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 ¡23rd ¡

Department ¡of ¡Geography ¡ Ghent ¡University ¡ Manuel.ClaeysBouuaert@UGent.be ¡

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 ¡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 ¡

4 ¡

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) ¡

5 ¡

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 ¡

6 ¡

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

✓ ¡ ✓ ¡

7 ¡

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 ¡

Crowd ¡behavior ¡can ¡be ¡studied ¡at ¡different ¡scales. ¡

Micro ¡scale ¡

Scale ¡of ¡encounter ¡ Basic ¡interacEons ¡

Meso ¡scale ¡

~ ¡10-­‑100 ¡individuals ¡ Specific ¡situaEons ¡

Macro ¡scale ¡

Full ¡mass-­‑event ¡scale ¡ Crowd ¡dynamics ¡

Many ¡approaches ¡exist ¡for ¡modeling ¡moving ¡objects. ¡ Agent ¡Based ¡Models ¡ StaEsEcal ¡Models ¡ Machine ¡Learning ¡Models ¡ Physical ¡Models ¡

EquaEons ¡/ ¡rules ¡of ¡moEon ¡per ¡agent ¡ Path ¡planning, ¡steering, ¡behavioral ¡ MoEvated ¡by ¡physical ¡laws ¡ ConservaEon ¡of ¡mass, ¡travel ¡Eme, ¡Navier-­‑Stokes ¡eq. ¡ Start ¡from ¡data ¡ Predict ¡stochasEc ¡relaEons ¡between ¡variables ¡ Start ¡from ¡data, ¡maximal ¡knowledge ¡on ¡seing ¡ Learn ¡from ¡data ¡by ¡training ¡

10 ¡

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 ¡

11 ¡

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 ¡

12 ¡

Agents ¡Based ¡Models ¡are ¡successful ¡in ¡modeling ¡meso ¡scale ¡situaEons ¡ but ¡are ¡very ¡difficult ¡to ¡scale ¡up ¡to ¡macro ¡scale. ¡

¡Advantages ¡

+ ¡

¡Disadvantages ¡

• ­‑ ¡

Visual ¡representaEon ¡ ParEcle ¡models ¡well ¡known ¡from ¡physics ¡ Path ¡planning ¡algorithms ¡are ¡efficient ¡ 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 ¡

13 ¡

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 ¡

14 ¡

Example ¡from ¡Ghent ¡FesEviEes ¡2011 ¡dataset: ¡ A ¡very ¡simple ¡AR(2) ¡model ¡yields ¡dull ¡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

Timeseries ¡ Timeseries ¡forecast ¡ +2h ¡forecast ¡

15 ¡

Example ¡from ¡Ghent ¡FesEviEes ¡2011 ¡dataset: ¡ More ¡complicated ¡models ¡yield ¡seemingly ¡good ¡forecasts ¡

+3h ¡forecast ¡ Timeseries ¡

ARIMA(5,1,0) ¡ ¡ Arima ¡model ¡on ¡smoothed ¡& ¡ ¡ differenced ¡Emeseries ¡ ARIMA(5,1,0)(1,1,0) ¡ ¡ Seasonal ¡Arima ¡model ¡on ¡smoothed, ¡ ¡ differenced ¡& ¡seasonaly ¡differenced ¡ ¡ Emeseries ¡

16 ¡

Vector ¡Autoregressive ¡(VAR) ¡models ¡can ¡be ¡used ¡to ¡model ¡and ¡forecast ¡certain ¡ mulEvariate ¡Emeseries. ¡ Autoregressive ¡model ¡of ¡order ¡p ¡– ¡AR(p) ¡ Vector ¡Autoregressive ¡model ¡of ¡order ¡p ¡– ¡VAR(p) ¡

Example: ¡2 ¡variables, ¡1 ¡lag ¡(p=1) ¡

1 ¡variable, ¡e.g. ¡crowdedness ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡at ¡1 ¡locaEon ¡ k ¡variables, ¡e.g. ¡different ¡locaEons ¡

17 ¡

We ¡fit ¡a ¡VAR(p) ¡model ¡to ¡a ¡mulEvariate ¡Emeseries ¡of ¡crowdedness ¡ (Light ¡FesEval ¡dataset) ¡and ¡study ¡coefficients ¡and ¡lags. ¡

VAR(2) ¡analyses ¡ ¡ differenced ¡15min-­‑interval ¡ ¡ Emeseries ¡ ¡ subset ¡(5 ¡of ¡20 ¡sensors) ¡

1 ¡ 2 ¡ 3 ¡ 4 ¡ 5 ¡

1 – Belfortstraat 0.16003165 0.00157492 2 – Bij Sint Jacobs 0.12198293 0.24946557 3 – Vrijdagmarkt 0.01830518

• 0.04618456

4 – Zuivelbrug 0.35497839 0.12523421 5 – Veerleplein

• 0.17908301
• 0.11209829

const 0.29116782

Coefficients ¡for ¡Veerleplein ¡(5) ¡equaEon ¡

+2h ¡forecast ¡

Forecast ¡at ¡Veerleplein ¡(5) ¡ rise ¡in ¡crowdedness ¡at ¡start ¡of ¡event ¡

18 ¡

Main ¡disadvantage ¡of ¡staEsEcal ¡models ¡such ¡as ¡AR(p) ¡and ¡VAR(p) ¡is ¡that ¡conclusions ¡only ¡ have ¡staEsEcal ¡meaning, ¡no ¡physical. ¡

¡Advantages ¡

+ ¡

¡Disadvantages ¡

• ­‑ ¡

Seems ¡to ¡forecast ¡well ¡ StaEsEcal ¡conclusion ¡ ¡ ¡probability, ¡st. ¡dev. ¡ SpaEal ¡noEon ¡can ¡be ¡somehow ¡incorporated ¡through ¡VAR ¡ Works ¡with ¡efficiently ¡measurable ¡macroscale ¡data ¡ Lots ¡of ¡tweaks ¡ ¡ ¡(seasonal) ¡differencing, ¡smoothing, ¡seasonal ¡decomp., ¡… ¡ ¡ StaEsEcal ¡prerequisites ¡ ¡ ¡staEonarity, ¡… ¡ VAR ¡model ¡would ¡need ¡unchanged ¡dominant ¡walking ¡direcEons ¡ ¡ StaEsEcal ¡model ¡ ¡ ¡ ¡ ¡ ¡ ¡no ¡‘physical’ ¡conclusions ¡from ¡coefficients ¡and ¡lags! ¡

19 ¡

Machine ¡Learning ¡offers ¡new ¡ways ¡to ¡model ¡spaEotemporal ¡phenomena ¡(macro ¡scale) ¡

Graphical ¡models ¡

ProbabilisEc ¡models ¡ A ¡graph ¡denotes ¡the ¡condiEonal ¡ dependence ¡structure ¡between ¡ random ¡variables ¡ Represent ¡complex ¡spaEal ¡and ¡ temporal ¡relaEons ¡among ¡sensors ¡ using ¡graph ¡ InteresEng ¡properEes ¡(a.o.): ¡

Provides ¡informaEon ¡on ¡predicEon ¡ uncertainty ¡ Fault ¡tolerant ¡ e.g. ¡Markov ¡& ¡CondiEonal ¡Random ¡Fields ¡

LICORS ¡

‘For ¡opEmal ¡nonparametric ¡ modeling ¡and ¡forecasEng ¡of ¡ spaEotemporal ¡data’ ¡ Concept ¡of ¡Past ¡& ¡Future ¡Light ¡ Cone’s ¡ Local ¡StaEsEcal ¡Complexity ¡for ¡ parern ¡discovery ¡

Light ¡Cone ¡ReconstrucEon ¡of ¡States ¡

20 ¡