A modelagem do comportamento e da dinâmica de pedestres tem se beneficiado dos recentes avanços na capacidade de processamento de grandes quantidades de dados e de simulação de cenários complexos. Estes modelos permitem a prevenção de acidentes em aglomerações e evacuações, e adquirem ainda maior importância no cenário atual, em que a perspectiva de novas pandemias introduz o desafio de controlar o fluxo de pessoas dentro de estádios de esporte, estações de metrô e trem, e em outros espaços urbanos. Neste trabalho, investigamos as diferentes estratégias de modelagem de dinâmica de pedestres em situações de aglomeração, e selecionamos o modelo de forças sociais, proposto por Helbing e Molnar em 1995, como o centro de nossa pesquisa. Desenvolvemos uma implementação deste modelo em Python 3.8 utilizando conceitos de modelagem baseada em agentes e programação orientada a objetos, e testamos a nossa implementação em diversos cenários propostos na literatura. Em particular, comparamos dados de experimentos realizados por Feliciani e Nishinari (2016) com o que obtivemos em simulações, concluindo que o modelo é capaz de reproduzir a dinâmica esperada, porém que se faz necessário um trabalho mais avançado de calibração de seus diversos parâmetros.

Pedestrian behavior and dynamics modeling has greatly benefited from recent advances in our ability to process large amounts of data and to simulate complex scenarios. These models allow us to prevent accidents in crowded events and to plan safer evacuations. The importance of this area of study has recently been renewed in the current global scenario, when the prospect of new emerging pandemics introduces the challenge of controlling the flow of people inside shopping malls, subway and train stations, and in other urban spaces. In this work, we have investigated the different strategies used for modeling pedestrian dynamics in crowded situations, and have selected the model of social forces, proposed by Helbing and Molnar in 1995, as the center of our research. We developed an implementation of this model in Python 3.8 using agent-based modeling concepts and object-oriented programming, and tested our implementation in several scenarios proposed in the literature. In particular, we compared data from experiments carried out by Feliciani and Nishinari in 2016, with what we obtained in simulations, concluding that the model is capable of reproducing the expected dynamics, but that more advanced work on the calibration of its various parameters is necessary.