为预防类似首尔梨泰院踩踏事件的悲剧，韩国科学技术院（KAIST）研究团队开发出一种新型人工智能 crowd 预测技术，能够超越传统的人数统计，精准识别人群流动模式，提前预警潜在的拥挤风险。该技术不仅可用于大型活动管理与城市交通疏导，还可辅助应对传染病传播。 该研究由计算机学院李在吉教授领导，成果发表于第31届ACM SIGKDD知识发现与数据挖掘会议。研究团队指出，人群聚集的风险不能仅通过人数增减判断——即使人数相同，若人群正集中向某区域流动，危险性也会显著上升。为此，团队创新性地引入“时变图”（time-varying graph）概念，将人群密度（节点信息）与人流方向与路径（边信息）同步分析，实现更全面的动态建模。 与以往仅关注静态人数或单一流动路径的研究不同，该技术采用双模态学习方法，同时捕捉空间关系（区域间连接）与时间变化（人流随时间演变），并创新性地引入3D对比学习机制，使AI能理解地理空间与时间维度的三维互动关系。例如，当某一巷道（A区）人流尚未密集，但持续有大量人群从邻近区域（B区）涌入时，系统可提前识别出A区即将发生危险的信号。 研究团队构建并公开发布了六个真实世界数据集，涵盖首尔、釜山、大邱地铁数据，纽约市交通数据，以及韩美两地新冠疫情确诊病例数据。实验表明，该技术在预测准确率上相比现有最先进方法提升高达76.1%。 李在吉教授表示，希望这项技术能切实提升公共安全，广泛应用于大型活动管理、城市交通优化及疫情传播防控等领域，真正实现AI的社会价值。