Avant vous n'est pas une image fictive du magazine publicitaire «Aéroports du futur». Il s'agit d'un véritable aéroport en activité dans la ville japonaise de Fukuoka, qui offre aux passagers beaucoup d'espace libre pour se déplacer. Grâce à la technologie de modélisation spéciale, les raisons de la mise en file d'attente ont été identifiées et des mesures d'optimisation ont été prises. Peu importe comment cette technologie fonctionne, je demande un chat.
Photo gracieuseté de Fukuoka Le professeur Shingo Takahashi, chef du Département des systèmes industriels et de l'ingénierie des systèmes de contrôle à l'Université Waseda et aux Laboratoires Fujitsu, a développé une technologie qui identifie les raisons de l'encombrement dans les lieux publics. La solution analyse automatiquement les facteurs qui ont conduit à la formation d'une grande masse de personnes, sur la base des résultats de la modélisation du comportement humain.
En 2015, Fujitsu et le professeur Takahashi ont utilisé cette technologie dans un système de modélisation du comportement humain, qui a analysé les mesures visant à éliminer les files d'attente à l'aéroport de Fukuoka. Ils ont pu détecter 4 fois plus de causes de foules par rapport à l'analyse des experts. Par exemple, lors de l'analyse d'une foule de personnes lors d'un contrôle des passagers et des bagages, le système a pu détecter pour la première fois que des passagers rassemblés à un comptoir d'enregistrement particulier provoquaient une foule inattendue de personnes dans la zone d'enregistrement. Lors de la simulation, il a été confirmé que cette technologie réduit d'un sixième le nombre de personnes en attente de passage de l'inspection. De plus, le nombre d'employés peut être réduit d'un tiers. Et le temps d'analyse a été considérablement réduit, de plusieurs mois à plusieurs minutes.
Le nouveau développement unit les catégories en groupes qui ont une certaine similitude et exprime les caractéristiques des «agents» correspondants (comportement simulé, actions des personnes) sous la forme d'un petit nombre de combinaisons de catégories sans compiler des listes de résultats de mouvement ou des itinéraires de dizaines ou de centaines de milliers d'agents. Cette approche permet d'identifier plus facilement les caractéristiques des agents associés aux causes des foules, et permet de créer des paramètres liés à certains signes caractéristiques et exemples de mouvement.
Diagramme de simulation du comportement des gens et prévision de la surpopulation à l'aéroportAuparavant, parce que les données relatives aux caractéristiques, perceptions et actions distinctives des agents (par exemple, la tâche de l'agent est de "déjeuner" ou l'agent a vu un pointeur à un moment donné), qui devraient être exprimées sous la forme de dizaines d'enregistrements dans la base de données, ont été combinés pour créer des caractéristiques d'agent, ce processus a créé un grand nombre d'exemples combinatoires. Avec la nouvelle technologie, qui crée des groupes logiques qui incluent des similitudes dans les caractéristiques et crée des grappes de caractéristiques d'agent pour chaque groupe, la capacité de réduire le nombre d'exemples combinatoires a été réalisée. Cela vous permet de rechercher des causes directement liées aux contre-mesures et d'obtenir une réponse à la question de savoir quelles mesures seront efficaces pour réduire la foule.
Identification de l'éventail complet des raisons de la formation de foules sur la base des caractéristiques, actions et méthodes de perception distinctivesPar exemple, en ce qui concerne un groupe de personnes se trouvant dans les magasins A et B dans un centre commercial, lorsqu'un groupe de personnes est détecté, il peut être déterminé que le groupe dans le magasin A a été causé par des personnes qui ont vu le pointeur et que le groupe dans le magasin B a été provoqué par des personnes qui avaient fini de dîner. café et tous sont venus au magasin ensemble. Ainsi, la congestion dans le magasin A peut être éliminée en installant de nouvelles enseignes, et la congestion dans le magasin B peut être éliminée en augmentant le nombre d'employés et la vitesse du service.
Identification des causes et exemples de contre-actions reçues grâce à la technologieLors de la modélisation du comportement humain, les experts ont tendance à répéter le processus d'essais et d'erreurs en analysant les grandes quantités de données qui ont été obtenues à la suite de la modélisation, et suggèrent des hypothèses sur les causes des foules et des contre-mesures possibles en fonction de leur expérience et de leurs informations, puis réexécutent la simulation pour évaluer hypothèses suggérées. En conséquence, une analyse des causes proposées et la détermination des contre-mesures peuvent prendre plusieurs mois. Et dans certains cas, lorsque l'analyste a raté certaines raisons, des problèmes supplémentaires peuvent survenir. La nouvelle technologie des professeurs Takahashi et Fujitsu Laboratories permet une identification complète des caractéristiques des agents liés à la foule. Par conséquent, le nombre d'exemples combinatoires diminue. Cela vous permet de rechercher des causes directement liées aux contre-mesures et de développer rapidement des mesures pour gérer les files d'attente.
La technologie permet l'évaluation rapide des paramètres pour empêcher la formation de foules dans les lieux de commerce, les lieux de divers événements et dans d'autres endroits où des foules peuvent se former en raison de leur forte fréquentation ou de leur centralisation. Ainsi, le nouveau développement permet d'augmenter la sécurité et le confort des environnements urbains.
Pertinence
Les sites, les aéroports et les centres commerciaux, où se forment souvent de grandes masses de personnes, peuvent affecter négativement le niveau de satisfaction des clients et, en fin de compte, les ventes. Actuellement, en plus des moyens de résoudre ce problème, tels que l'augmentation du nombre de personnel déployé aux entrées, sorties et points de vente pour aider les visiteurs, il existe un certain nombre d'autres mesures qui comprennent l'installation de panneaux et de modèles spéciaux pour déplacer les visiteurs vers moins locaux occupés. Cependant, pour mettre en œuvre des moyens plus efficaces de réduire le flux, il est important de comprendre quels types de personnes prendront quels types d'actions en réponse à quels types d'informations.
Pour cela, les technologies de "modélisation du comportement humain" sont de plus en plus utilisées. Les spécialistes effectuent la modélisation des traits distinctifs, des perceptions et des actions de divers groupes de personnes en tant qu '«agents». Et à l'aide de la modélisation virtuelle assistée par ordinateur des situations de file d'attente, les scientifiques peuvent analyser les causes et évaluer les solutions qui éviteront les foules.