CN108446470B - 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 - Google Patents
基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 Download PDFInfo
- Publication number
- CN108446470B CN108446470B CN201810189945.0A CN201810189945A CN108446470B CN 108446470 B CN108446470 B CN 108446470B CN 201810189945 A CN201810189945 A CN 201810189945A CN 108446470 B CN108446470 B CN 108446470B
- Authority
- CN
- China
- Prior art keywords
- data
- medical facility
- population distribution
- model
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明公开了一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,根据初始土地利用数据和驱动力数据,通过FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到研究区域的未来人口分布数据;结合车辆轨迹数据、医疗设施数据、初始人口分布数据和交通距离,挖掘出它们的内部潜在关系,进而准确求解出改进引力模型中不确定的弹性系数,并通过修正后的引力模型求解得医疗设施可达性值。本发明能够提高医疗设施可达性分析的准确性和可操作性,有效解决现状单时段的医疗设施可达性研究的不足,为未来医疗资源均等化、城市人口合理引导提供科学指导。
Description
技术领域
本发明涉及地理信息科学技术领域,尤其涉及一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法。
背景技术
常用的医疗服务空间可达性量化模型包括供需比例法,最近距离法,移动搜索法和引力模型。引力模型(Gravity Model)的优点是综合考虑了设施的服务能力、居民对服务的竞争和交通距离等影响居民出行选择的因素,并引入距离衰减系数,即居民的竞争能力和医疗设施的服务能力随着交通距离的增加而逐渐减弱。引力模型在逻辑上更严谨,更加符合现实情况,因此被广泛应用到医疗设施的空间可达性研究中。
在引力模型中,通常用居民人口数来衡量居民对医疗服务的需求水平,用卫生技术人员数和床位数来衡量医疗设施的服务能力,用地理网络分析的计算结果作为两者之间的交通距离。然而传统引力模型难以在不同案例中选择准确合适的摩擦系数,此外以往研究较多地关注于现状单时段的医疗设施可达性分析,忽视了未来城市扩张和人口增长对现状医疗设施布局合理性重新提出的挑战。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,能够提高医疗设施可达性分析的准确性和可操作性,有效解决现状单时段的医疗设施可达性研究的不足,为未来医疗资源均等化、城市人口合理引导提供科学指导。
为了解决上述技术问题,本发明实施例提供了一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,包括如下步骤:
获取研究区域的遥感影像,并根据所述遥感影像提取所述研究区域的初始土地利用数据;
根据所述初始土地利用数据,选定所述研究区域的空间驱动力因子组成驱动力数据;
基于所述遥感影像设定的模拟区域范围和像元大小,根据所述初始土地利用数据和所述驱动力数据,计算所述模拟区域内各像元与所述驱动力因子的距离值;
基于所述研究区域的初始人口分布数据,利用预先构建的第一线性回归模型建立所述初始土地利用数据与初始人口分布数据的数量关系;
将所述初始土地利用数据和所述驱动力数据输入FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到所述研究区域的未来人口分布数据;
根据所述初始人口分布数据和所述研究区域的医疗设施数据,基于交通网路的数学模型,采用网络分析法计算居民点与医疗设施点之间的交通距离;
获取所述居民点与医疗设施点之间的所有有效车辆轨迹数据,并根据所述车辆轨迹数据、所述初始人口分布数据、所述医疗设施数据和所述交通距离,通过预先构建的第二线性回归模型,求解得到改进引力模型中的各项弹性系数;
将各项弹性系数代入所述改进引力模型,得到修正后的引力模型,并将所述未来人口分布数据、所述医疗设施数据和所述交通距离输入修正后的引力模型中,求解得到医疗设施可达性值;
所述改进引力模型为:
其中,所述改进引力模型为传统引力模型的改进,所述传统引力模型为:
其中,n和m分别为医疗设施点和居民点的数目;Sj为医疗设施点j的服务能力;Pi为居民点i的人口数;dij为居民点i和医疗设施点j之间的交通距离;γ为交通摩擦系数;为可达性指数,其数值越大,表示可达性越好。
进一步地,所述弹性系数为:
其中,Iij表示从居民点i到医疗设施点j的出租车行程个数;Pi和Sj是居民点i的人口和医疗设施点j的服务能力;dij是居民点i与医疗设施点j之间的交通距离;α,β和γ是弹性系数;K是背景因素;
在该等式两边取对数,得:
Log(Iij)=K′+αLog(Pi)+βLog(Sj )+γLog(dij);
K′=Log(K)。
进一步地,所述初始土地利用数据与初始人口分布数据的数量关系,为:
hθ(X)=θTX=θ0+θ1x1+θ2x2+…+θnxn;
其中,X=(x1,x2,…,xn)为特征样本,n为特征个数,θ=(θ0,θ1,θ2,…,θn)为模型参数,包括一个偏置θ0;J(θ)为代价函数,也称为平方误差,m为样本个数,(X(i),y(i))为第i个样本;此处,n=1,x表示城市建设用地面积,y表示居民人口数。
进一步地,所述研究区域的未来人口分布数据,为:
其中,a=(a0,a1,a2,…,an)为通过线性回归模型求解的最佳参数组合,Xi=(xi1,xi2,…,xin)为第i个研究单元的各个特征数值,yi为第i个研究单元的最终估计数值。此处,n=1,xi表示第i个研究单元的城市建设用地面积。
进一步地,所述交通网路的数学模型为:
D=f(S,V,A,C);
其中,D表示交通网络,S表示网络上的起始和终止站点,此处指居民点和医疗设施点,V为路径方向上的节点,A为路径集合,C为与交通有关的因素集合;所述因素集合包括路况、交通工具类型、天气情况和抗毁程度。
进一步地,根据所述遥感影像提取所述研究区域的初始土地利用数据,具体为:
对所述遥感影像进行解译并分类,得到覆盖整个研究区域的测量范围的矢量数据;
对所述矢量数据进行质量检查与精度验证,并对质量检查与精度验证合格的矢量数据进行集成和栅格化处理,得到所述研究区域的初始土地利用数据。
进一步地,所述空间驱动力因子,包括高程、高速公路线状矢量、铁路线状矢量、交通主干道矢量、镇中心点和市中心点。
实施本发明实施例,具有如下有益效果:
本发明提供的一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,根据初始土地利用数据和驱动力数据,通过FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到研究区域的未来人口分布数据;结合车辆轨迹数据、医疗设施数据、初始人口分布数据和交通距离,挖掘出它们的内部潜在关系,进而准确求解出改进引力模型中不确定的弹性系数,并通过修正后的引力模型求解得医疗设施可达性值。本发明能够提高医疗设施可达性分析的准确性和可操作性,有效解决现状单时段的医疗设施可达性研究的不足,为未来医疗资源均等化、城市人口合理引导提供科学指导。
附图说明
图1是本发明第一实施例提供的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法的流程示意图;
图2是本发明第一实施例提供的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法的另一流程示意图;
图3是本发明第一实施例中广州市2010年街道尺度的城市建设用地分类数据和第六次人口普查数据的对照图,以及相关性分析图;
图4是本发明第一实施例中研究区域内2010年城市用地、街道人口、三甲医院以及医院可达性分布图;
图5是本发明第一实施例中研究区域2020和2025年模拟城市用地分布图;
图6是本发明第一实施例中研究区域2020和2025年模拟城市人口分布图;
图7是本发明第一实施例中研究区域2020和2025年三甲医院可达性分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明第一实施例:
在本实施例中,本实施例的研究对象为《广州市城市总体规划(2011—2020年)》划定的中心城区,包括荔湾、越秀、天河、海珠、白云区北二环高速公路以南的地区,面积为501.76平方公里,包含98个镇(街)空间单元。本次实例分未来人口模拟和设施可达性计算两步进行,由于城市社会经济规划和基础设施建设往往着眼于城市整体布局和发展,在第一步中选择使用整个广州市作为研究范围进行模拟,再将模拟结果裁剪到与研究区范围一致;考虑到城市医疗资源集中分布在规模较大、医疗设施齐全、医护人员充足并且技术先进的大型综合性医院,并且乘坐出租车的病患者通常会前往这些医院进行就诊,在第二步中选择主要位于广州市中心城区的32家三甲医院进行研究。
本研究区域中所采用的数据包括:广州市2010和2015年城市用地分布数据,由Landsat-7影像解译而成。广州市2010年第六次人口普查数据(街道(镇)级别)。根据土地利用变化模拟的研究经验结合广州市的历史数据和现有数据,选取八种城市扩张驱动力因子分别为:高程,高速公路线状矢量,铁路线状矢量,交通主干道矢量,镇中心点,市中心点。医疗设施点POI(Point of Interest)数据,通过百度API(Application ProgrammingInterface)获取,并经过名称属性筛选出三甲医院数据,经过医院主页查询卫生技术人员数和床位数。出租车OD(Origin-Destination)数据,通过空间关系筛选出起点落在居民小区内,终点落在医院建筑周围的有效出行轨迹。广州市中心城区交通道路矢量数据,用于在网络分析计算交通距离。
参见图1-2,图1是本发明第一实施例提供的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法的流程示意图,图2是本发明第一实施例提供的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法的另一流程示意图。
一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,其特征在于,包括如下步骤:
S101、获取研究区域的遥感影像,并根据所述遥感影像提取所述研究区域的初始土地利用数据。
在本实施例中,进一步地,根据所述遥感影像提取所述研究区域的初始土地利用数据,具体为:
对所述遥感影像进行解译并分类,得到覆盖整个研究区域的测量范围的矢量数据;
对所述矢量数据进行质量检查与精度验证,并对质量检查与精度验证合格的矢量数据进行集成和栅格化处理,得到所述研究区域的初始土地利用数据。
S102、根据所述初始土地利用数据,选定所述研究区域的空间驱动力因子组成驱动力数据。
在本实施例中,进一步地,所述空间驱动力因子,包括高程、高速公路线状矢量、铁路线状矢量、交通主干道矢量、镇中心点和市中心点。
S103、基于所述遥感影像设定的模拟区域范围和像元大小,根据所述初始土地利用数据和所述驱动力数据,计算所述模拟区域内各像元与所述驱动力因子的距离值。
在本实施例中,可以采用欧式距离公式计算所述模拟区域内各像元与所述驱动力因子的距离值。
可以理解的是,以广州作为研究区域为例子,收集广州市2010和2015年Landsat-7遥感影像,结合影像分类和人工解译,从遥感影像中提取出城市建设用地和非建设用地类型土地利用类型。搜集空间驱动因子数据包括:高程,高速公路线状矢量,铁路线状矢量,交通主干道矢量,镇中心点和市中心点。用分类影像规定好模拟区域的范围与像元大小,通过欧式距离公式计算区域内各像元到驱动因子的距离,生成驱动因子图层。
S104、基于所述研究区域的初始人口分布数据,利用预先构建的第一线性回归模型建立所述初始土地利用数据与初始人口分布数据的数量关系。
在本实施例中,进一步地,所述初始土地利用数据与初始人口分布数据的数量关系,为:
hθ(X)=θTX=θ0+θ1x1+θ2x2+…+θnxn;
其中,X=(x1,x2,…,xn)为特征样本,n为特征个数,θ=(θ0,θ1,θ2,…,θn)为模型参数,包括一个偏置θ0;J(θ)为代价函数,也称为平方误差,m为样本个数,(X(i),y(i))为第i个样本;此处,n=1,x表示城市建设用地面积,y表示居民人口数。
S105、将所述初始土地利用数据和所述驱动力数据输入FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到所述研究区域的未来人口分布数据。
在本实施例中,进一步地,所述研究区域的未来人口分布数据,为:
其中,a=(a0,a1,a2,…,an)为通过线性回归模型求解的最佳参数组合,Xi=(xi1,xi2,…,xin)为第i个研究单元的各个特征数值,yi为第i个研究单元的最终估计数值。此处,n=1,xi表示第i个研究单元的城市建设用地面积,yi表示第i个研究单元的居民人口数。
请参阅图3、图5和图6,图3是本发明第一实施例中广州市2010年街道尺度的城市建设用地分类数据和第六次人口普查数据的对照图,以及相关性分析图,图5是本发明第一实施例中研究区域内2020和2025年模拟城市用地分布图,图6是本发明第一实施例中研究区域内2020和2025年模拟城市人口分布图。
可以理解是,例如,在FLUS模型中,输入2010年城市用地分布数据和空间驱动因子数据集,通过神经网络(ANN)计算各个像元的未来城市发展概率。输入2010年城市用地分布数据和未来城市发展概率数据,通过经验设置一定的邻域大小、转换规则和迭代次数,以马尔科夫(Markov)模型预测的城市用地总量为约束,利用元胞自动机(CA)模型模拟2020年和2025年广州市城市用地分布。
可以理解的是,收集广州市2010年第六次人口普查数据(街道(镇)级别),通过线性回归模型,分析广州市各街道(镇)范围内城市建设用地面积与统计人口之间的相关关系,并建立数量关系。进而通过FLUS模拟的未来城市用地面积估算出未来城市人口分布。
S106、根据所述初始人口分布数据和所述研究区域的医疗设施数据,基于交通网路的数学模型,采用网络分析法计算居民点与医疗设施点之间的交通距离。
在本实施例中,进一步地,所述交通网路的数学模型为:
D=f(S,V,A,C);
其中,D表示交通网络,S表示网络上的起始和终止站点,此处指居民点和医疗设施点,V为路径方向上的节点,A为路径集合,C为与交通有关的因素集合;所述因素集合包括路况、交通工具类型、天气情况和抗毁程度。
在本实施例中,收集现状三甲医院地理位置信息,并通过医院主页获取卫生技术人员数和床位数来衡量医院的服务能力。收集广州市中心城区交通道路矢量数据,并进行拓扑检查,保证线要素具有较好的连通性。计算出各街道(镇)中心作为居民点位置,通过网络分析,求解各街道中心到三甲医院的最短通行距离。
可以理解的是,S表示居民点和三甲医院点的位置集合,A表示从各个居民点到达各个三甲医院点通过的道路路径的集合,V表示A中道路路径方向上的节点,C主要考虑驾车在不同道路类型下的行驶速度。
S107、获取所述居民点与医疗设施点之间的所有有效车辆轨迹数据,并根据所述车辆轨迹数据、所述初始人口分布数据、所述医疗设施数据和所述交通距离,通过预先构建的第二线性回归模型,求解得到改进引力模型中的各项弹性系数。
在本实施例中,进一步地,所述改进引力模型为:
其中,所述改进引力模型为传统引力模型的改进,所述传统引力模型为:
其中,n和m分别为医疗设施点和居民点的数目;Sj为医疗设施点j的服务能力;Pi为居民点i的人口数;dij为居民点i和医疗设施点j之间的交通距离;γ为交通摩擦系数;为可达性指数,其数值越大,表示可达性越好。
可以理解的是,在传统引力模型中引入弹性系数α和β,更科学地衡量人口数、设施服务能力和交通距离对可达性的影响。在交通摩擦系数γ的基础上引入弹性系数α和β,对传统引力模型进行改进得到改进引力模型。
进一步地,所述弹性系数为:
其中,Iij表示从居民点i到医疗设施点j的出租车行程个数;Pi和Sj是居民点i的人口和医疗设施点j的服务能力;dij是居民点i与医疗设施点j之间的交通距离;α,β和γ是弹性系数;K是背景因素;
在该等式两边取对数,得:
Log(Iij)=K′+αLog(Pi)+βLog(Sj)+γLog(dij);
K′=Log(K)。
请参阅图4,图4是本发明第一实施例中研究区域内2010年城市用地、街道人口、三甲医院以及医院可达性分布图。
在本实施例中,收集广州市2009年5月11日和5月16日出租车轨迹数据,并进行数据清洗,剔除无效轨迹,整理出每一条出租车出行轨迹的起始终止点数据,再通过空间关系筛选出起点落在居民小区内,终点落在医院建筑周围的有效求医出行轨迹。以第六次人口普查数据(街道(镇)级别)、三甲医院服务能力数据和交通距离计算结果为自变量,以从各居民点到医疗设施点的出租车通行轨迹个数为因变量,通过线性回归模型,求解出改进引力模型中不确定的各项弹性系数。
在本实施例中,最终整理得有效出租车轨迹数约215万条,研究区内出租车轨迹数约204万条,乘坐出租车前往三甲医院的OD数据共21176条。线性回归模型的特征数n=3,x_1表示各街道(镇)人口数,x_2表示三甲医院的卫生技术人员数和床位数归一化后的等权重加和数值,x_3表示街道点到三甲医院点的交通距离,y表示从各街道点到三甲医院点的出租车通行轨迹个数。
S108、将各项弹性系数代入所述改进引力模型,得到修正后的引力模型,并将所述未来人口分布数据、所述医疗设施数据和所述交通距离输入修正后的引力模型中,求解得到医疗设施可达性值。
请参阅图7,图7是本发明第一实施例中研究区域内2020和2025年三甲医院可达性分布图。
在本实施例中,将2010年第六次人口普查数据、现状三甲医院服务能力数据以及交通距离计算结果,代入到改进引力模型,则可以计算广州市2010年中心城区街道尺度的医院可达性;同理通过2020年和2025年模拟城市人口分布,则可以计算广州市未来中心城区的医院可达性。
本实施例提供的一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,根据初始土地利用数据和驱动力数据,通过FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到研究区域的未来人口分布数据;结合车辆轨迹数据、医疗设施数据、初始人口分布数据和交通距离,挖掘出它们的内部潜在关系,进而准确求解出改进引力模型中不确定的弹性系数,并通过修正后的引力模型求解得医疗设施可达性值。本发明能够提高医疗设施可达性分析的准确性和可操作性,有效解决现状单时段的医疗设施可达性研究的不足,为未来医疗资源均等化、城市人口合理引导提供科学指导。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (6)
1.一种基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,其特征在于,包括如下步骤:
获取研究区域的遥感影像,并根据所述遥感影像提取所述研究区域的初始土地利用数据;
根据所述初始土地利用数据,选定所述研究区域的空间驱动力因子组成驱动力数据;
基于所述遥感影像设定的模拟区域范围和像元大小,根据所述初始土地利用数据和所述驱动力数据,计算所述模拟区域内各像元与所述驱动力因子的距离值;
基于所述研究区域的初始人口分布数据,利用预先构建的第一线性回归模型建立所述初始土地利用数据与初始人口分布数据的数量关系;
将所述初始土地利用数据和所述驱动力数据输入FLUS模型中对所述研究区域进行未来土地利用模拟,生成模拟结果,并根据所述模拟结果、所述距离值和所述数量关系,通过所述第一线性回归模型,求解得到所述研究区域的未来人口分布数据;
根据所述初始人口分布数据和所述研究区域的医疗设施数据,基于交通网路的数学模型,采用网络分析法计算居民点与医疗设施点之间的交通距离;
获取所述居民点与医疗设施点之间的所有有效车辆轨迹数据,并根据所述车辆轨迹数据、所述初始人口分布数据、所述医疗设施数据和所述交通距离,通过预先构建的第二线性回归模型,求解得到改进引力模型中的各项弹性系数;
将各项弹性系数代入所述改进引力模型,得到修正后的引力模型,并将所述未来人口分布数据、所述医疗设施数据和所述交通距离输入修正后的引力模型中,求解得到医疗设施可达性值;
所述改进引力模型为:
其中,所述改进引力模型为传统引力模型的改进,所述传统引力模型为:
其中,n和m分别为医疗设施点和居民点的数目;Sj为医疗设施点j的服务能力;Pi为居民点i的人口数;dij为居民点i和医疗设施点j之间的交通距离;γ为交通摩擦系数;为可达性指数,其数值越大,表示可达性越好;
所述弹性系数表达式为:
其中,Iij表示从居民点i到医疗设施点j的出租车行程个数;Pi和Sj是居民点i的人口和医疗设施点j的服务能力;dij是居民点i与医疗设施点j之间的交通距离;α,β和γ是弹性系数;K是背景因素;
在所述弹性系数表达式两边取对数,得:
Log(Iij)=K′+αLog(Pi)+βLog(Sj)+γLog(dij);
K′=Log(K)。
4.根据权利要求1所述的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,其特征在于,所述交通网路的数学模型为:
D=f(S,V,A,C);
其中,D表示交通网络,S表示网络上的起始和终止站点,此处指居民点和医疗设施点,V为路径方向上的节点,A为路径集合,C为与交通有关的因素集合;所述因素集合包括路况、交通工具类型、天气情况和抗毁程度。
5.根据权利要求1所述的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,其特征在于,根据所述遥感影像提取所述研究区域的初始土地利用数据,具体为:
对所述遥感影像进行解译并分类,得到覆盖整个研究区域的测量范围的矢量数据;
对所述矢量数据进行质量检查与精度验证,并对质量检查与精度验证合格的矢量数据进行集成和栅格化处理,得到所述研究区域的初始土地利用数据。
6.根据权利要求1所述的基于车辆轨迹数据和人口分布的医疗设施可达性分析方法,其特征在于,所述空间驱动力因子,包括高程、高速公路线状矢量、铁路线状矢量、交通主干道矢量、镇中心点和市中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189945.0A CN108446470B (zh) | 2018-03-07 | 2018-03-07 | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189945.0A CN108446470B (zh) | 2018-03-07 | 2018-03-07 | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108446470A CN108446470A (zh) | 2018-08-24 |
CN108446470B true CN108446470B (zh) | 2020-07-31 |
Family
ID=63193750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189945.0A Active CN108446470B (zh) | 2018-03-07 | 2018-03-07 | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108446470B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784764B (zh) * | 2019-02-12 | 2022-12-20 | 东南大学 | 一种城市用地区块化可达性计量方法 |
CN110297875B (zh) * | 2019-05-15 | 2021-08-10 | 北京邮电大学 | 一种评估城市各功能区之间联系需求紧密度的方法和装置 |
CN110378530A (zh) * | 2019-07-18 | 2019-10-25 | 四川师范大学 | 一种基于多层级医疗资源均衡性的缺医区识别方法 |
CN110458048A (zh) * | 2019-07-23 | 2019-11-15 | 南京林业大学 | 顾及城镇格局特征的人口分布时空演变与认知 |
CN111385753B (zh) * | 2019-10-24 | 2022-01-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的医疗设施可达性评估方法 |
CN110807262B (zh) * | 2019-11-04 | 2023-03-28 | 上海应用技术大学 | 医疗设施服务承载力的评估方法 |
CN111242491A (zh) * | 2020-01-16 | 2020-06-05 | 厦门大学 | 医疗大数据可视化分析方法、介质、设备及系统 |
CN112071410B (zh) * | 2020-07-24 | 2022-08-23 | 中国科学院城市环境研究所 | 一种城市医疗服务可达性测度方法及设备、存储介质 |
CN113326342A (zh) * | 2021-06-10 | 2021-08-31 | 常州市规划设计院 | 一种基于国土调查数据的路网模型构建方法 |
CN113689048A (zh) * | 2021-08-31 | 2021-11-23 | 广东工业大学 | 一种预测未来人口精细化空间分布的方法、系统及计算机可读存储介质 |
CN113793680A (zh) * | 2021-09-16 | 2021-12-14 | 福州大学 | 基于多模式高斯距离衰减函数改进的两步移动搜索方法 |
CN115169764B (zh) * | 2022-09-08 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
CN115330093B (zh) * | 2022-10-13 | 2023-02-07 | 佛山市城市规划设计研究院 | 医疗服务可及性测算方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097222A (zh) * | 2016-06-12 | 2016-11-09 | 河南理工大学 | 顾及用户特征的公共设施空间可达性分析方法及装置 |
CN206004836U (zh) * | 2016-09-08 | 2017-03-08 | 河南理工大学 | 一种公共设施空间可达性分析用现场信息采集装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6512466B2 (en) * | 2000-05-17 | 2003-01-28 | Omega Patents, L.L.C. | Vehicle tracker with power saving features and related methods |
-
2018
- 2018-03-07 CN CN201810189945.0A patent/CN108446470B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097222A (zh) * | 2016-06-12 | 2016-11-09 | 河南理工大学 | 顾及用户特征的公共设施空间可达性分析方法及装置 |
CN206004836U (zh) * | 2016-09-08 | 2017-03-08 | 河南理工大学 | 一种公共设施空间可达性分析用现场信息采集装置 |
Non-Patent Citations (1)
Title |
---|
《上海市医院规模和布局建设现状分析与评价研究》;车莲鸿;《www.cnki.net》;20120405;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108446470A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
Kanuganti et al. | Evaluation of access to health care in rural areas using enhanced two-step floating catchment area (E2SFCA) method | |
CN113011925B (zh) | 基于大数据的商业空间品质评价方法、系统、设备及介质 | |
Sevtsuk et al. | Predicting pedestrian flow along city streets: A comparison of route choice estimation approaches in downtown San Francisco | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
Biljecki et al. | Raise the roof: Towards generating LOD2 models without aerial surveys using machine learning | |
Hu et al. | Prioritizing disaster mapping tasks for online volunteers based on information value theory | |
CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
Wang et al. | Simulating the effect of urban light rail transit on urban development by coupling cellular automata and conjugate gradients | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理系统 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN112508336A (zh) | 一种基于结构方程模型的空间与环境效能关联测度方法 | |
Mohammadi et al. | Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning | |
Georgati et al. | Spatially explicit population projections: The case of Copenhagen, Denmark | |
CN112598338B (zh) | 路径选择模型的构建方法及客流分配方法 | |
Foti | A behavioral framework for measuring walkability and its impact on home values and residential location choices | |
Kim et al. | Examining the socio-spatial patterns of bus shelters with deep learning analysis of street-view images: A case study of 20 cities in the US | |
Han et al. | Holistic visual data representation for built environment assessment | |
Alhassan et al. | Madina Python Package: Scalable Urban Network Analysis for Modeling Pedestrian and Bicycle Trips in Cities | |
Wang et al. | Assessing the equity and evolution of urban visual perceptual quality with time series street view imagery | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
CN111860182B (zh) | 一种基于遥感影像的地铁客流来源智能分析方法 | |
Düring et al. | REVISITING THE LANZHOU NEW AREA-a computational framework to assess spatiotemporal development strategies for new town planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |