論文の概要: Learning and Simulating Building Evacuation Patterns for Enhanced Safety Design Using Generative Models
- arxiv url: http://arxiv.org/abs/2510.19623v1
- Date: Wed, 22 Oct 2025 14:20:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:15.921578
- Title: Learning and Simulating Building Evacuation Patterns for Enhanced Safety Design Using Generative Models
- Title（参考訳）: ビルの避難パターンの学習とシミュレーション : 生成モデルを用いた安全設計の強化
- Authors: Jin Han, Zhe Zheng, Yi Gu, Jia-Rui Lin, Xin-Zheng Lu,
- Abstract要約: 本研究では,ジェネレーティブ・モデル(GM)に基づく建物避難パターンの学習手法であるDiffEvacを提案する。
DiffEvacはSSIMを37.6%改善し、PSNRを142%改善した。
- 参考スコア（独自算出の注目度）: 15.703695914797258
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Evacuation simulation is essential for building safety design, ensuring properly planned evacuation routes. However, traditional evacuation simulation relies heavily on refined modeling with extensive parameters, making it challenging to adopt such methods in a rapid iteration process in early design stages. Thus, this study proposes DiffEvac, a novel method to learn building evacuation patterns based on Generative Models (GMs), for efficient evacuation simulation and enhanced safety design. Initially, a dataset of 399 diverse functional layouts and corresponding evacuation heatmaps of buildings was established. Then, a decoupled feature representation is proposed to embed physical features like layouts and occupant density for GMs. Finally, a diffusion model based on image prompts is proposed to learn evacuation patterns from simulated evacuation heatmaps. Compared to existing research using Conditional GANs with RGB representation, DiffEvac achieves up to a 37.6% improvement in SSIM, 142% in PSNR, and delivers results 16 times faster, thereby cutting simulation time to 2 minutes. Case studies further demonstrate that the proposed method not only significantly enhances the rapid design iteration and adjustment process with efficient evacuation simulation but also offers new insights and technical pathways for future safety optimization in intelligent building design. The research implication is that the approach lowers the modeling burden, enables large-scale what-if exploration, and facilitates coupling with multi-objective design tools.
- Abstract（参考訳）: 避難シミュレーションは、適切に計画された避難経路を確保するため、建築安全設計に不可欠である。
しかし、従来の避難シミュレーションは、広範囲なパラメータを持つ洗練されたモデリングに大きく依存しているため、初期の設計段階において、そのような手法を迅速な反復プロセスで採用することは困難である。
そこで本研究では,ジェネレーティブ・モデル(GM)に基づく建物避難パターンの学習手法であるDiffEvacを提案する。
当初は399の多様な機能配置とそれに対応するビルの避難ヒートマップが設定されていた。
次に、レイアウトやGMの占有密度といった物理的な特徴を埋め込むために、分離された特徴表現を提案する。
最後に、画像プロンプトに基づく拡散モデルを提案し、シミュレーションされた避難ヒートマップから避難パターンを学習する。
条件付きGANとRGB表現を用いた既存の研究と比較すると、DiffEvacはSSIMを37.6%改善し、PSNRを142%改善し、結果を16倍速くし、シミュレーション時間を2分に短縮する。
ケーススタディでは,提案手法は効率的な避難シミュレーションによる迅速な設計のイテレーションと調整プロセスを大幅に向上するだけでなく,インテリジェントな建築設計における安全性向上のための新たな知見と技術経路を提供する。
研究の示唆は、このアプローチがモデリングの負担を減らし、大規模なWhat-if探索を可能にし、多目的設計ツールとの結合を容易にすることである。
関連論文リスト
- Towards Machine Learning-based Model Predictive Control for HVAC Control in Multi-Context Buildings at Scale via Ensemble Learning [16.62153443064872]
熱力学モデルの構築は、潜在的HVAC制御操作下でのリアルタイム屋内温度変化を予測する。
これらのモデルは、しばしば広範囲なデータ収集期間を必要とし、専門家の知識に大きく依存し、モデリングプロセスを非効率にし、モデルの再利用可能性を制限する。
本稿では,既存のモデルを用いたモデルアンサンブルの視点について検討する。
論文 参考訳（メタデータ） (2025-05-05T08:09:36Z) - An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。
提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
論文 参考訳（メタデータ） (2024-12-18T12:10:33Z) - SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。
本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。
本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
論文 参考訳（メタデータ） (2024-09-10T16:44:47Z) - Towards predicting Pedestrian Evacuation Time and Density from
Floorplans using a Vision Transformer [0.0]
本研究では,視覚変換器をベースとした深層学習手法を提案する。
具体的には、公開データセットの可用性が限られているため、従来のシミュレータを含むパラメトリックデータ生成パイプラインを実装している。
これにより、アーキテクチャのトレーニングに使用する大規模な合成データセットを構築することができます。
論文 参考訳（メタデータ） (2023-06-27T09:15:52Z) - Predicting Hurricane Evacuation Decisions with Interpretable Machine
Learning Models [0.0]
本研究では,容易にアクセス可能な人口動態と資源関連予測器によって構築された世帯の避難決定を予測するための新しい手法を提案する。
提案手法は,避難交通需要の推計を改善するため,緊急管理当局に新たなツールと枠組みを提供する可能性がある。
論文 参考訳（メタデータ） (2023-03-12T03:45:44Z) - SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。
SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。
標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-11-22T08:01:33Z) - Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
論文 参考訳（メタデータ） (2022-03-17T09:54:22Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - Progressive residual learning for single image dehazing [57.651704852274825]
物理モデルフリーなデハジングプロセスと, 再構成された散乱モデルに基づくデハジング操作を組み合わせるために, 漸進的残留学習戦略が提案されている。
提案手法は,公開デヘイジングベンチマークにおける最先端手法に対して,複雑なデータに対するモデル解釈性と適応性に優れる。
論文 参考訳（メタデータ） (2021-03-14T16:54:44Z) - An Improved Simulation Model for Pedestrian Crowd Evacuation [4.7272573582914]
本稿では,新しい手法を提案し,それをモデルに統合することによって,開発モデルに新たな機能を追加する。
新しい手法では、避難者の避難所の避難時間の平均を推定し、避難所の避難時間の平均に基づいて、どの避難所が最良かを判断する。
その結果,提案手法を用いたモデルでは,多くの提案箇所で適切な出口ドア位置を予測できることがわかった。
論文 参考訳（メタデータ） (2020-12-04T18:25:03Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。