摘要
亚历山大·阿拉希（Alexandre Alahi）、克拉塔斯·戈尔（Kratath Goel）、维格内什·拉马纳森（Vignesh Ramanathan）、亚历山大·罗比奎特（Alexander Robicquet）、李飞飞（Li Fei-Fei）和西尔维奥·萨瓦雷斯（Silv。 2016年，社会lstm：拥挤空间中的人类轨迹预测。 在IEEE计算机视觉和模式识别会议记录中。 961--971. 谷歌学者 
交叉引用 
贾瓦德·阿米利安（Javad Amirian）、沃特·范·托尔（Wouter Van Toll）、珍妮·贝纳德·海耶特（Jean-Bernard Hayet）和朱利安·佩特雷（Julien Pettré）。 2019.使用生成性对抗网络进行数据驱动的人群模拟。 第32届计算机动画和社会代理国际会议论文集。 7--10. 谷歌学者 数字图书馆 
亚历山德罗·安东努奇、加斯托·彼得罗·罗萨蒂·帕皮尼、保罗·贝维拉夸、路易吉·帕洛波利和丹尼尔·丰塔内利。 2022.利用物理启发神经网络对实时机器人应用中的人体运动进行有效预测。 IEEE接入，第10卷（2022年），144-157。 谷歌学者 交叉引用 Jur van den Berg、Stephen J Guy、Ming Lin和Dinesh Manocha。 2011.往复n体碰撞避免。 机器人研究。 斯普林格，3-19。 谷歌学者 Ricky TQ Chen、Brandon Amos和Maximilian Nickel。 2021.学习常微分方程的神经事件函数。 在学习代表国际会议上。 谷歌学者 Ricky TQ Chen、Yulia Rubanova、Jesse Bettencourt和David K Duvenaud。 2018年，神经常微分方程。 神经信息处理系统进展，第31卷（2018年）。 谷歌学者 陈诚、李景来和姚振伟。 2021.订购导致模拟人群集体逃逸的多条快速通道。 《软物质》，第17卷（2021），5524-5531。 第22期。 谷歌学者 交叉引用 德克·赫尔宾（Dirk Helbing）、伊利斯·法卡斯（Illés Farkas）和塔马斯·维克（Tamás Vicsek）。 2000.模拟逃逸恐慌的动力学特征。 《自然》，第4076803卷（2000年），第487-490页。 谷歌学者 交叉引用 德克·赫尔宾和安德斯·约翰逊。 2011年，行人、人群和疏散动态。 纽约州纽约市施普林格，邮编697-716。 谷歌学者 黄子杰、孙益洲和王伟。 2020年。从不规则采样的部分观测中学习连续系统动力学。 神经信息处理系统进展，第33卷（2020），16177-16187。 谷歌学者 安德斯·约翰逊（Anders Johansson）、德克·赫尔宾（Dirk Helbing）、哈比卜（Habib Z Al-Abideen）和萨利姆·博斯塔（Salim Al-Bosta）。 2008年。从人群动力学到人群安全：基于视频的分析。 复杂系统的进展，第11卷，04（2008），497-527。 谷歌学者 交叉引用 安德斯·约翰逊（Anders Johansson）、德克·赫尔宾（Dirk Helbing）和普拉杜姆·舒克拉（Pradyumn K Shukla）。 2007年。通过对视频跟踪数据进行进化调整，对社会力量行人模型进行规范。 复杂系统的进展，第10卷，增刊02（2007），271--288。 谷歌学者 梅迪·穆萨伊德（Mehdi Moussaid）、德克·赫尔宾（Dirk Helbing）、西蒙·加尼尔（Simon Garnier）、安德斯·约翰逊（Anders Johansson）、莫德·库姆（Maud Combe）和盖·塞拉拉（Guy Theraulaz）。 2009.人类群体中自组织行为机制的实验研究。 《皇家学会学报B：生物科学》，第2761668卷（2009年），第2755-2762页。 谷歌学者 交叉引用 梅迪·穆萨伊德（Mehdi Moussaid）、尼里亚斯卡·佩罗佐（Niriaska Perozo）、西蒙·加尼尔（Simon Garnier）、德克·赫尔宾（Dirk Helbing）和盖·塞拉拉（Guy Theraulaz）。 2010年，行人社会群体的步行行为及其对人群动力学的影响。 公共科学图书馆，第5卷，第4卷（2010年），e10047。 谷歌学者 交叉引用 尤利娅·鲁巴诺娃（Yulia Rubanova）、Ricky T.Q.Chen和大卫·K·杜维诺（David K Duvenaud）。 2019.不规则采样时间序列的潜在常微分方程。 神经信息处理系统进展，第32卷。 Curran Associates公司。 谷歌学者 D.Solomatine、L.M.See和R.J.Abrahart。 2008.数据驱动建模：概念、方法和经验。 施普林格-柏林-海德堡，柏林，海德堡。 谷歌学者 唐明和贾鸿飞。 2011年，社会力量行人模型的校准和验证方法。 2011年运输、机械和电气工程国际会议（TMEE）论文集。 IEEE，2026年-2031年。 谷歌学者 交叉引用 彼得·特劳特曼和安德烈亚斯·克劳斯。 2010.解冻机器人：在密集互动的人群中导航。 2010年IEEE/RSJ智能机器人与系统国际会议。 IEEE，797--803。 谷歌学者 交叉引用 Pete Trautman、Jeremy Ma、Richard M Murray和Andreas Krause。 2015.密集人群中的机器人导航：人机合作的统计模型和实验研究。 《国际机器人研究杂志》，第34卷，第3期（2015年），第335-356页。 谷歌学者 数字图书馆 David Wolinski、S J.Guy、A-H Olivier、Ming Lin、Dinesh Manocha和Julien Pettré。 2014.人群模拟的参数估计和比较评估。 计算机图形论坛，第33卷。 威利在线图书馆，303--312。 谷歌学者 易帅、李洪生和王晓刚。 2016年，使用深度神经网络了解和预测行人行为。 在欧洲计算机视觉会议上。 施普林格，263-279。 谷歌学者 交叉引用 Yaofeng Desmond Zhong、Biswadip Dey和Amit Chakraborty。 2020年，辛ODE-Net：通过控制学习哈密顿动力学。 在学习代表国际会议上。 谷歌学者
索引术语
ODE学会走路：基于ODE-Net的人群动力学数据驱动建模
建议
基于agent的人群建模和仿真的视频学习行为模式 本文提出了一种新的数据驱动建模框架，用于基于真实视频数据构建基于agent的人群模型。 构建的人群模型可以生成与视频中观察到的人群行为相匹配的人群行为，并可用于预测。。。
