CN110992233B - 一种针对城市聚集事件的应急疏散方法与系统 - Google Patents
一种针对城市聚集事件的应急疏散方法与系统 Download PDFInfo
- Publication number
- CN110992233B CN110992233B CN201911289214.4A CN201911289214A CN110992233B CN 110992233 B CN110992233 B CN 110992233B CN 201911289214 A CN201911289214 A CN 201911289214A CN 110992233 B CN110992233 B CN 110992233B
- Authority
- CN
- China
- Prior art keywords
- urban
- passenger capacity
- traffic
- vehicle
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000011664 signaling Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 29
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 238000013468 resource allocation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种针对城市聚集事件的应急疏散方法与系统。包括：步骤a：利用基础地理测绘数据构建城市多模式交通系统；步骤b：基于手机信令大数据估算城市聚集人口的时空分布；步骤c：基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；步骤d：基于智能刷卡数据估算公交、地铁的载客量；步骤e：结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建应急疏散优化模型，并利用启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略。本申请可以有效疏导聚集人群，调度车辆，避免拥堵，为应急管理部门或交通部门提供决策支撑。
Description
技术领域
本申请属于城市公共安全技术领域，特别涉及一种针对城市聚集事件的应急疏散方法与系统。
背景技术
近些年来，随着城市经济的快速发展，城市人口在不断增长，已然呈现出高密度、高流动的人口状态。而聚集事件时有发生，如灯光秀、演唱会和足球联赛等，它们是威胁城市安全或交通拥堵的主要来源，我国每年因聚集事件造成的非正常死亡人员教训惨痛。
聚集事件发生后，尽快安全地疏散事故现场的人员，是最大程度减少危险的关键。然而，在人口密集且地物环境复杂的大都市，针对聚集事件的应急响应系统仍不够完善，缺乏全局统筹规划且行之有效的疏散预案。超大型城市大规模聚集事件下的应急疏散预案研究成为社会各界关注的热点，是应急管理部门制定应急响应预案极其重要的环节，对构建安全城市有着积极意义。
发明内容
本申请提供了一种针对城市聚集事件的应急疏散方法与系统，旨在至少在一定程度上解决现有技术中的上述技术问题。
为了解决上述问题，本申请提供了如下技术方案：
一种针对城市聚集事件的应急疏散方法，包括以下步骤：
步骤a：利用基础地理测绘数据构建城市多模式交通系统；
步骤b：基于手机信令大数据估算城市聚集人口的时空分布；
步骤c：基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
步骤d：基于智能刷卡数据估算公交、地铁的载客量；
步骤e：结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建应急疏散优化模型，并利用动态多商品网络流算法或启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述利用基础地理测绘数据构建城市多模式交通系统，具体包括：
步骤a1：利用真实测量的二维城市车辆道路边界，构建道路矢量面要素，以此作为整个模型的骨架；
步骤a2：在车行道的侧面，构建相应人行道；
步骤a3：以实测的建筑轮廓及其高程数据构建三维建筑物模型；
步骤a4：利用基础地理测绘数据，绘制广场、公园的通道；
步骤a5：绘制三维人行天桥、地下通道、地铁的入口和出口、公交车站站台；
步骤a6：构建所述人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站间的有向拓扑关系；
步骤a7：通过模拟仿真的方法分析人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站的属性，包括：人行道的最大人流量、车行道的最大车流量、人行道和车行道上的逃离速度、地铁的单位时间载客量。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述基于手机信令大数据估算城市聚集人口的时空分布，具体包括：
步骤b1：在历史无聚集事件的数据上，利用手机基站位置数据构建平面点集Voronoi图；
步骤b2：将每个手机用户分配至每个基站服务的Voronoi图中，构建瞬时人口分布图；
步骤b3：在时间维度上，构建多个瞬时人口分布图以及人群移动轨迹；
步骤b4：顾及采样率、手机基站服务范围、城市建成环境以及历史数据因素，将Voronoi图内部的人口数量进行扩样，并进一步细化其时空分布，估算人口日常时空分布Q1；
步骤b5：基于步骤b1－b4，根据聚集事件发生时的数据估算人口时空分布Q2；
步骤b6：根据Q1和Q2计算得到因聚集事件而产生的人口时空分布。
本申请实施例采取的技术方案还包括：在所述步骤c中，所述基于浮动车辆GPS轨迹数据估算城市道路拥堵状态，具体包括：
步骤c1：利用浮动车辆GPS轨迹数据计算离散位置的车辆行驶速度；
步骤c2：利用海量历史数据和机器学习算法，分析车辆行驶速度与流量的关系，以及与道路拥堵状态的时空间关系；
步骤c3：采用时空间插值算法，计算车辆在路段任意位置的行驶速度；
步骤c4：融合交通视频监控、地磁传感器数据分析每个道路口的动态车辆流入和流出量；
步骤c5：采用动态交通流模型模拟仿真出道路各位置的车辆流量及密度分布。
本申请实施例采取的技术方案还包括：在所述步骤d中，所述基于智能刷卡数据估算公交、地铁的载客量，具体包括：
步骤d1：对特定用户的刷卡记录进行时间排序，构建出行链；根据上车站点和公交行驶方向，选择公交行驶路线与其出行链中最接近的站点为下车站点；
步骤d2：统计所有公交在所有时间段中，载客量的最大值为公交总载客量W1；
步骤d3：任意时刻，累积上下车乘客数量差为当前公交载客量W2，则公交剩余载客量估算为W1-W2；
步骤d4：利用早晚高峰历史数据估算单次地铁的最大载客量，即为地铁最大载客量W3；
步骤d5：利用地铁进站刷卡记录，计算当前地铁的乘客量W4，若W4>W3，则剩余载客量为W5＝0；否则，W5＝W3-W4。
本申请实施例采取的技术方案还包括：在所述步骤e中，所述的应急疏散优化模型具体包括：
步骤e1：确定优化目标，包括最大化疏散效率以及最小化人－车冲突；
步骤e2：确定约束条件：包括总人流量守恒、车行道容量、人行道容量、地铁载客量、公交载客量、人－车流量转换守恒、车辆行驶速度、人群逃离速度；
步骤e3：基于优化目标和约束条件，利用动态多商品网络流算法或启发式优化算法求解最优人－车时空流量；
步骤e4：根据最优人－车时空流量计算结果，制定疏散策略，包括时空疏散路径及其交通方式、步行和车辆道路资源分配、多交通模式转换策略、交叉路口疏导策略、以及轨道/公交调度表。
本申请实施例采取的技术方案还包括：一种针对城市聚集事件的应急疏散系统，包括：
多模式交通系统模块：用于利用基础地理测绘数据构建城市多模式交通系统；
人口分布估算模块：用于基于手机信令大数据估算城市聚集人口的时空分布；
交通拥堵状态估算模块：用于基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
公交/地铁载客量估算模块：用于基于智能刷卡数据估算公交、地铁的载客量；
疏散模型构建模块：用于结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交/地铁的载客量构建应急疏散优化模型，并利用动态多商品网络流算法或启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略。相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的针对城市聚集事件的应急疏散方法与系统考虑了城市地理建成环境和人口情况，充分利用步行、公交、地铁、和私家车等多种交通方式，以疏散效率和疏散安全为目标，顾及容量约束、人流量守恒、逃离速度等约束，构建多目标多动态约束的应急疏散优化模型，利用启发式算法等手段求解出相应的多交通疏散策略，有效疏导聚集人群，调度车辆，避免拥堵，为应急管理部门或交通部门提供决策支撑。
附图说明
图1是本申请实施例的针对城市聚集事件的应急疏散方法的流程图；
图2为城市多模式交通系统示意图；
图3为人口时空分布图；
图4为城市道路拥堵状态估算流程图；
图5为公交、地铁载客量估算流程图；
图6为多交通疏散策略示意图；
图7是本申请实施例的针对城市聚集事件的应急疏散系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的针对城市聚集事件的应急疏散方法的流程图。本申请实施例的针对城市聚集事件的应急疏散方法包括以下步骤：
步骤100：利用基础地理测绘数据构建城市多模式交通系统；
步骤100中，城市多模式交通系统如图2所示，城市多模式交通系统一体化三维模型构建方法，包括以下步骤：
步骤101：利用真实测量的二维城市车辆道路边界，构建道路矢量面要素，以此作为整个模型的骨架；
步骤102：在车行道的侧面，构建相应人行道；
步骤103：以实测的建筑轮廓及其高程数据构建三维建筑物模型；
步骤104：利用基础地理测绘数据，绘制广场、公园等适合人群行走的通道；
步骤105：绘制三维人行天桥、地下通道、地铁的入口和出口、公交车站站台；
步骤106：构建人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站等各地理要素间的有向拓扑关系；
步骤106中，有向拓扑关系包括车辆转弯、步行穿越车行道而引发的人行道之间的有向拓扑、以及步行占用车行道而引发的人行道与车行道间的有向拓扑等，使人行道和车行道拓扑相连但不重叠，使天桥、广场、公园等通道与人行道以及三维建筑物轮廓保持拓扑相连，并使人行天桥和地下通道与人行道保持拓扑相连。
步骤107：通过模拟的方法分析人行道、车行道、天桥、广场、公园、地下通道、地铁站、公交车站等各地理要素的属性，包括：人行道的最大人流量、车行道的最大车流量、人行道和车行道的逃离速度、地铁的单位时间载客量等。
步骤200：基于手机信令大数据估算城市聚集人口的时空分布；
步骤200中，人口时空分布如图3所示，城市聚集人口的时空分布估算方法，具体包括以下步骤：
步骤201：在历史无聚集事件的时候，利用手机基站位置数据构建平面点集Voronoi(冯洛诺伊图)图；
步骤202：将每个手机用户分配至每个基站服务的Voronoi图中，构建瞬时人口分布图；
步骤203：在时间维度上，构建多个瞬时人口分布图以及人群移动轨迹；
步骤204：顾及采样率、手机基站服务范围、城市建成环境、历史数据等多因素，将Voronoi图内部的人口数量进行扩样，并进一步细化其时空分布，估算人口日常时空分布Q1；
步骤205：基于上述相同步骤，根据聚集事件发生时的数据估算人口时空分布Q2；
步骤206：根据Q1和Q2计算得到因聚集事件而产生的人口时空分布。
步骤300：基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
步骤300中，城市道路拥堵状态估算流程如图4所示，其具体包括以下步骤：
步骤301：利用车辆离散位置和瞬时速度等浮动车辆GPS轨迹数据计算离散位置的车辆行驶速度；
步骤302：利用海量历史数据和机器学习算法，分析车辆行驶速度与流量的关系，以及与道路拥堵状态的时空间关系；
步骤303：采用时空间插值算法，计算车辆在路段任意位置的行驶速度；
步骤304：融合交通视频监控、地磁传感器等数据分析每个道路口的动态车辆流入和流出量；
步骤305：采用动态交通流模型模拟仿真出道路各位置的车辆流量及密度分布。
步骤400：基于智能刷卡数据估算公交、地铁的载客量；
步骤400中，智能刷卡数据记录了地铁上下站的时间和位置以及公交的上车时间和位置。依据累积的进站人数、地铁数量及其载客容量，计算地铁动态载客量；依据大量历史数据结合小样本现场采样数据，可以估算各站点的下车人数；进一步，结合公交路线和发车班次，即可估算公交载客量及可调度车辆数和位置。具体地，公交、地铁载客量估算过程如图5所示，其具体包括以下步骤：
步骤401：智能刷卡下车站点推断。对特定用户的刷卡记录进行时间排序，构建出行链；根据上车站点和公交行驶方向，选择公交行驶路线与其出行链中最接近的站点为下车站点；
步骤402：公交总载客量计算。统计所有公交在所有时间段中，载客量的最大值为公交总载客量W1；
步骤403：公交剩余载客量估算。任意时刻，上下车乘客数量差为当前公交载客量W2，则公交剩余载客量估算为W1-W2；
步骤404：地铁最大载客量计算。利用早晚高峰历史数据估算单次地铁的最大载客量，即为地铁最大载客量W3；
步骤405：地铁剩余载客量W5计算。利用地铁进出站刷卡记录，计算当前地铁的乘客量W4，若W4>W3，则剩余载客量为W5＝0；否则，W5＝W3-W4。
步骤500：结合多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建多目标多动态约束的应急疏散优化模型，利用动态多商品网络流算法或启发式优化算法等手段求解模型，得到聚集事件相应的多交通疏散策略；
步骤500中，本申请同时采用了步行、公交、地铁、私家车等多交通工具，允许疏散人群在不同交通工具间进行转换；以疏散效率和疏散安全为目标，顾及容量约束、人流量守恒、逃离速度等约束，构建多目标多动态约束的应急疏散优化模型，利用动态多商品网络流算法或启发式优化算法等手段求解出相应的多交通疏散策略，多交通疏散策略如图6所示。具体地，疏散策略求解方法，包括以下步骤：
步骤501：确定优化目标，包括最大化疏散效率以及最小化人－车冲突；
步骤502：确定约束条件：包括总人流量守恒、车行道容量、人行道容量、地铁载客量、公交载客量、人－车流量转换守恒、车辆行驶速度、人群逃离速度等；
步骤503：基于优化目标和约束条件，利用动态多商品网络流算法或启发式优化算法求解最优人－车时空流量；
步骤504：根据最优人－车时空流量计算结果制定疏散策略，包括时空疏散路径及其交通方式、步行和车辆道路资源分配、多交通模式转换策略、交叉路口疏导策略、以及轨道/公交调度表等。
请参阅图7，是本申请实施例的针对城市聚集事件的应急疏散系统的结构示意图。本申请实施例的针对城市聚集事件的应急疏散系统包括多模式交通系统模块、人口分布估算模块、交通拥堵状态估算模块、公交/地铁载客量估算模块和疏散模型构建模块。
多模式交通系统模块：用于利用基础地理测绘数据构建城市多模式交通系统。
人口分布估算模块：用于根据手机信令大数据估算城市聚集人口的时空分布。
交通拥堵状态估算模块：用于基于浮动车辆GPS轨迹数据估算城市道路拥堵状态。
公交/地铁载客量估算模块：用于基于智能刷卡数据估算公交、地铁的载客量。
疏散模型构建模块：用于结合多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建多目标多动态约束的应急疏散优化模型，利用动态多商品网络流算法或启发式算法等手段求解模型，得到聚集事件相应的多交通疏散策略。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种计算机软件系统，当所述程序系统被计算机执行时，使所述计算机执行以下操作：
步骤a：利用基础地理测绘数据构建城市多模式交通系统；
步骤b：基于手机信令大数据估算城市聚集人口的时空分布；
步骤c：基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
步骤d：基于智能刷卡数据估算公交、地铁的载客量；
步骤e：结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建应急疏散优化模型，并利用动态多商品网络流算法或启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略。
本申请实施例的针对城市聚集事件的应急疏散方法与系统考虑了城市地理建成环境和人口情况，充分利用步行、公交、地铁、和私家车等多种交通方式，以疏散效率和疏散安全为目标，顾及容量约束、人流量守恒、逃离速度等约束，构建多目标多动态约束的应急疏散优化模型，利用启发式优化算法等手段求解出相应的多交通疏散策略，有效疏导聚集人群，调度车辆，避免拥堵，为应急管理部门或交通部门提供决策支撑。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种针对城市聚集事件的应急疏散方法，其特征在于，包括以下步骤：
步骤a：利用基础地理测绘数据构建城市多模式交通系统；
步骤b：基于手机信令大数据估算城市聚集人口的时空分布；
步骤c：基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
步骤d：基于智能刷卡数据估算公交、地铁的载客量；
步骤e：结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建应急疏散优化模型，并利用动态多商品网络流算法或启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略；
在所述步骤a中，所述利用基础地理测绘数据构建城市多模式交通系统，具体包括：
步骤a1：利用真实测量的二维城市车辆道路边界，构建道路矢量面要素，以此作为整个模型的骨架；
步骤a2：在车行道的侧面，构建相应人行道；
步骤a3：以实测的建筑物轮廓及其高程数据构建三维建筑物模型；
步骤a4：利用基础地理测绘数据，绘制广场、公园的通道；
步骤a5：绘制三维人行天桥、地下通道、地铁的入口和出口、公交车站站台；
步骤a6：构建所述人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站间的有向拓扑关系；
步骤a7：通过模拟仿真的方法分析人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站的属性，包括：人行道的最大人流量、车行道的最大车流量、人行道和车行道上的逃离速度、地铁的单位时间载客量；
在所述步骤b中，所述基于手机信令大数据估算城市聚集人口的时空分布，具体包括：
步骤b1：在历史无聚集事件的数据上，利用手机基站位置数据构建平面点集Voronoi图；
步骤b2：将每个手机用户分配至每个基站服务的Voronoi图中，构建瞬时人口分布图；
步骤b3：在时间维度上，构建多个瞬时人口分布图以及人群移动轨迹；
步骤b4：顾及采样率、手机基站服务范围、城市建成环境以及历史数据因素，将Voronoi图内部的人口数量进行扩样，并进一步通过插值细化其时空分布，估算人口日常时空分布Q1；
步骤b5：基于步骤b1－b4，根据聚集事件发生时的数据估算人口时空分布Q2；
步骤b6：根据Q1和Q2计算得到因聚集事件而产生的人口时空分布；
在所述步骤c中，所述基于浮动车辆GPS轨迹数据估算城市道路拥堵状态，具体包括：
步骤c1：利用浮动车辆GPS轨迹数据计算离散位置的车辆行驶速度；
步骤c2：利用海量历史数据和机器学习算法，分析车辆行驶速度与流量的关系，以及与道路拥堵状态的时空间关系；
步骤c3：采用时空间插值算法，计算车辆在路段任意位置的行驶速度；
步骤c4：融合交通视频监控、地磁传感器数据分析每个道路口的动态车辆流入和流出量；
步骤c5：采用动态交通流模型模拟仿真出道路各位置的车辆流量及密度分布；
在所述步骤d中，所述基于智能刷卡数据估算公交、地铁的载客量，具体包括：
步骤d1：对特定用户的刷卡记录进行时间排序，构建出行链；根据上车站点和公交行驶方向，选择公交行驶路线与其出行链中最接近的站点为下车站点；
步骤d2：统计所有公交在所有时间段中，载客量的最大值为公交总载客量W1；
步骤d3：任意时刻，累积上下车乘客数量差为当前公交载客量W2，则公交剩余载客量估算为W1-W2；
步骤d4：利用早晚高峰历史数据估算单次地铁的最大载客量，即为地铁最大载客量W3；
步骤d5：利用地铁进站刷卡记录，计算当前地铁的乘客量W4，若W4>W3，则剩余载客量为W5＝0；否则，W5＝W3-W4；
在所述步骤e中，所述的应急疏散优化模型，具体包括：
步骤e1：确定优化目标，包括最大化疏散效率以及最小化人－车冲突；
步骤e2：确定约束条件：包括总人流量守恒、车行道容量、人行道容量、地铁载客量、公交载客量、人－车流量转换守恒、车辆行驶速度、人群逃离速度；
步骤e3：基于优化目标和约束条件，利用动态多商品网络流算法或启发式优化算法求解最优人－车时空流量；
步骤e4：根据最优人－车时空流量计算结果，制定疏散策略，包括时空疏散路径及其交通方式、步行和车辆道路资源分配、多交通模式转换策略、交叉路口疏导策略、以及轨道/公交调度表。
2.一种针对城市聚集事件的应急疏散系统，其特征在于，包括：
多模式交通系统模块：用于利用基础地理测绘数据构建城市多模式交通系统；
利用真实测量的二维城市车辆道路边界，构建道路矢量面要素，以此作为整个模型的骨架；
在车行道的侧面，构建相应人行道；
以实测的建筑轮廓及其高程数据构建三维建筑物模型；
利用基础地理测绘数据，绘制广场、公园适合人群行走的通道；
绘制三维人行天桥、地下通道、地铁的入口和出口、公交车站站台；
构建人行道、车行道、天桥、广场、公园、地下通道、地铁、公交车站各地理要素间的有向拓扑关系；
有向拓扑关系包括车辆转弯、步行穿越车行道而引发的人行道之间的有向拓扑、以及步行占用车行道而引发的人行道与车行道间的有向拓扑，使人行道和车行道拓扑相连但不重叠，使天桥、广场、公园通道与人行道以及三维建筑物轮廓保持拓扑相连，并使人行天桥和地下通道与人行道保持拓扑相连；
通过模拟的方法分析人行道、车行道、天桥、广场、公园、地下通道、地铁站、公交车站各地理要素的属性，包括：人行道的最大人流量、车行道的最大车流量、人行道和车行道的逃离速度、地铁的单位时间载客量；
人口分布估算模块：用于基于手机信令大数据估算城市聚集人口的时空分布；
在历史无聚集事件的时候，利用手机基站位置数据构建平面点集Voronoi图；
将每个手机用户分配至每个基站服务的Voronoi图中，构建瞬时人口分布图；
在时间维度上，构建多个瞬时人口分布图以及人群移动轨迹；
顾及采样率、手机基站服务范围、城市建成环境、历史数据多因素，将Voronoi图内部的人口数量进行扩样，并进一步细化其时空分布，估算人口日常时空分布Q1；
根据聚集事件发生时的数据估算人口时空分布Q2；
根据Q1和Q2计算得到因聚集事件而产生的人口时空分布；
交通拥堵状态估算模块：用于基于浮动车辆GPS轨迹数据估算城市道路拥堵状态；
利用车辆离散位置和瞬时速度浮动车辆GPS轨迹数据计算离散位置的车辆行驶速度；
利用海量历史数据和机器学习算法，分析车辆行驶速度与流量的关系，以及与道路拥堵状态的时空间关系；
采用时空间插值算法，计算车辆在路段任意位置的行驶速度；
融合交通视频监控、地磁传感器数据分析每个道路口的动态车辆流入和流出量；
采用动态交通流模型模拟仿真出道路各位置的车辆流量及密度分布；
公交/地铁载客量估算模块：用于基于智能刷卡数据估算公交、地铁的载客量；
智能刷卡下车站点推断，对特定用户的刷卡记录进行时间排序，构建出行链；根据上车站点和公交行驶方向，选择公交行驶路线与其出行链中最接近的站点为下车站点；
公交总载客量计算，统计所有公交在所有时间段中，载客量的最大值为公交总载客量W1；
公交剩余载客量估算，任意时刻，上下车乘客数量差为当前公交载客量W2，则公交剩余载客量估算为W1-W2；
地铁最大载客量计算，利用早晚高峰历史数据估算单次地铁的最大载客量，即为地铁最大载客量W3；
地铁剩余载客量W5计算，利用地铁进出站刷卡记录，计算当前地铁的乘客量W4，若W4>W3，则剩余载客量为W5＝0；否则，W5＝W3-W4；
疏散模型构建模块：用于结合所述多模式交通系统、城市聚集人口的时空分布、城市道路拥堵状态以及公交、地铁的载客量构建应急疏散优化模型，并利用动态多商品网络流算法或启发式算法求解所述应急疏散优化模型，得到聚集事件的多交通疏散策略；
确定优化目标，包括最大化疏散效率以及最小化人－车冲突；
确定约束条件：包括总人流量守恒、车行道容量、人行道容量、地铁载客量、公交载客量、人－车流量转换守恒、车辆行驶速度、人群逃离速度；
基于优化目标和约束条件，利用动态多商品网络流算法或启发式优化算法求解最优人－车时空流量；
根据最优人－车时空流量计算结果制定疏散策略，包括时空疏散路径及其交通方式、步行和车辆道路资源分配、多交通模式转换策略、交叉路口疏导策略、以及轨道/公交调度表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911289214.4A CN110992233B (zh) | 2019-12-13 | 2019-12-13 | 一种针对城市聚集事件的应急疏散方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911289214.4A CN110992233B (zh) | 2019-12-13 | 2019-12-13 | 一种针对城市聚集事件的应急疏散方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992233A CN110992233A (zh) | 2020-04-10 |
| CN110992233B true CN110992233B (zh) | 2024-04-23 |
Family
ID=70093725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911289214.4A Active CN110992233B (zh) | 2019-12-13 | 2019-12-13 | 一种针对城市聚集事件的应急疏散方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992233B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882158B (zh) * | 2020-06-24 | 2021-03-09 | 东南大学 | 一种基于Voronoi图的混合公共自行车调度需求预测方法 |
| CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
| CN114065611A (zh) * | 2021-10-26 | 2022-02-18 | 交控科技股份有限公司 | 适用于城市轨道交通的站内乘客疏散方法以及装置 |
| CN115578233B (zh) * | 2022-11-18 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通应急疏散方法、系统及计算机设备 |
| CN116168344A (zh) * | 2023-02-21 | 2023-05-26 | 航天正通汇智(北京)科技股份有限公司 | 一种基于阵列计算视觉的安保监测方法及装置 |
| CN116579453A (zh) * | 2023-03-15 | 2023-08-11 | 中科海慧（北京）科技有限公司 | 一种基于时空大数据的应对突发状况的应急疏散辅助系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0301362D0 (en) * | 2003-01-21 | 2003-02-19 | Olmi Giuseppe A | Intelligent grouping transportation system |
| CN103106546A (zh) * | 2013-02-08 | 2013-05-15 | 同济大学 | 基于区域应急疏散能力评估的疏散应急方案选择方法 |
| CN104750895A (zh) * | 2013-12-30 | 2015-07-01 | 深圳先进技术研究院 | 基于移动手机数据的实时城市应急疏散仿真方法及系统 |
| CN107609682A (zh) * | 2017-08-22 | 2018-01-19 | 上海世脉信息科技有限公司 | 一种大数据环境下人口集聚中短期预警方法 |
| WO2018064931A1 (zh) * | 2016-10-08 | 2018-04-12 | 大连理工大学 | 考虑出租车运营状态下的城市道路行程时间分布估算方法 |
| CN109033718A (zh) * | 2018-09-07 | 2018-12-18 | 哈尔滨工业大学 | 一种城市轨道交通线路失效的动态应急疏散方法 |
-
2019
- 2019-12-13 CN CN201911289214.4A patent/CN110992233B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0301362D0 (en) * | 2003-01-21 | 2003-02-19 | Olmi Giuseppe A | Intelligent grouping transportation system |
| CN103106546A (zh) * | 2013-02-08 | 2013-05-15 | 同济大学 | 基于区域应急疏散能力评估的疏散应急方案选择方法 |
| CN104750895A (zh) * | 2013-12-30 | 2015-07-01 | 深圳先进技术研究院 | 基于移动手机数据的实时城市应急疏散仿真方法及系统 |
| WO2018064931A1 (zh) * | 2016-10-08 | 2018-04-12 | 大连理工大学 | 考虑出租车运营状态下的城市道路行程时间分布估算方法 |
| CN107609682A (zh) * | 2017-08-22 | 2018-01-19 | 上海世脉信息科技有限公司 | 一种大数据环境下人口集聚中短期预警方法 |
| CN109033718A (zh) * | 2018-09-07 | 2018-12-18 | 哈尔滨工业大学 | 一种城市轨道交通线路失效的动态应急疏散方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992233A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992233B (zh) | 一种针对城市聚集事件的应急疏散方法与系统 | |
| CN109657843B (zh) | 一种城市接驳公交系统的一体化规划决策支持系统 | |
| Florin et al. | A survey of vehicular communications for traffic signal optimization | |
| Yi et al. | Optimization models for placement of an energy-aware electric vehicle charging infrastructure | |
| CN108681795B (zh) | 城市交通路网和用户出行链约束下的电动汽车充电负荷时空预测方法 | |
| CN107036617B (zh) | 一种出租车与地铁组合的出行路线规划方法及系统 | |
| CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
| Mohanty et al. | Traffic congestion detection in a city using clustering techniques in VANETs | |
| CN108776852A (zh) | 无桩车辆调度方法和系统 | |
| Kimpton et al. | Parking behavior: Park ‘n’ride (PnR) to encourage multimodalism in Brisbane | |
| CN106816009B (zh) | 高速公路实时交通拥堵路况检测方法及其系统 | |
| Hounsell et al. | Enhancing Park and Ride with access control: A case study of Southampton | |
| CN113554353B (zh) | 一种避免空间淤积的公共自行车空间调度优化方法 | |
| CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
| CN110136457A (zh) | 基于微观交通仿真的城市交叉口群协调优化方法 | |
| Zhu et al. | Solar photovoltaic generation for charging shared electric scooters | |
| Zhao et al. | Agent-based model (ABM) for city-scale traffic simulation: A case study on San Francisco | |
| Ebrahimi et al. | Using a GIS-based spatial approach to determine the optimal locations of bikeshare stations: The case of Washington DC | |
| Song et al. | Exploring pareto routes in multi-criteria urban bicycle routing | |
| Sun et al. | Multimodal transportation system protection against sea level rise | |
| Salih et al. | Measuring transit accessibility: A dispersion factor to recognise the spatial distribution of accessible opportunities | |
| CN109583708B (zh) | 多智能体微观交通配流模型的建立方法 | |
| Crozet et al. | Accessibility: a key indicator to assess the past and future of urban mobility | |
| Zhang et al. | Observational study on multi-type conflicts between passengers and cyclists at the bus stop–A case study in Nanjing | |
| Makhloga | IMPROVING INDIA’S TRAFFIC MANAGEMENT USING INTELLIGENT TRANSPORTATION SYSTEMS |
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 |