Analysis of pedestrian flows in an open space

Abstract Understanding pedestrian movement at an aggregate level is essential for the analysis, planning, and management of urban spaces and transport facilities. In many practical applications, interest lies not in individual walking behavior, but in macroscopic demand patterns describing how pedestrians move between spatial zones. Origin–Destination (OD) modeling provides a compact and interpretable framework for representing such demand, while deliberately abstracting away detailed trajectory geometry and interaction dynamics. This thesis investigates macroscopic pedestrian OD modeling using empirical trajectory data extracted from video observations. An empirical OD benchmark is first constructed by spatially aggregating observed trajectory origins and destinations into a fixed set of zones. Two complementary OD modeling approaches are then developed and evaluated under consistent conditions: a stochastic Monte Carlo model that reproduces demand through probabilistic sampling, and a data-driven neural network model that predicts destination zones at the trip level based on origin information and geometric features. Both models are assessed using out-of-sample data and compared using macroscopic performance metrics applied to reconstructed OD matrices. In addition to predictive OD modeling, the thesis presents a descriptive analysis of pedestrian trajectory geometry and temporal crowd context. Metrics such as trajectory linearity, concavity, and crowd count over time are computed post hoc to characterize intra-OD variability that OD matrices necessarily abstract away. These analyses are not used for prediction, but provide contextual insight into geometric and temporal characteristics of pedestrian movement. The results demonstrate that both stochastic and data-driven approaches can robustly reproduce macroscopic pedestrian OD structures, with distinct strengths reflecting their underlying modeling philosophies. By combining transparent OD modeling with descriptive trajectory analysis, this work establishes a robust and interpretable foundation for macroscopic pedestrian demand estimation and supports future extensions toward geometry-aware and flow-dynamics–oriented pedestrian modeling.

Comprendere il movimento pedonale a livello aggregato è fondamentale per l’analisi, la pianificazione e la gestione degli spazi urbani e delle infrastrutture di trasporto. In molte applicazioni pratiche, l’interesse non riguarda il comportamento individuale del camminatore, bensì i modelli macroscopici di domanda che descrivono come i pedoni si spostano tra zone spaziali. La modellazione Origine–Destinazione (OD) fornisce un quadro compatto e interpretabile per rappresentare tale domanda, astraendo deliberatamente dalla geometria dettagliata delle traiettorie e dalle dinamiche di interazione. Questa tesi indaga la modellazione macroscopica OD dei pedoni utilizzando dati empirici di traiettoria estratti da osservazioni video. Viene innanzitutto costruito un benchmark OD empirico aggregando spazialmente le origini e le destinazioni osservate delle traiettorie in un insieme fisso di zone. Successivamente, vengono sviluppati e valutati in condizioni coerenti due approcci complementari di modellazione OD: un modello stocastico Monte Carlo che riproduce la domanda tramite campionamento probabilistico, e un modello neurale data-driven che predice la zona di destinazione a livello di singolo viaggio sulla base dell’origine e di caratteristiche geometriche. Entrambi i modelli sono valutati su dati fuori campione e confrontati mediante metriche di performance macroscopiche applicate alle matrici OD ricostruite. Oltre alla modellazione predittiva OD, la tesi presenta un’analisi descrittiva della geometria delle traiettorie pedonali e del contesto temporale della folla. Metriche quali la linearità della traiettoria, la concavità e il numero di persone nel tempo vengono calcolate a posteriori per caratterizzare la variabilità intra-OD che le matrici OD necessariamente astraggono. Tali analisi non sono utilizzate a fini predittivi, ma forniscono un inquadramento contestuale delle caratteristiche geometriche e temporali del movimento pedonale. I risultati dimostrano che sia gli approcci stocastici sia quelli data-driven possono riprodurre in modo robusto le strutture macroscopiche OD dei pedoni, con punti di forza distinti che riflettono le rispettive filosofie di modellazione. Combinando una modellazione OD trasparente con un’analisi descrittiva delle traiettorie, questo lavoro stabilisce una base solida e interpretabile per la stima macroscopica della domanda pedonale e supporta futuri sviluppi verso modelli pedonali sensibili alla geometria e orientati alle dinamiche di flusso.