基于AI预测与选择性匿名化的三维数字孪生人群管理系统

《SoftwareX》：3DTCM: A 3D digital twin-based crowd management system using AI for predictive and selective anonymization

　　

本研究提出一套系统，通过构建基于真实世界数据的数字孪生可视化与预测系统，有效预防人群踩踏事故。该系统具有三项主要贡献：基于人工智能（AI）的人群预测、选择性个人信息去标识化，以及基于三维数字孪生的仿真与决策支持。系统采用在首尔开放数据广场（Seoul's Open Data Plaza）真实地铁客流数据上训练的人工智能模型，对未来人群规模进行预测。预测数据依据用户选择经历三步假名化（pseudonymization）处理，以防止国际移动用户识别码（IMSI）与电话号码等敏感个人标识符暴露。最后，系统在精细的三维数字孪生环境中对预测人群密度进行可视化，以仿真人群动态并测试干预情景。为实现区域级分析与可视化，所开发的数字孪生将拥挤区域细分为1 m2单元，并显示四种不同风险等级。因此，通过整合人群预测、个人数据保护与可视化，该系统能够主动预防大规模人群踩踏事故并有助于将伤亡降至最低。

近年来，全球范围内人群踩踏（crowd crush）事故频发并造成严重伤亡，代表性事件包括韩国梨泰院万圣节事故（2022年10月29日，159人死亡）、也门斋月慈善活动踩踏（2023年4月19日，逾90人死亡）以及印度印度教活动踩踏（2024年7月2日，123人死亡）。此类事故的主要成因复杂，涉及准备不足、应急响应失败、安全管理不善与人群管控失效。既有研究虽尝试预防与管理踩踏事故，但仍存在明显局限：韩国行政安全部在梨泰院事故后建立了政府主导的实时人群密度监测系统，但缺乏对个体移动与行为的细致分析，且缺少可准确反映空间的三维数字孪生，难以进行细致观察，针对所采集人群信息的个人数据保护技术亦不充分；已有基于多智能体（multi-agent）的人群仿真系统真实数据输入与个人数据保护能力偏低，削弱了现场响应有效性；UCrowds、SimCrowds、HyPedSim等工具同样缺乏对真实数据与个人信息保护的支持；Kim Hyun-chul等提出的基于人群密度风险仿真的科学分析系统虽具备良好的三维可视性，但缺少人群数据生成与数据内个人信息保护技术；Wang Soon-ju对踩踏事故的评估研究缺乏未来人群数据生成与个人信息处理方法；Yeom Ha-yun基于运营商基站数据、每5分钟在GIS看板上可视化密度的实时监测系统，以及Abdallah与Alghamdi基于门控循环单元（GRU）模型、面向城市出行优化与拥堵预测的数字孪生人工智能方法，仍难以整合兼顾隐私保护与数据可用性的系统性去标识化技术；Saravanan等提出的结合图神经网络（GNN）与社会力模型（Social Force Model）的动态疏散仿真框架虽仿真效率高，但根本上依赖人工蓝图与仿真情景，缺乏与真实动态数据和智能体追踪无缝衔接的稳健个人数据匿名化机制。综上，现有系统与研究普遍缺乏基于真实世界数据的人工智能人群数据生成、个人数据去标识化以及可对去标识化人群数据进行细分单元分析的三维数字孪生技术，这构成本研究的动因。

针对上述问题，研究人员开发了一套基于近实时公共数据（数据获取间隔为3–5分钟）的数字孪生可视化与预测系统，用于有效预防与管理人群踩踏事故，同时通过系统化的个人数据去标识化流程保护用户隐私。系统采用Prophet模型（一种基于加性回归、可分解趋势、季节性与节假日效应的时间序列预测算法）进行人群规模预测，以首尔开放数据广场提供的历史地铁客流数据训练模型；训练集为2022年6月1日至2024年12月31日的数据，测试集为2025年1月1日至2025年12月31日的数据。预测得到的人群规模作为基线参数，在Unity构建的三维数字孪生中于指定入口生成相应数量的虚拟化身（avatar）并仿真其移动。系统架构由数据存储与处理组件（MongoDB，含监测与仿真两条流水线）、选择性个人信息处理组件（FastAPI后端，按应用程序接口（API）请求执行三步假名化流水线）、基于机器学习的人群预测组件与三维仿真组件构成；由于开发期间对真实电信基站与闭路电视（CCTV）数据的直接访问受限，监测模式采用符合预期数据模式（含位置、速度、IMSI、手机号码等）的合成人群记录进行验证，而仿真模式使用真实历史地铁客流数据。系统在Windows 10工作站上运行，采用Unity 2022.3.28f1 LTS、Python、FastAPI与MongoDB；Prophet模型在系统运行前分别以历史上车与下车数据预训练并保存为模型文件，运行时由Unity向FastAPI预测服务发送请求并返回预测客流数。研究得出，该系统可在与真实空间高度一致的三维环境中以1 m²单元细分区域、按风险等级着色展示人群密度，并依据用户选择施加不同强度的去标识化，从而在保护个人隐私的同时支持主动的人群风险识别与干预决策。其重要意义在于将人群预测、个人数据保护与三维可视化集成于一体，可主动预防大规模人群踩踏事故并有助于将伤亡降至最低。

在技术方法上，研究人员主要采用四类关键技术：一是基于Prophet模型的时间序列人群规模预测，利用首尔开放数据广场（Seoul's Open Data Plaza）提供的地铁客流数据（含日期、上下车类型、时段与人数）进行训练与测试；二是三步选择性个人信息去标识化流水线，按危机响应级别、条件识别级别与人群趋势级别对数据进行假名化与匿名化处理；三是基于Unity的三维数字孪生仿真与可视化，将约200 m²的目标巷道细分为200个1 m²单元并按密度赋予四级风险色码；四是基于MongoDB的数据存储与FastAPI后端服务，支撑近实时数据监测与预测请求响应。样本数据来源为2022年6月1日至2024年12月31日（训练）与2025年1月1日至2025年12月31日（测试）的首尔地铁客流数据，监测模式使用按预期模式生成的合成人群记录。

研究结果方面，第一，在软件功能上，系统实现了地铁客流数据训练、基于机器学习的人群预测、选择性个人信息去标识化与基于三维仿真的人群密度可视化四项核心功能；其中三维地图以1 m²为单元分类，单元内人数达8人及以上即判定为极高危险，使用户可预先识别潜在拥挤单元并直观判断风险等级。第二，在软件架构上，系统由数据存储与处理、选择性个人信息处理、基于机器学习的人群预测与三维仿真四个组件构成，形成从近实时数据存储处理、个人数据处理、人群数据生成到三维仿真的完整链路，兼顾数据处理与个人数据保护。第三，在监测模式上，系统在首尔梨泰院站主出口附近、即2022年10月29日造成159人伤亡的巷道处，将约200 m²巷道划分为200个1 m²单元，按单元内人数着色：3人及以下为安全阶段（绿色）、4–5人为注意阶段（黄色）、6–7人为危险阶段（橙色）、8人及以上为高风险阶段（红色）；示例界面显示19个注意阶段（黄色）单元，左上角显示每单元平均人数，右上角显示数字孪生监测中生成的总人数，左下角两个界面按钮分别对应部分掩蔽与完全掩蔽的隐私保护选项，依据用户选择施加相应去标识化级别。第四，在个人信息去标识化分级上，系统将去标识化分为三级：一级为可识别个人信息级别（危机响应级别），为初始数据形态，包含手机号码与IMSI等敏感标识符；二级为部分掩蔽个人信息级别，手机号码部分去标识（如010-****-1234）、IMSI被移除、具体年龄被泛化为年龄段（如20多岁中期）；三级为完全掩蔽个人信息级别，手机号码与IMSI均被移除，年龄组进一步泛化为青年、中年、老年与高龄等宽泛类别，使第三方无法识别特定个体。第五，在仿真模式上，用户可通过仿真选项窗口选择触发地铁绕行的初始阈值阶段，提供注意、警告与高风险（极危险）三种干预选项；在假设200 m²目标区域人群均匀分布的前提下，注意阶段在预测人数达到800人（对应密度阈值4–5人/m²，即超过600人的安全阈值至1000人）时启动地铁绕行，警告阶段在1200人（6人/m²，处于1001–1400人区间）时触发，高风险阶段在1600人（≥8人/m²，≥1401人）时触发；随后仿真计算人群密度回落至安全阶段（≤3人/m²，即≤600人）所需的持续时间与绕行总次数。

讨论与结论部分，研究人员指出，既有基于数字孪生的人群管理方案往往不能同时提供真实数据处理、个人数据保护与人群预测管理，而本系统通过近实时数据驱动的人工智能预测、选择性去标识化与三维数字孪生仿真的整合，弥补了上述空白；系统以地铁客流量作为人群流入的主要代理指标，尽管实际行人密度还受公交、出租车等其他交通方式与街区停留时间影响，但地铁客流在高密度城市娱乐街区（如梨泰院）中是交通驱动型人群激增的关键高分辨率指标；在确定基线人口后，三维数字孪生会在指定入口生成相应数量的虚拟化身并仿真其移动。研究结论为：通过整合人群预测、个人数据保护与可视化，该系统能够主动预防大规模人群踩踏事故并有助于将伤亡降至最低。