Please use this identifier to cite or link to this item: https://hdl.handle.net/10923/13291
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMusse, Soraia Raupp
dc.contributor.authorTesta, Estevão Smania
dc.date.accessioned2018-11-24T11:03:29Z-
dc.date.available2018-11-24T11:03:29Z-
dc.date.issued2018pt_BR
dc.identifier.urihttp://hdl.handle.net/10923/13291-
dc.description.abstractPlanos de evacuação têm sido historicamente usados como uma medida de segurança para a construção de edifícios. Os simuladores existentes requerem ambientes 3D totalmente modelados e tempo suficiente para preparar e simular cenários. Uma vez que a quantidade de pessoas pode mudar ao longo do tempo, várias simulações são frequentemente necessárias para gerar um plano de evacuação otimizado. Neste documento é apresentado uma nova abordagem para estimar os dados resultantes de um dado cenário de evacuação sem simula-lo de fato. Para tal o ambiente é dividido o ambiente em salas modulares com configurações diferentes, em um estilo divisão e conquista. Em seguida, uma rede neural artificial é treinada para estimar os dados desejados de uma sala sozinha. Após coletar os dados estimados de cada sala, uma heurística capaz de agregar informações por sala é desenvolvida para que o ambiente completo possa ser devidamente estimado. Esse método apresenta erros dentro da margem de 30% quando comparado o tempo de evacuação em um ambiente real e complexo. Além disso, não é necessário modelar o ambiente 3D, aprender como configurar um simulador de multidões e o tempo computacional para estimar é instantâneo quando comparado ao melhor caso de um simulador de multidões.pt_BR
dc.description.abstractEvacuation plans have been historically used as a safety measure for the construction of buildings. The existing simulators require fully-modeled 3D environments and enough time to prepare and simulate scenarios. Since the amount of people in a given simulated scenario can change over time, several simulations are often required in order to generate an optimal evacuation plan. With that in mind, we present in this paper a novel approach to estimate the resulting data of a given evacuation scenario without actually simulating it. For such, we divide the environment into modular rooms with different configurations, in a divide-and-conquer fashion. Next, we train an artificial neural network to estimate all required data regarding the evacuation of a single room. After collecting the estimated data from each room, we developed a heuristic capable of aggregating per room information so the full environment can be properly evaluated. Our method presents errors within the 30% margin when compared to evacuation time in a real and complex environment. In addition, it is not necessary to model the 3D environment, learn how to use and configure a crowd simulator, and the computational time to estimate is instantaneous when compared to a best case real-time crowd simulator.en_US
dc.language.isoPortuguêspt_BR
dc.publisherPontifícia Universidade Católica do Rio Grande do Sulpt_BR
dc.rightsopenAccessen_US
dc.subjectINTELIGÊNCIA ARTIFICIALpt_BR
dc.subjectREDES NEURAIS (COMPUTAÇÃO)pt_BR
dc.subjectSIMULAÇÃO E MODELAGEM EM COMPUTADORESpt_BR
dc.subjectINFORMÁTICApt_BR
dc.titleCrowd estimation model for emergency scenariospt_BR
dc.typemasterThesispt_BR
dc.degree.grantorPontifícia Universidade Católica do Rio Grande do Sulpt_BR
dc.degree.departmentFaculdade de Informáticapt_BR
dc.degree.programPrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.degree.levelMestradopt_BR
dc.degree.date2018pt_BR
dc.publisher.placePorto Alegrept_BR
Appears in Collections:Dissertação e Tese

Files in This Item:
File Description SizeFormat 
000490931-Texto+Completo-0.pdfTexto Completo3,16 MBAdobe PDFOpen
View


All Items in PUCRS Repository are protected by copyright, with all rights reserved, and are licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. Read more.