CN110174106A - 一种基于pm2.5的健康步行路径规划方法及终端设备 - Google Patents
一种基于pm2.5的健康步行路径规划方法及终端设备 Download PDFInfo
- Publication number
- CN110174106A CN110174106A CN201910257773.0A CN201910257773A CN110174106A CN 110174106 A CN110174106 A CN 110174106A CN 201910257773 A CN201910257773 A CN 201910257773A CN 110174106 A CN110174106 A CN 110174106A
- Authority
- CN
- China
- Prior art keywords
- walking
- concentration value
- section
- module
- environment factor
- 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.)
- Pending
Links
- 230000009184 walking Effects 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001246 colloidal dispersion Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种基于PM2.5的健康步行路径规划方法及装置，包括：根据用户的起始位置和终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。通过预测所有步行路径的PM2.5浓度值，并规划出一条PM2.5浓度值最小的步行路径，能够解决现有技术中高密度城市的步行路径中，由于PM2.5污染严重影响人体健康的问题。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种基于PM2.5的健康步行路径规划方法及终端设备。
背景技术
目前，随着大气污染的日益严重，国内外道路层面关于PM2.5的相关研究越来越多，但是大都基于高成本的车载PM2.5浓度传感器来监测PM2.5的浓度，来考虑机动车或者自行车道路上的情况，缺乏对步行道路上PM2.5的专门研究。而经研究表明全世界PM2.5污染导致的死亡人数每年高达几百万人，其中，影响最严重的是在高密度城市，人们步行的过程当中。因此，在高密度城市的步行路径中，PM2.5污染严重影响人体健康的问题，如何规划出PM2.5浓度最低的健康步行路径已成为亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种基于PM2.5的健康步行路径规划方法及终端设备，以解决现有技术中PM2.5污染严重影响人体健康的问题。
本发明实施例的第一方面提供了一种基于PM2.5的健康步行路径规划方法，包括：
获取用户的起始位置和终点位置；
根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
可选地，所述预先训练完成的PM2.5预测模型为多元线性回归模型，所述将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值之前，包括：
获取预设数量的步行路段的城市环境因子；
将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值；
分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率；
当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型；
当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行所述将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
可选地，所述分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率之前，包括：
根据预设的网格尺寸生成覆盖每条步行路径的格网；
确定每个所述网格包含的采样点；
计算每个所述网格中所有所述采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
可选地，所述步行路径包括无车环境步行路段、有车环境步行路段以及人行天桥路段；所述城市环境因子包括无车环境步行路段的第一环境因子，所述有车环境步行路段的第二环境因子以及所述人行天桥路段的第三环境因子。
可选地，所述第一环境因子包括预设高度的风速、近地表温度、常数系数以及气象数据；所述第二环境因子包括机动车数据、路段密度、常数系数以及气象数据；所述第三环境因子包括机动车数据、路段密度、预设高度的风速、近地表温度、到公交站距离、常数系数以及气象数据。
本发明实施例的第二方面提供了一种基于PM2.5的健康步行路径规划装置，包括：
第一获取模块，用于获取用户的起始位置和终点位置；
路径规划方案生成模块，用于根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
第二获取模块，用于获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
预测模块，用于将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
规划模块，用于基于所有步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
可选地，还包括：
第三获取模块，用于获取预设数量的步行路段的城市环境因子；
处理模块，用于将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值；
计算模块，用于分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率；
第一判断模块，用于在当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型；
第二判断模块，用于在当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行所述将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
可选地，还包括：
生成模块，用于根据预设的网格尺寸生成覆盖每条步行路径的格网；
确定模块，用于确定所述网格包含的采样点；
得到模块，用于计算每个所述网格中所有采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
本发明实施例的第三方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：首先根据用户的起始位置和终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；然后获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；其次将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；最后基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。通过规划出PM2.5浓度值最小的步行路径，来解决现有技术中高密度城市的步行路径中，由于PM2.5污染严重影响人体健康的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于PM2.5的健康步行路径规划方法的实现流程示意图；
图2是本发明实施例提供的训练多元线性回归模型的方法实现流程示意图；
图3是是本发明实施例提供的采集每条所述步行路径的标准PM2.5的方法实现流程示意图；
图4是本发明实施例提供的基于PM2.5的健康步行路径规划装置的结构示意图；
图5是本发明实施例提供的终端设备示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明实施例提供的基于PM2.5的健康步行路径规划方法的实现流程，详述如下：
S101，获取用户的起始位置和终点位置；
用户在出行之前，通常需要借助于终端设备的导航功能，来获取出行的最佳路径。具体方式可以是用户在终端的导航系统中，输入出行的起始位置和终点位置，并选择出行方式来形成路径规划信息，导航系统根据用户输入的路径规划信息为用户规划出行路径。在本实施例中，可以从用户输入导航系统的路径规划信息中获取用户的起始位置和终点位置。进一步地，所述终端设备可以是手机、平板、电脑等。
S102，根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
具体地，预先根据预设的网格尺寸生成覆盖每条步行路径的格网，所述步行路网数据包括所有所述网格和每个所述网格之间的连接节点。本方案在获取所述起始位置和所述终点位置之后，结合预先存储的所述步行路网数据，生成的步行路径规划方案包括每条步行路径的格网。具体地，将步行路径进行网格划分，得到格网，并在PM2.5浓度值的采样过程中，以网格为基本采样单元，在每个采样单元中选取适当的采样点进行PM2.5浓度值的采样，并在采样过程中，根据PM2.5的分布进行网格分辨率的调整，可以提高采集的PM2.5浓度值的准确性，进一步确保PM2.5预测模型的训练过程以及测试过程的可靠性。
S103，获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
具体地，由于步行路径周边的车辆对PM2.5浓度值的影响比较明显，且车辆与步行路径之间的相对位置不同，对PM2.5浓度值的影响也不同。因此，在本方案中，为了提高PM2.5浓度值预测的准确性，将所述步行路径划分为无车环境步行路段、有车环境步行路段以及人行天桥路段；所述城市环境因子为经过实验分析从例如，植被指数(NDVI)、指数型建筑用地指数(IBI)，不同高度的风速、大气压、地表温度大气边界层高度、地面高度、坡度、坡向、所有机动车道路的线密度、土地利用的面积、建筑物高度的平均值、公交车站的最近距离等大量的候选变量中，获取的对PM2.5浓度值影响显著的环境因子。具体地，首先通过计算所有候选变量中，各变量之间的相关系数；在有自变量之间的相关系数大于预设相关系数阈值，则判定所述自变量之间高度相关，删除高度相关的自变量；有助于更好地区分自变量的个体贡献，防止自变量冗余。具体地，在本方案的实施例中，所述城市环境因子包括无车环境步行路段的第一环境因子，所述有车环境步行路段的第二环境因子以及所述人行天桥路段的第三环境因子。其中，所述第一环境因子包括指数型建筑用地指数、植被指数、预设高度的风速、近地表温度、大气边界层高度、常数系数中的至少任意两项；所述第二环境因子包括城市冠层绿色植被覆盖因子、地面高度、大气边界层高度、机动车线密度、路段密度、常数系数中的至少任意两项；所述第三环境因子包括指数型建筑用地指数、机动车线密度、路段密度、预设高度的风速、近地表温度、公交站距离、常数系数中的至少任意两项。
S104，将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
所述预先训练完成的PM2.5预测模型为多元线性回归模型，具体地，如图2所示，是本发明实施例提供的训练多元线性回归模型的方法实现流程；如图2所示，在S104之前，包括：
S201，获取预设数量的步行路段的城市环境因子。
需要说明的是，S201可以与S101、S102，或者S103同时执行，S201也可以在S101、S102，或者S103之前执行，S201还可以在S101、S102或者S103之后执行，具体地，S201与S101、S102以及S103之间的执行顺序，在此不做具体限制。
S202，将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
可选地，所述多元线性回归模型还可以包括：第一多元线性回归模型，用于预测无车环境步行路段的PM2.5浓度值；第二多元线性回归模型，用于预测有车环境步行路段的PM2.5浓度值；第三多元线性回归模型，用于预测人行天桥路段的PM2.5浓度值。进一步地，将所述无车环境步行路段的第一环境因子入输入至所述第一多元线性回归模型中进行处理，得到所述无车环境步行路段的第一预测PM2.5浓度值；将所述有车环境步行路段的第二环境因子入输入至所述第二多元线性回归模型中进行处理，得到所述有车环境步行路段的第二预测PM2.5浓度值；将所述人行天桥路段的第三环境因子入输入至所述第三多元线性回归模型中进行处理，得到所述人行天桥路段的第三预测PM2.5浓度值。
S203，分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率。
可选地，分别计算每条所述无车环境步行路段的第一预测PM2.5浓度值与预先采集的每条所述无车环境步行路段的第一标准PM2.5浓度值的比值，得到第一多元线性回归模型的第一预测准确率；
分别计算每条所述有车环境步行路段的第二预测PM2.5浓度值与预先采集的每条所述有车环境步行路段的第二标准PM2.5浓度值的比值，得到第二多元线性回归模型的第二预测准确率；分别计算每条所述人行天桥路段的第三预测PM2.5浓度值与预先采集的每条所述人行天桥路段的第三标准PM2.5浓度值的比值，得到所述第三多元线性回归模型的第三预测准确率。
S204，当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型。
可选地，所述预测准确率包括第一预测准确率、第二预测准确率以及第三预测准确率；所述多元线性回归模型包括第一多元线性回归模型、第二多元线性回归模型以及第三多元线性回归模型。
当所述第一预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止对所述第一多元线性回归模型的训练，得到训练好的第一多元线性回归模型；当所述第二预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止对所述第二多元线性回归模型的训练，得到训练好的第二多元线性回归模型；当所述第三预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止对所述第三多元线性回归模型的训练，得到训练好的第三多元线性回归模型。
S205，当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行S202。
可选地，所述预测准确率包括第一预测准确率、第二预测准确率以及第三预测准确率，所述城市环境因子包括所述无车环境步行路段的第一环境因子，所述有车环境步行路段的第二环境因子以及所述人行天桥路段的第三环境因子。
当所述第一预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述无车环境步行路段的第一环境因子，并返回执行所述将每条所述无车环境步行路段的第一环境因子输入至所述第一多元线性回归模型中进行处理，得到每条所述无车环境步行路段的预测PM2.5浓度值。当所述第二预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述有车环境步行路段的第二环境因子，并返回执行所述将每条所述有车环境步行路段的第二环境因子输入至所述第二多元线性回归模型中进行处理，得到每条所述有车环境步行路段的预测PM2.5浓度值。当所述第三预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述人行天桥路段的第三环境因子，并返回执行所述将每条所述人行天桥路段的第三环境因子输入至所述第三多元线性回归模型中进行处理，得到每条所述人行天桥路段的预测PM2.5浓度值。
可选地，如图3所示，是本发明实施例提供的采集每条所述步行路径的标准PM2.5的方法实现流程。在S203之前，包括：
S301，根据预设的网格尺寸生成覆盖每条步行路径的格网。
通常，生成的每条所述步行路径的格网包括的网格均匀分布，所述网格单元的空间分辨率为经过多次调整之后得到，例如，所述步行路径的格网包括228个均匀的正方形网格，且所述网格单元的空间分辨率为20米。
需要说明的是，S301可以在S201或者S202之前执行，也可以在S201之后或者S202之后执行，还可以与S201或者S202同时执行，S301与S201以及S202之间的执行顺序，在此不做具体限制。
S302，确定每个所述网格包含的采样点。
可以理解地，每个所述网格中PM2.5的分布可能不同，因此，每个所述网格包含的采样点不同，具体需要根据所述城市环境因子进行采样点的确定，在此不做详细解释。
S303，计算每个所述网格中所有所述采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
具体地，可以使用已有的PM2.5浓度值采样装置进行PM2.5浓度值的采样，在此不做具体限制，示例性地，在本实施例中，采用低成本移动测量装置通过光散射测量PM2.5浓度值，当使用光散射技术监测气溶胶(气溶胶(aerosol)是指由固体或液体小质点分散并悬浮在气体介质中形成的胶体分散体系，又称气体分散体系，其包含有PM2.5)时，过高的湿度会导致水凝结使装置测量的相对湿度(RH)发生变化，导致PM2.5浓度的增加。为了能够纠正由装置测量的相对湿度(RH)引起的装置测量的可能误差，监测并获得装置测量的相对湿度(RH)及采集的PM2.5浓度值，使用PM2.5校正公式采集的PM2.5浓度值进行校正，PM2.5校正公式如下：
其中PM2.5是装置测量空气束的PM2.5浓度，RH是装置测量的相对湿度。通过校正之后得到相对准确的PM2.5浓度值。
S105，基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
可以理解地，由于根据预设的网格尺寸生成覆盖每条步行路径的格网，采集的PM2.5为每个所述格网中PM2.5的平均值，因此，预测得到的所有所述步行路径上当前的PM2.5浓度值与所述格网形成PM2.5栅格分布图；可选地，将PM2.5栅格分布图与所述步行路网数据通过加权计算，得到每条步行路径的PM2.5浓度加权值。
具体地，假设步行路径L的PM2.5浓度加权值为Wp，则其中，i为步行路径L包含的网格数，di,j为第j个网格中网格边的长度，Vj为第j个网格中的PM2.5浓度值。例如，在步行路径L上分布有三个网格，三个网格中PM2.5的浓度值分别为V1、V2、V3，长度分别为d3,1、d3,2、d3,3，则对应步行路径L上的PM2.5浓度加权值为：Wp＝d3,1×v1+d3,2×v2+d3,3×v3
进一步地，根据计算得到的每条步行路径的PM2.5浓度加权值，规划并输出一条PM2.5浓度值最小的步行路径。
由上述实施例可知，本发明提成的基于PM2.5的健康步行路径规划方法，首先根据用户的起始位置和终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；然后获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；其次将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；最后基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。通过规划出PM2.5浓度值最小的步行路径，来解决现有技术中高密度城市的步行路径中，由于PM2.5污染严重影响人体健康的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的基于PM2.5的健康步行路径规划装置的结构图。基于PM2.5的健康步行路径规划装置包括的各模块用于执行图1～图3各自对应的实施例中的各步骤。具体请参阅图1～图3各自对应的实施例中的相关描述。由图4可知，基于PM2.5的健康步行路径规划装置，包括：
第一获取模块401，用于获取用户的起始位置和终点位置；
路径规划方案生成模块402，用于根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
第二获取模块403，用于获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
预测模块404，用于将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
规划模块405，用于基于所有步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
可选地，所述装置还包括：
第三获取模块，用于获取预设数量的步行路段的城市环境因子；
处理模块，用于将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值；
计算模块，用于分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率；
第一判断模块，用于在当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型；
第二判断模块，用于在当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行所述将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
可选地，所述装置还可以包括：
生成模块，用于根据预设的网格尺寸生成覆盖每条步行路径的格网；
确定模块，用于确定所述网格包含的采样点；
得到模块，用于计算每个所述网格中所有采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
上述各模块在图4中均未示出。
进一步地，所述步行路径包括无车环境步行路段、有车环境步行路段以及人行天桥路段；所述城市环境因子包括无车环境步行路段的第一环境因子，所述有车环境步行路段的第二环境因子以及所述人行天桥路段的第三环境因子。
进一步地，所述第一环境因子包括指数型建筑用地指数、植被指数、预设高度的风速、近地表温度、大气边界层高度、常数系数中的至少任意两项；
所述第二环境因子包括城市冠层绿色植被覆盖因子、地面高度、大气边界层高度、机动车线密度、路段密度、常数系数中的至少任意两项；
所述第三环境因子包括指数型建筑用地指数、机动车线密度、路段密度、预设高度的风速、近地表温度、公交站距离、常数系数中的至少任意两项。
图5是本发明实施例提供的终端设备的示意图。如图5所示，该实施例的基于PM2.5的健康步行路径规划装置5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如基于PM2.5的健康步行路径规划程序。所述处理器50执行所述计算机程序52时实现上述各个基于PM2.5的健康步行路径规划方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在终端设备5中的执行过程。例如，所述计算机程序52可以被分割成第一获取模块、路径规划方案生成模块、第二获取模块、预存模块以及规划模块(虚拟装置中的模块)，各模块具体功能如下：
第一获取模块，用于获取用户的起始位置和终点位置；
路径规划方案生成模块，用于根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
第二获取模块，用于获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
预测模块，用于将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
规划模块，用于基于所有步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于PM2.5的健康步行路径规划方法，其特征在于，包括：
获取用户的起始位置和终点位置；
根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
基于所有所述步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
2.如权利要求1所述的基于PM2.5的健康步行路径规划方法，其特征在于，所述预先训练完成的PM2.5预测模型为多元线性回归模型，所述将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值之前，包括：
获取预设数量的步行路段的城市环境因子；
将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值；
分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率；
当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型；
当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行所述将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
3.如权利要求2所述的基于PM2.5的健康步行路径规划方法，其特征在于，所述分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率之前，包括：
根据预设的网格尺寸生成覆盖每条步行路径的格网；
确定每个所述网格包含的采样点；
计算每个所述网格中所有所述采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
4.如权利要求1所述的基于PM2.5的健康步行路径规划方法，其特征在于，
所述步行路径包括无车环境步行路段、有车环境步行路段以及人行天桥路段；所述城市环境因子包括无车环境步行路段的第一环境因子，所述有车环境步行路段的第二环境因子以及所述人行天桥路段的第三环境因子。
5.如权利要求4所述的基于PM2.5的健康步行路径规划方法，其特征在于，
所述第一环境因子包括指数型建筑用地指数、植被指数、预设高度的风速、近地表温度、大气边界层高度、常数系数中的至少任意两项；
所述第二环境因子包括城市冠层绿色植被覆盖因子、地面高度、大气边界层高度、机动车线密度、路段密度、常数系数中的至少任意两项；
所述第三环境因子包括指数型建筑用地指数、机动车线密度、路段密度、预设高度的风速、近地表温度、公交站距离、常数系数中的至少任意两项。
6.一种基于PM2.5的健康步行路径规划装置，其特征在于，包括：
第一获取模块，用于获取用户的起始位置和终点位置；
路径规划方案生成模块，用于根据所述起始位置和所述终点位置及预先存储的步行路网数据，生成至少两个步行路径规划方案；
第二获取模块，用于获取所述步行路径规划方案规划的所有步行路径上，当前的城市环境因子；
预测模块，用于将所述城市环境因子输入预先训练完成的PM2.5预测模型，预测出所有步行路径上当前的PM2.5浓度值；
规划模块，用于基于所有步行路径上当前的PM2.5浓度值，规划并输出一条PM2.5浓度值最小的步行路径。
7.如权利要求6所述的基于PM2.5的健康步行路径规划装置，其特征在于，还包括：
第三获取模块，用于获取预设数量的步行路段的城市环境因子；
处理模块，用于将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值；
计算模块，用于分别计算每条所述步行路段的预测PM2.5浓度值与预先采集的每条所述步行路段的标准PM2.5浓度值之间的比值，得到所述多元线性回归模型的预测准确率；
第一判断模块，用于在当所述预测准确率达到预设准确率阈值的比例大于预设的准确率比例时，停止训练，得到训练好的多元线性回归模型；
第二判断模块，用于在当所述预测准确率达到预设准确率阈值的比例小于，或者等于预设的准确率比例时，则增加所述预设数量的步行路段的城市环境因子，并返回执行所述将每条所述步行路段的城市环境因子输入至所述多元线性回归模型中进行处理，得到每条所述步行路段的预测PM2.5浓度值。
8.如权利要求7所述的基于PM2.5的健康步行路径规划装置，其特征在于，还包括：
生成模块，用于根据预设的网格尺寸生成覆盖每条步行路径的格网；
确定模块，用于确定所述网格包含的采样点；
得到模块，用于计算每个所述网格中所有采样点的PM2.5浓度值的平均值，得到每个所述网格中PM2.5的平均浓度值，所述PM2.5的平均浓度值为采集的标准PM2.5浓度值。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910257773.0A CN110174106A (zh) | 2019-04-01 | 2019-04-01 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910257773.0A CN110174106A (zh) | 2019-04-01 | 2019-04-01 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110174106A true CN110174106A (zh) | 2019-08-27 |
Family
ID=67689373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910257773.0A Pending CN110174106A (zh) | 2019-04-01 | 2019-04-01 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110174106A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895728A (zh) * | 2019-11-28 | 2020-03-20 | 海南电网有限责任公司 | 面向网格化配电网的线路路径自动规划方法 |
| CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
| CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
| CN114252069A (zh) * | 2020-09-23 | 2022-03-29 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
| CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
| US12000707B2 (en) | 2020-04-28 | 2024-06-04 | Grabtaxi Holdings Pte. Ltd. | Communications server apparatus and methods of operation thereof |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930158A (zh) * | 2012-10-31 | 2013-02-13 | 哈尔滨工业大学 | 基于偏最小二乘的变量选择方法 |
| CN103093077A (zh) * | 2011-11-08 | 2013-05-08 | 通用电气航空系统有限公司 | 用于集成交通工具健康管理系统的模型的方法 |
| CN104050556A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 一种垃圾邮件的特征选择方法及其检测方法 |
| CN104697539A (zh) * | 2013-12-09 | 2015-06-10 | 昆山研达电脑科技有限公司 | 智能户外运动绿色路径规划系统及其方法 |
| CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
| CN107504965A (zh) * | 2017-08-15 | 2017-12-22 | 华北理工大学 | 基于磁特征参量联合距离的井下定位方法 |
| CN107702712A (zh) * | 2017-09-18 | 2018-02-16 | 哈尔滨工程大学 | 基于惯性测量双层wlan指纹库的室内行人组合定位方法 |
| CN108020237A (zh) * | 2017-11-28 | 2018-05-11 | 浙江树人大学 | 一种吸入机动车尾气污染物最少的行人路径规划方法 |
| US20180188050A1 (en) * | 2017-01-04 | 2018-07-05 | International Business Machines Corporation | Navigation system based on air pollution exposure profiling |
| CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
| CN108871359A (zh) * | 2018-04-28 | 2018-11-23 | 山东交通学院 | 一种动态空气质量导航方法、骑行载具空气质量监测系统 |
| CN109115205A (zh) * | 2018-07-20 | 2019-01-01 | 上海工程技术大学 | 一种基于地磁传感器阵列的室内指纹定位方法及系统 |
-
2019
- 2019-04-01 CN CN201910257773.0A patent/CN110174106A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093077A (zh) * | 2011-11-08 | 2013-05-08 | 通用电气航空系统有限公司 | 用于集成交通工具健康管理系统的模型的方法 |
| CN102930158A (zh) * | 2012-10-31 | 2013-02-13 | 哈尔滨工业大学 | 基于偏最小二乘的变量选择方法 |
| CN104697539A (zh) * | 2013-12-09 | 2015-06-10 | 昆山研达电脑科技有限公司 | 智能户外运动绿色路径规划系统及其方法 |
| CN104050556A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 一种垃圾邮件的特征选择方法及其检测方法 |
| CN104992041A (zh) * | 2015-08-06 | 2015-10-21 | 武汉大学 | 一种基于空间句法的城市扩张边界预测方法 |
| US20180188050A1 (en) * | 2017-01-04 | 2018-07-05 | International Business Machines Corporation | Navigation system based on air pollution exposure profiling |
| CN107504965A (zh) * | 2017-08-15 | 2017-12-22 | 华北理工大学 | 基于磁特征参量联合距离的井下定位方法 |
| CN107702712A (zh) * | 2017-09-18 | 2018-02-16 | 哈尔滨工程大学 | 基于惯性测量双层wlan指纹库的室内行人组合定位方法 |
| CN108020237A (zh) * | 2017-11-28 | 2018-05-11 | 浙江树人大学 | 一种吸入机动车尾气污染物最少的行人路径规划方法 |
| CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
| CN108871359A (zh) * | 2018-04-28 | 2018-11-23 | 山东交通学院 | 一种动态空气质量导航方法、骑行载具空气质量监测系统 |
| CN109115205A (zh) * | 2018-07-20 | 2019-01-01 | 上海工程技术大学 | 一种基于地磁传感器阵列的室内指纹定位方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 任丹: "基于多元线性回归模型的电影票房预测系统设计与实现", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 张樱等: "基于城市PM2.5影响因素相关性及预测模型研究", 《科学技术创新》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895728A (zh) * | 2019-11-28 | 2020-03-20 | 海南电网有限责任公司 | 面向网格化配电网的线路路径自动规划方法 |
| CN111209533A (zh) * | 2019-11-28 | 2020-05-29 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
| CN111209533B (zh) * | 2019-11-28 | 2021-08-10 | 香港理工大学深圳研究院 | 道路层面细颗粒物反演方法、装置、计算设备及存储介质 |
| CN110895728B (zh) * | 2019-11-28 | 2023-06-13 | 海南电网有限责任公司 | 面向网格化配电网的线路路径自动规划方法 |
| US12000707B2 (en) | 2020-04-28 | 2024-06-04 | Grabtaxi Holdings Pte. Ltd. | Communications server apparatus and methods of operation thereof |
| CN111738600A (zh) * | 2020-06-23 | 2020-10-02 | 南通大学 | 一种基于高精度pm2.5反演结果的城市道路空气质量评价方法 |
| CN114252069A (zh) * | 2020-09-23 | 2022-03-29 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
| CN114252069B (zh) * | 2020-09-23 | 2023-09-01 | 香港理工大学深圳研究院 | 健康步行路径规划方法、装置、终端设备及可读存储介质 |
| CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
| CN114993336B (zh) * | 2022-07-18 | 2022-10-25 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110174106A (zh) | 一种基于pm2.5的健康步行路径规划方法及终端设备 | |
| US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
| CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
| Tigkas et al. | Drought and climatic change impact on streamflow in small watersheds | |
| Wyszogrodzki et al. | Evaluation of the coupling between mesoscale-WRF and LES‐EULAG models for simulating fine-scale urban dispersion | |
| Yuan et al. | Multilayer urban canopy modelling and mapping for traffic pollutant dispersion at high density urban areas | |
| CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
| Saxena et al. | Capturing heterogeneous urban growth using SLEUTH model | |
| US8989999B2 (en) | Vehicle range analysis using driving environment information with optional continuous averaging | |
| CN109613182A (zh) | 基于大气污染物的监测布点选址方法及装置 | |
| CN111767597A (zh) | 一种城市模型验证方法、装置、设备及存储介质 | |
| CN111507375A (zh) | 一种城市内涝风险快速评估方法及系统 | |
| CN106777917B (zh) | 水工建筑物对海事交管雷达遮蔽区域计算和影响评价方法 | |
| Auvinen et al. | Numerical framework for the computation of urban flux footprints employing large-eddy simulation and Lagrangian stochastic modeling | |
| Mustafa et al. | Measuring the effect of stochastic perturbation component in cellular automata urban growth model | |
| CN107797154A (zh) | 一种电成像测井图像刻度方法及装置 | |
| Yu et al. | Spatial and temporal scale effect in simulating hydrologic processes in a watershed | |
| Jurado et al. | On the minimal wind directions required to assess mean annual air pollution concentration based on CFD results | |
| CN112560215A (zh) | 一种基于深度强化学习的电力选线方法 | |
| CN109472002A (zh) | 污染物浓度分布图的生成方法及装置 | |
| CN112819365A (zh) | 碳汇检测方法、装置及存储介质和电子设备 | |
| CN111898296A (zh) | 一种核物质大气扩散及沉降多尺度模拟方法及系统 | |
| Yousuf et al. | Development and evaluation of GIS-based runoff and sediment yield watershed scale model | |
| CN114154300B (zh) | 一种城市热环境与空气污染物浓度实时感知地图建立方法 | |
| Fadavi et al. | Evaluation of AERMOD for distribution modeling of particulate matters (Case study: Ardestan Cement Factory) |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |