控制算法构建异常疏散场景下的行人流疏散控制策略。 为验证所提算法的有效性,在设计和构建异常疏散场景仿真模型的基础上进行了对比仿真和真人疏散可控实验。 结果表明,相较无数据校正的疏散控制策略,算法在异常疏散仿真和真人可控场景中分别获得最高 38. 9% 和 23. 26% 的效率提升,为异常疏散场景中的控制策略提供了有效的解决思路。