一种基于CCTV的高密度宗教活动人群安全预警框架

《Safety Science》：A CCTV based early warning framework for crowd safety in high density religious events

　　

# 摘要

大型宗教集会中的人群灾难持续造成人员伤亡，尤其是在高密度活动中，人群管理依赖于反应式监控而非预见性安全控制。尽管闭路电视监控系统已广泛部署，但极少能提供人群风险升级的预警。大多数现有人群预测研究依赖于模拟数据或低密度环境，限制了其在真实高密度宗教集会中的适用性。目前缺乏经过验证的、基于真实闭路电视数据运行的早期预警框架，无法生成适合操作使用的可执行风险警报。本研究开发了一个综合早期预警框架，通过时间序列建模，利用印度2016年恒河大会（Kumbh Mela）的闭路电视录像，对人群参数、密度、流量和熵进行预测。预测参数通过分类模块转化为特定位置的风险等级，并使用为控制室部署设计的分级警报进行可视化。模型性能及可迁移性在同一活动场地内两个空间上不同的地点进行评估。预测模型在三个参数上的决定系数在0.70至0.92之间，平均绝对百分比误差为0.8%–33.6%，提供了可靠的10分钟提前预测。模型在未重新训练的情况下有效泛化至次级研究地点。风险分类系统在区分低风险和中风险条件方面达到了93%–98%的召回率。这些结果反映的是单次活动内单一集会的评估；在不同大型集会、场地或人群类型之间的泛化性尚未建立。总体而言，研究结果证明了现有的闭路电视基础设施有可能被转化为实际可用的人群安全早期预警系统，适用于类似的高密度宗教集会场景，使管理人员能够从反应式监控转向主动干预。

## 1. 引言

人群踩踏事故是一种灾难，过度的群体密度导致对人体的压缩力，使个体丧失对自身动作的控制，从而因窒息或物理创伤而导致受伤或死亡（Adrian et al., 2025）。此类事件主要发生在高密度条件下（Subramanian et al., 2022），本研究将其定义为人群密度达到或超过5人/平方米，在此阈值以上，个体的行走速度受到显著影响，人群进入受限流动状态，压缩力传递成为物理风险的主要驱动力（Zhao et al., 2021; Nicholson and Roebuck, 1995）。本研究开发了一个早期预警框架，以降低人群风险——此处定义为其预测时段内发生踩踏事故的概率——通过在危险人群状况完全形成之前预见其发展。研究进一步表明，用于描述此类事件的术语对责任归属具有重大影响："踩踏"和"恐慌"等词汇将责任归咎于人群成员，而"人群涌动"、"人群挤压"和"人群事故"等术语则更准确地反映了导致此类事件的物理和组织条件（Barr et al., 2024; Haghani et al., 2019）。因此，本研究全程一致使用"人群事故"和"人群挤压"这两个术语。

大型集会中的人群事故在全球范围内持续造成重大人员伤亡，其中印度发生了最为集中的事件。印度每年举办大量宗教节日，许多节日在短期内吸引数百万朝圣者。根据附录A中汇编的事件数据，2000年至2025年间，宗教活动占印度报告的人群相关死亡和伤亡事件约91%。仅2025年，宗教集会期间就发生了四起人群事故（附录A）。这种反复出现的模式表明，现有人群管理措施仍然不足以防止大规模悲剧。

印度宗教集会的脆弱性并非偶然，而是与其结构和行为特征相关。对恒河大会等活动的研究已确定了四个关键影响因素（Gayathri et al., 2017）。首先，朝圣者即使在密度极高的情况下也往往保持持续的前进移动，常携带行李，仅短暂停留休息或进食。这种行为维持了内部人群压力并限制了自然疏散。其次，人群管制措施通常每日调整，路线变更和限制有时传达不足，导致混乱。第三，人群组成高度异质，包括苦行僧、农村朝圣者、城市访客、老年参与者和国际游客，各方的行走速度和拥堵反应不同。第四，宗教仪式常在恶劣环境条件下在时间和空间上重叠，气温可达39–48°C，加剧疲劳、压力和急躁情绪。这些因素共同导致复杂且不稳定的人群动态，难以通过传统方法管理。

鉴于这些挑战，有效的监控变得至关重要。然而，当前人群管理严重依赖物理基础设施，如路障和指定路线，配合安全人员的现场观察。这些方法主要是反应式的，因为它们在干预启动之前依赖于可见的拥堵或困境。基于人类的监控主要缺陷在于无法检测出在危险状况出现之前的人群行为微妙变化：感知上的拥挤并不能可靠地对应实际的风险等级；Tanida et al.（2025）表明，拥挤程度的主观评估往往与客观密度测量存在显著差异。因此，新出现的风险可能在关键时刻仍未被发现。

先前的研究表明，危险人群动态的预警信号可在事故发生前10至15分钟出现（Helbing et al., 2007），这表明能够在该时间窗口内提供结构化预警的系统可以支持及时的预防行动。Gu et al.（2025）表明，密集人群可通过物理交互而非个体决策自组织形成大规模的集体运动模式，如旋转或振荡运动。与此同时，物理控制结构可能无意中加剧人群事故的风险。固定路障、狭窄通道和临时围栏可能形成瓶颈，在涌动期间加剧压力。He et al.（2024）发现，此类结构约束在高密度条件下显著增加了危险水平。在极端情况下，挫败感导致参与者攀爬或推挤路障，引发倒塌和人群涌动，这在2025年大恒河大会事件中就有观察到（Kulkarni, 2025）。这些发现表明，灾难往往由可衡量的预警信号先兆，主动干预既可能且必要。

尽管有上述证据，大多数现有人群安全系统仍然是反应式的和碎片化的。监控、预测和风险沟通往往作为独立组件开发，而非协调系统，这意味着不稳定的早期指标未被一致转化为结构化的、可操作的风险评估。这一差距凸显了需要一种综合框架，将人群参数提取、预测和风险分类系统地联系起来，以支持主动决策。为应对这一需求，本研究开发并评估了基于闭路电视的早期预警框架的核心组件，用于高密度宗教集会，旨在为操作现有控制室的安全人员提供结构化的预见性信息，以支持而非取代人类决策。具体而言，本研究回答以下问题：从标准闭路电视录像中提取的人群参数是否足以提前预测，以在高密度宗教集会中支持预见性风险分类和分级操作员警报？主要贡献包括：

1. 从恒河大会真实高密度闭路电视录像中提取和验证人群参数，并将这些参数应用于结构化的风险分类框架以支持早期预警评估。
2. 实施并评估时间序列预测模型，对人群密度、流量和熵进行最多提前10分钟的预测，证明了在密集宗教集会中预见性风险检测的可行性。
3. 在同一活动的不同地点评估模型的可迁移性，检验其在无需完全重新训练的情况下适应新空间配置的可行性。

## 2. 文献综述

研究人员越来越多地探索基于预测的建模和基于模拟的方法来理解人群行为并预判风险。计算机模拟被广泛使用，因为它们允许受控实验和便捷的数据生成。多项研究利用模拟行人数据开发了预测和预警系统（Zhao et al., 2021; Bamaqa et al., 2022）。尽管这些模型在受控条件下达到高精度，但其在真实宗教集会中的适用性仍然有限。模拟环境往往无法捕捉行为因素，如紧迫性、仪式驱动的运动、疲劳和群体凝聚力。Gulhare et al.（2018）指出，真实和模拟的行人轨迹存在显著差异，模拟数据中速度变化减少，方向冲突较少。这些发现引发了对模拟模型在复杂高密度环境中可靠性的担忧。

为应对这些担忧，一些研究转向使用真实数据。然而，这些工作大多集中于低密度或中密度环境，其中行人交互有限。例如建筑工地（Cai et al., 2020）、校园步行道（Determe et al., 2020）和建筑占用场景（Poon et al., 2022）。在这些场景中，个体决策在很大程度上决定了运动模式，整体风险水平相对较低。相比之下，最新研究表明，高密度人群的行为根本不同。Gu et al.（2025）证明了密集人群通过物理接触和力传递自组织，而非个体决策。Chatagnon et al.（2025）进一步表明，为稀疏条件开发的模型在物理交互占主导时失效。密度诱导的湍流、瓶颈形成和压力下的集体运动等关键现象在低密度数据集中缺失。因此，在这些环境中训练的模型不太适合预测密集宗教集会中的风险。

多种预测方法已被提出，用于建模人群参数的时间变化，包括基于智能体的模拟、机器学习模型、实验框架和时间序列技术。许多早期预警系统依赖于固定阈值（Zhao et al., 2021; Liu et al., 2024; Xie et al., 2019）或从过去观察中得出的经验规则（Gu et al., 2025）。虽然这些方法易于实施，但静态阈值无法捕捉风险如何动态演变或在不同地点之间的变化。在某些情境下安全的密度水平在另一情境下可能是危险的，因为布局、瓶颈或运动模式存在差异。同样，为一个活动制定的经验规则通常无法可靠地迁移到另一个活动。

基于智能体的模型试图通过模拟个体行人遵循预定义行为规则来解决这些局限（Makinoshima & Oishi, 2022）。尽管这些模型提供了微观层面交互的详细见解，但在实时部署方面面临重大挑战。高计算需求和扩展问题限制了其在实时约束条件下的运行能力（Malleson et al., 2019）。此外，基于智能体的模型通常需要准确跟踪个体轨迹（Malleson et al., 2019; Clay et al., 2020），这在密集人群中因严重遮挡和视觉杂乱而几乎无法实现。这些约束限制了其在大规模宗教集会中的操作适用性。

相比之下，时间序列预测为实时风险预见提供了更具实用性的替代方案。时间序列模型已成功应用于金融、天气预报和交通管理（Oreshkin et al., 2019; Lim et al., 2021）。最近，研究人员将这些技术应用于预测人群参数，并取得了令人鼓舞的结果（Poon et al., 2022; Mansouri et al., 2025; Singh et al., 2020）。尽管取得了进展，现有研究尚未系统考察高密度宗教集会，在那里人群行为高度非线性，且在极端条件下可能迅速变化。时间序列预测模型在大型集会内不同空间地点之间的可迁移性——作为在多个接入点操作部署的关键要求——在现有文献中受到的关注较少。对于印度高密度宗教集会，在过去几十年中人群事故已造成数千人死亡，一个能够提前预见危险条件的系统将为安全人员提供充足的时间来实施干预措施，如控制流入限制、路线分流或公共广播通知，在条件变得危急之前。

即使预测模型可用，仅有预测数值并不能确保有效的人群安全管理。数值预测必须转化为清晰且可操作的警报，使安全人员能够快速解读。风险分类框架在预测数值和决策之间架起桥梁。Subramanian和Verma（2022）提出的人群风险指数整合了动态、心理和环境变量，但需要大量数据和复杂计算。Choubey（2024）证明，恒河大会的风险水平可使用少量可测量参数进行高精度分类，使此类方法更适合操作场景。然而，尚无研究将此类分类框架应用于预测而非观察的人群参数，这是实现预见性而非反应式风险评估的关键区别。

有效的群体安全系统需要将预测与分类进行集成，以便将预测出的风险转化为可执行的操作决策。除了预测和分类之外，有效的群体安全管理还要求以支持及时、恰当干预的方式将预测出的风险信息传达给控制室操作员。系统设计中的这一方面在群体安全文献中获得的关注有限。关于安全关键环境中操作员态势感知的研究已经确立，有效的预警系统必须支持不仅感知当前状况，还要理解其意义并预测未来状态（Endsley, 2017）。仅呈现原始数值的系统将解释的认知负担置于操作员身上，这在群体管理控制室特有的时间压力和高工作量条件下尤为成问题。另一个令人担忧的问题是警报疲劳，这是在安全关键监控环境中记录在案的一个现象，当警报过于频繁或未加区分时，操作员会对警报产生麻木感，从而增加了关键警报被遗漏或忽视的风险（Cvach, 2012）。因此，区分需要高度警惕的状况和需要立即干预的状况的分级预警系统，优于二进制的开/关警报。尽管这些人因工程原则对群体安全预警设计具有相关性，但现有的群体安全框架并未在面向操作员的警报界面开发中系统地应用这些原则。文献综述指出了本研究所解决的三个关键差距：数据领域差距：据作者所知，目前没有现存的群体预测研究是使用印度宗教大型集会中极端密度条件下的真实闭路电视（CCTV）录像进行开发和验证的。现有模型依赖于模拟数据、低密度环境或非印度背景，因此无法代表如香客节（Kumbh Mela）等事件所特有的行为复杂性、仪式驱动的运动模式和持续的高密度条件，在这些事件中群体事故最有可能发生。方法论差距：尽管时间序列预测已被广泛应用于交通、金融和占有率预测领域，但将时间序列预测应用于预测多个互补的群体安全指标（即密度、流量和熵）——在高密度宗教集会的统一早期预警框架内独立预测和组合预测——此前尚未得到证明。现有研究要么关注单一参数，要么在物理交互不主导行为的低密度环境中运行。本研究通过证明时间序列群体参数预测在恰恰这些高风险条件下是可行且可靠的，直接弥补了这一差距。运营差距：许多现有的群体安全系统侧重于监控当前状况或分析过去事件，而非预测群体事故的未来风险。很少有研究探讨如何将预测输出与风险分类框架和面向操作员的预警通信界面系统地连接起来，以支持主动群体管理。所提出框架的所有组件均被设计为运行于现有闭路电视基础设施上，无需额外的传感硬件，使该系统可以直接部署于已用于大型集会事件的控制室环境中。本文的其余部分安排如下。第3节描述了香客节数据集和研究区域。第4节详细介绍了参数提取、预测和风险分类的方法。第5节呈现了多个模型和测试地点的预测性能。第6节讨论了群体安全管理 implications 和实际部署。第7节以对未来工作的建议作为结论。

**3. 数据收集和研究区域**

本研究使用在2016年4月22日至5月21日期间印度乌杰因举行的香客节期间收集的闭路电视录像数据。香客节是世界上最大的周期性宗教大型集会之一，活动期间的参与人数估计达7500万，包括国内和国际朝圣者、宗教领袖和游客（Subramanian and Verma, 2022）。该活动的规模、密度和多样性使其成为研究群体动力学和开发群体安全早期预警系统的具有代表性的高风险环境。

原始数据集由Verma（2019）使用多种记录技术收集，包括运动相机、头戴式摄像机、手机、闭路电视监控系统、无人机和全球定位系统设备，这些设备部署在活动期间的各个位置。本研究仅使用该数据集中的固定闭路电视录像。选择闭路电视录像是因为它反映了群体管理机构在大型公共活动期间通常可获得的数据类型，使所提出的框架在操作上具有现实性。

**3.1 闭路电视数据源和选择**

闭路电视摄像机信号来自活动区域内的六个位置：班拜达哈尔姆萨拉、达尼门、古德里路口、哈尔西迪神庙、哈克路口和马哈卡莱什瓦尔神庙。这些地点涵盖了多种行人环境，包括进近道路、交叉路口和神庙入口点。为确保分析的可靠性，使用四项选择标准对所有可用的摄像机信号进行了评估：

i. 视频清晰度，
ii. 摄像机稳定性，
iii. 覆盖角度，以及
iv. 画面内可见的行人活动程度，包括与本研究决定方向一致的持续高密度条件的存在。

经过此评估，选择马哈卡莱什瓦尔神庙的摄像机信号进行详细分析。该地点始终提供清晰稳定的画面，视觉障碍极少。录像在整个白天保持了一致的照明条件，并提供了适合提取群体参数的适当观看角度。至关重要的是，录像的人工审查确认了多个记录期间存在持续的高密度条件，个体明显无法独立移动，群体压缩状况与第1节中高密度条件的定义一致。

基于此信号，在马哈卡莱什瓦尔神庙区域内定义了两个空间上不同的站点：一个用于模型开发和训练，另一个用于测试模型跨地点的迁移能力。

**3.2 主要研究区域**

主要研究区域是通往马哈卡莱什瓦尔神庙的一条主要进近道路，该神庙是香客节期间访问量最高的地点之一。这条通道是朝圣者的主要通行路线，全天人群密度经历大幅波动。

该地点的闭路电视信号提供了适合分析的高质量视频，画面稳定、照明一致、行人运动视图无遮挡。摄像机捕捉了通道的完整宽度，使得能够可靠地估算密度、流量和熵等群体参数。

从该地点总共提取了58小时的可用视频数据。录像分布在四个不同的日期，分别为2016年5月15日、17日、19日和21日，每天录制14.5小时。每天覆盖从凌晨2:30到下午5:00的时段，捕捉了清晨朝圣高峰和白天的人群波动。这种扩展的时间覆盖范围提供了足够的人群状况变化，以训练和评估时间序列预测模型。图1展示了主要研究区域和摄像机覆盖范围。

下载：下载高分辨率图片（1002KB）下载：下载全尺寸图片

图1. 主要和次要研究区域。（a）主要研究区域的闭路电视视图；（b）次要研究区域的闭路电视视图；（c）地图显示两个站点之间的空间关系和步行路线距离（≈365米）。

**3.3 用于模型验证的次要研究区域**

为了评估模型的稳健性和迁移能力，研究选择在马哈卡尔神庙入口处的次要研究区域。该地点在空间上与主要研究区域不同，具有不同的几何约束、运动模式和拥堵动态，但仍处于同一活动和时间背景下。次要研究区域位于距主要研究区域约365米处，通过通往神庙入口门的主要行人进近路线连接（图1）；这种空间关系将两个站点顺序安排在主要访客流沿线，主要研究区域位于次要研究区域的上游。站点位置由负责监督2016年原始数据收集的相应共同作者确认。

次要研究区域的录像在三个不同的日期可用，分别为2016年5月6日、17日和21日，每天约8小时的可用录像。其中两个日期（5月17日和21日）与主要研究区域的录制日期一致，而5月6日在主要研究区域数据集中没有对应日期。

该地点的闭路电视录像在相同的环境和管理条件下收集，允许直接比较而不受天气、人群构成或活动安排相关的混杂效应影响。使用此次要站点，评估了在主要地点训练的模型是否能够泛化到新的空间配置而无需完全重新训练。这种评估对实际部署至关重要，因为在群体安全系统中必须在单个活动的多个入口点和通道上运行。

总结评估条件如下：模型使用主要研究区域5月15日、17日和19日的数据进行训练，该地点位于距次要研究区域约365米的上游，沿主要行人进近路线。验证在主要研究区域的5月21日（保留的测试日期）以及次要研究区域的5月6日、17日和21日进行。第5.2节呈现的预测精度在这些指定条件下进行解释。

**3.4 数据隐私和伦理考量**

所有视频数据均在公共场所公开活动期间收集，参与者对隐私没有合理预期。该框架仅依赖聚合的群体参数，不涉及个人识别、跟踪或生物特征信息。未收集或处理任何个人或敏感数据。分析仅用于群体安全研究目的，以改进大型集会的早期预警和预防性决策。

**4. 方法**

本节描述了从闭路电视录像中提取群体参数、预测其时间演变，并将预测转化为可操作的群体风险预警的方法。所提出的框架包括四个顺序阶段：(i) 使用计算机视觉从闭路电视录像中提取群体参数，(ii) 时间序列聚合和滑动窗口准备，(iii) 对所提取参数的多模型时间序列预测，以及 (iv) 风险分类和分级视觉预警生成。该流程的概述如图2所示。

下载：下载高分辨率图片（565KB）下载：下载全尺寸图片

图2. 所提出的群体安全早期预警框架概述。

**4.1 数据划分策略**

本研究使用两种不同的独立划分方案，一种为空间划分，一种为时间划分，二者共同支配数据集在框架所有阶段中的使用方式。

空间划分（主要 vs. 次要研究区域）：在马哈卡尔神庙摄像机覆盖区域内选择了两个空间上不同的位置，分别担任不同角色。主要研究区域（通往神庙的进近道路）用于所有模型开发活动，包括参数提取、模型训练、超参数优化和样本内评估。次要研究区域（神庙入口门）专门保留用于迁移能力评估。训练好的模型应用于该地点而不进行任何重新训练或微调，以评估其在同一活动中空间上不同设置的泛化能力。

时间划分（训练日 vs. 测试日）：在主要研究区域收集的四个日期的录像在时间上进行划分。5月15日、17日和19日的数据用于模型训练和超参数优化。5月21日的数据完全保留用于样本外性能评估。此划分仅应用于主要研究区域。次要研究区域的数据集仅用于迁移能力测试，从未用于任何训练或优化步骤。

**4.2 群体参数**

本研究关注三个群体参数，即密度、流量和熵，这些参数共同捕捉群体集中度、运动强度和运动组织。这些参数的选择基于理论和实际两方面原因。

群体密度（每平方米人数）代表定义的兴趣区域内的每单位面积行人数量。它是群体压缩的主要指标。高群体密度是已确立的群体踩踏事件的促成因素，密度升高直接增加压缩力和踩踏风险（Subramanian等, 2022）。在此条件下力的传递是群体踩踏伤害的主要生物力学驱动因素，使密度成为压缩风险最直接的可测量替代变量，也是群体安全评估框架中的标准输入。

群体流量（每分钟越过兴趣线的行人数）量化了行人通过通道定义横截面的速率和方向。流量捕捉了群体状态的动态演变，这是密度单独无法实现的。如第1节所述，在此背景下的朝圣者即使在极端密度下也保持向前的动量（Gayathri等, 2017），这意味着升高的流量和升高的密度可以在相当长时间内共存。

Helbing等人（2007）进一步发现，当局部密度超过临界阈值时，局部流量会急剧下降，引发压缩并最终导致人群湍流——一种失控的随机位移状态，这种状态曾在2006年朝觐灾难发生前出现。因此，同时监测流量与密度，使该框架不仅能够检测现场有多少人，还能判断人群是自由移动还是陷入滞留，这一区分对于在此场景下进行前瞻性风险评估至关重要。

**人群熵**（无量纲，由光流直方图计算得出）量化了集体行人运动的无序程度。在协调一致、朝同一方向均匀移动的人群中，熵值较低。当高密度下人群状况恶化时，运动变得多方向化、湍流化和振荡化——Gu等人（2025）将这一模式识别为灾难前集体动力学的标志性特征。熵能够捕捉这种方向协调性的丧失，而无需进行个体级别的追踪——这在密集且遮挡严重的场景中是行不通的——使其成为一个在实践中可提取且在理论上有所依据的人群不稳定指标（Zhao等人，2021）。

综合来看，这三个参数提供了对人群状态的互补覆盖：密度刻画了物理构型，流量捕捉了动态演变，而熵则刻画了组织质量。

### 4.3 从CCTV视频中提取参数

所有人群参数均使用成熟的计算机视觉技术从CCTV录像中自动提取，以确保一致性并消除观察者偏差。

#### 4.3.1 人群熵提取

人群熵采用Choubey（2024）提出的基于光流的方法计算。使用OpenCV中实现的Farneb?ck算法，在连续灰度视频帧之间估计稠密光流。所有CCTV录像的帧率均为每秒25帧，稠密光流在原始帧率下的每对连续帧之间计算。每帧在处理后先转换为灰度图。该算法通过对每个像素的邻域进行多项式展开来近似，计算这些多项式在帧间的变换，从而推导出稠密的位移场。算法配置了表1中列出的参数，每个参数控制运动估计过程中的特定方面。

**表1. 用于熵提取的Farneb?ck光流算法参数**

| 参数 | 值 |
|------|------|
| 金字塔缩放比例 | 0.5 |
| 金字塔层数 | 3 |
| 平均窗口大小 | 15像素 |
| 每层迭代次数 | 3 |
| 多项式展开邻域大小 | 5 |
| 多项式展开标准差 | 1.1 |
| 标志位 | 0（无先验流初始化） |

金字塔缩放比例0.5意味着图像金字塔的每一级分辨率都是前一级的一半，使算法能够同时检测细粒度运动和大尺度运动。使用三个金字塔层级以捕获多个空间尺度上的运动，这在密集人群场景中尤为重要——个体运动幅度小，但集体运动模式覆盖大面积区域。15像素的平均窗口大小控制运动估计的平滑空间邻域范围：较大的窗口可减少噪声，但可能模糊运动区域与静止区域之间的边界，而15像素在观察到的本数据集人群密度下提供了适当的平衡。每层三次迭代足以在行人运动典型的运动幅度下收敛。多项式展开邻域大小及其对应的标准差共同控制多项式展开时像素邻域的拟合局部程度；这些值遵循Choubey（2024）使用的配置，适用于帧间位移适中的场景。

对于每对连续帧，计算逐像素运动向量，并通过笛卡尔到极坐标的转换分解为幅值和角度分量。然后使用这些幅值和角度分量构建一个二维直方图，表示每帧内运动模式的分布，如图3所示。


*图3. 熵提取流程*
*来源：Choubey, 2024*

直方图在幅值轴上设置了400个间隔，范围为[0, 400]；在方向轴上设置了24个间隔，范围为[0, 2π]弧度。因此直方图间隔总数为400 × 24 = 9,600个，代表帧内观察到的所有运动幅值和方向组合。精细的幅值分辨率可捕捉人群中运动速度的细微差异，而24个方向间隔将360度的全部可能运动方向分为15度的区间，提供了足够的方向灵敏度以区分协调运动和混乱运动。

直方图通过总间隔计数进行归一化，得到概率分布P(i,j)，归一化前加入一个小的数值稳定性常数（10?1?），以避免空间隔中的未定义值。然后计算Shannon熵：

$$H(P) = -\sum_{i,j} P(i,j) \log(P(i,j))$$

其中求和遍历所有9,600个间隔。所得的每帧熵值H为无量纲量，取值范围在[0, log?(9,600)] ≈ [0, 13.23]之间，其中H=0对应完美组织化的单向运动，H≈13.23对应最大无序状态，即流量向量在所有间隔中均匀分布。

每帧熵值在非重叠的1分钟窗口上取平均值，生成熵时间序列。该窗口大小遵循Choubey（2024）的聚合方案，在减少帧级噪声的同时保留了人群运动组织中有意义的时变特征。

#### 4.3.2 人群密度提取

行人密度使用Choubey（2024）开发的基于深度学习的密度估计工具进行估算。该工具采用预训练的卷积神经网络（CNN），从单个视频帧生成逐像素密度图。CNN配置为输入分辨率200 × 200像素，每帧在处理后使用Lanczos插值方法缩放到该尺寸。输出密度图的分辨率为50 × 50像素，随后使用Lanczos插值重新缩放到原始帧尺寸。重新缩放后的密度图中每个像素代表小数行人数量，密度图中所有像素值之和等于该帧中估计的行人总数。为确保输出图与原始网络预测之间的一致性，重新缩放后的密度图经过归一化处理，使其总和与原始模型输出相匹配。

在预先定义的兴趣区域（ROI）内的密度，通过对逐像素密度图应用由ROI角点定义的 quadrilateral 掩模，然后对掩模内的像素值求和来计算（见图4）。该方法实现了空间局部化的密度估计，同时保留了人群总量。


*图4. 密度和流量提取的ROI和LOI定义（绿色四边形框出用于局部密度估计的兴趣区域（ROI），橙色线条标记用于方向流量计算的线区（LOI））*

为以ped/m2的物理可解释单位表示密度，由于没有直接的相机标定数据可用，像素到米的转换系数对每个研究区域分别使用可用的参考测量值进行推导。对于主要研究区域，参考值通过目视检查多个高密度帧建立，在接近最大密度的条件下，观察到整个走廊宽度上平均有七名行人。使用Fruin（1970）确定的每人0.45米的行人标准侧向身体空间，走廊宽度估计为7 × 0.45 = 3.15米，从而得出像素到米的转换系数为0.008907 m/pixel。然后使用鞋带公式计算ROI的地面面积——该公式根据多边形顶点坐标计算任意多边形的面积：

$$A = \frac{1}{2} \left| \sum_i (x_i y_{i+1} - x_{i+1} y_i) \right|$$

对四个ROI角点应用该公式，得到：

$$ROI面积(m^2) = ROI面积(px^2) \times (0.008907)^2 = ROI面积(px^2) \times 0.00007934$$

主要研究区域的估计ROI面积为3.29 m2。对于次要研究区域，没有可用的水平参考测量值。取而代之的是，使用录像中可见的通道隔离扶手高度作为参考距离，该高度在Verma（2019）中记录为0.9米。从录像中测量对应的像素距离，得出转换系数为0.0075 m/pixel。ROI面积计算如下：

$$ROI面积(m^2) = ROI面积(px^2) \times (0.0075)^2 = ROI面积(px^2) \times 0.00005625$$

次要研究区域的估计ROI面积为1.85 m2。

在两种情况下，相机均以斜角放置，且确切倾斜角度不可知。因此未进行透视失真校正，所得ped/m2的密度值应视为近似值。这一局限性在第6节中予以说明。

#### 4.3.3 人群流量提取

人群流量通过将光流向量与逐像素密度图相结合来估计。使用Farneb?ck算法在连续灰度帧之间计算稠密光流。对于预先定义的线区（LOI，见图4）上的每个像素，通过将光流向量投影到LOI的法线方向来计算垂直于LOI的流量分量，公式如下：

$$f_{flow} = dm_{y,x} \cdot v_{y,x} \cdot \cos(\alpha) - dm_{y,x} \cdot u_{y,x} \cdot \sin(\alpha)$$

其中$dm[y,x]$为像素$(x,y)$处的密度图值，$u_{y,x}$和$v_{y,x}$分别为水平和垂直光流分量，$\alpha$为LOI相对于水平轴的角度。该公式以局部人群密度对每个像素的流量贡献进行加权，确保运动和人群集中度都对聚合流量估计有所贡献。正负分量分别累加以捕捉方向性。

分析表明，行人运动主要朝寺庙方向单向流动，反向流量可忽略不计。因此，仅保留主导方向流量用于预测和风险分析。

### 4.4 用于预测的数据准备

密度和熵的帧级值被聚合为非重叠的1分钟区间，通过计算每个区间内的均值来实现；流量值则通过计算每个区间内的总和进行聚合，从而生成所有三个参数统一的1分钟分辨率时间序列。该聚合区间的选择旨在平衡时间细节与噪声：较短的区间因光学伪影和轻微光照波动而产生过度变异，而较长的区间则掩盖了与早期预警相关的快速变化。所得时间序列在14.5小时的录像日中每天包含870个时间步。图5展示了5月15日的时间序列示例。


*图5. 提取的人群参数时间序列（5月15日，1分钟间隔）：(a) 熵，(b) 密度，(c) 流量*

在主要和次要研究区域的大部分录像日中，CCTV录像以两个到三个单独的视频文件而非连续录像的形式提供。可用于关联这些片段的同步时间戳元数据不可用；然而，过渡点的视觉连续性——包括在一段末尾和下一段开头可见的同一个人物——表明片段之间的间隙是短暂的。因此，直接拼接这些片段，将其视为连续时间序列用于聚合和预测。

本研究采用序列到一（sequence-to-one）预测框架，即用固定长度的过去观测序列预测指定预测时距上的单一未来值。时间序列通过滑动窗口方法划分为重叠的输入-输出对，由两个参数定义：(i) 回溯窗口长度$L$个时间步，代表用作模型输入的过去1分钟间隔数；(ii) 预测时距$H$个时间步，代表预测向前的时间跨度。

全文使用的预测时距为$H=10$步（10分钟），该选择基于Helbing等人（2007）的实证证据——他们发现人群灾难的可测量前兆通常在危险条件出现前10至15分钟显现。回溯窗口长度从$L=5$分钟到$L=60$分钟进行了系统评估；结果见第5.1.1节。

在模型训练期间（主要研究区域的5月15日、17日和19日），滑动窗口每次迭代前移一个时间步，以最大化训练样本数。在测试期间（主要研究区域的5月21日及次要研究区域的所有数据），窗口每次迭代前移$H$步，以生成10分钟间隔的非重叠预测，反映实际部署条件。

### 4.5 人群参数预测

本研究评估了一系列统计和深度学习时间序列预测模型，以确定最适合实时部署的方法。所有模型均独立地为三个人群参数进行训练和评估。预测性能使用均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数（R2）进行评估。除准确性外，实时适用性也是模型选择的重要指导因素。较长的回溯窗口可能提高准确性，但会延迟预测的可用性。为支持早期预警，本研究优先考虑在较短回溯窗口下仍能取得合理准确性的模型，以便在数据采集开始后快速生成预测。

#### 4.5.1 统计预测模型

评估统计模型以建立可复现的基线。使用增广Dickey-Fuller（ADF）检验评估每个参数时间序列的平稳性。

当ADF检验表明序列具有非平稳性（p值 < 0.05）时，采用一阶差分处理。自相关（ACF）图和偏自相关（PACF）图用于指导自回归阶数和移动平均阶数的初步选择。由于与寺庙参拜流程相关的周期性人流移动，观测到了季节模式。因此，测试了具有对应于一小时周期的季节性周期的季节性ARIMA（SARIMA）模型。最终模型配置基于性能指标和参数显著性进行选择。

4.5.2. 深度学习预测模型

评估了三种循环神经网络架构以捕捉非线性时间依赖关系：长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）和门控循环单元（GRU）。所有模型均在PyTorch（v2.1）中实现。

输入时间序列使用MinMax缩放归一化到[0, 1]，归一化参数仅在训练数据（5月15日、17日和19日）上拟合。归一化参数被保存并在测试和可迁移性评估期间直接应用而不重新拟合，以防止数据泄漏。

超参数优化使用贝叶斯优化进行，最多100次试验，目标是最小化验证损失（MSE）。搜索空间涵盖以下参数：每层单元数（8到128，步长8）、每层 dropout率（0.1到0.5，步长0.1）、稠密层单元数（4到8，步长2）、批次大小（10到100，步长10），以及Adam优化器学习率选自{1 × 10??, 5 × 10??, 1 × 10??}。以下设置在所有调优试验中保持恒定：损失函数（均方误差）、验证划分比例（0.2）、早停耐心值（5个epoch）和最大epoch数（300）。贝叶斯优化后，对最佳候选配置通过手动检查训练和验证损失曲线进一步微调。当某配置表现出过拟合迹象（即训练损失与验证损失出现偏离）时，手动调整超参数以改善泛化能力。每个人群参数的最终模型基于最低验证损失和不存在过拟合行为进行选择。

4.6. 人群风险预判

本研究采用Choubey（2024）开发的基于随机森林的风险分类模型，该模型将人群状况分为三个等级：低风险、中风险和高风险。该分类器使用2016年Kumbh Mela庙会期间标注的视频片段进行训练，由具有大规模聚集管理经验的领域专家，依据可观察的判据进行标注，包括可见的拥堵、行人速度减缓和方向协调丧失，如Choubey（2024）所述。使用专家派生标签是该方法的一个已知局限性，因为风险分类的可靠性和可重复性仍依赖于这些标注的一致性。这一局限性与大多数运营性人群安全系统共享，因为准危险状况的基准真值数据本质上难以获取和客观量化。

Choubey（2024）评估了多种结合宏观参数（总体速度、密度和流量）和人群熵的模型配置，跨越不同的特征子集。结合所有三个宏观参数与熵的配置表现最佳，并被本研究采用。因此，分类器使用四个输入特征：人群密度（行人/m2）、人群流量（每1分钟间隔的行人数）、人群熵（无量纲）和行人速度（m/s）。

速度并非直接从视频中提取，而是利用基本交通流关系从预测的密度和流量值推导得出：v = q/k，其中v为平均行人速度（m/s），q为单位宽度区域（LOI）的流量（行人/m/s），k为人群密度（行人/m2）。将此关系应用于密度和流量的预测值，确保了分类器的四个输入均一致地源自同一预测人群状态，保持了风险评估的预判性质。

与基于阈值的方法（根据单个参数的固定截断值分配风险）不同，随机森林分类器同时评估所有四个输入特征的联合组合来确定风险等级。这意味着没有单个参数存在固定阈值，超过该阈值就会触发特定风险等级。某一密度值在一种流量、熵和速度组合下对应低风险，可能在另一种组合下对应中风险。这种情境敏感性是该方法在高密度宗教集会中的关键优势，在这些场景中，各个人群参数与实际风险之间的关系高度非线性且依赖于情境。

分类器应用于代表提前10分钟预测人群状态的预测参数值，而非应用于观测值，从而实现预判性风险评估。这是所提框架的关键操作性区别：风险等级是估计人群的未来状态，而非当前状态，使安全人员能够在状况变得危急之前采取行动。由于预测人群状态没有独立的基准真值风险标签，分类器还被应用于每个预测时间点的实际（观测）密度、流量和熵值以及对应的实际速度，从而得出该点的实际风险等级以供比较。

分类性能使用混淆矩阵、精确率、召回率和F1-score在测试集（5月21日，主要研究区域）和次要研究区域数据集（5月6日、17日和21日）上进行评估。从预测参数得出的预测风险等级与主要研究区域测试集中85个预测点以及次要研究区域每个记录日期的48个预测点的实际风险等级进行比较，构成第5.3节中混淆矩阵和分类指标的基础。

4.7. 预警通信设计

基于操作员态势感知和告警管理的既定原则，设计了一套两级渐进式视觉预警系统，用于向CCTV控制室操作员传达基于预测的风险等级。

针对安全关键监控环境的有效预警设计必须支持操作员在Endsley（2017）所定义的三个层面的态势认知（SA）：对环境相关元素的感知（第1层）、理解其相对于操作员目标的意义（第2层），以及对未来系统状态的预测（第3层）。仅呈现原始数值参数的系统仅支持第1层态势认知，将理解与预测任务留给操作员在时间压力下完成。所提框架通过直接向操作员呈现基于预测的风险分类，代表预期未来人群状态而非当前观测值，从而克服了这一局限。该方法专门设计用于支持第3层态势认知，为操作员提供在状况变得危急之前选择适当应对措施所需的信息和提前量。

预警界面设计中的另一考量是告警疲劳，这是安全关键监控环境中一种已被充分记录的现象，即当告警过于频繁或未做区分时，操作员会对告警产生脱敏。Cvach（2012）报告称，未做区分的告警将所有状况视为同等紧急，会降低操作员响应性，增加关键警告被遗漏或忽视的风险。因此，区分需要提高警惕的状况与需要立即干预的状况的渐进式预警系统，优于二元的开关式告警，既有助于维持操作员注意力，也有助于支持成比例的应对措施。

基于这些原则，框架在CCTV视频流上生成以下视觉预警。对于中风险预测，在视频流的相关区域显示半透明黄色叠加层。这旨在通过表明状况正在恶化且值得采取资源重新配置等准备性行动，但不要求立即干预，来支持第2层态势认知。对于高风险预测，显示半透明闪烁红色叠加层。闪烁行为是一个基于前注意视觉处理的刻意设计选择：运动被人类视觉系统早期自动注册，在整个视野中并行处理，在意识焦点注意之前完成（Treisman和Gelade, 1980; Endsley, 2017），确保即使在高度认知负荷或注意力分散的情况下也能捕获操作员注意。静态黄色与闪烁红色之间的区分直接实现了需要理解（第2层态势认知）与需要立即预测行动（第3层态势认知）之间的差异。当预测风险降至中等阈值以下时，叠加层自动移除，以避免长时间显示不可操作的警告，这是告警疲劳的已知促成因素（Cvach, 2012）。

叠加层作为软件添加到现有的CCTV控制室显示系统中，不需要专用硬件，也不需要修改现有监控基础设施。通过将预警直接嵌入到操作员已经在观看的视频流中，系统最小化了额外的认知负荷，最大化了及时检测的可能性。图10展示了在实时监控视频流上两种告警状态的示例。

5. 结果

本节呈现人群参数预测模型的性能，评估其在不同地点的可迁移性，并评估所提风险预判与预警框架的有效性。在所有人群参数——熵、密度和流量——中，门控循环单元（GRU）模型持续优于统计和其他深度学习方法。GRU实现了可靠的短期预测，具有10分钟提前量，证明适用于实时人群安全应用。

5.1. 主要研究区域的预测性能

5.1.1. 预测模型比较评估

本研究评估了多种统计和深度学习模型，用于预测人群熵、密度和流量。性能使用RMSE、MAPE和R2在不同回看窗口长度上进行评估，以考察预测精度与响应性之间的权衡。

统计模型（AR、ARIMA和SARIMA）在所有三个参数和回看窗口上持续产生远高于深度学习模型的高误差值。鉴于这一巨大的性能差距，统计基线被排除在图6之外，以保留深度学习模型之间的视觉分辨率，后者的性能差异要小得多；所有六个评估模型的完整数值结果报告在附录A的表A.2中。

图6说明了三种深度学习架构下熵、密度和流量的预测精度如何随回看窗口大小变化。在LSTM、BiLSTM和GRU中，误差和R2值在大多数回看窗口上保持密切可比的水平，表明循环架构的选择对预测精度的影响小于统计方法与深度学习方法之间的选择。对于所有三个参数，在20时间步回看窗口下的预测精度接近更长回看窗口下的精度；尽管在某些较长窗口下观测到误差的边际改善，但这些收益较小，并未一致地证明增加回看长度的合理性。鉴于较短的回看窗口还能减少生成首个预测之前的初始数据收集延迟——这对需要最小化系统启动延迟的早期预警部署而言是一个重要考量——选择了20分钟回看窗口作为精度与运营响应性之间的最佳平衡。

鉴于在该回看窗口下三种深度学习模型的预测精度大致相似，计算效率被用作模型选择的标准。在三种架构中，GRU由于相较于LSTM和BiLSTM具有较简单的门控结构，所需训练和推理时间最少。鉴于GRU以最少的计算开销实现了与替代架构相当或更好的精度，它被选为本研究后续部分的预测模型。

5.1.2. 预测精度与安全解释

表2总结了优化后GRU模型的最终预测性能，使用20分钟回看窗口和10分钟预测范围。熵预测实现了最高的解释力，R2值为0.835，意味着模型捕捉了约84%的人群运动组织时间变化，同时具有较低的RMSE为0.1，表明对人群运动组织变化具有高敏感性。

表2. 使用GRU模型的熵、密度和流量预测误差指标（RMSE、MAPE、R2）

| | 熵 | 密度 | 流量 |
|---|---|---|---|
| RMSE | 0.100 | 0.381 | 13.700 |
| MAPE (%) | 1.295 | 3.153 | 13.153 |
| R2 | 0.835 | 0.792 | 0.792 |

预测模型可靠地识别了密度增加和混乱加剧的时期——这些时期预示着危险状况的到来，而非试图预测每个时间步的精确值。流量预测产生了较高的绝对误差值（RMSE = 13.7；MAPE = 13.153%），反映了流量测量的数值范围较广。然而，对应的R2值表明模型有效地捕捉了潜在的流量趋势，这对于检测激增和瓶颈比精确的点估计更为相关。

图7比较了熵、密度和流量的观测值与预测值时间序列。

在时间步 60 附近观察到的短暂偏差源于该数据集底层分段录制视频片段之间的过渡，而非人群动力学的真实变化，这在第 6 节中进一步讨论。GRU 模型紧密追踪了渐变趋势和尖锐峰值，时间滞后极小。重要的是，该模型成功捕捉了高风险峰值，而未放大低风险波动，减少了不必要的警报可能性，同时保留了危险情况的及时检测。

下载：下载高分辨率图像 (297KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (298KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (320KB) 下载：下载全尺寸图像

图 7. 使用优化 GRU 模型的主要研究区域实际与预测人群参数（20 分钟回看，10 分钟预测视野）：(a) 熵，(b) 密度，(c) 流量。

总体而言，采用 20 分钟回看窗口和 10 分钟预测视野的 GRU 模型被证明是实时人群安全监控的最佳选择。

5.2. 可迁移性评估

本研究通过应用训练好的 GRU 模型到次要研究区域而未重新训练，进一步评估了模型的可迁移性，针对次要研究区域的三个录制日期：2016 年 5 月 6 日、17 日和 21 日。该地点与主要地点在照明条件和结构特征上有所不同，包括引导行人移动的扶手。

图 8 显示了 5 月 21 日次要地点的熵、密度和流量的观测值与预测值，该录制日期完全未用于主要研究区域的训练。剩余两个录制日期的结果见图 A.1（5 月 6 日）和图 A.2（5 月 17 日），附录 A。表 3 总结了所有三个录制日期的性能指标。每个参数在每一天的 R2 均超过 0.70，表明模型在新地点无需重新训练即可保持有意义的预测精度。

下载：下载高分辨率图像 (264KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (284KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (316KB) 下载：下载全尺寸图像

图 8. 次要研究区域实际与预测人群参数（5 月 21 日）：(a) 熵，(b) 密度，(c) 流量。

表 3. 次要研究区域熵、密度和流量的预测误差指标。

| 日期 | 熵 (Entropy) | 密度 (Density) | 流量 (Flow) |
| :--- | :--- | :--- | :--- |
| | RMSE | MAPE (%) | R2 | RMSE | MAPE (%) | R2 | RMSE | MAPE (%) | R2 |
| 5 月 6 日 | 0.052 | 0.770 | 0.721 | 0.478 | 3.591 | 0.916 | 9.914 | 18.992 | 0.772 |
| 5 月 17 日 | 0.096 | 1.373 | 0.862 | 0.317 | 2.544 | 0.921 | 20.888 | 33.578 | 0.803 |
| 5 月 21 日 | 0.094 | 1.403 | 0.876 | 0.343 | 2.583 | 0.855 | 14.751 | 17.794 | 0.702 |

与主要研究区域（表 2）相比，熵和密度通常匹配或超过主要研究区域的性能，这可能是因为入口处的扶手使行人移动更加规范所致。相比之下，流量在所有三个日期上均显示出比主要研究区域更高的 MAPE，需要进一步调查。

5 月 6 日和 5 月 21 日均为主要研究区域训练数据（第 1-3 天：5 月 15 日、17 日、19 日）中缺失的日期，而 5 月 17 日则与训练日期重叠。在这些未见日期上的熵性能与 5 月 17 日相当或更好。流量在未见日期上显示出较低的 RMSE 和 MAPE，尽管 R2 较低。密度在两个未见日期上所有三个指标均显示出一贯下降。任何参数在两个未见日期上均未出现严重的性能崩溃，表明模型在训练邻近日期之外仍保留了预测结构。

除了这种基于日期的比较外，还通过互相关分析直接检查了两个站点是否本质上相关（见表 4）。

表 4. 次要和主要研究区域参数之间的零滞后互相关。

| 日期 | 熵 r (p) | 密度 r (p) | 流量 r (p) |
| :--- | :--- | :--- | :--- |
| 5 月 17 日 | 0.541 (p < 0.001) | -0.088 (p = 0.051) | 0.242 (p < 0.001) |
| 5 月 21 日 | 0.500 (p < 0.001) | -0.341 (p < 0.001) | 0.061 (p = 0.176) |

熵在两天均显示出始终较大的相关性，而密度和流量显示出微弱的相关性，且在 5 月 17 日密度的情况下，相关性在统计上不显著。这种模式表明两个站点在所有参数上并非均匀或琐碎地相关，这提供了证据反对观测到的可迁移性性能仅仅反映了内在关联地点之间的冗余性，而非真正的空间泛化。

这些结果共同表明，所提出的预测框架在同一活动的不同空间配置中具有良好的泛化能力，特别是针对密度和熵。然而，两个地点均属于同一场馆和活动，且流量预测在次要研究区域相对于主要研究区域显示出精度降低。需要进一步验证不同的宗教聚会或场馆，以确立更广泛的通用性。

5.3. 风险预见性能

使用混淆矩阵和标准分类指标评估了风险分类性能。混淆矩阵中的每个样本对应一个单一的预测点，以 10 分钟间隔生成，与模型的预测视野相匹配（第 4.4 节）。每个点的实际风险级别是通过直接将分类器应用于提取的（观测到的）密度、流量、熵和速度值得出的，而预测的风险级别是通过将分类器应用于相应的预测值得出的；混淆矩阵在每个预测点比较这两个标签。主要研究区域的测试集（5 月 21 日）包含 85 个这样的预测点，次要研究区域的每个录制日期（5 月 6 日、17 日和 21 日）包含 48 个预测点。图 9 展示了主要和次要研究区域的混淆矩阵。

下载：下载高分辨率图像 (140KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (144KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (145KB) 下载：下载全尺寸图像 下载：下载高分辨率图像 (146KB) 下载：下载全尺寸图像

图 9. 跨研究区域的混淆矩阵：(a) 主要研究区域，底部，(b) 次要研究区域 - 5 月 6 日，(c) 次要研究区域 - 5 月 17 日，(d) 次要研究区域 - 5 月 21 日。

在主要研究区域，模型正确识别了大部分低风险和中风险状况。次要研究区域的分类性能在所有三个录制日期上遵循类似的模式，几乎所有低风险和中风险实例都被正确识别。任何数据集中都没有出现高风险场景，这反映了录制期间不存在极端人群事件。这一局限性源于数据可用性而非方法学约束，并突出了未来需要使用包含严重人群骚动数据集进行验证的需要。

表 5 列出了主要研究区域和每个次要研究区域录制日期的精确率、召回率和 F1 分数。平衡的 F1 分数表明该系统在敏感性和特异性之间保持了有效的权衡，支持可靠的操作使用。

表 5. 主要研究区域和次要研究区域的风险分类性能（精确率、召回率和 F1 分数）。

| 研究区域 | 精确率 (Precision) | 召回率 (Recall) | F1 分数 |
| :--- | :--- | :--- | :--- |
| 主要研究区域 | 0.930 | 0.929 | 0.929 |
| 次要研究区域 - 5 月 6 日 | 0.958 | 0.958 | 0.958 |
| 次要研究区域 - 5 月 17 日 | 0.942 | 0.938 | 0.935 |
| 次要研究区域 - 5 月 21 日 | 0.982 | 0.979 | 0.980 |

5.4. 早期预警机制演示

本研究使用受控的高风险模拟演示了早期预警模块的功能。当预测风险超过预定义阈值时，系统在 CCTV 视频上叠加半透明闪烁的红色警告，立即将操作员注意力吸引到关键位置。

对于中风险状况，系统在 CCTV 视频上显示半透明黄色色调。这种中间视觉提示旨在促使安全人员提高警惕和采取预防行动，如更密切的监控或资源重新部署，以防状况进一步恶化。

如图 10 所示，所提出的可视化框架在实时监视视频上对中等风险（黄色覆盖）和高风险（闪烁红色覆盖）场景提供了清晰直观的区分。颜色编码和分级警报机制确保风险升级可立即感知，同时不妨碍场景可见性。

下载：下载高分辨率图像 (867KB) 下载：下载全尺寸图像

图 10. 早期预警机制演示：(a) 显示半透明黄色覆盖的中风险状况；(b) 显示半透明闪烁红色覆盖的高风险状况，实现清晰即时的视觉风险区分。

演示确认了风险升级时视觉警报的即时激活，验证了所提出框架的响应性。虽然没有真实的高风险数据，但此演示说明了基于预测的风险预见如何支持及时、直观和分级的安全响应，而无需额外的硬件或专业显示基础设施。

6. 讨论

本研究证明，大型宗教聚会上的高密度人群动力学可以使用多种互补的宏观指标进行预测，即密度、流量，以及熵，并且这些预测可以系统地转化为预见性风险警告。在此过程中，它在经验上证实了长期存在的命题，即人群灾难之前会有可测量的前兆，而非突发且不可预见的事件（Helbing et al., 2007, Gu et al., 2025）。

GRU 模型相对于 ARIMA 和 SARIMA 的一致优越性证实了密集宗教环境中的人群演变受非线性、状态依赖的时间关系支配。正如 Helbing 等人 (2007) 所示，人群灾难源于力传播和反馈效应，而 Gu 等人 (2025) 证明了压缩下集体振荡的产生。这种动力学无法通过线性自回归结构充分捕捉。GRU 的改进性能表明，基于记忆的架构更好地代表了密度积累、方向性流量增强和组织混乱随时间相互作用的升级过程。

重要的是，预测不仅限于单一指标。密度捕捉压缩和物理邻近性，直接与力传递相关；流量反映方向性强度和激增潜力；熵量化运动中的协调或混乱程度。这些参数的联合预测提供了比单一参数更完整的人群状态表示。结果表明，即使在严重拥堵下，所有三个参数都保留了预测结构，解决了极端密度会掩盖时间规律性的担忧。

通过使用恒河沐浴节（Kumbh Mela）的真实 CCTV 数据验证预测性能，本研究扩展了先前主要在模拟或低密度环境中进行的工作（Zhao et al., 2021, Bamaqa et al., 2022, Determe et al., 2020, Poon et al., 2022）。Gulhare 等人 (2018) 强调了模拟和现场行人数据之间的显著行为差异。目前的发现表明，尽管存在仪式紧迫感、异质性和结构约束，聚合人群参数仍然是可预测的。这通过证明基于预测的建模在最需要它的高风险情境中是可行的，从而填补了一个关键的实证差距。

同样重要的是预测与风险分类的集成。许多早期预警系统依赖于固定阈值（Zhao et al., 2021, Liu et al., 2024, Xie et al., 2019），隐含假设风险是孤立参数超过阈值的函数。相比之下，该框架将预测的密度、流量和熵与 Choubey (2024) 提出的基于随机森林的风险模型相关联，将预测轨迹转化为分级风险类别。这种集成将早期预警从静态检测转变为动态预见。关键的是，这是首次将经过验证的风险分类器应用于预测而非观测的人群参数，使得风险评估可以比当前状态提前 10 分钟进行，而不仅仅是当前条件。

可迁移性结果进一步加强了操作论证。将训练好的 GRU 模型应用到次要地点而无需重新训练，表明在共享的活动背景下，人群动力学保留了结构规律性。值得注意的是，尽管在更规范的运动下密度和流量变异性降低，熵仍对组织变化保持敏感，这强化了其作为互补指标而非独立指标的价值。这些发现表明，预测多个参数增强了跨空间配置的鲁棒性。

在操作上，该框架将 CCTV 从被动监控工具重新定义为主动决策支持系统。Tanida 等人 (2025) 表明，感知拥挤程度往往与客观测量不同，强调了仅依靠人类观察的局限性。通过将 10 分钟的预测视野与经验观测到的前兆窗口（Helbing et al., 2007）对齐，该系统提供了可操作的提前时间。与计算密集型且需要轨迹级校准的基于代理的模拟（Makinoshima and Oishi, 2022, Malleson et al., 2019, Clay et al., 2020）不同，这种方法依赖于可在遮挡下提取的聚合指标，使得在现有控制室基础设施内进行实时部署成为可能。

此前的人群安全文献中没有研究建立此特定背景下可接受预测误差的定量阈值。在没有此类基准的情况下，提出了两个操作标准来评估模型适用性。首先，可迁移性：在主要研究区域训练的模型在不重新训练的情况下有效地泛化到次要研究区域，熵的 R2 值为 0.7-0.9，密度为 0.8-0.9，流量为 0.7-0.8，证明学到的时间模式不是特定于地点的。其次，时间保真度：优化模型捕捉了所有三个参数的时间波动，包括渐变趋势和 abrupt 转变。满足这两个标准的模型为安全人员提供了具有操作意义的预见性信息，这是该框架的主要目的。

以下是三项战略意义。首先，当局可以通过基于软件的参数提取和预测，将现有的 CCTV 网络升级为预见性安全系统，避免额外的传感基础设施。其次，人群管理协议应超越单一参数阈值，采用多指标、基于趋势的风险评估，认识到不稳定性源于密度、流量和协调崩溃的相互作用。

第三，应将预测链接的分级视觉警报嵌入标准操作程序中，以便在拥挤程度达到临界水平之前进行分阶段干预，例如实施受控的流入限制或路线分流。总体而言，本研究通过证明密度、流量和熵可以联合预测并作为先行指标应用，推动了人群安全实践。研究结果提供了实用证据，表明人群灾难并非不可避免：当动态警告信号被系统监测并采取行动时，主动干预成为可能。然而，必须承认存在若干局限性。模型是使用单一活动和场地的数据进行训练和评估的，这限制了向其他人群类型、空间布局和文化背景的通用性。该框架仅依赖于基于 CCTV 的人群参数，未纳入移动感知、环境压力源或心理因素等补充数据源。此外，时间序列模型在很大程度上作为“黑箱”系统运行。虽然它们提供了准确的预测，但没有解释特定风险升级的原因，这可能会限制现实部署中的可解释性和操作员信任。尽管实现的 R2 值显示了有意义的预测能力，但通过集成方法或替代深度学习架构可以进一步提高预测准确性。此外，缺乏真实的高风险事件限制了在极端人群条件下的验证。

本研究的基础视频数据并非以单个连续录制的形式提供，尽管大多数录制日的捕获跨越了两到三个单独的视频文件，但仍为了聚合和预测目的将其视为连续数据。图 9 中观察到的急剧变化与这样一个转换点重合。我们主要将此归因于源录制中的潜在不连续性，可能叠加了下一段开始时相机亮度或曝光校准的变化。由于熵和流量源自依赖于亮度恒定假设的 Farneb?ck 光流，这种变化可能会引入与真实行人运动无关的虚假运动估计。未来的实施应保留跨录制片段的同步时间戳元数据，并在片段边界应用帧级亮度归一化，以减轻此类伪影。

用于推导人/平方米单位人群密度的像素到米转换基于 Fruin (1970) 的行人横向身体空间标准和高密度帧的目视检查，而不是直接相机校准。由于相机位于斜角，透视失真未得到校正，因此得出的人/平方米密度值应被视为近似值。未来的工作应纳入度量相机校准，以实现精确的面积归一化密度测量。

使用专家派生标签进行风险分类训练是一个公认的局限性，因为风险分类的可靠性和可重复性仍然取决于这些注释的一致性。这一局限性也是大多数运营人群安全系统所共有的，在这些系统中，近失情况下的真值数据本质上难以获取并客观量化。未来研究应优先在运营控制室中实时部署，跨多种大规模聚集进行多事件验证，并整合额外数据流以增强鲁棒性和可解释性。与人群管理当局的合作试点实施还应检查人为因素，包括警报解释、信任校准和响应时间，以支持机构采用基于预测的预警系统。

7. 结论
大型宗教集会中的人群灾难继续导致可预防的生命损失，主要是因为现有的人群管理实践仍然是被动的。本研究通过开发和评估一种短期预测框架来解决这一局限性，该框架利用基于 CCTV 的人群指标预测危险的人群状况。使用 2016 年 库姆布节（乌贾因）的真实视频数据，提出的基于 GRU 的时间序列模型成功预测了短期人群动态，并将预测转化为分级风险水平。结果表明，与传统统计方法相比，循环深度学习模型能更有效地捕捉高密度人群中的非线性升级模式。重要的是，研究结果证实，即使处于极度拥挤状态，聚合人群指标仍保留预测结构，从而在不进行个体级跟踪的情况下实现早期警告。

通过整合参数提取、预测、风险分类和直观的视觉警报，该框架将现有的 CCTV 基础设施转变为主动的决策支持系统。该方法不仅仅是检测拥挤，还能实现预期监控和分阶段干预，支持在标准控制室环境中进行及时的运营响应。在解释这些发现时，应考虑本次评估的范围。预测和可迁移性结果是使用单个大规模聚集（2016 年 库姆布节，乌贾因）的 CCTV 画面获得的，这两个研究区域虽然在几何形状和移动模式上有所不同，但都位于同一场馆和活动内。互相关分析（第 5.2 节）表明，这两个地点在密度和流量上没有强关联，这为两地之间不存在平凡冗余提供了一些证据，尽管这并不能确立超出评估场馆的通用性。此外，数据集中不存在真实的高风险人群状况，因此风险分类性能仅针对低中和中风险状况进行了验证。在框架被认为可推广到本研究背景之外之前，需要跨不同的大规模聚集、场馆和人群类型进行更广泛的验证，包括观察高风险事件的情况。

总之，本研究表明，对于本文评估类型的高密度宗教大规模聚集，基于预测的早期警告在技术上是可行的，在运营上是有前景的。通过将人群管理从被动观察转向主动决策支持，提出的框架提供了一条减少大型公共活动中人群灾难可能性的途径，有待在多样化的聚集和场馆中进一步验证。

生成式人工智能使用声明
在本工作准备期间，作者使用了 AI 辅助工具进行语言改进。在使用这些工具后，作者根据需要审查和编辑了内容，并对本出版物的内容承担全部责任。

CRediT 作者贡献声明
Aswana Bhargavan: 写作 – 审阅与编辑，写作 – 原稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。
Ashish Verma: 写作 – 审阅与编辑，写作 – 原稿，监督，方法论，概念化。

资助
本研究未获得公共、商业或非营利部门资助机构的任何特定拨款。

Aswana Bhargavan | Ashish Verma
印度科学理工学院，班加罗尔 560012，卡纳塔克邦，印度