基于TOPSIS分析法的虚拟乘客车门选择算法

技术领域

本发明涉及人群仿真技术领域，尤其涉及基于TOPSIS分析法的虚拟乘客车门选择算法。

背景技术

人群仿真技术作为虚拟现实技术中一个非常重要的组成部分，主要研究在不同环境下的人群行为，人群仿真主要由人群运动及动画建模和对于人群行为的模拟两部分组成。人群运动及动画建模是计算机图形学中的一个关键问题，其包括对于虚拟人的模型建模和虚拟人的动画创建。人群行为模拟则是要针对于不同环境下的人群行为，人群状态和人群特征进行不同情况下的模拟仿真。行为仿真意在实现虚拟人物能在不同环境下做出智能的判断，对环境的影响做出不同的决策，实现行为自主性的行动。在不同的环境需求下，人群中的行为模拟所需要的复杂度也不同，每一个不同的虚拟行为人的的智能等级也不同。

近几年来随着计算机硬件和技术的飞速发展及快速提升，也出现了需要对于地铁站中乘客行为的仿真的需求。目前的地铁仿真系统中，虚拟场景的模拟主要集中于线路的分析、静态场景的展示和列车的驾驶过程仿真，对于车站中行人行为的仿真考虑的较少。站台中的乘客多数采用静态的模型和已经规划好的固定路线进行上下车，这种仿真所得来的真实感较差，无法满足用户在整个车站仿真中的需求，无法准确地模拟出乘客选择合适的车门进行排队、候车、上车的过程。

发明内容

为解决上述乘客路线固定规划的问题，本发明提出了基于TOPSIS分析法的虚拟乘客车门选择算法。

基于TOPSIS分析法的虚拟乘客车门选择算法，利用乘客与乘车门的距离和乘车门前人数进行综合评分，所述乘客与乘车门的距离和乘车门前人数为极小型指标，所述基于TOPSIS分析法的虚拟乘客车门选择算法对两个极小型指标的处理，最终通过综合评分判断乘客选择乘车门；指标的处理包括：极小型指标正向化处理，指标标准化处理，标准化矩阵最值处理，评价对象距离最值处理，综合评分计算。

具体的，所述极小型指标处理为将极小型指标转化为极大值指标，转换公式包括：

y＝max-y；

其中，max为所有相同指标中的最大值；

组成的正向化矩阵公式包括：

其中，n为需评价数，m为已完成正向化处理指标个数。

具体的，所述指标标准化处理对正向化矩阵进行处理，消除不同指标量对评价的影响，标准化后的矩阵Z中每一个元素Zij的公式包括：

标准化后的矩阵Z公式包括：

具体的，所述标准化最值处理对标准化矩阵最大值和最小值进行定义，所述标准化矩阵最大值Z+公式包括：

所述标准化矩阵最小值Z-公式包括：

具体的，所述评价对象距离最值处理包括评价对象与最大值的距离Di+计算和评价对象与最小值的距离Di-计算，所述评价对象与最大值的距离Di+公式包括：

所述评价对象与最小值的距离Di-公式包括：

其中，i表示第i个评价对象，ω

具体的，所述综合评分计算对每一个乘车门评价对象综合得分进行计算，综合得分最高的乘车门为乘客选择车门，所述综合评分计算公式包括：

其中，i表示第i个评价对象。

本发明的有益效果：本发明提出了基于TOPSIS分析法的虚拟乘客车门选择算法，使用TOPSIS分析法，主要使用乘客与乘车门的距离与门前的人数来进行每个车门的综合评分，通过每个车门的综合评分确定乘客车门选择，利用原始的信息综合评价原始数据，精确的反映选择各个车门之间的优劣差距来确定选择上车的车门，使地铁乘客行为仿真模拟更加准确。

附图说明

图1是本发明基于TOPSIS分析法的虚拟乘客车门选择算法流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

本发明提出了基于TOPSIS分析法的虚拟乘客车门选择算法，利用乘客与乘车门的距离和乘车门前人数进行综合评分，所述乘客与乘车门的距离和乘车门前人数为极小型指标，所述基于TOPSIS分析法的虚拟乘客车门选择算法对两个极小型指标的处理，最终通过综合评分判断乘客选择乘车门；指标的处理包括：极小型指标正向化处理，指标标准化处理，标准化矩阵最值处理，评价对象距离最值处理，综合评分计算。

虚拟乘客在做出对于上车车门的选择时，首先会从环境信息生成器中获得等车队列的数据和获得周围乘客的选择情况。将几种不同的因素混合考虑后按照影响的参数对比，做出自己的初始选择。在按照初始选择前往车门的过程中，受到等车队列的实时变化，会影响自己的最终选择，之后再车门前站好并更新等车队列。在对于地铁对于地铁乘客上车行为的具体调查中，发现乘客行为具有以下几种特征。

(1)乘客对于上车车门的选择受到周围人的影响；

(2)乘客对于上车车门的选择与自身到车门的距离有关；

(3)乘客选择上车门时，位于自己视野盲区的车门会被忽略；

(4)乘于选择哪一个车门上车时最优判断并不精确，其综合计算参数仅是一个模糊的估计值；

根据以上几条乘客乘车的特点，对于乘客选择车门时行为进行仿真。

TOPSIS分析法是最流行的MCDM/A方法之一，是一种常用的综合评价方法，能最大程度的利用原始数据的信息，分别计算各个评价方案与最优方案、最劣方案的欧几里得距离来得出各个方案之间的排名。该方法对于样本的含量以及分布没有严格的要求，涉及的数据计算较为简单。

在本实施例中，使用TOPSIS分析法，主要使用乘客与乘车门的距离与门前的人数来进行每个车门的综合评分。由于这两种指标属于极小型指标(越小越好)，因此当使用这两种数据时需要进行正向化处理将其转变为极大型指标。除此之外，考虑到乘客会优先选择自己能看见的车门，因此加入车门能否直接被从楼梯上下来的乘客直接看见这一指标，将能直接出现在视野内的车门的参数设置为1，无法直接看见的车门设置为0.3。

将极小型指标转换为极大型指标如下公式所示，其中max为所有相同指标中的最大值：

y＝max-y。

在进行了正向化后，假设共有n个需要评价的对象，m个已经正向化的评价指标，其组成的正向化矩阵如下所示：

为了消除不同指标量纲对于评价的影响，需要进一步对于已经正向化的矩阵做标准化处理。将标准化后的矩阵记为Z，Z中的每一个元素Zij的计算方式如公式(5-9)所示，标准化后得到矩阵Z如下所示：

接下来，定义最大值Z+，最小值Z-如下所示：

定义第i个评价对象与最大值的距离Di+，与最小值的距离Di-公式如下所示，其中ω

第i个对象的最后的得分使用下列公式得出：

在得到每一个乘车车门的综合得分S后，乘客会选择综合得分最高的车门进行排队等候上车。

根据该计算结果，当门前等候区乘客数量过多时，从楼梯口下来的乘客不会继续选择在门前等车，而会选择离车门较近的区域进行等待。乘客所选择的站点有很大的随机性，但会偏向离车门更近、人群密度更小的位置进行站立。

本发明提出了基于TOPSIS分析法的虚拟乘客车门选择算法，使用TOPSIS分析法，主要使用乘客与乘车门的距离与门前的人数来进行每个车门的综合评分，通过每个车门的综合评分确定乘客车门选择，利用原始的信息综合评价原始数据，精确的反映选择各个车门之间的优劣差距来确定选择上车的车门，使地铁乘客行为仿真模拟更加准确。

本发明以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。