CN103954278A - 一种基于多数据融合的应急逃离引导方法和系统 - Google Patents

Abstract

本发明涉及一种基于多数据融合的应急逃离引导方法和系统，用于个人用户面临危险事件时，帮助用户选择最佳的脱困目的地和最安全的逃离路线。当危险事件发生时，用户采用客户端发送所在地的GPS和逃离引导请求。服务器端搜索事发地点周围一定范围内能够帮助用户脱困的特定类型的POI(城市信息点)，通过聚类算法识别出POI聚集密度较高、人群密度较高的候选安全区域，综合考虑用户前往安全区域的路线的安全性以及目标安全区域本身的安全性，选择一条全局安全系数最高的最优逃离路径。客户端根据最优路径进行实时跟踪引导。本发明能够提供简洁高效的即时引导服务，对于减少个人生命财产损失、保障和谐安定的生活环境等具有实践应用价值。

Description

一种基于多数据融合的应急逃离引导方法和系统

技术领域

本发明涉及海量浮动车辆数据分析、基于社交媒体数据的城市人群出行模式分析、城市信息点(Point of Interest，POI)时空聚类分析、最优路径规划、位置相关服务、移动计算等领域，具体涉及一种基于多数据融合的面向个人的应急逃离引导方法和系统。

背景技术

在过去的十多年时间中，信息技术的普及已经深刻的改变了人们的生活。随着大数据处理技术的发展以及云计算服务的落地，人们已经可以借助于更强大的计算资源来处理更加海量的数据，各类基于海量数据分析处理的应用也应运而生。同时，随着各类移动终端的普及，人们获取各类信息和服务的门槛也进一步降低。

自IBM在2010年提出“智慧城市”的概念以后，各国也开始重视利用先进的IT技术，分析处理海量的数据，以更好地服务于公众。公共安全领域是一个近年来非常受重视的领域。随着中国城市化进程的加快，居民的城市生活越来越丰富，城市安全问题也有所突显。传统的关注点只关心面向公众的安全服务，实际上借助于大数据处理技术及智能的移动终端设备，推出面向用户个人的个性化安全服务已经成为可能。

在城市生活中，个人时常有各类安全庇护需求。例如在不熟悉的地域遭人跟踪，或在突发暴力事件时急需安全的避难场所，或在夜晚出行需要优先考虑人流密集的、明亮的安全区域等。传统方式下个人遭遇危险事件时，往往选择大声呼救，盲目地选择逃离方向与逃离路径；或者是根据个人经验，向车流量大的道路或者人群密集的地方逃离。但是当事人对交通状况与地区安全的感知是经验性的，不可靠的，而且对时间不敏感。如果在危险情况下，选择不当会给当事人造成重大的损失。因此，需要更有效的应急逃离引导方案，以减少危险事件发生时所带来的危害，为个人用户提供个性化的逃离引导服务安全保障。

发明内容

针对个人在应急情况下的逃离引导需求，本发明提出了一种基于多数据融合的应急逃离引导服务的实现方法及系统。本发明重点要解决的问题是在威胁人身安全的危险事件发生时“往哪儿逃”和“如何逃”，采用的方法主要包括候选安全区域的聚合，路网流量经验模型的生成，以及基于安全系数计算的逃离路径选择。

本发明所采用的技术方案的内容包括：

(1)提出根据城市POI分布数据聚合得到候选安全区域的方法，实时的为用户搜索一定半径范围内的候选安全区域。融合带有地理标签的社交媒体数据和城市POI分布数据，评估各候选安全区域的安全系数。这部分解决“往哪儿逃”的问题。

(2)基于海量浮动车的运营记录，融合地图路网数据信息，将浮动车GPS信息映射到路网空间，从而将浮动车的GPS轨迹转换成为了路网轨迹。然后从道路路网的角度，根据浮动车辆的经过路径、流量、流速等信息，统计每条路径在一个时间点的流量、流速信息，进而生成一个路网流量的经验模型，为评估路径的安全系数做准备。

(3)计算事发点至各个候选安全区域的若干个候选路径，根据路网流量经验模型计算各个候选路径的安全系数。选择安全系数最高的候选路径作为去往各个候选避免区域的应急逃离路径。(2)和(3)两部分共同解决“如何逃”的问题。

(4)提出结合目标区域安全评分与途经路径安全评分的综合最优逃离路径选择方法，为用户提供在融合多方面数据的基础上的整合化的最优方案。借助移动设备的定位跟踪能力，可以实时的对用户的逃离路径做出指引。这部分提供了整合“往哪儿逃”和“如何逃”的整合化解决方案。

下面分4个部分具体阐述本发明的主要内容。

1.候选安全区域聚类生成方法

融合城市POI数据、人群分布数据的候选安全区域选择方法主要包括3个步骤：1)选取事发点周围指定半径覆盖到的所有能够帮助用户脱困的有效POI作为候选POI集合；2)使用NN-Aggregation算法从候选POI集合中聚合出候选的安全区域；3)融合人群分布情况和POI分布情况对候选安全区域的安全系数进行评估。下面对各个步骤的具体实现方式进行说明。

1.1POI候选集的选择方法

本发明中我们使用POI作为安全区域的组成单元。下面给出定义以便下文的说明。

定义1(POI)：POI是地理空间中承担特定职能的地理实体(如咖啡馆，商场，酒店，医院等等)。本发明中我们将POI定义为POI＝<GPS,Opening_Hours,Type>,其中GPS是POI的地理坐标，Opening_Hours指代POI的营业时间，Type指代POI的类型。POI类型表征了POI所承担的特定公共服务职能。在具体实施时，POI类型可以采用多级分类模式，比如采用三级分类模式，其中一级类别包括：生活服务、餐饮服务、购物服务、医疗保健服务等；二级类别、三级类别采用其它的POI类型。但本发明不以此为限制，也可以不对POI类型进行分级。

定义2(有效POI)：在本发明中我们只关注那些提供公共服务的POI，诸如医院、餐厅、商场。这些POI有较高的人流量和人口密度，有利于帮助用户最大可能的获得帮助，脱离困境。此外，有效POI还必须满足在用户请求服务的时候还处于营业状态。

基于以上定义，我们给出候选的POI的选择方法：

(1)给定事发点的GPS坐标p，搜索半径r以及当前时间t，返回满足如下条件的POI构成候选POI集合，即满足POI与事发点p的直线距离小于r，POI类型是指定的有效类型，同时当前请求时间属于该POI的正常营业时间；

$\left\{\begin{array}{c}\mathrm{Dis}(p,\mathrm{POI}.\mathrm{GPS})<=r\\ \mathrm{POI}.\mathrm{Type}\&Element;\mathrm{ValidTypeSet}\\ t\&Element;\mathrm{POI}.\mathrm{Opening}\_\mathrm{Hours}\end{array}\right.$

(2)如果步骤(1)得到的POI集合为空，则扩大搜索半径r＝2*r,再次执行步骤1的搜索。

1.2候选安全区域的聚类方法

上一步获取的候选POI集合并非最终推荐的安全区域。我们认为一个安全区域由较多有效POI聚集而成，这种地带人流量较大，人口密度较高，能够为用户提供更多的帮助以尽快脱险。为此，我们提出了安全区域聚类识别方法(Nearest Neighbors Aggregation，简称为NN-Aggregation)，将候选的安全区域从POI候选集中识别出来。

定义3(临界聚合距离λ)：当两个POI之间的空间距离小于临界距离λ时，我们认为两个POI可聚合。

定义4(临界POI聚合率)：假设已经聚合有一个POI簇W，簇中POI数为n。现有一个新POI记为poi，经计算poi与W中k个POI满足临界聚合距离条件λ，则针对poi的POI聚合率为：

aggre_ratio(poi)＝k/n

本发明中我们规定如果则可以将poi聚合到W中。

依据以上定义，我们给出安全区域的识别过程：

(1)从POI候选集中随机抽取一个POI，构造一个新的只有一个POI的安全区域；

(2)从候选集中的剩余POI中选择一个满足临界POI聚合率φ条件的POI聚合到安全区域中；

(3)反复执行步骤(2)，直到找不到可以聚合到安全区域的POI，则一个安全区域识别完毕。如果此时候选集合中还有未识别的POI，则跳转到步骤(1)，开始新的安全区域识别流程；否则整个识别过程结束。图2a是POI分布的模拟示意图，图2b是使用上述NN-Aggregation算法对POI进行聚类后识别出的安全区域示意图。

1.3候选安全区域的安全系数计算方法

在识别出用户周围可能的安全区域后，我们需要对安全区域的安全性进行评估，本发明中我们定义“安全系数”来度量。

定义5(安全区域的安全系数)：安全系数是某个安全区域在特定时刻的安全性得分。假设当前时刻为t,则安全区域cluster的安全系数定义为：secure(cluster,t)。cluster的安全系数与3方面的因素有关：1)t时刻cluster中正处于营业状态的POI数目；2)t时刻cluster中人流量；3)cluster中的POI密集程度。

定义6(t时刻POI人流量)：人流量反应了一个地区的繁华程度。在本发明的应用场景下，这种繁华程度与地带的安全性成正相关关系。我们利用海量的带有地理标签信息的社交媒体数据来近似的估计某个POI在以t时刻为中间点的半小时内的人流量。具体方法为：对数据进行分析并按地理标签进行分区域统计，得到在t时刻所在时间区间内POI附近一定半径内的社交媒体信息发表量，以此来表征安全区域的人流量，记为peopleFlow(POI,t)。

定义7(安全区域POI密集程度)：我们用安全区域cluster内的平均POI间距来表征这一指标，记为density(cluster)。假设cluster的POI数为n，则

$\mathrm{density}\left(\mathrm{cluster}\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{n-1}{\mathrm{\&Sigma;}}_{j=i+1}^n\mathrm{dis}({\mathrm{POI}}_i,{\mathrm{POI}}_j)}{n\&times;(n-1)/2}$

定义8(t时刻单位人口密度PD)：有了t时刻POI人流量以及安全区域POI密集程度之后，我们定义t时刻单位人口密度PD为：

$\mathrm{PD}=\frac{{\mathrm{\&Sigma;}}_{i=1}^n\mathrm{peopleFlow}({\mathrm{POI}}_i,t)}{\mathrm{density}\left(\mathrm{cluster}\right)}$

最后，安全区域cluster的安全系数计算方法如下：

secure(cluster)＝PD×n

其中n为安全区域中的POI数。

2.道路流量经验模型统计方法

原始的浮动车数据存储的是车辆GPS装置收集的带有时间标签的GPS数据，这些GPS数据并不能直接被利用，要将他们转换为有价值的信息就必须融合地图路网数据来对它们进行分析。融合浮动车数据，地图路网数据的道路流量经验模型统计方法包含2个步骤：1)以车辆标识为索引，将车辆的GPS轨迹映射为路网上的路段轨迹；2)以路网路段标识为索引，对路段不同时间点的流量和流速信息进行统计和平滑。

在本发明的场景下，我们认为路段的安全性和该路段上的车流量有着很强的关联关系。参照市民的出行和作息规律，本发明以周为基础对原始数据集进行加工，分析了两种建立时间索引的方式，一种是将每周七天分为工作日和休息日两种类型，另一种是将每周七天分为周一至周日七种类型。

首先给出一些描述性定义。定义一天时间为T，将一天的时间分为n个等分，作为基于时序统计数据的n个单元t_i，那么T＝{t₁,t₂,t₃,…,t_n}。定义整个路段为E，整个路网可由m个定向的路段edge_j连接组成，那么E＝{edge₁,edge₂,edge₃,…,edge_m}；定义节点为V，每一个路段edge_j都有两个端点(节点)，用V_s(edge_j)和V_e(edge_j)表示路段edge_j的起始和终止端点,每一个端点就是一个地理坐标v_i，地理坐标包含经度和纬度两个属性，我们分别用lng和lat来表示，那么v_i＝(lng_i,lat_i)。针对不同日期类型d_x、不同的时间点t_i、不同的路段edge_j生成一个经验流量记录，记为eflow(d_x,edge_j,ti)。

在此基础之上，针对具体的路段edge_j和一定时间范围Δ，建立了路段流量计算表达式，记为表明某个具体的路段具体时间范围内的流量大小。

2.1浮动车辆数据GPS空间到路网空间映射方法

(1)浮动车辆数据预处理及按车归并

海量的浮动车辆数据在服务器端收集时，是按照时间顺序进行记录和存储的，要得到轨迹信息，首先需要将同一辆车的GPS记录归并到一起，并且按照时间先后排好序。在数据收集的过程中由于GPS设备原因或者网络通信原因，在数据集中会有一定数量的损坏数据或者无效数据，这部分记录需要被过滤掉。另外，结合路网的长度信息，对于相邻GPS记录的时间间隔或者空间间隔过大的情况，应该予以断开，做多条轨迹处理。否则，间隔过大的两个相邻GPS记录之间的轨迹信息程序无法预估，会在遍历概率空间时造成空间爆炸，无法得到有意义的结果。单条轨迹，如果包含的GPS记录过少，如少于三条，也需要舍弃。

(2)车辆GPS轨迹到路网路段轨迹映射

车辆GPS轨迹记录由一组GPS记录组成，通过GPS记录的经纬度查找候选道路，使用MapMatching算法结合A-Star算法计算出与这一组GPS记录最佳匹配的路网路段轨迹R＝{edge₀,edge₁,edge₂,…,edge_z}。由于GPS记录有疏有密，同一个道路上可以有多个GPS记录对应，而某个中间道路也可能没有GPS记录对应。因而在具体计算的过程不仅需要使用MapMatching算法进行每条GPS记录进行道路匹配，若相邻GPS记录匹配的道路不相邻，还需要用A-Star算法通过概率计算对两段路之间的路径进行轨迹的补齐。如果出现无法匹配的一组GPS记录片段，则视为需要过滤的无效GPS记录舍弃掉。

(3)车辆路网路段轨迹进一步分片

每辆车在运营的过程中存在不同的运营状态，主要包括载客、空载、驻车和停运四种状态。除了对车辆的轨迹信息进行时间和空间维度的切片以外，还需要根据不同的运营状态对轨迹做切分，便于后期统计分析时区分不同种类的流量。

2.2浮动车辆数据按路网路段统计方法

(1)按天统计车流量

针对每条道路，将不同车辆的路网路段轨迹记录进行合并，计算出各个道路一天内各个时间点所对应的时间片段内的车流量。车流量统计主要包括空载流量值和行车(包括载客和空载两种状态)流量值。

根据GPS记录中的瞬时车速累计平均，计算出各条道路一天内各个时间点所对应的时间片段内的平均瞬时速度。根据各个车辆行程轨迹分片的路程长度合并计算出各个道路一天内各个时间点所对应的时间片段内的平均车速。

(2)按是否为工作日统计车流量

在按天统计车流量的基础上进一步统计合并，区分是非工作日两种日期类型，合并计算上一步骤得出的统计值，作为道路流量计算的基础。

(3)按周一至周日七种类型统计车流量差异

本发明不仅考察了是非工作日车流量统计的情形，也考察了一周七天各自车流量的统计值，并与上一步骤统计结果比对，得出周一至周日与是非工作日统计结果值之间的差值。作为不同日期类型的进一步的细化调节因子。

(4)为统计数据建立文件索引

为了离线计算结果可以重复使用，需要将统计分析结果存储成数据文件。同时为了快速查找数据和评估道路安全系数，本发明设计了一种便捷高效的文件索引。

本发明设计了两级索引结构，第一级为索引文件，第二级为数据文件。索引文件中，存储某一个道路标识在某一个日期类型下的数据文件名，并且记录了该路段的数据在该数据文件中的起始偏移量和结束偏移量。这样根据道路标识和日期类型，可以快速定位到具体的数据文件，然后再根据偏移量，可以直接定位到该路段的数据。数据文件中，记录了该路段在某一个时间点上的流量、空载流量，平均速度等信息。每一个索引单元对应的统计数据，包括了一个具体路段和具体日期类型下的一天内所有时间点片段单元的统计记录。因为每个统计单元的数据量很小，如果独立存储将会生成大量零碎文件，影响文件系统的性能。而全部存储在一个文件中，会造成单个文件过大，无法正常读取或者定位困难。本发明在设计数据存储程序时，采用可配置的方式设定数据文件的大小，可以按照具体的需要，灵活设置。

(5)路段流量计算方法实现

在获取目标路段和一个具体的日期时间的情况下，读取相关的统计数据，使用线性平滑方式，以当天的时序作为坐标轴建立流量平滑曲线，纵坐标为与流量统计值，一段时间内的路段流量的计算即相当于对该平滑曲线的积分计算。

3.候选逃离路径选择与安全系数评估方法

3.1候选逃离路径选择方法

该方法的实现主要包含两个步骤：1)借助栅格化索引选取以事发地点为中心，邻近的一定半径内的候选起始路段集合；2)使用Dijkstra算法从候选的起始路段集合计算出到达目的安全区域的最短逃离路径。下面给出基于路网栅格化构建索引的定义。

定义9(针对路段edge的栅格化索引EO-Grid)：针对路段edge的栅格化索引可以定义为EO-Grid＝<LT,RB,Set<cell>,hn,vn>，其中LT,RB为索引的路网范围，LT为路网矩形左上角的GPS坐标，RB为路网矩形右下角的GPS坐标，Set<cell>为索引后的cell集合，hn为横向(东西向)划分的cell数目，vn为纵向(南北向)划分的cell数目。

定义10(索引栅格cell)：一个EO-Grid被切分成hn×vn个cell，一个cell可以定义为cell＝<LT,RB,ID,Set<edge>>，其中LT,RB分别为cell的左上角和右下角GPS坐标，ID为cell的编号，Set<edge>为落在该cell下的edge集合。

给定一个GPS点，栅格化索引为其快速返回以其为圆心指定半径范围内的edge候选集。下面将重点介绍如何确定落入指定范围内的cells,然后再确定edge候选集合。图4a是对路网进行栅格化划分的示意图，图4b是Grid索引中cell结构的示意图。

搜索候选逃离路径的计算过程：

1.给定事发点GPS坐标P(lat,lng)，其中lat为纬度，lng为经度。基于EO-Grid索引，在使用Hash存储索引的情况下，可以在O(1)时间复杂度内定位坐标点所在的cell，记为X。

2.给定候选起始路段的搜索半径r，确定X周围被半径r扫过的所有cell。我们将那些D_min<r的cell分别作为确定候选起始路段的候选cell集合，而注册在这些cell上的edge即为候选起始路段。如图3所示，以事发地点为中心，半径r范围内，我们找到了候选起始路段{edge₁₁}。

3.从候选路段出发到某个候选安全区域，我们使用Dijkstra算法得到一条最短路径和若干次短路径。首先先用经典的Dijkstra算法求出最短路径,然后移除最短路径中的一段路，对移除这段路以后的路网再做一次最短寻路。对于最短路径上的每一段路做一样的操作，我们可以得到若干次短路径，将这些路径排序后即为原路径问题的次短路径解集合。

3.2候选路径安全系数评分方法

不同的候选路径具有不同的安全系数，本发明给出了一种基于路网流量经验模型的路径安全系数评估计算方法。

对于每一个途经路段edge的安全系数，与其车速、车流量相关。根据道路流量流速模型，可以获取某个时间段t某个路段edge的车速speed(edge,t)与车流量flow(edge,t)，得路段安全系数：

$\sec \mathrm{ure}(\mathrm{edge},t)=\mathrm{flow}(\mathrm{edge},t)\&times;\frac{1}{1+\mathrm{speed}(\mathrm{edge},t)}$

假设某个候选路径表示为R＝<edge₁,edge₂,...,edge_n>，各个路段的长度依次为<l₁,l₂,...,l_n>，则该路径的安全系数为：

$\sec \mathrm{ure}(R,t)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\sec \mathrm{ure}({\mathrm{edge}}_i,t)\&times;(l_i/\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_i))$

对每一个候选路径计算其相应的安全系数值，用于后续最优路径的计算选择。

4.最优逃离路径选择及引导方法

4.1最优逃离路径选择方法

针对最优逃离路径的选取，本发明提出了结合目标安全区域与途经路径综合安全评分计算方法。

使用Logistic分布函数对两种安全系数评分值规范化得出：

$\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(\mathrm{cluster}\right)=\frac{1}{1+e^{-\sec \mathrm{ure}\left(\mathrm{cluster}\right)}}$

$\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(R\right)=\frac{1}{1+e^{-\sec \mathrm{ure}\left(R\right)}}$

综合得分计算采用：

$\mathrm{finalScore}(\mathrm{cluster},R)=\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(\mathrm{cluster}\right)\&times;\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(R\right)$

由于应急危险事件发生具有动态随机性及关联影响的特点，在运营的系统中需全局跟踪与记录应急事件的影响。对一个正在发生的应急事件，直接影响到相关路段与区域的危险评分risk。对于没有记录到的路段或区域的危险评分值默认为零。应急事件的记录包括手动和自动记录两种方式。系统对一次应急事件请求计算出目标指引的同时，自动增加该事件发生区域内的危险评分一个单位，对特殊的重大事件则可通过手工的方式记录相关危险评分。在后续的服务请求计算中，验证各个候选路径及目的地，受到影响的累计危险评分值risk(cluster,R)。结合危险评分对安全系数评分进行修正为：

$\mathrm{finalScore}(\mathrm{cluster},R)=\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(\mathrm{cluster}\right)\&times;\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(R\right)\&times;\frac{1}{1+\mathrm{risk}(\mathrm{cluster},R)}$

上式评分值最大的目标安全区域及其逃离路径，即为最优应急逃离路径选择方案。系统将最优安全区域及最优逃离路径返回给用户。

4.2逃离路径引导方法

首先移动设备需要具备GPS定位能力和网络通讯能力，并安装应急逃离指引客户端程序。客户端程序内置交通道路网络数据及应急逃离指引服务请求接入的实现，当得到目标安全区域及最优逃离路径后，结合地图接口绘制出相应引导路径与目标安全区域。

客户端系统需要持续跟踪用户GPS位置，适时地更新引导消息并进行语音播报。在获知用户GPS位置的情况下，客户端系统还将得到周边各个区域的不同的安全指数，在地图中分别绘制不同级别的颜色图层，为终端用户提供更为直观的预览效果。对不同区域安全指数分级按照绿色、浅绿色、黄绿色、黄色、红色，逐步过渡。对未识别的区域设定为无色图层；对可识别的安全区域，使用绿色或浅绿色表示；对系统可识别的不安全区域使用黄色或红色表示。

在应急引导的过程中，根据客户端持续跟踪用户GPS位置变化，客户端需验证用户的移动方向和行经路径与预期设定路径是否一致，如果发现不一致则需要向服务器发起更新指引任务请求，再次获取服务端响应并更新本地指引信息。

本发明致力于解决在个人用户面临危险事件威胁时，用户应该“往哪儿逃”和“如何逃”的问题。首先，通过融合城市POI数据、地图数据和带有地理位置信息的社交媒体数据，采用本发明所提出的NN-Aggregation算法，将城市POI聚合成为一组可以度量安全系数的候选安全区域；然后，结合地图路网数据和海量城市浮动车数据，构建城市路网流量经验模型，并提出了根据道路的流量和流速计算道路安全系数的方法；最后，融合前面所说的多方面的数据，提出了一套综合考虑候选安全区域和逃离路径安全系数的完整的选择脱困目的地和逃离路径的方法。结合移动设备的定位跟踪能力，服务端可以实时地对事发点周边的安全区域与所需通过的道路进行安全评估，并以安全系数为最优路径选择条件，为用户规划一条尽快到达安全区域的安全路径。系统对用户的逃离路径做出规划和实时指引，可以最大化的减少危险事件带来的危害。

本发明设计的基于多数据融合评估安全性的应急逃离引导方法，融合了城市POI数据、地图数据、带有地理位置信息的社交媒体数据、海量浮动车数据等多源数据，采用大数据分析技术综合评估脱困目标区域和逃离路径的安全系数，能够减少危险事件发生时所带来的危害，为个人用户提供个性化的逃离引导服务安全保障，对于保障人们和谐安定的生活环境、打造现代化智慧城市等具有实践应用价值。

附图说明

图1是确定事发点周围指定半径范围内的候选POI集合以及识别后的安全区域的示意图。

图2a是POI分布的模拟示意图，图2b是使用NN-Aggregation算法对POI进行聚类后识别出的安全区域示意图。

图3是从事发点到某个安全区域的最短路径示意图。

图4a是对路网进行栅格化划分的示意图，图4b是Grid索引中cell结构的示意图。

图5是基于多数据融合的应急逃离引导服务架构图。

图6是应急逃离引导服务实现流程图。

图7是应急逃离引导系统的模块组成图。

具体实施方式

下面通过具体实例和附图，对本发明做进一步说明。

本发明根据用户提交请求的位置和时间对用户周围的道路以及候选安全区域做实时的安全系数评估，以路径安全系数和候选安全区域安全系数计算最终得分，并根据最终得分为用户选择最优逃离路径，然后结合用户手持智能终端的GPS定位能力对用户做实时引导。图5是基于多数据融合的应急逃离引导服务架构图。图6是应急逃离引导服务实现流程图。其主要内容说明如下：

(1)根据用户发出引导请求的时间地点查找候选安全区域。用户在遭遇应急事件时通过客户端向服务器发送应急引导请求，并通过客户端的GPS定位服务将用户所在地的GPS坐标发送至服务器。然后服务器以用户所在地的GPS坐标点为圆心，搜索一定半径R内的有效POI作为候选POI集合。这些有效POI需满足POI与事发点p的直线距离小于R，POI类型是指定的有效类型，同时当前请求时间属于该POI的正常营业时间。候选POI集合根据NN-Aggregation算法聚合成为若干POI簇，成为候选安全区域。如果半径r内的候选POI数量太少，则扩大半径R，以取回足够数量的POI。

(2)基于带有位置信息的社交媒体数据，生成带时间片信息的区域人群密度模型。首先对所有的社交媒体数据按照发布时间进行排序，然后对社交媒体数据的地理位置信息进行解析，并根据GPS坐标，注册到交通道路路网的EO-Grid索引上，这样就可以生成以时间片和EO-Grid索引网格编号为索引的社交媒体数据发布量，以此估计人群密度。当要估计一个候选安全区域的人群密度时，首先获取该安全区域所覆盖的EO-Grid索引网格，然后根据时间t，即可获得对该安全区域人群密度的模型估计量。

(3)基于浮动车辆的位置数据，生成带时间片信息的道路流量流速模型。我们将海量的浮动车辆位置数据按车整理，然后按时间排好序，将连续性较好的GPS位置数据归并成一段轨迹。结合路网信息，将GPS轨迹数据转化成一段道路轨迹信息，相邻GPS点之间的道路信息采用A-star算法进行补全，这样就将海量的GPS数据转化成了海量的道路轨迹数据。然后对道路轨迹数据按照道路编号，以及时间进行统计索引，就得到道路流量流速模型。道路流量模型应当周期性的用最新的GPS数据更新，以维持道路流量模型的有效性。

(4)根据用户发出引导请求的地点，查找候选起始路段。首先对交通道路路网数据建立针对路段的栅格化索引，将每条路段注册到它经过的所有索引栅格上。当获得用户所在地的GPS坐标后，以其为圆心，将半径r扫过的所有索引栅格中的路段构成候选起始路段集合S(Edge_start)。

(5)评估候选路径和候选安全区域的安全系数，并选择最终得分最高的安全路径返回给用户。首先对所有的候选起始路段到所有的候选安全区域进行寻路，得到一系列候选路径。对候选路径，从道路流量流速分析模块中得到候选路径上每一条路段在时刻t的流量流速信息，根据候选路径安全系数计算公式，评估该路径的安全系数。对候选安全区域，结合其POI的构成信息以及从人群密度分析模块中获取的时刻t的该安全区域内人群密度信息，根据候选安全区域安全系数计算公式，评估该候选安全区域的安全系数。读取候选安全区域和候选路径的危险项risk(cluster,R)，根据综合最终得分计算公式，评估各方案的最终得分。并选择最终得分最高的安全区域和安全路径作为最优结果返回。

(6)客户端根据服务端返回的最优引导路径进行用户引导，并持续跟踪用户GPS位置与设定路径是否一致。当检测到用户持续一段时间不动时，提示用户是否取消引导。如果检测到用户偏离了引导路径，则重新向服务端提交引导请求，重新帮用户规划引导路径。

图7是采用上述方法的应急逃离引导系统的模块组成图，如该图所示，包括客户端和服务器。客户端用于向服务器发送应急引导请求，并通过GPS定位服务将用户所在地的GPS坐标发送至服务器，并接收服务器返回的最优安全引导路径，对用户做实时引导；服务器，与客户端建立通信连接，用于响应应急引导请求，计算最优安全路径并发送至客户端。

服务器具体包括：候选安全区域搜索模块，首先以用户所在地的GPS坐标点为圆心，搜索一定半径R内的有效POI作为候选POI集合，然后将候选POI集合聚类成一系列的POI簇，成为候选安全区域，如果半径R内的候选POI数量不能满足要求，则自动扩大半径R，以取回足够数量的POI。候选起始路段搜索模块，首先对交通道路路网数据建立针对路段的栅格化索引，将每条路段注册到它经过的所有索引栅格上，在用户GPS位置周围的半径r所覆盖的栅格中，搜索候选起始路段集合。路径搜索模块，对每一个候选起始路段到每一个候选目标安全区域，规划出一系列引导路径。道路流量流速分析模块，对海量浮动车辆GPS数据结合交通道路路网数据分析整理和统计，将GPS数据转换为对应到道路路网上的流量流速数据，得到带有时间片信息的道路流量流速模型，并对其进行存储和索引，供安全系数评估模块调用。人群密度分析模块，对海量的带有地理标签信息的社交媒体数据，按照时间戳信息和地理标签信息进行整理和统计，得到带有时间片信息的人群密度估计模型，并对其进行存储和索引，供安全系数评估模块调用。安全系数评估模块，根据基于海量浮动车辆数据生成的道路流量流速模型评估每一条路径的安全系数，根据带有时间片信息的人群密度估计模型评估候选目标安全区域的安全系数，然后综合路径安全系数和候选目标安全区域的安全系数得到整体最优的应急逃离引导路径，并将其返回给通信模块。通信模块，负责接收客户端应急引导请求，并将安全系数评估模块计算得到的最优应急引导路径返回给客户端。

下面通过实际逃离危险事件的场景举例来进一步说明本发明在实际场景下如何交互和发挥作用，但不以任何方式限制本发明的范围。为了清晰的说明本发明所设计的方法，我们开发了原型系统RunFromDanger。RunFromDanger系统包括客户端和服务器端。RunFromDanger客户端用于向服务器发送应急引导请求，并通过GPS定位服务将用户所在地的GPS坐标发送至服务器，并接收服务器返回的最优安全引导路径，对用户做实时引导；RunFromDanger服务器端与客户端建立通信连接，用于响应应急引导请求，计算最优安全路径并发送至客户端，包括：候选安全区域搜索模块、候选起始路段搜索模块、路径搜索模块、道路流量流速分析模块、人群密度分析模块、候选安全区域及候选安全路径安全系数评估模块、通信模块等。

如图1示，用户在火焰标示的位置遇到紧急情况，需要应急引导服务。用户拿出手持移动设备，打开RunFromDanger客户端程序，选择主界面上的请求引导服务。RunFromDanger程序自动启动手持设备上的GPS设备，开始对用户定位，并将定位结果上传至RunFromDanger服务端，请求引导。RunFromDanger服务端收到用户上传的GPS位置以后，以用户位置为中心，半径R搜索用户附近的有效POI集合，作为候选POI集合，然后根据NN-Aggregation算法，将候选POI集合聚成4簇，构成用户的四个候选安全区域。同时以半径r根据路网上的EO-Grid索引，得到用户的候选起始路段，在图1中，候选起始路段只有edge₁₁。

接下来，RunFromDanger服务端的寻路模块开始为用户做路径规划，分别得到候选起始路段到候选安全区域的若干条路径，在图3中，到达四个候选安全区域的路径分别为R₁＝{edge₁₁,edge₁₂,edge₁₆,edge₅}，R₂＝{edge₁₁,edge₁₃,edge₁₈,edge₂₀}，R₃＝{edge₁₁,edge₁₂,edge₇,edge₈}，R₄＝{edge₁₁,edge₁₂,edge₇,edge₄,edge₃}。然后RunFromDanger服务端基于道路流量流速模型和人口密度模型对4条候选路径及其关联的候选安全区域的安全系数进行评估，并根据最终得分的公式计算得到最终得分，然后将最终得分最高的候选路径作为最有路径返回给客户端。

RunFromDanger客户端收到服务端返回的引导目的地的GPS位置和关键点GPS序列以后，首先在RunFromDanger客户端内置的地图上绘制出整个逃离路径，并根据安全系数评估的结果，为临近区域进行安全性着色，供用户参考。随后启动本地的导航模块，根据关键点GPS序列的顺序，开始对用户进行实时引导。在用户行进过程中，每远离一个路径关键点时，引导模块便对用户的行进方向做判断。如果用户未按照预设的引导路径行进，则RunFromDanger客户端将用户最新的GPS位置上传至服务端，请求服务端再次规划路径。如果用户一直按照预设的引导路径行进，最终将到达目标安全区域。

以上通过实例对本发明进行了详细的描述，本领域的技术人员应当理解，在不超出本发明的精神和实质的范围内，对本发明做出一定的修改和变动，比如对服务器返回数据的具体表示格式进行修改，或对索引的组织方式及搜索过程进行局部修改，仍然可以实现本发明的目的。本发明的保护范围以权利要求书所述为准。

Claims (10)

1.一种基于多数据融合的应急逃离引导方法，其步骤包括：

1)用户在遭遇应急事件时通过客户端向服务器发送应急引导请求，并通过客户端的GPS定位服务将用户所在地的GPS坐标发送至服务器；

2)以POI表示地理空间中承担特定职能的地理实体，服务器以用户所在地的GPS坐标点为圆心，搜索一定半径R内的有效POI作为候选POI集合，然后将候选POI集合聚类成一系列的POI簇，表示若干候选的目标安全区域，如果半径R内的POI数量不能满足要求，则自动扩大搜索半径R；

3)基于交通道路路网数据构建针对路段的栅格化索引，将每条路段注册到其经过的所有索引栅格上，在用户GPS位置周围的半径r所覆盖的栅格中，搜索候选起始路段集合；

4)对每一个候选起始路段到每一个候选目标安全区域，规划出一系列引导路径；

5)基于海量浮动车辆GPS数据并结合交通道路路网数据，得到带有时间片信息的道路流量流速模型，基于海量的带有地理标签信息的社交媒体数据，得到带有时间片信息的人群密度估计模型；根据道路流量流速模型评估每一条路径的安全系数，根据人群密度和POI密度评估候选目标安全区域的安全系数，然后综合路径安全系数和候选目标安全区域的安全系数得到整体最优的应急逃离引导路径，并将其返回给客户端；

6)客户端接收服务器返回的最优应急逃离引导路径，并根据该引导路径引导用户到达目标安全区域。

2.根据权利要求1所述的方法，其特征在于，步骤2)得到半径R内候选目标安全区域的方法是：

a)给定事发点的GPS坐标p、搜索半径r以及当前时间t，返回满足如下条件的POI构成候选POI集合，即满足POI与事发点p的直线距离小于r，POI类型是指定的有效类型，同时当前请求时间属于该POI的正常营业时间：

$\left\{\begin{array}{c}\mathrm{Dis}(p,\mathrm{POI}.\mathrm{GPS})<=r\\ \mathrm{POI}.\mathrm{Type}\&Element;\mathrm{ValidTypeSet}\\ t\&Element;\mathrm{POI}.\mathrm{Opening}\_\mathrm{Hours}\end{array}\right.;$

b)从POI候选集中随机抽取一个POI，构造一个新的只有一个POI的安全区域；

c)从候选集中的剩余POI中选择一个满足临界POI聚合率φ条件的POI聚合到安全区域中；

d)反复执行步骤c)，直到找不到可以聚合到安全区域的POI，则一个安全区域识别完毕；如果此时候选集合中还有未识别的POI，则跳转到步骤b)，开始新的安全区域识别流程；否则整个识别过程结束。

3.根据权利要求2所述的方法，其特征在于，构成所述候选POI集合的有效POI是指提供公共服务的POI，包括医院、餐厅、商场。

4.根据权利要求2所述的方法，其特征在于，定义所述临界POI聚合率φ为：假设已经聚合有一个POI簇W，簇中POI数为n，现有一个新POI记为poi，经计算poi与W中k个POI满足临界聚合距离条件λ，则针对poi的POI聚合率为：

aggre_ratio(poi)＝k/n，

如果则可以将poi聚合到W中。

5.根据权利要求1所述的方法，其特征在于，步骤5)所述候选路径安全系数的评估方法为：

根据基于海量浮动车数据得到的道路流量流速模型，获取某个时间段t某个路段edge的车速speed(edge,t)与车流量flow(edge,t)，得到路段安全系数：

$\sec \mathrm{ure}(\mathrm{edge},t)=\mathrm{flow}(\mathrm{edge},t)\&times;\frac{1}{1+\mathrm{speed}(\mathrm{edge},t)},$

设某个候选路径表示为R＝<edge₁,edge₂,...,edge_n>，各个路段的长度依次为<l₁,l₂,...,l_n>，则该路径的安全系数为：

$\sec \mathrm{ure}(R,t)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(\sec \mathrm{ure}({\mathrm{edge}}_i,t)\&times;(l_i/\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{l}_i)).$

6.根据权利要求1所述的方法，其特征在于，步骤5)所述候选目标安全区域安全系数的评估方法为：

对海量的带有地理标签信息的社交媒体数据进行分析并按地理标签进行分区域统计，得到在t时刻所在时间区间内POI附近一定半径内的社交媒体信息发表量，以此来表征安全区域的人流量，记为peopleFlow(POI,t)，

安全区域的POI密集程度，记为density(cluster)：

$\mathrm{density}\left(\mathrm{cluster}\right)=\frac{{\mathrm{\&Sigma;}}_{i=1}^{n-1}{\mathrm{\&Sigma;}}_{j=i+1}^n\mathrm{dis}({\mathrm{POI}}_i,{\mathrm{POI}}_j)}{n\&times;(n-1)/2},$

t时刻单位人口密度,记为PD：

$\mathrm{PD}=\frac{{\mathrm{\&Sigma;}}_{i=1}^n\mathrm{peopleFlow}({\mathrm{POI}}_i,t)}{\mathrm{density}\left(\mathrm{cluster}\right)},$

最后，安全区域cluster的安全系数计算方法如下：

secure(cluster)＝PD×n，

其中n为安全区域中的POI数。

7.据权利要求1所述的方法，其特征在于，步骤5)所述的最优应急逃离引导路径的选择方法为：

使用Logistic分布函数分别对路径安全系数和目标安全区域安全系数做规范化：

$\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(\mathrm{cluster}\right)=\frac{1}{1+e^{-\sec \mathrm{ure}\left(\mathrm{cluster}\right)}},$

$\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(R\right)=\frac{1}{1+e^{-\sec \mathrm{ure}\left(R\right)}},$

考虑应急事件发生对路径安全系数的动态影响，加入一个危险评分risk因子，系统对一次应急事件请求计算出目标指引的同时，自动增加该事件发生区域内的危险评分一个单位，对特殊的重大事件则可通过手工的方式记录相关危险评分；将候选安全区域和候选路径的危险评分risk因子加和,构成风险项risk(cluster,R)；最终，候选安全区域与候选路径的安全系数综合得分为：

$\mathrm{finalScore}(\mathrm{cluster},R)=\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(\mathrm{cluster}\right)\&times;\stackrel{\&OverBar;}{\sec \mathrm{ure}}\left(R\right)\&times;\frac{1}{1+\mathrm{risk}(\mathrm{cluster},R)},$

系统计算所有候选路径与候选安全区域的组合方案的最终得分finalScore(cluster,R)，选出其中最终得分最高的安全区域与安全路径作为最优方案返回。

8.根据权利要求1所述的方法，其特征在于：步骤6)中客户端使用移动设备的GPS服务，实时跟踪用户行径路线，一旦用户偏离预定撤离路线，则将用户的新位置的GPS坐标提交到服务器，重新规划最佳逃离路线。

9.根据权利要求1所述的方法，其特征在于：步骤6)中客户端在获知用户GPS位置的情况下，根据周边各个区域的不同的安全指数，在地图中分别绘制不同级别的颜色图层，为终端用户提供更为直观的预览效果，对不同区域安全指数分级按照绿色、浅绿色、黄色、橙色、红色，逐步过渡；对未识别的区域设定为无色图层；对可识别的安全区域，使用绿色或浅绿色表示；对系统可识别的不安全区域使用黄色或红色表示。

10.一种采用权利要求1所述方法的基于多数据融合的应急逃离引导系统，其特征在于，包括：

客户端，用于向服务器发送应急引导请求，并通过GPS定位服务将用户所在地的GPS坐标发送至服务器，并接收服务器返回的最优安全引导路径，对用户做实时引导；

服务器，与客户端建立通信连接，用于响应应急引导请求，计算最优安全路径并发送至客户端，包括：

候选安全区域搜索模块，首先以用户所在地的GPS坐标点为圆心，搜索一定半径R内的有效POI作为候选POI集合，然后将候选POI集合聚类成一系列的POI簇，成为候选安全区域，如果半径R内的候选POI数量不能满足要求，则自动扩大半径R，以取回足够数量的POI；

候选起始路段搜索模块，首先对交通道路路网数据建立针对路段的栅格化索引，将每条路段注册到它经过的所有索引栅格上，在用户GPS位置周围的半径r所覆盖的栅格中，搜索候选起始路段集合；

路径搜索模块，对每一个候选起始路段到每一个候选目标安全区域，规划出一系列引导路径；

道路流量流速分析模块，对海量浮动车辆GPS数据结合交通道路路网数据分析整理和统计，将GPS数据转换为对应到道路路网上的流量流速数据，得到带有时间片信息的道路流量流速模型，并对其进行存储和索引，供安全系数评估模块调用；

人群密度分析模块，对海量的带有地理标签信息的社交媒体数据，按照时间戳信息和地理标签信息进行整理和统计，得到带有时间片信息的人群密度估计模型，并对其进行存储和索引，供安全系数评估模块调用；

安全系数评估模块，根据基于海量浮动车辆数据生成的道路流量流速模型评估每一条路径的安全系数，根据带有时间片信息的人群密度估计模型评估候选目标安全区域的安全系数，然后综合路径安全系数和候选目标安全区域的安全系数得到整体最优的应急逃离引导路径，并将其返回给通信模块；

通信模块，负责接收客户端应急引导请求，并将安全系数评估模块计算得到的最优应急引导路径返回给客户端。