CN103167027B - 应急救灾场景下单终端的事件驱动的移动模型 - Google Patents

Abstract

本发明提供一种应急救灾场景下单终端的事件驱动的移动模型，首先将影响用户移动的因素归纳为三种事件，结合地图构成用户移动的环境，用户的移动受到吸引事件的驱动，用户的移动被分为两个阶段：在受灾地区之间的移动和在受灾地区内的移动，当用户需要到达某一地点，首先将目的地告知终端，然后按终端推荐的路径行进，终端应用Floyd算法在带有权值的道路拓扑图上计算最优路径，道路的权值由道路长度、网络状况、交通状况和行车状况根据层次分析法和熵权法确定，本发明将网络因素作为影响道路权值的主要因素，以保证用户拥有较好的网络接入。

Description

应急救灾场景下单终端的事件驱动的移动模型

技术领域

本发明属于通信领域，涉及应急救灾场景下用户在携带具有路径指引服务的终端时的移动。

背景技术

随着通信技术的发展和人们需求的不断增加，各具特色的无线接入技术层出不穷，如组建无线局域网的802.11系列标准，组建无线城域网的802.16系列标准，能够实现全球漫游和移动的GSM、CDMA等第二代移动通信技术、具有更高速率的WCDMA、CDMA2000、TD-SCDMA等第三代移动通信技术、无线Adhoc技术、无线传感器技术等。

随着用户需求的不断提高，基于不同接入技术的异构网的融合是通信技术发展的必然趋势。这些系统结构、覆盖范围、通信协议、链路特性、应用场景和业务能力各不相同的无线接入技术将共同为用户提供随时随地与任何人通信的服务。

异构网的融合为移动性管理带来了新的研究内容。相比于传统的蜂窝移动通信系统的移动性管理，异构网的移动性管理技术不仅包括位置管理和切换控制两项关键技术，还包括安全机制和互操作控制两项技术。其中的位置管理和切换控制需要移动模型的支持。

应急救灾场景是异构网融合的典型应用场景。当某地发生灾情时，此地原有的网络设施会遭到破坏，为及时传送救灾信息以利于救援，救灾部门会在救灾地区内建立若干个网络接入点，这些网络可能是异构网络。当记者从一种网络的覆盖范围到另一种网络的覆盖范围时，为保证信息传输的连续性，各异构网之间必须融合。

应急救灾场景相比于其他异构网融合的应用场景有以下三个特点：

1、用户移动具有很强的目的性。应急救灾场景要求用户对指挥中心的命令做出快速反应，用户会以最快速度到达目的地完成报道。因此，事件驱动的移动模型能够反映应急救灾场景下用户移动的特点。

2、用户移动受到网络影响。用户完成现场灾情的报道后，应尽快将信息通过各种网络传送到指挥中心，因此网络分布会影响用户的移动，具体表现为用户应尽量在网络覆盖范围内移动。

3、移动环境复杂多变。各种灾害会破坏道路和建筑物，产生众多阻碍用户移动的障碍物。而且障碍物的形状和分布会发生变化，增加了用户移动的多变性。

根据以上对应急救灾场景的描述，事件驱动的移动模型能够反映此场景下用户移动的特点。事件驱动的群组移动模型认为节点的移动受到事件的驱动，比如上课、吃饭等事件驱使学生移动。在应急救灾场景中，节点的移动受指挥中心的命令驱动。节点的移动由一连串“移动-停留”的动作组成。此移动模型用着色Petrinet生成众多节点的移动轨迹。这种移动模型适合于移动目的性较强的应用场景，并需要结合节点的移动规律。

事件驱动的移动模型需要紧密结合具体的应用场景。应急救灾场景下，用户的移动不但受到道路、障碍物和目的地的影响，而且受到道路状态、危险区域和需要报道的灾情的影响。

发明内容

本发明的目的在于提供一种应急救灾场景下单终端的事件驱动的移动模型。

为达到上述目的，本发明采用了以下技术方案：

1）将应急救灾场景中除道路以外影响用户移动的因素归纳为易变事件、规避事件和吸引事件，所述易变事件、规避事件和吸引事件在空间和时间上的分布构成用户的移动环境；

2）用户的移动分为两个阶段：在受灾地区之间的移动和在受灾地区内的移动；当用户在受灾地区之间移动时，用户将目的地告知终端，终端根据影响道路权值的因素计算出道路的权值，影响道路权值的因素为道路长度以及易变事件，然后终端在带有权值的道路拓扑图上计算出最优路径；当用户在受灾地区内移动时，用户将目的地告知终端，终端根据规避事件获取可行路径，然后终端根据影响可行路径权值的因素计算出可行路径的权值，影响可行路径权值的因素为可行路径长度和易变事件，然后终端在带有权值的可行路径图上计算出最优路径。

当用户在受灾地区之间移动时，易变事件包括网络状况、交通状况和行车状况，当用户在受灾地区内移动时，易变事件包括网络状况；网络状况是影响权值的主要因素。

所述网络状况用道路被网络覆盖长度的百分比表示；交通状况用单方向单位长度上的车辆数目表示；行车状况用[0,1]区间内的数表示，数值越大表明行车性能越差。行车状况表明道路对汽车行进的阻力的大小。越平坦的路面的行车状况越好，起伏越大的路面的行车状况越差。

所述权值的计算方法，具体包括以下步骤：首先，应用层次分析法和熵权法计算出所述影响道路权值或影响可行路径权值的因素的权重因子；然后，各因素的值分别乘以它们对应的权重因子后求和即为此道路或可行路径的权值。

所述规避事件是指用户所要躲避的障碍物和危险区域，采用事件位置、开始时间、持续时间以及禁止区域描述规避事件。

所述吸引事件是指任务和需要报道的灾情，与目的地对应。

所述最优路径的计算应用Floyd算法。

所述用户有两种状态：搜索模式和任务模式；当用户处于搜索模式时，如果用户收到吸引事件，则用户状态转移到任务模式；否则，用户继续处于搜索模式。

本发明的创新性研究主要体现在以下四个方面：

一、本发明提出的移动模型定义了应急救灾场景下驱动用户移动的三种事件。一般意义下的事件驱动是指在现实环境中节点都朝着具有明确意义的目的地移动，比如，学生在校园中的移动，节点的移动只受道路、障碍物和目的地的影响。在应急救灾环境下，节点的移动明显具有事件驱动的特征，但是它们的移动还要受到道路状态、危险区域、需要报道的灾情（兴趣事件）等因素的影响。本发明将这些因素（除道路外）定义为三种事件：易变事件、规避事件和吸引事件。易变事件包括道路的网络状况、交通状况和行车状况，规避事件包括障碍物和危险区域，吸引事件包括任务和需要报道的灾情（兴趣事件）。

二、本发明提出的移动模型基于路径指引服务。应急救灾环境复杂多变，用户只能感知周围环境从而决定移动路线，无法通过自身获取整个环境的信息。本发明假设用户的终端能够收集各种所需信息并以此计算出推荐给用户的最优路径，此最优路径综合考虑了行进时间和网络状况两方面的因素。当用户在道路上行进时，终端需要的信息包括地图拓扑、道路的网络状况、交通状况和行车状况。当用户在受灾现场中移动时，终端需要的信息包括活动区域、禁止区域分布和网络分布。

三、本发明提出的移动模型考虑了道路的网络因素、交通因素和行车因素，并把网络因素作为影响用户移动的主要因素。首先，应急救灾环境要求用户能够尽快将现场情况传送到指挥中心以利于救援，因此用户应当尽量在网络覆盖范围内移动。本发明将网络因素融入到移动模型中，并使它成为影响节点移动的主要因素。其次，应急救灾环境下用户沿两点间的最短路径行进不一定能以最短时间到达，行进时间还与道路的交通状况和行车状况有关。本发明用层次分析法和熵权法计算出网络状况、交通状况和行车状况对道路权值的影响比重，并据此得出道路的权值。然后根据道路拓扑和权值计算出最优路径。

附图说明

图1是用户的状态转移图；图2是用户的详细移动规则；

图3是吸引事件模型；图4是规避事件模型；

图5是受灾地区示意图；图6是受灾地区可行路径示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。本发明基于事件驱动的移动模型，根据实际情况构建用户移动的环境模型并定义移动规则，生成应用在救灾场景中的事件驱动的移动模型。

本发明的应用场景描述如下。假设某地区发生某种灾害，比如地震、洪水、火灾等。记者根据指挥中心的命令驾驶车辆往返于各个受灾现场之间以报道灾情。如果网络设施遭到破坏，记者可以临时在重点区域安装网络接入点以完成灾情报道。记者使用手机、笔记本电脑、PDA等各种移动终端向指挥中心传送救灾信息。

应急救灾环境中用户的移动具有明显的目的性，用户总是朝着固定的目的地移动。用户的移动具有事件驱动的特点。本发明将除道路外的影响用户移动的各种因素也用事件表示，这些因素包括道路状态（网络状况、交通状况和行车状况）、障碍物、危险区域、任务、需要报道的灾情（兴趣事件）等。本发明针对不同的事件类型建立不同的模型，这些变化的事件在地图上的空间和时间上的分布就构成了用户的移动环境，它能够真实地反映出现实环境对用户移动的影响。

应急救灾场景中，为保证救灾行动快速、有效，用户的移动遵从一定的移动规则。本发明通过研究实际救灾活动，定义了用户的两种状态：搜索模式和任务模式，并设定了两种状态之间的转换条件和两种状态内的移动规则。

应急救灾场景中，环境经常发生变化，比如障碍物分布、网络覆盖等发生变化，这些因素显著地影响用户的移动。为使用户适应变化的环境，更好地完成灾情报道任务，用户的终端应该不仅具备信息收发功能，而且具备路径指引功能。在假设终端具有路径指引功能的基础上，用户沿终端指引的路线行进，因此研究用户的移动规律就是研究终端得出推荐路径的方法。本发明提出的移动模型在假设终端具有路径指引服务并且用户遵从推荐路径前进的前提下描述用户的移动规律。

应急救灾场景要求受灾现场的信息能够尽快传送到指挥中心以利于及时救援。因此用户移动路径的选择应综合考虑行进时间和网络接入。本发明根据道路长度、网络状况、交通状况和行车状况四种因素决定道路权值，在此基础上计算用户移动的最优路径。本发明将网络因素作为影响节点移动的主要因素，从而为用户提供较好的网络接入。

1）在应急救灾场景中，用户的移动要受到道路、道路的状态（网络状况、交通状况和行车状况）、障碍物、危险区域、任务和需要报道的灾情等因素的影响。除道路外，这些因素可归纳为三种事件：易变事件、规避事件和吸引事件。这三种事件在地图上的分布，构成了用户移动的环境。用户的移动受到吸引事件的驱动。

2）用户有两种状态：搜索模式和任务模式。当用户处于搜索模式时，如果他收到任务或搜索到兴趣事件，则用户状态转移到任务模式；否则，用户继续处于搜索模式。当用户处于任务模式时，如果他完成报道并且没有未完成的任务，那么用户状态转移到搜索模式；否则，用户继续处于任务模式。

3）用户的移动被分为两个阶段：在受灾地区之间的移动和在受灾地区内的移动。当用户需要到达某一受灾地区时，他首先将目的地告知终端，然后由终端根据道路拓扑和道路的状态计算出一条到达目的地的最优路径。当用户在受灾地区内移动时，终端根据禁止区域和活动区域的分布以及网络分布计算出最优路径。用户按终端推荐的路径行进。

4）最优路径的计算应用Floyd算法。当用户在受灾地区之间移动时，终端首先根据道路长度、网络状况、交通状况和行车状况应用层次分析法和熵权法计算出道路的权值，然后在带有权值的道路拓扑图上计算最优路径。当用户在受灾地区内移动时，终端首先根据可行路径长度和网络分布计算出可行路径的权值，然后在带有权值的可行路径图上计算最优路径。为保证用户拥有更好的网络接入，网络状况是影响上述权值的主要因素。

所述的移动模型将影响用户移动的因素（除道路外）定义为三种事件：易变事件、规避事件和吸引事件，用户的移动受到吸引事件的驱动。应急救灾环境中用户的移动不但受到道路、障碍物和目的地的影响，而且受到道路状态、危险区域和需要报道的灾情的影响，本发明将这些因素归纳为三种事件。易变事件包括道路的网络状况、交通状况和行车状况，规避事件包括障碍物和危险区域，吸引事件包括任务和需要报道的灾情。

所述的移动模型定义了用户的两种状态：搜索模式和任务模式，并设定了两种状态之间的转换条件和两种状态内的移动规则。当用户处于搜索模式时，如果他收到任务或搜索到兴趣事件，则用户状态转移到任务模式，否则，用户继续处于搜索模式。当用户处于任务模式时，如果他完成报道并且没有未完成的任务，那么用户状态转移到搜索模式，否则，用户继续处于任务模式。

所述的移动模型基于路径指引服务。应急救灾场景复杂多变，需要终端为用户推荐综合行进时间和网络状况的最优路径。本发明假设用户的终端能够收集各种所需信息并以此计算出推荐给用户的最优路径。当用户在道路上行进时，终端需要的信息包括目的地、道路拓扑、道路的网络状况、交通状况和行车状况。当用户在受灾现场中移动时，终端需要的信息包括活动区域、禁止区域分布和网络分布。

所述的移动模型计算路径时考虑了道路的网络因素、交通因素和行车因素，并把网络因素作为影响用户移动的主要因素。首先，应急救灾环境要求用户能够尽快将灾情信息传送到指挥中心以利于救援，因此用户应当尽量在网络覆盖范围内移动。本发明将网络因素融入到移动模型中，并使它成为影响用户移动的主要因素。其次，应急救灾环境下用户沿两点间的最短路径行进不一定能以最短时间到达，行进时间还与道路的交通状况和行车状况有关。本发明用层次分析法和熵权法计算出网络状况、交通状况和行车状况对道路权值的影响比重，并据此得出道路的权值。然后根据道路拓扑和权值计算出最优路径。

本发明的具体方案如下：首先根据应急救灾环境下影响用户移动的因素建立用户移动的环境模型，具体包括个体模型、事件模型以及结合地图的整体环境模型。为简单起见，本发明将一个报道组抽象为一个用户，并假设此用户携带一个能够接入各种网络的终端。本发明将影响用户移动的因素（除道路外）定义为三种事件：易变事件、规避事件和吸引事件。易变事件包括道路的网络状况、交通状况和行车状况，规避事件包括障碍物和危险区域，吸引事件包括任务和需要报道的灾情（兴趣事件）。用户的移动受到吸引事件的驱动。本发明将用户状态划分为搜索模式和任务模式。当用户处于搜索模式时，如果他收到任务或搜索到兴趣事件，则用户状态转移到任务模式，否则，用户继续处于搜索模式。当用户处于任务模式时，如果他完成报道并且没有未完成的任务，那么用户状态转移到搜索模式，否则，用户继续处于任务模式。本发明将用户的移动分为两个阶段：在各受灾地区之间的移动和在受灾地区内的移动。当用户在各受灾地区之间移动时，他首先将目的地告知终端，然后由终端根据道路拓扑和道路的状态计算出一条到达目的地的最优路径。当用户在受灾地区内移动时，终端根据禁止区域和活动区域的分布以及网络分布计算出最优路径。当用户在受灾地区之间移动时，本发明将受灾地区的地图抽象为一个带权值的无向图，道路的权值由道路长度、网络状况、交通状况和行车状况根据层次分析法和熵权法确定。此带权无向图上两点之间的最短路径就是终端推荐的最优路径。当用户在受灾地区内移动时，本发明将用户需要避开的危险区域和障碍物用禁止区域表示，用户的移动路线是绕过禁止区域并且综合路线长度和网络状况的最优路径。当用户在活动区域内移动时，本发明用随机路点移动模型描述用户的移动。

实施例：

本发明的具体实施方案由三部分组成：基础建模、移动规则和具体算法。

一、基础建模

基础建模即是对用户本身和他移动的外部环境的建模，分为三个方面：个体模型、事件模型和结合地图的整体环境模型。

1、个体模型

应急救灾环境中，记者一般以小组的形式进行报道，小组中有若干人负责不同的事务，比如主持人、摄像师、技术员等。指挥中心一般会为各个小组编号并划分负责区域，当小组处于搜索模式时，它就在其负责区域内进行搜索。小组一般乘车在各个受灾地区之间移动，而在受灾地区内的移动采取步行的方式。

根据以上对报道小组的描述，本发明将一个小组看作一个单一的用户，并为此用户编号和划分负责区域。此用户携带一个能接入各种网络的终端，以用户移动速度的改变表示小组移动方式的转变。设定用户的两个速度区间[v_vec_min,v_vec_max]和[v_ped_min,v_ped_max]分别表示小组乘车和步行时的速度范围。用户的具体移动速度满足在速度区间中的某一分布，比如说均匀分布。

根据现实应急救灾环境中记者的移动规则，定义用户的两种状态：搜索模式和任务模式。搜索模式是指用户已完成所有任务（指挥中心下达的任务或搜索到的兴趣事件）并且尚未搜索到新的兴趣事件或尚未收到新的任务时所处的状态。任务模式是指用户正在执行任务或已搜索到兴趣事件或已收到任务时所处的状态。用户在这两种状态间的转移规则在移动规则部分介绍。

2、事件模型

本发明将影响应急救灾环境下用户移动的因素定义为三种事件：吸引事件、规避事件和易变事件。

（1）吸引事件

吸引事件是指任务和需要报道的灾情（兴趣事件），本发明用以下模型描述吸引事件（见图3）。此模型包含以下几个要素：

事件位置：表示吸引事件发生的位置，用在地图上的直角坐标表示。

开始时间：表示吸引事件开始时间。

持续时间：表示吸引事件持续时间。

活动区域：表示用户报道此灾情时的活动区域，用矩形框表示。

感知区域：表示用户能够感知到此吸引事件的范围，即用户在此区域内能感知到此事件，否则不能感知此事件，感知区域用以事件位置为圆心的圆表示。由于用户能够立即获知指挥中心下达的任务，所以任务的感知区域被设定为整个地图范围。

工作量：表示完成此吸引事件所需要的工作量，用一个用户完成所需要的时间表示。

（2）规避事件

规避事件是指用户所要躲避的障碍物和危险区域，本发明用以下模型描述规避事件（见图4）。此模型包含以下几个要素：

事件位置：表示障碍物或危险事件的中心位置，用在地图上的直角坐标表示。

开始时间：表示规避事件存在的开始时间。障碍物的开始时间被设定为报道行动的开始时间。

持续时间：表示规避事件存在的持续时间。障碍物的持续时间被设定为报道行动的持续时间。

禁止区域：表示禁止用户进入的区域，用矩形表示。

（3）易变事件

易变事件是指道路的网络状况、交通状况和行车状况，这三种易变事件表示道路的状态。

网络状况：用此道路被网络覆盖的百分比表示。

交通状况：用单方向一定长度上（如100m）的车辆数目表示。

行车状况：用[0,1]区间内的实数表示，表示路面的综合行车性能，数值越大表明道路行车性能越差。

3、整体环境模型

整体环境模型描述了在地图基础上，事件在时间和空间上的分布。本发明在地图上设定若干个受灾地区，吸引事件和规避事件全部发生在受灾地区中。为受灾地区设定若干个入口，当用户到达入口时，他的移动速度发生变化。为真实模拟应急救灾环境，本发明用按开始时间排序的事件序列表示变化的整体环境。环境模型的建立可分为两个步骤：初始化和事件序列的加入。首先由地图、障碍物和初始道路状态生成初始的环境模型，然后加入事件序列即可建立整体环境模型。表1表示了某事件序列。

一般情况下，危险事件结束之后，用户便需要到相应地区报道事件的最新进展，因此，在危险事件结束的同时，在该地区会出现相应的吸引事件，如表1的第2行和第7行所示。

开始时间	事件位置（坐标）	事件内容	事件性质
				08:00	（12.64，45.29）	发生火灾	规避事件
08:10	（18.45，9.37）	有伤者被救出	吸引事件
				08:15	（62.36，50.10）	车流量增大	易变事件
08:17	（30.12，87.53）	建筑物倒塌	规避事件
				……	……	……	……
09:00	（12.64，45.29）	火灾被扑灭	吸引事件
				……	……	……	……

表1事件序列举例

二、移动规则

1、用户在受灾地区之间的移动规则

本发明将用户的状态分为搜索模式和任务模式。两种状态之间的转移规则如图1所示。当用户处于搜索模式时，如果用户在搜索过程中搜索到兴趣事件或收到任务，用户转入任务模式，否则他继续处于搜索模式。当用户处于任务模式时，如果用户已完成当前任务并且没有未完成任务时，用户转入搜索模式，否则他继续处于任务模式。当用户处于任务模式（前往任务地点或正在执行任务）时，如果他感知到新的兴趣事件或收到新的任务，则他将这些吸引事件作为未完成任务记录下来。当用户完成当前任务时，他执行记录下来的任务并继续处于任务模式。用户的详细移动规则如图2所示，图2标出了与图1对应的状态转移的序号，下面进行详细说明。

假设报道行动开始时，用户还未接到任务或还未搜索到兴趣事件，他处于搜索状态。此时用户根据一定的规则在其负责区域内指定一目的地，然后告知终端。终端根据地图、当前的网络状况、交通状况和道路行车状况计算出一条通往目的地的最优路径，用户沿推荐的最优路径行进。易变事件的变化会导致最优路径的变化，假设终端能立即感知到这些变化，它根据最新的易变事件来计算最优路径。之后用户可能遇到三种情况：

（1）用户在到达目的地之前既未进入某一需要报道灾情的感知区域又未接收到任务。此时用户仍然处于搜索模式。用户到达目的地之后，重新确定一新的目的地并重复之前过程，如图2中①所示。

（2）用户在到达目的地之前进入某一兴趣事件的感知区域。此时用户被认为感知到此兴趣事件，他即转入任务模式并进入相应的受灾地区报道，如图2中②所示。

（3）用户在到达目的地之前接收到任务。此时用户转入任务模式并将此任务的地点告知终端，终端得出一条通往任务地点的路径，用户沿此路径到达目的地执行任务，如图2中③所示。

在用户前往任务地点和执行任务的过程中，终端会记录这段时间用户收到的任务。当用户完成任务时，若终端记录的任务还在其持续时间内，那么此任务仍然有效。此时用户仍然处于任务模式。用户将任务目的地告知终端，终端根据道路拓扑和道路权值计算出一条通往目的地的最优路径，用户沿此路径前进，如图2中④所示。如果用户完成任务后，终端没有记录任务或任务失效，那么用户会转入搜索模式，如图2中⑤所示。

用户处于搜索模式时目的地的确定规则有以下三种：

（1）将某一需要长期报道的灾区设定为目的地。实际救灾中某一地区可能受灾较为严重，需要长期不定时报道而又不需要连续报道。当用户处于搜索模式时他即前往此地区进行报道。

（2）将补给站设定为目的地。实际受灾地区附近一般设有补给站，补给站为救援人员提供食宿，为通信设备充电，为车辆加油等。当用户需要补给时，可以将补给站设为目的地。

（3）将某一网络长期覆盖的地点作为目的地。救灾场景要求信息能够尽快传送到指挥中心，如果当地的网络状况无法满足信息传送需求时，可将网络状况好的地点设定为目的地以完成信息传送。

2、用户在受灾地区内的移动规则

当用户进入受灾地区的入口，他的移动速度发生变化，移动规则也发生变化。受灾地区如图5所示。图中受灾地区有A、B、C、D四个入口，假设用户从A入口进入，要前往右上方的活动区域。此时影响用户移动的因素有三个：活动区域、禁止区域分布和网络分布。用户将活动区域的位置告知终端，终端根据禁止区域分布和网络分布为用户推荐一条避开禁止区域并综合考虑路径长度和网络接入能力的最优路径。图5中示出了一条可能的最优路径。

3、用户在活动区域内的移动规则

用户进入吸引事件的活动区域开始报道活动，此时采用随机路点移动模型描述用户的移动。在活动区域内随机选择一个目标位置并确定一个随机移动速度v，其中v∈[v_min,v_max]。用户以此移动速度匀速到达目标位置并停留一段随机时间t_pause，其中t_pause∈[t_min,t_max]。重复此过程直至用户完成报道。本发明中用户的移动速度和停留时间在相应范围内服从均匀分布。

三、具体算法

本发明将用户的移动分为两个阶段：在各受灾地区之间的移动和在受灾地区内的移动，相应的算法分为前往受灾地区的路径算法和在受灾地区中的路径算法，它们本质上都是最短路径算法。在图2中已标出两种算法的位置，其中A表示前往受灾地区的路径算法，B表示在受灾地区中的路径算法。本发明应用Floyd算法求解最短路径。

1、前往受灾地区的路径算法

当用户前往受灾地区时，他首先将目的地告知终端，终端根据道路的网络状况、交通状况和行车状况在地图基础上得出一条最优路径。这里的最优路径不是指道路长度最短，而是指综合道路长度、网络、交通、路况等各个因素的最优路径。终端得出最优路径经历三个步骤：建立地图、设定权值、计算路径。

（1）建立地图

本发明将整个报道地区的地图抽象为无向图，其中道路的交汇点被定义为图的顶点，道路被定义为图的边。用V表示顶点的集合，用E表示边的集合，整个地图可以用G={V，E}表示。

（2）设定权值

本发明根据道路长度和道路的网络、交通和行车状况设定道路的权值。首先应用层次分析法和熵权法计算道路长度、网络状况、交通状况和行车状况的权重因子，然后用权重因子乘道路的各影响因子的值得出道路的权值。

道路各影响因子的定义如下：

道路长度s：以km为单位表示；

网络状况n：用道路被网络覆盖的长度的百分比表示；

交通状况t：用单方向一定长度上（如100m）的车辆数目表示；

行车状况c：表示路面的综合行车性能，用[0,1]区间内的数表示，数值越大表明道路行车性能越差。

由于本发明应用Floyd最短路径算法，所以道路权值越小表明道路越优。而较优的道路的长度较小、交通顺畅、网络覆盖范围大、路面状况较好。根据上面的定义可以看出道路长度s、交通状况t、行车状况c为正向指标，而网络状况n是逆向指标。

层次分析法计算权重因子分为三个步骤：构造成对比较矩阵、一致性检验、计算权向量。由于各影响因子的含义和单位的不同，在应用层次分析法之前需要对其做归一化处理。

在本发明中，成对比较矩阵A是一个4×4的矩阵，其中的元素a_ij表示第i个指标相对于第j个指标的相对重要性。举例如下：

$A=\left[\begin{array}{cccc}1& 1/3& 1/3& 1/5\\ 3& 1& 1& 1/3\\ 3& 1& 1& 1/3\\ 5& 3& 3& 1\end{array}\right]---\left(1\right)$

A中第1、2、3、4行分别对应道路长度、交通状况、行车状况和网络状况，相应地第1、2、3、4列也分别对应道路长度、交通状况、行车状况和网络状况。a₂₁表明交通状况t对道路长度s的相对重要性为3，相应地s对t的相对重要性为1/3，所以A为逆对称矩阵。

不一致程度按公式2计算，其中λ_max(A)表示矩阵A的最大的特征值，m是矩阵A的阶数。对于上面的矩阵A，它的最大特征值约为4.0435，阶数为4。由公式2计算出A的不一致程度指标CI≈0.0145。一致性比率CR＝CI/RI＝0.0161，其中RI是与A的阶数相关的一致性标准，在这里RI=0.9。计算出的CR<0.1，所以A的一致性较好。

$\mathrm{CI}=\frac{{\mathrm{\&lambda;}}_{\max }\left(A\right)-m}{m-1}---\left(2\right)$

A的最大的特征值对应的特征向量是[0.13040.33370.33370.8720]^T，归一化后为[0.07180.19980.19980.5222]^T，此向量即为由层次分析法得出的影响道路优劣的四种因素的权重因子。由于层次分析法是建立在主观判断基础上的，缺乏客观的事实依据，因此还需要用熵权法修正权重因子。

熵权法分为两个步骤：原始矩阵初始化和计算熵权。假设地图上有4条道路，每条道路有s、t、c、n四个属性，可用如下矩阵B表示：

$B=\left[\begin{array}{cccc}2.7& 35& 0.3& 0.7\\ 3.1& 27& 0.3& 0.5\\ 2.5& 19& 0.2& 0.2\\ 2.6& 26& 0.4& 0.1\end{array}\right]---\left(3\right)$

B的每一行表示一条道路，第1、2、3、4列分别为s、t、c、n四种属性值。首先需要对B进行初始化处理。对于正向指标s、t、c，按公式4初始化：

$x_{\mathrm{ij}}=\frac{b_{\mathrm{ij}}-\underset{i}{\min }{b}_{\mathrm{ij}}}{\underset{i}{\max }{b}_{\mathrm{ij}}-\underset{i}{\min }{b}_{\mathrm{ij}}}(j=\mathrm{1,2,3})---\left(4\right)$

对于逆向指标n按公式5初始化：

$x_{\mathrm{ij}}=\frac{\underset{i}{\max }{b}_{\mathrm{ij}}-b_{\mathrm{ij}}}{\underset{i}{\max }{b}_{\mathrm{ij}}-\underset{i}{\min }{b}_{\mathrm{ij}}}(j=4)---\left(5\right)$

初始化后得到如下矩阵：

$X=\left[\begin{array}{cccc}1/3& 1& 1/2& 0\\ 1& 1/2& 1/2& 1/3\\ 0& 0& 0& 5/6\\ 1/6& 7/16& 1& 1\end{array}\right]---\left(6\right)$

然后按公式7计算各道路的熵值：

$H_j=-k\&CenterDot;\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}\&CenterDot;\ln f_{\mathrm{ij}}---\left(7\right)$

其中， （如果f_ij=0，则f_ij·lnf_ij=0）。计算得到的H₁、H₂、H₃、H₄分别为0.6122、0.7408、0.7500、0.7302。各属性的权重因子由公式8得出：

${\mathrm{\&omega;}}_j=\frac{1-H_j}{{\mathrm{\&Sigma;}}_{j=1}^n(1-H_j)}---\left(8\right)$

计算出s、t、c、n的权重因子分别为0.3324、0.2222、0.2143、0.2312。将此权重因子按公式9与层次分析法得出的权重因子运算，得出最终的权重因子分别为0.1030、0.1915、0.1847、0.5209。

${\mathrm{\&lambda;}}_j=\frac{{\mathrm{\&alpha;}}_j{\mathrm{\&omega;}}_j}{{\mathrm{\&Sigma;}}_{j=1}^n{\mathrm{\&alpha;}}_j{\mathrm{\&omega;}}_j}---\left(9\right)$

其中α_j是由层次分析法得出的权重因子。

将矩阵X的第二行与对应的权重因子相乘求和，得出此行对应的道路的权值为0.4647。

（3）计算路径

按照上述方法计算出地图内每条路径的权值，对于给定的起点和终点，根据Floyd算法可得出最短路径。相比于Dijkstra算法，Floyd算法能够一次计算出图中所有点之间的最短路径，减小计算量。

对于任意一个顶点v_k∈V，v_i到v_j的最短路径经过v_k或不经过v_k。Floyd算法比较d_ij与d_ik+d_kj。如果d_ij>d_ik+d_kj，则令d_ij=d_ik+d_kj，保持d_ij是当前搜索到的v_i到v_j的最短距离。重复这一过程，当搜索完所有顶点时，d_ij就是v_i到v_j的最短距离。

Floyd算法分为三个步骤：

1）令 $D^{\left(0\right)}={\left(l_{\mathrm{ij}}^{\left(0\right)}\right)}_{p\&times;p},$ 其中ω_ij是v_i到v_j的道路的权值，p为顶点总数。

2）计算p个矩阵D⁽⁰⁾，D⁽¹⁾，…，D^(p)，其中第k个矩阵D^(k)元素表示v_i到v_j，中间顶点仅属于v_l到v_k的k个顶点的所有道路中最短的路径长度。已知 $D^{(k-1)}={\left(l_{\mathrm{ij}}^{(k-1)}\right)}_{p\&times;p},$ $D^{\left(k\right)}={\left(l_{\mathrm{ij}}^{\left(k\right)}\right)}_{p\&times;p}$ 由公式10得出。

$l_{\mathrm{ij}}^{\left(k\right)}=\min \{l_{\mathrm{ij}}^{(k-1)},l_{\mathrm{ik}}^{(k-1)}+l_{\mathrm{kj}}^{(k-1)}\}---\left(10\right)$

3）当k=p时终止，D^(p)中的元素就是v_i到v_j的最短路径长度。

2、受灾地区内的路径算法

当用户在受灾地区内移动时，终端根据活动区域和禁止区域的分布以及网络分布计算出最优路径。用户在受灾地区内的路径算法仍然是计算最短路径的问题。在受灾地区中道路的含义不明确，两点之间不经过禁止区域的通路都可以被看做一条路径。本发明将禁止区域设定为矩形，将入口、终点和禁止区域的所有顶点两两互连，删除其中经过禁止区域的边，然后再应用最短路径算法。如图6所示，受灾地区有A、B、C、D四个入口，用户从A入口进入，将A、E、F、G、H、I六个点全部两两相连。图中虚线表示路径被禁止区域阻挡，粗实线表示可能的路径。

受灾区域内的路径计算不仅要考虑路径长度，还要考虑到网络因素。本发明根据道路长度和网络状况给路径设定权值。其中网络状况仍然定义为路径被网络覆盖的百分比。为简单起见，设定道路长度和网络状况的权重因子分别为0.4和0.6。假设某条路径长度为s=800m，网络状况为n=0.7，最大路径长度为1000m，最小路径长度为100m，最大网络状况为1，最小网络状况为0。首先按照公式4和公式5归一化，然后乘以各自的权重因子，最后得出这条路径的权值为0.4911。在带有权值的可行路径图上应用Floyd算法即可计算出从入口到活动区域的最优路径。

Claims (7)

1.一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：

1)将应急救灾场景中影响用户移动的因素归纳为易变事件、规避事件和吸引事件，所述易变事件、规避事件和吸引事件在空间和时间上的分布构成用户的移动环境；

2)用户的移动分为两个阶段：在受灾地区之间的移动和在受灾地区内的移动；当用户在受灾地区之间移动时，用户将目的地告知终端，终端根据影响道路权值的因素计算出道路的权值，影响道路权值的因素为道路长度以及易变事件，然后终端在带有权值的道路拓扑图上计算出最优路径；当用户在受灾地区内移动时，用户将目的地告知终端，终端根据规避事件获取可行路径，然后终端根据影响可行路径权值的因素计算出可行路径的权值，影响可行路径权值的因素为可行路径长度和易变事件，然后终端在带有权值的可行路径图上计算出最优路径；

网络状况是影响权值的主要因素；

所述用户有两种状态：搜索模式和任务模式；当用户处于搜索模式时，如果用户收到吸引事件，则用户状态转移到任务模式；否则，用户继续处于搜索模式。

2.根据权利要求1所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：当用户在受灾地区之间移动时，易变事件包括网络状况、交通状况和行车状况，当用户在受灾地区内移动时，易变事件包括网络状况。

3.根据权利要求2所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：所述网络状况用道路被网络覆盖长度的百分比表示；交通状况用单方向单位长度上的车辆数目表示；行车状况用[0,1]区间内的数表示，数值越大表明行车性能越差。

4.根据权利要求1所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：所述权值的计算方法，具体包括以下步骤：首先，应用层次分析法和熵权法计算出所述影响道路权值或影响可行路径权值的因素的权重因子；然后，各因素的值分别乘以对应的权重因子后求和即为道路或可行路径的权值。

5.根据权利要求1所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：所述规避事件是指用户所要躲避的障碍物和危险区域，采用事件位置、开始时间、持续时间以及禁止区域描述规避事件。

6.根据权利要求1所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：所述吸引事件是指任务和需要报道的灾情，与目的地对应。

7.根据权利要求1所述一种应急救灾场景下单终端的事件驱动的移动方法，其特征在于：所述最优路径的计算应用Floyd算法。