CN108877201B - 一种基于交通指挥指数的警力资源优化方法 - Google Patents

Abstract

本发明涉及一种基于交通指挥指数的警力资源优化方法，该方法通过量化参数的方式求解出表征警情状况的交通指挥指数值，并将排队论与泊松分布结合应用于交通警察优化调度中，使交通警察数量充足，以确保快速响应在指定到达时间内发生的各类交通事件，通过使用泊松分布来计算概率大于0.95时发生交通事件的次数，并将求得的值归入排队模型不等式中，从而进一步导出最小巡逻交警组数，本发明首次将故障树分析与交通指挥指数计算模型相结合，通过修改事件发生率将排队模型与泊松分布相结合，考虑交通运行规律，提出了交通指挥指数计算模型可广泛应用于警务巡逻和警备人员的优化调度中。

Description

一种基于交通指挥指数的警力资源优化方法

技术领域

本发明涉及交通领域，更具体的说是涉及一种基于交通指挥指数的警力资源优化方法。

背景技术

随着中国经济的突飞猛进以及现代交通的日益发达，道路上的警情数量不断增多，警情的发生给广大群众以及交警指挥部门造成极大的困扰。因此，为了处理各种交通警情，充足的警力以及对警力资源的合理部署是不可或缺的。现有的交通警力资源部署主要是交警指挥部门依靠专家经验或者是所管辖区内的道路状况来实现的，这种方法掺杂主观性因素较多，而交通事件的发生随机性比较强，因此可能会导致一些路段警力不足，不能对发生的警情及时处理。

为了实现传统警务模式向大数据背景下的现代化勤务模式的转型升级，应用最简单的描述方法来精准描述交通的运行态势，迫切需要研究运用交通指挥指数。交通指挥指数由交通拥堵指数、交通事件指数、交通执法指数构成。运用交通指挥指数可以实现上勤方案的动态调整，但是由于交通指挥指数建立在多指标评价体系之上，各指标性质不同，目前将交通指挥指数运用于警力资源部署的方案并未取得很好的应用效果。

因此，如何提供一种警力资源分配合理、部署过程可量化、科学直观的基于交通指挥指数的警力资源部署方法是本领域技术人员亟需解决的问题。

发明内容

本发明所要解决的技术问题是提供一种警力资源分配合理、部署过程可量化、科学直观的基于交通指挥指数的警力资源部署方法。

本发明解决上述技术问题的技术方案如下：一种基于交通指挥指数的警力资源优化方法，该方法包括以下步骤：

将目标区域自由划分为多个基本反应格,并按照24小时制划分为24个时间段；

构建FAT树图，并计算FAT树图中顶事件发生的概率，计算公式为：

p_T＝p_a+p_1c+p_1e＝p_a+p_cp_rc+p_ep_re

其中，a、c、e分别表示交通事件、交通拥堵和交通违章事件；p_T表示FAT树图中顶事件发生的概率，即交通警察出动的概率；p_1c,p_1e是FAT树图中中间事件发生的概率；p_a、p_c、p_e分别表示交通事件、交通拥堵和交通违章事件发生的概率；p_rc、p_re是FAT树图中基础事件发生的概率，即对应事件引发派遣警察的概率；g_a，g_c，g_e分别表示交通事件、交通拥堵和交通违章事件的关键重要度，其作为对应标准化数据的系数；故障树分析是一种描述事件因果关系的有方向的“树”,是系统安全工程中的重要的分析方法之一,它能对各种系统的危险性进行识别评价,既适用于定性分析,又能进行定量分析,具有简明、形象化的特点,体现了以系统工程方法研究安全问题的系统性、准确性和预测性；

通过定期交通监控统计每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量，并对统计结果进行数据归一化处理，数据归一化处理的公式为：

其中，N_aij、N_cij和N_eij分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量；

和

分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量标准值；N_amin和N_amax分别表示N_aij的最小值和最大值；N_cmin和N_cmax分别表示N_cij的最小值和最大值；N_emin和N_emax分别表示N_eij的最小值和最大值；f(a)为min-max标准化函数；a为式中的N_aij、N_cij或N_eij；

计算每天中第i基本反应格第j时段内的交通指挥指数值，计算公式为；

其中，g_o表示除交通事件、交通拥堵和交通违章事件以外的其他事件关键重要度；N^* _oij表示每天中第i基本反应格第j时段内其他事件的处理人员的平均数量标准值；w_ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间；w^* _ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间的标准值；I_ij表示第i基本反应格第j时段内交通指挥指数值；

利用地理信息分析软件在目标区域的地图中标记出多个所述基本反应格，并分别对交通事件、交通拥堵和交通违章事件进行位置标定,根据第i基本反应格第j时段内交通指挥指数值I_ij计算质心坐标，确定目标区域内最佳巡更点的位置；

利用排队论计算事件发生后当事人在接受事件处理前的平均等待时间W_q，计算公式为：

其中，c表示巡逻交警组数,λ表示一个时段交通事件的发生次数,μ表示巡逻小组每小时处理的事件数,ρ＝λ/(cμ)表示事件处理强度,L_q表示等候处理的排队队长，k∈[0，c-1]，P₀表示没有事件正在被处理的概率；

设置当事人的最短平均等待时间h,即应满足Wq≤h，求得巡逻交警组数，比如设置当事人的平均等待时间不超过15min,即应满足Wq≤0.25；

用泊松分布计算在一个时段内发生x次交通事件的累计概率，并计算一个时段内累计概率大于0.95时发生交通事件的平均次数；

将求得的一个时段内累计概率大于0.95时发生交通事件的次数作为新的λ的值，代入事件发生后事件当事人在接受事件处理前的平均等待时间的计算公式中，进一步求得最小巡逻交警组数；

根据处于巡逻岗和备勤岗的交警的实际工作制度，在求得的最小巡逻交警组数的基础上建立用于警力调度的整数规划模型，进一步求得道路巡逻交警的人数和办公室待命交警的人数；

根据交通警察的实际工作数据并利用建立的用于警力调度的整数规划模型，完成警务人员中道路巡逻交警与办公室待命交警的调动工作。

本发明的有益效果是：通过科学量化参数的方式求解出表征警情状况的交通指挥指数值，并将排队论与泊松分布结合应用于交通警察优化调度中，使交通警察数量充足，以确保快速响应在指定到达时间内发生的事件，通过使用泊松分布来计算概率大于0.95时发生交通事件的次数，并将求得的值归入排队模型不等式中，从而进一步导出最小巡逻交警组数，本发明首次将排队模型与泊松分布相结合，考虑交通运行规律，本发明首次将故障树分析与交通指挥指数计算模型相结合，将排队模型与泊松分布相结合，考虑交通运行规律，提出了交通指挥指数计算模型，可广泛应用于警务巡逻和警备人员的优化调度中。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，对统计结果进行数据归一化处理的条件为：

N_(i+1)(j+1)>N_ij,N^* _(i+1)(j+1)>N*_ij

f(kN_ij)＝f(N_ij)

其中，f(N_ij)表示N_ij的min-max标准化函数；N_ij表示N_aij、N_cij或N_eij；N^* _ij表示

或

进一步，所述每天中第i基本反应单元第j时段内处理交通事件所需时间w_ij的计算公式为：

其中，d_ij表示从事件发生地到交通驻地的距离；(x_ij,y_ij)是事件发生地的坐标位置；(x₀,y₀)是交通驻地的坐标位置；v_ij表示处理人员从交通驻地到事件发生地的平均速度。

进一步，所述每天中第i基本反应单元第j时段内处理交通事件所需时间w_ij的计算公式为：

其中，d_ij表示从事件发生地到交通驻地的距离；(x_ij,y_ij)是事件发生地的坐标位置；(x₀,y₀)是交通驻地的坐标位置；v_ij表示处理人员从交通驻地到事件发生地的平均速度。

进一步，处理人员从交通驻地到事件发生地的平均速度v_ij的计算公式为：

其中，v_fij表示夜间处理人员从交通驻地到事件发生地的平均速度，rV_fij表示除夜间的其他时段处理人员从交通驻地到事件发生地的平均速度；r表示夜间与其他时段处理人员从交通驻地到事件发生地的平均速度的比率。

进一步，根据第i基本反应单元第j时段内交通指挥指数值I_ij计算质心坐标，计算公式为：

其中，I_hj表示第h个基本反应区域第j小时的交通指挥调度指数，其值等于该区域所有点的交通指挥调度指数之和；x_h表示质心坐标中的横坐标，y_h表示质心坐标中的纵坐标。

进一步，所述整数规划模型的基本公式如下：

其中，n∈Z⁺，f_j表示道路巡逻交警的人数，x_j表示办公室待命交警的人数。

进一步，一个时段内发生x次交通事件的累计概率的计算公式为：

其中，系数λ表示一个时段内交通事件的平均发生率，x表示一个时段内交通事件发生次数。

进一步，交通警察的实际工作数据包括交警的工作时间、休息时间、不同岗位人员换岗规则。

采用上述进一步方案的有益效果是在根据量化参数后得到的数据部署警力资源的过程中也考虑到了交警在实际工作中的作息时间及不同岗位人员的换岗规则，在保证交警的工作规律不被打乱的前提下合理实施本方法。

进一步，所述地理信息分析软件为ArcGIS地理信息系统软件。ArcGIS地理信息系统软件为用户提供一个可伸缩的、全面的GIS平台，该软件包含了许多的可编程组件，从细粒度的对象(例如单个的几何对象)到粗粒度的对象(例如与现有ArcMap文档交互的地图对象)涉及面极广，这些对象为开发者集成了全面的GIS功能，用户应用功能全面的GIS工作站来编辑地理数据集，建立数据编辑和质量控制的工作流，创建地图和分析模型并将这些工作和方法记录成文档，方便管理人员对目标区域巡更点的查看和管理。

附图说明

图1为本发明一种基于交通指挥指数的警力资源优化方法的方法流程图；

图2为本发明一种基于交通指挥指数的警力资源优化方法中FAT树图的结构示意图；

图3为本发明一种基于交通指挥指数的警力资源优化方法中利用泊松分布反映在等待时间为15分钟以内时不同的概率下巡逻交警数在不同时段内变化情况的折线图；

图4为本发明一种基于交通指挥指数的警力资源优化方法中利用排队论反映不同的等待时间下巡逻交警数在各时间段内变化情况的折线图；

图5为本发明实施例中反映首都国际机场路附近平均1天内各时段的交通事件起数的折线图；

图6为本发明实施例中工作日北京首都国际机场交通支队管界内拥堵指数的变化趋势图；

图7为本发明实施例中周末北京首都国际机场交通支队管界内拥堵指数的变化趋势图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于交通指挥指数的警力资源优化方法，该方法包括以下步骤：

S1:将目标区域自由划分为多个基本反应格,并按照24小时制划分为24个时间段；

S2:参见附图2，构建FAT树图，并计算FAT树图中顶事件发生的概率，计算公式为：

p_T＝p_a+p_1c+p_1e＝p_a+p_cp_rc+p_ep_re

其中，a、c、e分别表示交通事件、交通拥堵和交通违章事件；p_T表示FAT树图中顶事件发生的概率；p_1c,p_1e是FAT树图中中间事件发生的概率；p_a、p_c、p_e分别表示交通事件、交通拥堵和交通违章事件发生的概率；p_rc、p_re是FAT树图中基础事件发生的概率；g_a，g_c，g_e分别表示交通事件、交通拥堵和交通违章事件的关键重要度，其作为对应标准化数据的系数；

S3:通过定期交通监控统计每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量，并对统计结果进行数据归一化处理，数据归一化处理的公式为：

其中，N_aij、N_cij和N_eij分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量；

和

分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量标准值；N_amin和N_amax分别表示N_aij的最小值和最大值；N_cmin和N_cmax分别表示N_cij的最小值和最大值；N_emin和N_emax分别表示N_eij的最小值和最大值；f(a)为min-max标准化函数；a为式中的N_aij、N_cij或N_eij；

S4:计算每天中第i基本反应格第j时段内的交通指挥指数值，计算公式为：

其中，g_o表示除交通事件、交通拥堵和交通违章事件以外的其他事件关键重要度；N^* _oij表示每天中第i基本反应格第j时段内其他事件的处理人员的平均数量标准值；w_ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间；w^* _ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间的标准值；I_ij表示第i基本反应格第j时段内交通指挥指数值；

利用地理信息分析软件在目标区域的地图中标记出多个所述基本反应格，并分别对交通事件、交通拥堵和交通违章事件进行位置标定,根据第i基本反应格第j时段内交通指挥指数值I_ij计算质心坐标，确定目标区域内最佳巡更点的位置；

S5:利用排队论计算事件发生后当事人在接受事件处理前的平均等待时间W_q，计算公式为：

其中，c表示巡逻交警组数,λ表示一个时段交通事件的发生次数,μ表示巡逻小组每小时处理的事件数,ρ＝λ/(cμ)表示事件处理强度,L_q表示等候处理的排队队长，k∈[0，c-1]，P₀表示没有事件正在被处理的概率；

S6:设置当事人的最短平均等待时间h,即应满足Wq≤h，求得巡逻交警组数；

S7:用泊松分布计算在一个时段内发生x次交通事件的累计概率，并计算一个时段内累计概率大于0.95时发生交通事件的平均次数；

S8:将求得的一个时段内累计概率大于0.95时发生交通事件的次数作为新的λ的值，代入事件发生后事件当事人在接受事件处理前的平均等待时间的计算公式中，进一步求得最小巡逻交警组数；

S9:根据处于巡逻岗和备勤岗的交警的实际工作制度，在求得的最小巡逻交警组数的基础上建立用于警力调度的整数规划模型，进一步求得道路巡逻交警的人数和办公室待命交警的人数；

S10:根据交通警察的实际工作数据并利用建立的用于警力调度的整数规划模型，完成警务人员中道路巡逻交警与办公室待命交警的调动工作。

本实施中，对统计结果进行数据归一化处理的条件为：

N_(i+1)(j+1)>N_ij,N^* _(i+1)(j+1)>N*_ij

f(kN_ij)＝f(N_ij)

其中，f(N_ij)表示N_ij的min-max标准化函数；N_ij表示N_aij、N_cij或N_eij；N^* _ij表示

或

具体地，每天中第i基本反应单元第j时段内处理交通事件所需时间w_ij的计算公式为：

其中，d_ij表示从事件发生地到交通驻地的距离；(x_ij,y_ij)是事件发生地的坐标位置；(x₀,y₀)是交通驻地的坐标位置；v_ij表示处理人员从交通驻地到事件发生地的平均速度。

具体地，处理人员从交通驻地到事件发生地的平均速度v_ij的计算公式为：

其中，v_fij表示夜间处理人员从交通驻地到事件发生地的平均速度，rV_fij表示除夜间的其他时段处理人员从交通驻地到事件发生地的平均速度；r表示夜间与其他时段处理人员从交通驻地到事件发生地的平均速度的比率。

具体地，根据第i基本反应单元第j时段内交通指挥指数值I_ij计算质心坐标，计算公式为：

其中，I_hj表示第h个基本反应区域第j小时的交通指挥调度指数，其值等于该区域所有点的交通指挥调度指数之和；x_h表示质心坐标中的横坐标，y_h表示质心坐标中的纵坐标。

具体地，整数规划模型的基本公式如下：

其中，n∈Z⁺，f_j表示道路巡逻交警的人数，x_j表示办公室待命交警的人数。

上述实施例中，一个时段内发生x次交通事件的累计概率的计算公式为：

其中，系数λ表示一个时段内交通事件的平均发生率，x表示一个时段内交通事件发生次数。

具体地，本实施例中交通警察的实际工作数据包括交警的工作时间、休息时间、不同岗位人员换岗规则。

具体地，地理信息分析软件为ArcGIS地理信息系统软件。ArcGIS地理信息系统软件为用户提供一个可伸缩的、全面的GIS平台，该软件包含了许多的可编程组件，从细粒度的对象(例如单个的几何对象)到粗粒度的对象(例如与现有ArcMap文档交互的地图对象)涉及面极广，这些对象为开发者集成了全面的GIS功能，用户应用功能全面的GIS工作站来编辑地理数据集，建立数据编辑和质量控制的工作流，创建地图和分析模型并将这些工作和方法记录成文档，方便管理人员对目标区域巡更点的查看和管理。

参见附图3和图4，当时间小于8时，泊松分布与排队论中的W_q的差别相对较大，随着时间的增加，差异变得越来越小。对于泊松分布，当累积概率小于或等于0.7时所需的交通警察数量明显大于累积概率小于或等于0.6时的交通警察数量。随着时间的增大，这一点没有任何变化。当然，我们的重点不是泊松分布本身，而是泊松分布和排队模型之间的差异。在道路上巡逻的警察总数和警察待命的办公室至少应该足以应付不超过95％的事件，为确定警察巡逻道路的数量和警备人员的数量，有必要考虑目前警员的总数与执法和事件处理的分配比例。

参见附图5，在经过对首都国际机场路附近415天的现场统计，得到平均1天即24小时内各时段的交通事件起数，并绘制成折线图，通过对上述时限内现场交通事件进行观察分析，发现一般情况下，某小时时段内，有现场执法记录的人员多则4人，少则1人，甚至没有记录，对工作日及周末的实测数据分别进行整理，具体结果参见下表1和表2。

表1工作日统计结果数据表

表2周末统计结果数据表

根据高德地图对于拥堵指数的定义是v_fj/v_j，v_fj即在第j小时的最高车速，一般被认为是发生在车流量很小的夜间。v_j是第j小时的平均车速。北京首都国际机场交通支队管界内拥堵指数在周末与工作日的变化趋势参见附图6和附图7，其中附图6为工作日北京首都国际机场交通支队管界内拥堵指数的变化趋势，图7为周末北京首都国际机场交通支队管界内拥堵指数的变化趋势。

由图6和图7可以看出，在北京首都国际机场存在明显的早晚高峰。考虑到拥堵因素以及便于计算的目的，对于计算备勤警力人数：从早7点至晚7点，以五分钟到达现场为标准，即w_q≤0.08。其他时段，以十五分钟到达现场为标准，即w_q≤0.25。备勤警力加上巡逻警力可以满足处理95％的各类交通事件，且满足到达现场时间要求。这样，整数规划模型的各个约束参数如下表3所示：

表3整数规划模型的关键参数统计表

考虑到基本条件和交通警察工作习惯，对于整数规划模型，模型建立的主要参考交警实际工作数据如下：

(1)警察的工作时间可分为两个时期：日班时间为8:30～17:30，夜班时间为17:30～8:30。

(2)每个交通警察巡逻队在第一天开始只在白班工作，然后在第二天工作24小时(白班和夜班)，第三天和第四天休息。

(3)巡逻交警岗位与备勤交警岗位是相对独立的。

(4)备勤警力(主要工作时间都在办公室)每周有两天休息

(5)备勤警力一周须有一晚上值班时间。

无论工作日抑或周末，无论白班或夜班，道路上巡逻的交警数量最少需要4人，可就是最少需要16名巡逻交警，按照每组2人建立8组巡逻交警，分别是Team 1～Team 8。具体分配结果参见下表4：

表4巡逻警察组排班表

根据上述数据，整数规划模型建立如下:

约束条件s.t为：

x_d1+x_d4+x_d5+x_d6+x_d7≥10

x_d1+x_d2+x_d5+x_d6+x_d7≥10

x_d1+x_d2+x_d3+x_d6+x_d7≥10

x_d1+x_d2+x_d3+x_d4+x_d7≥10

x_d1+x_d2+x_d3+x_d4+x_d5≥10

x_d6+x_d2+x_d3+x_d4+x_d5≥6

x_d7+x_d2+x_d3+x_d4+x_d5≥6

x_dn≥0,x_dn∈Z

其中，minG是最少的备勤警力数,x_dn(n＝1...7)分别表示从周一到周日每天配备的备勤警力数。从周一到周日每天配备的备勤警力数的统计结果可参见下表5：

表5一周内备勤警力数统计表

通过上表及相关计算，得到备勤警力目标值为38，加上18名巡逻警力，总共需要54名交通警察。备勤警力日常主要在办公室工作，其中32人每周一开始工作，其他6人每周三开始工作，确保备勤警力一周有2天休息。综合来看，一方面警力安排满足了覆盖95％交通事件处理所需警力的需求，另一方面，也达到了有关警察到达现场的时间要求。

本实施例提供的一种基于交通指挥指数的警力资源优化方法，通过量化参数的方式求解出表征警情状况的交通指挥指数值，并将排队论与泊松分布结合应用于交通警察优化调度中，使交通警察数量充足，以确保快速响应在指定到达时间内发生的事件，通过使用泊松分布来改变计算待机警察的最小数目时的平均事件率的值，将其归入排队模型不等式，从而进一步导出警察待命的最小数，本发明首次将排队模型与泊松分布相结合，考虑交通运行规律，可广泛应用于警务巡逻和警备人员的优化调度中。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于交通指挥指数的警力资源优化方法，其特征在于，包括以下步骤：

将目标区域自由划分为多个基本反应格,并按照24小时制划分为24个时间段；

构建FAT树图，并计算FAT树图中顶事件发生的概率，计算公式为：

p_T＝p_a+p_1c+p_1e＝p_a+p_cp_rc+p_ep_re

其中，a、c、e分别表示交通事件、交通拥堵和交通违章事件；p_T表示FAT树图中顶事件发生的概率；p_1c,p_1e是FAT树图中中间事件发生的概率；p_a、p_c、p_e分别表示交通事件、交通拥堵和交通违章事件发生的概率；p_rc、p_re是FAT树图中基础事件发生的概率；g_a，g_c，g_e分别表示交通事件、交通拥堵和交通违章事件的关键重要度，其作为对应标准化数据的系数；

通过定期交通监控统计每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量，并对统计结果进行数据归一化处理，数据归一化处理的公式为：

其中，N_aij、N_cij和N_eij分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量；

和

分别表示每天中第i基本反应格第j时段内交通事件、交通拥堵和交通违章事件的处理人员的平均数量标准值；N_amin和N_amax分别表示N_aij的最小值和最大值；N_cmin和N_cmax分别表示N_cij的最小值和最大值；N_emin和N_emax分别表示N_eij的最小值和最大值；f(a)为min-max标准化函数，a为式中的N_aij、N_cij或N_eij；

计算每天中第i基本反应格第j时段内的交通指挥指数值，计算公式为：

其中，g_o表示除交通事件、交通拥堵和交通违章事件以外的其他事件的关键重要度；N^* _oij表示每天中第i基本反应格第j时段内其他事件的处理人员的平均数量标准值；w_ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间；w^* _ij表示在每天中第i基本反应格第j时段内处理交通事件所需时间的标准值；I_ij表示第i基本反应格第j时段内交通指挥指数值；

利用地理信息分析软件在目标区域的地图中标记出多个所述基本反应格，并分别对交通事件、交通拥堵和交通违章事件进行位置标定,根据第i基本反应格第j时段内交通指挥指数值I_ij计算质心坐标，确定目标区域内最佳巡更点的位置；

利用排队论计算事件发生后当事人在接受事件处理前的平均等待时间W_q，计算公式为：

其中，c表示巡逻交警组数,λ表示一个时段交通事件的发生次数,μ表示巡逻小组每小时处理的事件数,ρ＝λ/(cμ)表示事件处理强度,L_q表示等候处理的排队队长，k∈[0，c-1]，P₀表示没有事件正在被处理的概率；

设置当事人的最短平均等待时间h,即应满足Wq≤h，求得巡逻交警组数；

用泊松分布计算在一个时段内发生x次交通事件的累计概率，并计算一个时段内累计概率大于0.95时发生交通事件的平均次数；

将求得的一个时段内累计概率大于0.95时发生交通事件的次数作为新的λ的值，代入事件发生后事件当事人在接受事件处理前的平均等待时间的计算公式中，进一步求得最小巡逻交警组数；

根据处于巡逻岗和备勤岗的交警的实际工作制度，在求得的最小巡逻交警组数的基础上建立用于警力调度的整数规划模型，进一步求得道路巡逻交警的人数和办公室待命交警的人数；

根据交通警察的实际工作数据并利用建立的用于警力调度的整数规划模型，完成道路巡逻交警与办公室待命交警的调动工作。

2.根据权利要求1所述一种基于交通指挥指数的警力资源优化方法，其特征在于，对统计结果进行数据归一化处理的条件为：

N_(i+1)(j+1)>N_ij,N^* _(i+1)(j+1)>N*_ij

f(kN_ij)＝f(N_ij)

其中，f(N_ij)表示N_ij的min-max标准化函数；N_ij表示N_aij、N_cij或N_eij；N^* _ij表示

或

3.根据权利要求1所述一种基于交通指挥指数的警力资源优化方法，其特征在于，所述每天中第i基本反应单元第j时段内处理交通事件所需时间w_ij的计算公式为：

其中，d_ij表示从事件发生地到交通驻地的距离；(x_ij,y_ij)是事件发生地的坐标位置；(x₀,y₀)是交通驻地的坐标位置；v_ij表示处理人员从交通驻地到事件发生地的平均速度。

4.根据权利要求1所述一种基于交通指挥指数的警力资源优化方法，其特征在于，处理人员从交通驻地到事件发生地的平均速度v_ij的计算公式为：

其中，v_fij表示夜间处理人员从交通驻地到事件发生地的平均速度，rV_fij表示除夜间的其他时段处理人员从交通驻地到事件发生地的平均速度；r表示夜间与其他时段处理人员从交通驻地到事件发生地的平均速度的比率。

5.根据权利要求1所述一种基于交通指挥指数的警力资源优化方法，其特征在于，根据第i基本反应单元第j时段内交通指挥指数值I_ij计算质心坐标，计算公式为：

其中，I_hj表示第h个基本反应区域第j小时的交通指挥调度指数，其值等于该区域所有点的交通指挥调度指数之和；x_h表示质心坐标中的横坐标，y_h表示质心坐标中的纵坐标。

6.根据权利要求1所述一种基于交通指挥指数的警力资源优化方法，其特征在于，所述整数规划模型的基本公式如下：

其中，n∈Z⁺，f_j表示道路巡逻交警的人数，x_j表示办公室待命交警的人数。

7.根据权利要求1-6任一项所述一种基于交通指挥指数的警力资源优化方法，其特征在于，交通警察的实际工作数据包括交警的工作时间、休息时间、不同岗位人员换岗规则。

8.根据权利要求1-6任一项所述一种基于交通指挥指数的警力资源优化方法，其特征在于，所述地理信息分析软件为ArcGIS地理信息系统软件。

Images