CN111504338B - 一种基于小区疫情态势的步行路径规划方法及系统 - Google Patents
一种基于小区疫情态势的步行路径规划方法及系统 Download PDFInfo
- Publication number
- CN111504338B CN111504338B CN202010315880.7A CN202010315880A CN111504338B CN 111504338 B CN111504338 B CN 111504338B CN 202010315880 A CN202010315880 A CN 202010315880A CN 111504338 B CN111504338 B CN 111504338B
- Authority
- CN
- China
- Prior art keywords
- road
- road section
- epidemic
- epidemic situation
- path
- 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 41
- 208000015181 infectious disease Diseases 0.000 claims abstract description 22
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 230000002093 peripheral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于小区疫情态势的步行路径规划方法及系统,设置用于限定路径搜索范围的搜索区域,确定搜索区域内的所有路段及道路交叉口;量化约束参数,包括基于小区疫情态势对路段疫情感染风险进行量化,为搜索安全路径提供依据;求解路段弧权值,包括采用基于最短路径长度的调节函数来为区域内各路段的步行长度、疫情风险因子及疫情密度动态赋权,将三约束因素加权求和后得到对应路段的路段权重;搜索最优路径,包括在确定的搜索区域中,将路口和路段分别标记为节点V和边E,根据路段权重W,将路网抽象为有向图G=[V,E,W],采用Dijkstra算法对限定搜索区域的路径进行寻优,从而获得兼顾时间开销及步行安全的最优路径。
Description
技术领域
本发明涉及一种基于小区疫情态势的路径搜索技术,属于路径规划领域。
背景技术
传染性疫情对个人生活及社会生产造成了极其不利的影响。小区是疫情防控的基本单元,小区疫情态势直接影响了周边道路行人的感染风险。为此,基于小区疫情态势,为行人提供合理的路径规划方案,使之在保证出行效率的同时远离疫情严重地区,对于保障行人出行安全,提升疫情防控效果具有重要意义。
完整路径规划方法通常由约束因素量化、目标路段赋权及最优路径搜索等三个环节串联而成。常见约束因素包括通行时间、路段长度、地形、能耗等,这些因素主要针对常规交通条件进行约束,目前尚缺少可以衡量小区疫情对周边道路行人感染风险的合适指标;道路赋权是路径搜索的基础,为约束因素赋权的常用方法有主成分分析法、熵权法、Delphi法等,这些方法得到的权重是常值,而行人在不同出行距离时对出行时间成本及疫情感染风险的权重考量是变化的,因此在使用上述方法为疫情期间步行路段赋权时存在局限;路径搜索是获取最优路径的决定环节,常见的路径搜索算法有Dijkstra算法和A*算法,这些算法原理简单,但普遍存在搜索范围过大、计算效率较低的问题。
发明内容
本发明针对现有技术缺陷,提出了一种基于小区疫情态势的步行路径规划方法及系统。
本发明的技术方案提供一种基于小区疫情态势的步行路径规划方法,包括以下步骤,步骤1,设置用于限定路径搜索范围的搜索区域,确定搜索区域内的所有路段及道路交叉口;步骤2,量化约束参数,包括基于小区疫情态势对路段疫情感染风险进行量化,将小区疫情态势、小区面积及小区周边道路长度进行综合,得到能够有效表征各路段疫情特征的疫情风险因子及疫情密度,为搜索安全路径提供依据;
步骤3,求解路段弧权值,包括采用基于最短路径长度的调节函数来为区域内各路段的步行长度、疫情风险因子及疫情密度动态赋权,将三种约束因素加权求和后得到对应路段的路段权重;
步骤4,搜索最优路径,包括在步骤1确定的搜索区域中,将路口和路段分别标记为节点V和边E,根据步骤3所得路段权重W,将路网抽象为有向图G=[V,E,W],采用Dijkstra算法对限定搜索区域的路径进行寻优,从而获得兼顾时间开销及步行安全的最优路径。
而且,步骤1中,采用以用户出发位置和目标位置为焦点的椭圆搜索区域,以限制搜索路段的数量,提升最优路径搜索效率。
而且,步骤1的实现方式包括以下子步骤,
1)输入起始位置坐标(x1,y1)、目标位置坐标(x2,y2)、搜索边界长度Sb,根据(x1,y1)和(x2,y2)求得欧氏距离l;
2)将欧氏距离l与边界长度Sb进行比较,
如果l>Sb,提示超出了步行允许范围,需要改换出行方式,流程结束;
3)根据2)所得搜索区域,得到区域内的所有路段及道路交叉口。
而且,步骤2实现方式包括以下子步骤,
1)输入搜索区域G和路宽阈值Wth
2)根据搜索区域G确定区域内小区Ch,如果路口m和n为小区Ch周边的两个相邻路口,则称路段Rn,m为小区Ch的周边路段;并得到小区Ch的有效面积Ah,确诊病例数量Uh及周边路段Rn,m;同时采集路段Rn,m的长Ln,m和宽Wn,m,其中路长单位为m,路宽Wn,m用车道数表示;
3)假定小区实际疫情感染总数为上报确诊人数的λ倍,设道路疫情密度与小区疫情密度成正比,比例系数为η,根据确诊病例数量Uh和有效面积Ah,计算小区疫情密度Ph、单侧道路疫情密度Tn,m和单侧道路疫情风险因子Yn,m,计算如下,
若Wn,m>Wth,则认为Rn,m为宽路段,否则为窄路段;
对于宽路段,所求得的Yn,m和Tn,m为由n路口向m路口步行时的疫情密度与疫情风险因子;
对于窄路段,则将Rn,m道路两侧小区的Tn,m与Yn,m分别求和,所得结果表示该道路两个方向的疫情密度和疫情风险因子;
4)设Yn,m,Tn,m,Ln,m分别为路段Rn,m的道路疫情风险因子、道路疫情密度与路段长度;Ymax,Ymin,Tmax,Tmin,Lmax,Lmin分别为区域内道路疫情风险因子、道路疫情密度、路段长度的最大值和最小值,
而且,步骤3实现方式包括以下子步骤,
2)求路段权重系数(wT,wY,wL)如下,
再得到有向路段Rn,m的弧权值wn,m如下,
而且,用于智能手持终端或个人电脑。
本发明还提供一种基于小区疫情态势的步行路径规划系统,用于如上所述基于小区疫情态势的步行路径规划方法。
和现有技术相比,本发明的优点是:
(1)本发明提出一种小区疫情态势对周边道路行人感染风险的估计方案,通过融合小区疫情态势与周边道路参数,得到道路疫情密度和道路疫情风险因子,实现了对城区道路疫情风险的量化评估;
(2)本发明根据出发位置与目标位置的直线距离确定路段长度和疫情风险的权重,所得到的路段权值能够反映在不同出行距离时路段长度和疫情风险的综合影响因素;
(3)本发明将启发式Dijkstra算法用于疫情期间行人安全路径规划,将路径搜索范围限定在以用户出发位置和目标位置为焦点的椭圆区域内,提升了路径搜索效率,路径搜索结果为疫情期间行人出行规划提供了有效参考,适于推广应用。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的设置搜索范围流程图;
图3为本发明实施例的量化约束因素流程图;
图4为本发明实施例的基于最短路径的目标路段赋权流程图;
图5为本发明实施例根据路段权重搜索最优路径的流程图;
图6为本发明实施例的约束因素权重曲线示意图;
图7为本发明实施例的搜索区域内的小区及道路分布情况示意图;
图8为本发明实施例的路网抽象示意图。
具体实施方式
以下结合附图及实施例对本发明的技术方案进行详细说明。
图1为本发明实施例所提供的一种基于小区疫情态势的步行路径规划完整流程框图,共包含4个步骤,分别为搜索区域限定、约束因素量化、目标路段赋权以及最优路径搜索。
第一部分采用椭圆搜索区域,用于限制搜索路段的数量,以此提升最优路径搜索效率;第二部分基于小区疫情态势对路段疫情感染风险进行量化,将小区疫情态势、小区面积及小区周边道路长度进行综合,得到能够有效表征各路段疫情特征的疫情感染风险因子,为搜索安全路径提供依据;第三部分采用基于最短路径长度的调节函数来为区域内各路段的步行长度及感染风险动态赋权,将两个约束因素加权求和后得到对应路段的弧权值;第四部分采用Dijkstra算法对限定搜索区域的路径进行寻优,从而获得兼顾时间开销及步行安全的最优路径方案。
下面详细说明各个步骤:
一)设置用于限制路径搜索范围的搜索区域,确定搜索区域内的所有路段及道路交叉口,可支持确定以道路交叉口为节点,区域路段为弧长的有向图。
本发明提出采用椭圆搜索区域,用于限制搜索路段的数量,以此提升最优路径搜索效率。
实施例中,将所限定搜索区域设定为椭圆区域,此时需以出发地和目的地为焦点,结合边界长度来确定区域形状和面积。若出发地和目的地的位置经纬度分别为(x1,y1)和(x2,y2),椭圆区域边界长度为Se,则对于边界上的任意一点(x,y),应有
根据出发地和目的地的位置坐标,也可得到两点之间的欧氏距离l为
参见图2,实施例中设置搜索区域的具体实现包括以下步骤,
1)输入起始位置坐标(x1,y1)、目标位置坐标(x2,y2)、搜索边界长度Sb,根据(x1,y1)和(x2,y2)通过公式(2)求得欧氏距离l;
2)将欧氏距离l与边界长度Sb进行比较,
如果l>Sb,提示超出了步行允许范围,需要改换出行方式,此时流程结束;
3)根据上述搜索区域,可以得到区域内的所有路段及道路交叉口,设道路交叉口总数为Vmax,
道路交叉口简称路口,两个相邻道路交叉口之间构成一个路段,对区域内的路段依次进行编号,记为E={Rn,m|n∈V,m∈V,n≠m};
将由路口n向路口m步行的路径记为Rn,m,如路口n和m路口相邻,则Rn,m=Rm,n=1;否则Rn,m=Rm,n=0。
据此可得以道路交叉口为节点,区域路段为弧长的有向图G=(V,E)。
二)量化约束参数:本发明提出基于小区疫情态势对路段疫情感染风险进行量化,将小区疫情态势、小区面积及小区周边道路长度进行综合,得到能够有效表征各路段疫情特征的疫情风险因子及疫情密度,为搜索安全路径提供依据。
实施例中,步骤二的具体实现如下:
为获得基于小区安全态势的道路弧权值,本发明提出进行定义:
D1(小区疫情密度P):小区疫情密度是指小区中单位面积的感染人数。对于小区Ch其小区疫情密度用Ph表示,单位为:人/平方米。小区疫情密度用于衡量小区疫情的严重程度。
D2(道路疫情风险因子Y):道路疫情风险因子是指行人穿过道路时感染疫情的概率。路段Rn,m的疫情风险因子用Yn,m表示,单位为1。
D3(道路疫情密度T):道路疫情密度是道路疫情风险因子对长度的导数,路段Rn,m的道路疫情密度用Tn,m表示,单位为1/m。道路疫情密度用于衡量道路疫情风险的分布特征。
根据D2和D3可知,如果道路长度为Ln,m,则道路疫情风险Yn,m与道路疫情密度Tn,m之间存在关系式:
Yn,m=Tn,m·Ln,m (3)
进一步考虑以下事实:
1.小区疫情特点
T1:疫情防控实施“网格化管理”,疫情数据以小区为基本单位组织采集,数据动态变化,其更新频率以“日”为单位;
T2:小区间的疫情态势无明显关联;
T3:疫情病毒传播有效距离较短,小区疫情态势只对小区周边一定范围内产生影响;
T4:由于无法诊断潜伏期患者,因此小区上报的疫情数据可能存在误差。
2.行人步行特点
X1:城区内不会远距离步行;
X2:除在少数地段短暂停留外(如等待红绿灯),行人步行速度基本一致;
X3:可以在所有允许步行的道路上活动,且遵守“靠右行走”的交通规则。
3.疫情期间交通特点
J1:疫情期间实施交通管控,避免人员聚集,小区及道路无人员及车辆拥堵情况发生。
根据小区疫情特点、行人步行特点及疫情期间交通特点,可进行如下简化:
S1:根据T1和X1,认为行人持续步行时间不超过1天,故可将小区疫情数据视为静态;
S2:根据X2,认为行人全程匀速运动,其平均步行速度为1m/s;再根据X1,假定连续步行时间不超过3小时,可知行人出行的直线距离不应超过10km;
S3:根据T1和J1,可以认为小区内的疫情人数在空间上均匀分布;因此,在疫情感染人数相同时,小区面积越小,小区疫情越严重;
S4:根据T3,小区疫情态势只对环绕该小区的道路产生感染风险;再根据T2,小区对周边道路的感染风险相互独立;
S5:根据J1,道路疫情感染的风险只和小区疫情态势有关,而不受道路行人及车辆情况影响;
S6:根据T4,假定潜伏期患者仅从确诊者的密切接触对象中产生,同时确诊患者实施居家隔离,则潜伏期患者人数应与确诊人数相当,故可认为小区实际疫情感染总数为上报确诊人数的λ倍(λ∈[1,10),λ是常值);
S7:根据T3、S4、S5和X3,认为行人在双车道或更宽路段行走时,疫情感染的风险仅与右侧小区的疫情态势有关;当行人在单车道或更窄道路行走时,感染风险与道路两侧小区疫情态势同时相关。
由D1和S6可知,若小区Ch上报确诊感染人数为Uh,该小区有效面积为Ah,则对应小区疫情密度
根据S5可知,道路疫情密度与小区疫情密度成正比,设比例系数为η,故可认为
将(5)代入式(3),可知
η与λ均为大于0的常值。
设Yn,m,Tn,m,Ln,m分别为路段Rn,m的道路疫情风险因子、道路疫情密度与路段长度;Ymax,Ymin,Tmax,Tmin,Lmax,Lmin分别为区域内道路疫情风险因子、道路疫情密度、路段长度的最大值和最小值,即
Ymax,Tmax,Lmax={max(Yn,m),max(Tn,m),max(Ln,m)|n,m∈V,n≠m},
Ymin,Tmin,Lmin={min(Yn,m),min(Tn,m),min(Ln,m)|n,m∈V,n≠m},
据此可将约束因素Tn,m、Yn,m、Ln,m进行归一化得:
参见图3,实施例中量化约束参数的具体实现包括以下步骤,
1)输入搜索区域G和预设的路宽阈值Wth,其中阈值可用目标路段的车道数量表示,具体实施时可预先设置,例如Wth=1;
2)根据搜索区域G确定区域内小区Ch,并得到小区Ch的有效面积Ah,确诊病例数量Uh,周边路段Rn,m;同时采集路段Rn,m的长Ln,m和宽Wn,m,其中路长单位为m,路宽Wn,m用车道数表示,根据当前道路标准,可取值为{0,1,2…14},
3)根据Uh、Ah,由(4)、(5)、(6)计算小区疫情密度Ph、单侧道路疫情密度Tn,m和单侧道路疫情风险因子Yn,m,
再根据路宽阈值Wth,确定目标路段Rn,m的路宽属性:若Wn,m>Wth,则认为Rn,m为宽路段;否则为窄路段;
对于宽路段,所求得的Yn,m和Tn,m即为由n路口向m路口步行时的疫情密度与疫情风险因子;
对于窄路段,则将Rn,m道路两侧小区的Tn,m与Yn,m分别求和,所得结果表示该道路两个方向的疫情密度和疫情风险因子;
三)求解路段弧权值:采用基于最短路径长度的调节函数来为区域内各路段的步行长度、疫情风险因子及疫情密度动态赋权,将三个约束因素加权求和后得到对应路段的弧权值。
考虑到疫情期间,为兼顾出行安全和出行效率,行人会根据以下三个约束因素制定路径方案:道路疫情密度T、道路疫情风险因子Y、道路长度L。当出行距离很短时,道路疫情密度T是最主要的考量因素;当出行距离比较近时,行人会权衡道路疫情密度T和道路疫情风险因子Y,且随着出行距离变长,道路疫情风险因子将逐渐成为更主要的考量因素;当出行距离比较远时,道路长度L的权重将逐渐增加,且当出行距离越长时,行人会综合权衡道路疫情风险因子Y和道路长度L。
基于上述逻辑,本发明提出可根据起始位置与目标位置的欧氏距离l来确定约束因素的权重。设置距离阈值L1和L2,且有0<L1<L2,例如L1=100(m),L2=1000(m),则可构建T、Y和L的权重调节函数
其中μ为曲率调节参数,μ>0。例如μ=0.01时(8)、(9)、(10)的函数曲线如图6所示,再结合(7),可求得路段Rn,m弧权值
参见图4,实施例中求解路段弧权值的具体实现包括以下步骤,
2)根据(8)、(9)、(10)求得路段权重系数(wT,wY,wL),再由(11)即可得到有向路段Rn,m的弧权值wn,m。
四)搜索最优路径:采用Dijkstra算法对限定搜索区域的路径进行寻优,从而获得兼顾时间开销及步行安全的最优路径方案。
参见图5,在步骤一确定的搜索区域中,将路口和路段分别标记为节点V和边E,根据步骤三所得路段权重W,则路网可抽象为有向图G=[V,E,W],并考虑到可靠性优选采用Dijkstra算法搜索最优路径,由于Dijkstra算法为经典方法,故此处不再赘述实现步骤。
具体实施时,本发明提供的以上方法流程可采用软件技术实现自动运行。例如可在智能手持终端及个人电脑PC上运行,从而为疫情期间的城市出行提供实时参考,从而通过技术手段支持高效保障公共安全。运行本发明方法的系统装置也应当在保护范围内。
以下通过具体场景对本发明方法有效性进行检验。
某搜索区域内的小区及道路分布情况如图7所示。该区域内共有6个路口,分别标记为①~⑥,将路口m与其相邻路口n之间的路段记为Rm,n,各路段的尺寸参见表2;区域内共有8个小区,分别标记为C1~C8,各个小区的面积及疫情确诊人数参见表1。以各路口为结点,各路段为弧,可得抽象图如图8所示。
表1
小区编号 | 小区面积(m<sup>2</sup>) | 确诊人数(人) |
C<sub>1</sub> | 4000 | 20 |
C<sub>2</sub> | 2000 | 30 |
C<sub>3</sub> | 1000 | 30 |
C<sub>4</sub> | 4000 | 20 |
C<sub>5</sub> | 2000 | 40 |
C<sub>6</sub> | 1000 | 60 |
C<sub>7</sub> | 2500 | 10 |
C<sub>8</sub> | 2500 | 50 |
表2
按表3所示配置算法参数,并根据本文所述方法进行计算,可以求得道路疫情因子Y、道路疫情密度T及路段长度L,结果如表4所示。
表3
算法参数 | 设置值 |
S<sub>e</sub> | 10000 |
L<sub>1</sub> | 1000 |
L<sub>2</sub> | 3000 |
μ | 0.01 |
表4
例1:出发地为1号路口,目的地为3号路口,两条路线直线距离为707m。若不考虑疫情因素,则根据Dijkstra算法计算可得,最短路径方案有两种,即:①→③(方案1)和①→②→③(方案2),两种方案的行程均为1000m。若进一步考虑小区疫情态势因素,则基于表6中第1列的权重计算结果进行Dijkstra寻优,可知①→③为最优方案,路段权重总和为0.0218;而①→②→③权重和为1.0179,表明方案2的疫情风险显著高于方案1,这是由于C2、C3小区疫情情况较C4更为严重,且小区C1、C2、C3之间道路狭窄,因此沿C1、C2、C3之间道路步行的疫情风险显著高于沿C4道路步行的情况。通过本例说明:在较短距离下(l≤L1),采用本文方法能够提供更为安全的步行路径方案。
例2:出发地为3号路口,目的地为6号路口,两条路线直线距离为1500m。若仅考虑路段长度,根据Dijkstra算法可知,最短路径为③→⑤→⑦→⑥(方案1),路径总长为1600m,路径权重和为1.2994;若综合考虑路径长度与疫情态势,即根据表5中第2列的权重和计算结果进行寻优,可知最优路径为③→⑤→④→⑥(方案2),路径长度为2400m,路径权重和为0.7516。
表5
事实上,通过穷举搜索易知,从3号路口到6号路口的步行方案共有4种,如表6所示。
表6
方案 | 具体路线 | 路径总长(m) | 权重总和 | 备注 |
1 | ③→⑤→⑦→⑥ | 1600 | 1.2994 | 最短路径方案 |
2 | ③→⑤→④→⑥ | 2400 | 0.7516 | 最优路径方案 |
3 | ③→②→④→⑥ | 2000 | 1.5654 | |
4 | ③→①→②→④→⑥ | 3000 | 1.3778 |
虽然方案1的路径最短,但由于途径的小区C6疫情感染情况最为严重,导致权重总和相对较高,因此就安全性而言,方案1不是最优方案;对于路径长度差别较小的方案2和方案3,由于方案3途径狭窄路段,道路两侧小区(C2、C3)疫情均比较严重,这使得行人感染风险显著增加,导致该方案的权重值很大,因此方案3次于方案2;对于方案4,由于其规划路径最长,并且同样经过狭窄路段,因此就疫情风险和步行效率而言,该方案并不合理。综合比较可知,方案2为最优规划方案。通过本例说明:在直线距离较长时(l>L1),本文所述方法能够提供兼顾出行效率和出行安全的路径方案。
综合上述两例结论可知,本发明能够为不同距离的出行场景提供切实可行的路径规划方案,保证了行人的出行效率和出行安全,从而为疫情防控提供了有效支持。
本文中所描述的具体实例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于小区疫情态势的步行路径规划方法,其特征在于:包括以下步骤,
步骤1,设置用于限定路径搜索范围的搜索区域,确定搜索区域内的所有路段及道路交叉口;
步骤2,量化约束参数,包括基于小区疫情态势对路段疫情感染风险进行量化,将小区疫情态势、小区面积及小区周边道路长度进行综合,得到能够有效表征各路段疫情特征的路段疫情风险因子及路段疫情密度,为搜索安全路径提供依据;
步骤3,求解路段弧权值,包括采用基于最短路径长度的调节函数来为区域内各路段的步行路段长度、路段疫情风险因子及路段疫情密度动态赋权,将三种约束因素归一化后加权求和得到路段弧权值,作为对应路段的路段权重;
步骤4,搜索最优路径,包括在步骤1确定的搜索区域中,将路口和路段分别标记为节点V和边E,根据步骤3所得路段权重W,将路网抽象为有向图G=[V,E,W],采用Dijkstra算法对限定搜索区域的路径进行寻优,从而获得兼顾时间开销及步行安全的最优路径。
2.根据权利要求1所述基于小区疫情态势的步行路径规划方法,其特征在于:步骤1中,采用以用户出发位置和目标位置为焦点的椭圆搜索区域,以限制搜索路段的数量,提升最优路径搜索效率。
4.根据权利要求1或2或3所述基于小区疫情态势的步行路径规划方法,其特征在于:步骤2实现方式包括以下子步骤,
1)输入搜索区域G和路宽阈值Wth;
2)根据搜索区域G确定区域内小区Ch,如果路口m和n为小区Ch周边的两个相邻路口,则称路段Rn,m为小区Ch的周边路段;并得到小区Ch的有效面积Ah,确诊病例数量Uh及周边路段Rn,m;同时采集路段Rn,m的长Ln,m和宽Wn,m,其中路长单位为m,路宽Wn,m用车道数表示;
3)假定小区实际疫情感染总数为上报确诊人数的λ倍,设道路疫情密度与小区疫情密度成正比,比例系数为η,根据确诊病例数量Uh和有效面积Ah,计算小区疫情密度Ph、单侧道路疫情密度Tn,m和单侧道路的路段疫情风险因子Yn,m,计算如下,
若Wn,m>Wth,则认为Rn,m为宽路段,否则为窄路段;
对于宽路段,所求得的Yn,m和Tn,m为由n路口向m路口步行时的路段疫情密度与路段疫情风险因子;
对于窄路段,则将Rn,m道路两侧小区的Tn,m与Yn,m分别求和,所得结果表示该道路两个方向的路段疫情密度和路段疫情风险因子;
4)设Yn,m,Tn,m,Ln,m分别为路段Rn,m的路段疫情风险因子、路段疫情密度与路段长度;Ymax,Ymin,Tmax,Tmin,Lmax,Lmin分别为区域内路段疫情风险因子、路段疫情密度、路段长度的最大值和最小值,
6.根据权利要求1或2或3所述基于小区疫情态势的步行路径规划方法,其特征在于:用于智能手持终端或个人电脑。
7.根据权利要求5所述基于小区疫情态势的步行路径规划方法,其特征在于:用于智能手持终端或个人电脑。
8.一种基于小区疫情态势的步行路径规划系统,其特征在于:用于如权利要求1至7任一所述基于小区疫情态势的步行路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315880.7A CN111504338B (zh) | 2020-04-21 | 2020-04-21 | 一种基于小区疫情态势的步行路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010315880.7A CN111504338B (zh) | 2020-04-21 | 2020-04-21 | 一种基于小区疫情态势的步行路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504338A CN111504338A (zh) | 2020-08-07 |
CN111504338B true CN111504338B (zh) | 2021-09-14 |
Family
ID=71867573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010315880.7A Active CN111504338B (zh) | 2020-04-21 | 2020-04-21 | 一种基于小区疫情态势的步行路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504338B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396228A (zh) * | 2020-11-16 | 2021-02-23 | 西安宇视信息科技有限公司 | 目标路径确定方法、装置、电子设备及介质 |
CN113744882B (zh) * | 2021-09-17 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
CN114166229B (zh) * | 2021-12-14 | 2023-12-05 | 哈尔滨工业大学 | 基于冗余防御规避算法的健康出行路线规划系统 |
CN115752490B (zh) * | 2022-09-29 | 2023-10-27 | 太原理工大学 | 基于大数据和定位技术的安全出行路径优化方法及系统 |
CN117373547B (zh) * | 2023-12-08 | 2024-02-27 | 四川省医学科学院·四川省人民医院 | 一种可视化癌症基因关系显示方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011089921A (ja) * | 2009-10-23 | 2011-05-06 | Mitsubishi Electric Corp | 移動体用ナビゲーション装置、サーバおよびこれらを用いた情報提供システム |
JP2011191236A (ja) * | 2010-03-16 | 2011-09-29 | Hitachi Solutions Ltd | 感染症予防情報提供システム及び提供方法 |
US8095410B2 (en) * | 2008-12-18 | 2012-01-10 | Motorola Solutions, Inc. | Pass through for improved response time |
WO2015027248A2 (en) * | 2013-08-23 | 2015-02-26 | Cellepathy Ltd. | Mobile device context aware determinations |
CN107036612A (zh) * | 2016-01-12 | 2017-08-11 | 现代自动车株式会社 | 车辆的导航控制方法和路线导航系统 |
CN110530387A (zh) * | 2019-09-02 | 2019-12-03 | 上海图聚智能科技股份有限公司 | 路径规划方法、装置、电子设备、及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11029169B2 (en) * | 2017-10-31 | 2021-06-08 | Electronics And Telecommunications Research Institute | Navigation service method for providing unusable route information related to emergency area and server apparatus for the same |
US10499233B2 (en) * | 2018-05-04 | 2019-12-03 | Ford Global Technologies, Llc | Dynamic vehicle disaster relief |
-
2020
- 2020-04-21 CN CN202010315880.7A patent/CN111504338B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8095410B2 (en) * | 2008-12-18 | 2012-01-10 | Motorola Solutions, Inc. | Pass through for improved response time |
JP2011089921A (ja) * | 2009-10-23 | 2011-05-06 | Mitsubishi Electric Corp | 移動体用ナビゲーション装置、サーバおよびこれらを用いた情報提供システム |
JP2011191236A (ja) * | 2010-03-16 | 2011-09-29 | Hitachi Solutions Ltd | 感染症予防情報提供システム及び提供方法 |
WO2015027248A2 (en) * | 2013-08-23 | 2015-02-26 | Cellepathy Ltd. | Mobile device context aware determinations |
CN107036612A (zh) * | 2016-01-12 | 2017-08-11 | 现代自动车株式会社 | 车辆的导航控制方法和路线导航系统 |
CN110530387A (zh) * | 2019-09-02 | 2019-12-03 | 上海图聚智能科技股份有限公司 | 路径规划方法、装置、电子设备、及存储介质 |
Non-Patent Citations (1)
Title |
---|
国内社区平疫民用无接触物流机器人配送可行性研究;汤宇樑;《建筑技艺》;20200331;108-110 * |
Also Published As
Publication number | Publication date |
---|---|
CN111504338A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504338B (zh) | 一种基于小区疫情态势的步行路径规划方法及系统 | |
TWI500297B (zh) | 路徑搜尋方法及路徑搜尋裝置 | |
Jiang et al. | Time-dependent transportation network design that considers health cost | |
CN112801399B (zh) | 一种路径生成方法、装置、终端设备及存储介质 | |
Huang et al. | A methodology to control urban traffic noise under the constraint of environmental capacity: A case study of a double-decision optimization model | |
CN109238297B (zh) | 一种用户最优及系统最优的动态路径选择方法 | |
Sharif et al. | Internet of Things network cognition and traffic management system | |
Liu et al. | Optimizing seismic retrofit of bridges: integrating efficient graph neural network surrogates and transportation equity | |
CN109887280B (zh) | 一种交通网络节点关键度评估方法 | |
Beliaev et al. | Incentivizing routing choices for safe and efficient transportation in the face of the covid-19 pandemic | |
Coombe | Induced traffic: what do transportation models tell us? | |
Nagel et al. | Heterogeneous tolls and values of time in multi-agent transport simulation | |
JP2004118735A (ja) | 交通状況推定装置及びod交通量修正装置 | |
CN108399465B (zh) | 一种应对实施区域交通管理策略的od分配方法 | |
Joo et al. | A new route guidance method considering pedestrian level of service using multi-criteria decision making technique | |
Chu | Network equilibrium model with dogit and nested logit structures | |
CN113449932A (zh) | 基于马尔科夫链的旅游交通需求预测方法、装置及系统 | |
Motallebi et al. | Traffic congestion aware route assignment | |
Haqqani et al. | Multi-objective journey planning under uncertainty: a genetic approach | |
Shahi et al. | PTFM: Pre-processing Based Traffic flow Mechanism for Smart Vehicular Networks | |
Jiang et al. | A re-optimization dynamic shortest path algorithm for vehicle navigation | |
ZX et al. | Multi-modal network design: Selection of pedestrianisation location | |
Teknomo et al. | Ideal flow traffic analysis: a case study on a campus road network | |
Zyryanov et al. | Macroscopic fundamental diagram on urban network | |
Mahmoudabadi et al. | A Hybrid PSO‐Fuzzy Model for Determining the Category of 85th Speed |
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 |