CN111539590A - 一种基于后悔理论的应急资源配置优化方法 - Google Patents
一种基于后悔理论的应急资源配置优化方法 Download PDFInfo
- Publication number
- CN111539590A CN111539590A CN201910627780.5A CN201910627780A CN111539590A CN 111539590 A CN111539590 A CN 111539590A CN 201910627780 A CN201910627780 A CN 201910627780A CN 111539590 A CN111539590 A CN 111539590A
- Authority
- CN
- China
- Prior art keywords
- accident
- emergency
- point
- scheme
- resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013468 resource allocation Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 10
- 238000013439 planning Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 206010027146 Melanoderma Diseases 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于后悔理论的应急资源配置优化方法,涉及交通事故下应急决策方法,包括获取规划区域交通事故数据、应急资源点地理位置、需求资源种类、数量等相关数据;根据获取的相关信息,采用改进的事故频率法排查规划区域内的事故多发点(即事故黑点);根据已计算出的事故黑点可能发生事故的概率,建立以响应时间最小的随机规划模型,并采用遗传算法对该模型进行求解,获得初始应急资源配置方案集;根据初始方案集,构建基于后悔理论的应急资源配置优化决策模型,对比每个方案的响应时间、成本以及需求属性,选择后悔值最小的方案。
Description
技术领域
本发明涉及突发事件应急决策方法,特别是涉及一种应急资源配置决策方 法,属于应急交通管理领域。
背景技术
随着社会经济的不断发展,社会的主要矛盾逐步进行转化,公共安全问题 日益突出,对应急管理系统建设提出了更高质量的发展要求。我国在应急管理 领域起步晚且发展尚处在初级阶段,防灾、治灾、救灾的能力存在短板。在此 背景下,应急体系建设迫在眉睫,其中包括对突发事件的预测能力、应对能力, 多部门联动配合,以及对各种应急资源的统筹管理、配置与调度能力等。其中 应急资源是应急救援的基础与保障。是否合理的配置应急资源直接决定应急救 援的效率与效果。目前,许多学者针对单灾点或多灾点的应急资源配置方法进 行了研究,但应急决策的方法主要集中为随机规划模型,该模型具有全补偿效应,即表现良好的属性会极大的补偿表现较差的属性,会导致最终的应急方案 “顾此失彼”,并不能综合考虑各个影响因素的表现情况。其次,在交通道路 网络上的突发事件分为偶发性事故和常发性事故,目前许多研究并未对易发生 交通事故的地点进行分析、排查,所以在配置应急资源时具有一定的盲目性。 针对以上不足,本发明提出一种满足社会需求的应急资源配置优化方法。
发明内容
本发明的目的是为了解决现有应急资源配置方法的不合理,提出了一种基 于后悔理论的应急资源配置优化方法。该方法通过分析历年的交通事故数据, 采用改进的事故频率发统计并预测出路网的事故黑点,并利用后悔理论的思想 进行决策,将有限的应急资源分配到更容易发生突发事件的地点附近,进一步 的提高了应急救援的效率。
本发明的具体步骤是:
步骤1:获取研究路网至少三年以上的交通事故数据,应急资源存储地点、 建设规模、建设成本、运营成本,以及待分配应急资源的数量、存储成本等相 关信息。
步骤2:根据已获得的交通事故数据,采用改进的事故频率法对所研究区 域中每条路段进行事故黑点鉴别与排查。
步骤2.1:对所研究路网中的路段进行单元划分,一般以1千米为单位。
步骤2.2:计算单元路段的平均事故次数。
步骤2.3:确定临界事故值。
将单元路段内实际事故次数与临界值进行比较,若大于临界值则鉴别为事 故黑点。
步骤2.4:采用“截断面技术”对初始事故黑点鉴别结果进行修正。
步骤2.5:计算事故黑点的事故概率。
步骤3:建立随机规划模型输出初始应急资源配置方案集。
步骤3.1:通过对研究问题进行数学化描述,对模型设定假设条件。
步骤3.2:建立考虑事故概率的、并以响应时间最小为目标的随机规划模 型。
步骤3.3:确定模型的相关约束函数。
步骤3.4:使用遗传算法求解初始随机规划模型,获取初始方案集。
步骤4:提出后悔模型的求得最佳配置方案。
后悔理论的核心思想是将多项选择集(即方案集)和多属性(即影响因素) 决策结合起来,将当前方案与其他可行方案的各个属性进行比较,权衡各方案 中多属性的表现情况,尽量避免未选择方案的属性优于已选择方案而产生的后 悔,最后选择后悔值整体最小的方案。
步骤4.1:建立以后悔值最小为目标函数的模型。
步骤4.2:计算每个方案的后悔值。对比每个方案中三个属性的表现情况, 即响应时间、总成本以及是否满足需求。
步骤4.3:分别计算每个方案的响应时间、成本和需求成本属性值。
步骤4.4:计算每个属性后悔函数。
步骤4.5:确定模型的相关约束。
步骤4.6:输出最优的应急资源配置方案。
本发明的有益效果为:
本发明的目的在于提出以一种更加科学的事故条件下应急资源配置方法。 不仅提前排查了可能存在的事故黑点并计算其可能发生事故的概率,而且更加 纵观全局、注重整体效益,综合考虑资源合理分布的三个重要因素,即响应时 间、成本以及需求属性,使最终的配置方案克服了随机规划模型全补偿性的缺 陷,真正做到“优中选优”。该方法提高了应急决策能力,提高了应急救援能 力,降低了资源浪费。
附图说明
图1为本发明基于后悔理论的应急资源配置流程图;
图2为本发明事故黑点鉴别与排查流程图;
图3为本发明应急资源配置模型构建及求解流程图;
具体实施方式
下面结合附图,对本发明的具体实施做进一步的详细描述。
图1为本发明基于后悔理论的应急资源配置流程图,包括:
步骤1:获取规划区域历年的交通事故数据,应急资源存储地点、建设规 模、建设成本、运营成本,以及待分配应急资源的数量、存储成本等相关信息。
图2为本发明事故黑点鉴别与排查流程图。图1所示技术方案中,步骤2: 根据已获得的交通事故数据,采用改进的事故频率法对所研究区域中每条路段 进行事故黑点鉴别与排查。
步骤2.1:对所研究路网中的路段进行单元划分,一般以1千米为单位。
步骤2.2:计算单元路段的平均事故次数λ。公式如下:
式中,mi为路段i的事故次数(次)。n为路段单元总数。
步骤2.3:确定临界事故值E。计算公式如下:
式中,α为显著性水平,u(1-α)/2是置信度为95%。
将单元路段内实际事故次数与临界值进行比较,若大于临界值则鉴别为事 故黑点。
步骤2.4:采用“截断面技术”对初始事故黑点鉴别结果进行再判断。
由于步骤2.1中采用定长的单元路段划分方法,容易遗漏部分事故黑点, 因此需要对初始结果进行修正。
截断面技术是对相邻一个或多个未判别为事故黑点的单元路段进行合并, 并与临界值进行比较。新合并的路段的实际事故次数若大于临界值,则判定为 事故黑点,路段的质心抽象为该黑点的位置。
步骤2.5:计算事故黑点的事故概率。公式如下:
式中:pj为事故黑点j所发生的事故概率。mj为事故黑点j发生的事故频 数,N为所研究区域的总体事故次数。
图3为本发明应急资源配置模型构建及求解流程图。步骤3:建立随机规 划模型输出初始应急资源配置方案集。
步骤3.1:通过对研究问题进行数学化描述,该模型有如下假设:
1)本模型仅考虑在事故条件下的资源配置,像地震、飓风、洪水等特殊 自然灾害不予考虑。
2)假设资源点与需求点(即事故黑点)之间的道路未被破坏,运输时间 即为最短距离时间。
3)运输应急资源的方式仅限于车辆运送,不涉及铁路与航空运输。
步骤3.2:建立考虑事故概率的并以响应时间最小为目标的随机规划模 型。
在应急救援当中,响应时间是最紧要的决定因素,许多事故黑点并不在某 些资源点覆盖范围内,即出救人员不能在系统规定的响应时间范围内到达,因 此需要对事故黑点所对应的资源点进行初步匹配。由于所研究的区域面积广 阔,资源点和事故黑点的数量庞大,因此,通过初步的筛选可以简化运算,提 高运算速度。同时,将步骤2已经排查出的黑点的事故概率考虑进去,可以初 步得到最后甄选的方案集。目标函数如下:
式中,i为备选资源点,i=1,2,3...ni;j为事故黑点,j=1,2,3...nj;tij为从资源点i到事故黑点j的应急响应时间,包括应急中心接到报警后的反应时间、 准备应急资源的时间以及运输时间;xij为从资源点i到事故黑点j配置的应急 资源数量;θij是判断事故黑点是否在资源点的覆盖范围内的参数。
步骤3.3:确定模型的相关约束。其中,
在规定的响应时间约束下,需要判断事故黑点j是否在资源点i的覆盖范 围内,如果救援人员能够在响应时间规定范围内到达事故黑点j,则θij=1,否 则θij=0。表达式为:
设置资源数量不能为负,即xij≥0。
步骤3.4:使用遗传算法求解初始随机规划模型,获取初始方案集。
通过使用MATLAB软件编程,用遗传算法求解出步骤3的模型。由于遗传 算法是通过模拟自然进化过程搜索最优解的过程,采用的是不确定性规则,其 搜索过程具有随机性,因此最终解只是近似最优,而且每次结果很有可能都不 相同。这样以来,通过改变遗传算法的初始种群大小、变异选择概率等因素, 使其输出多组方案,并产生初始方案集。
步骤4:提出后悔模型的求得最佳配置方案。
后悔理论的核心思想是将多项选择集(即方案集)和多属性(即影响因素) 决策结合起来,将当前方案与其他可行方案的各个属性进行比较,权衡各方案 中多属性的表现情况,尽量避免未选择方案的属性优于已选择方案而产生的后 悔,最后选择后悔值整体最小的方案。
步骤4.1:建立以后悔值最小为目标函数的模型。公式如下:
minRn
式中,Rn是方案n的后悔值,n=1,2,3...m。每个方案的后悔值都是通过与 其他的方案进行比较所得。
步骤4.2:计算每个方案的后悔值Rn。具体的计算公式为:
R1=max{R12,R13,…,R1m}
R2=max{R21,R23,…,R2m}
Rm=max{Rm1,Rm2,…,Rm(m-1)}
步骤4.3:分别计算每个方案的响应时间Tn、成本Cn和需求Wn属性。
方案n响应时间属性Tn的计算公式为:
由于每个应急资源点的救援服务水平等级不同,资源配置标准、建设成本 也不同。救援水平等级越高,资源配置标准越高,建设成本越高。本发明将备 选资源点分为三级,一级救助资源点级别最高,三级资源点等级最低。Gi是资 源点i的服务等级,
每个方案的成本属性包括应急资源的库存成本和购置成本以及应急资源 点的运营维护成本。方案n成本属性Cn的计算公式为:
式中,cs是应急资源的库存成本;cb是应急资源的购置成本。
需求满足属性为实际需求量与实际调度到事故黑点j的资源量之间的差 值,公式为:
式中,dj为事故黑点j的需求量;xj为实际运到事故黑点j的资源量。
属性后悔函数也是将不同方案的同一属性进行对比,响应时间属性的后悔 函数为:
式中,βT为响应时间的估计参数,可表示该属性的重要程度;
成本属性的后悔函数为:
式中,βC为响应时间的估计参数。
式中,βW为需求属性的估计参数。
步骤4.5:确定模型的相关约束。其中,
设置资源数量不能为负,即xij≥0。
步骤4.6:输出最优的应急资源配置方案。
Claims (4)
1.一种基于后悔模型的应急资源配置优化方法,其特征在于由以下步骤实现:
(1)获取研究路网至少三年以上的交通事故数据,应急资源存储地点、建设规模、建设成本、运营成本,以及待分配应急资源的数量、存储成本等相关信息;
(2)根据已获得的交通事故数据,采用改进的事故频率法对所研究区域中的每条路段进行事故黑点鉴别与排查;
(3)根据已获得的事故黑点可能发生事故概率,建立以响应时间最小为目标的随机规划模型,采用遗传算法对模型进行求解,输出初始应急资源配置方案集;
(4)根据已获取的初始方案集,构建基于后悔理论的应急资源配置决策模型,对比每个方案的响应时间、成本以及需求属性,选择后悔值最小的方案即为最优方案。
2.根据权利要求1所述的基于后悔理论的应急资源配置优化方法,其特征在于步骤2中对所研究区域历年事故数据进行分析与处理,采用改进的事故频率法,排查出事故多发地,以该结果作为配置模型中的需求点,该方法具体包括以下步骤:
步骤2.1:对所研究路网中的路段进行单元划分,一般以1千米为单位;
步骤2.2:计算单元路段的平均事故次数λ,公式如下:
式中,mi为路段i的事故次数(次),n为路段单元总数;
步骤2.3:确定临界事故值E,计算公式如下:
式中,α为显著性水平,u(1-α)/2是置信度为95%;
将单元路段内实际事故次数与临界值进行比较,若大于临界值则鉴别为事故黑点;
步骤2.4:采用“截断面技术”对初始事故黑点鉴别结果进行再判断;
截断面技术是对相邻一个或多个未判别为事故黑点的单元路段进行合并,并与临界值进行比较;新合并的路段的实际事故次数若大于临界值,则判定为事故黑点,路段的质心抽象为该黑点的位置;
步骤2.5:计算事故黑点的事故概率,公式如下:
式中:pj为事故黑点j所发生的事故概率,mj为事故黑点j发生的事故次数,N为所研究区域的总体事故次数。
3.根据权利要求1所述的基于后悔理论的应急资源配置优化方法,其特征在于步骤3中建立以响应时间最小的随机规划模型,该模型不仅考虑到事故黑点可能发生事故的概率,而且考虑到需求点的覆盖性、资源点的建设规模和存储容量等问题,该模型使用遗传算法进行求解后,可输出初始应急资源配置方案集,其中包括以下步骤:
步骤3.1:通过对研究问题进行数学化描述,该模型有如下假设:
(1)本模型仅考虑在事故条件下的资源配置,像地震、飓风、洪水等特殊自然灾害不予考虑;
(2)假设资源点与需求点(即事故黑点)之间的道路未被破坏,运输时间即为最短距离时间;
(3)运输应急资源的方式仅限于车辆运送,不涉及铁路与航空运输;
步骤3.2:建立考虑事故概率的并以响应时间最小为目标的随机规划模型,目标函数如下:
式中,i为备选资源点,i=1,2,3...ni;j为事故黑点,j=1,2,3...nj;tij为从资源点i到事故黑点j的应急响应时间,包括应急中心接到报警后的反应时间、准备应急资源的时间以及运输时间;xij为从资源点i到事故黑点j配置的应急资源数量;θij是判断事故黑点是否在资源点覆盖范围内的参数;
步骤3.3:确定模型的相关约束;其中,
在规定的响应时间约束下,需要判断事故黑点j是否在资源点i的覆盖范围内,如果救援人员能够在响应时间规定范围内到达事故黑点j,则θij=1,否则θij=0,表达式为:
设置资源数量不能为负,即xij≥0;
步骤3.4:使用遗传算法求解初始随机规划模型,获取初始方案集;
通过使用MATLAB软件编程,用遗传算法求解出步骤3的模型;由于遗传算法是通过模拟自然进化过程搜索最优解的过程,采用的是不确定性规则,其搜索过程具有随机性,因此最终解只是近似最优,而且每次结果很有可能都不相同,通过改变遗传算法的初始种群大小、变异选择概率等因素,使其输出多组方案,并产生初始方案集。
4.根据权利要求1所述的基于后悔理论的应急资源配置优化方法,其特征在于步骤4提出后悔模型,并求得最佳配置方案,具体步骤包括:
步骤4.1:建立以后悔值最小为目标函数的模型,公式如下:
minRn
式中,Rn是方案n的后悔值,n=1,2,3...m,每个方案的后悔值都是通过与其他的方案进行比较所得;
步骤4.2:计算每个方案的后悔值Rn,具体的计算公式为:
R1=max{R12,R13,…,R1m}
R2=max{R21,R23,…,R2m}
Rm=max{Rm1,Rm2,…,Rm(m-1)}
步骤4.3:分别计算每个方案的响应时间Tn、成本Cn和需求Wn属性,方案n响应时间属性Tn的计算公式为:
由于每个应急资源点的救援服务水平等级不同,资源配置标准、建设成本也不同,救援水平等级越高,资源配置标准越高,建设成本越高;本发明将备选资源点分为三级,一级救助资源点级别最高,三级资源点等级最低,Gi是资源点i的服务等级,
每个方案的成本属性包括应急资源的库存成本和购置成本以及应急资源点的运营维护成本,方案n成本属性Cn的计算公式为:
式中,cs是应急资源的库存成本,cb是应急资源的购置成本;
需求满足属性为需求量与调度到事故黑点j的资源量之间的差值,公式为:
式中,dj为事故黑点j的需求量,xj为调度到事故黑点j的资源量;
属性后悔函数也是将不同方案的同一属性进行对比,响应时间属性的后悔函数为:
式中,βT为响应时间的估计参数,可表示该属性的重要程度;
成本属性的后悔函数为:
式中,βC为响应时间的估计参数;
式中,βW为需求属性的估计参数;
步骤4.5:确定模型的相关约束,其中,
设置资源数量不能为负,即xij≥0;
步骤4.6:输出最优的应急资源配置方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627780.5A CN111539590A (zh) | 2019-07-12 | 2019-07-12 | 一种基于后悔理论的应急资源配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910627780.5A CN111539590A (zh) | 2019-07-12 | 2019-07-12 | 一种基于后悔理论的应急资源配置优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539590A true CN111539590A (zh) | 2020-08-14 |
Family
ID=71979938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910627780.5A Pending CN111539590A (zh) | 2019-07-12 | 2019-07-12 | 一种基于后悔理论的应急资源配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539590A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907941A (zh) * | 2021-01-07 | 2021-06-04 | 北京交通大学 | 一种事故多发区域应急警力调度点的配置方法 |
CN113159397A (zh) * | 2021-03-31 | 2021-07-23 | 上海城市地理信息系统发展有限公司 | 一种救灾物资预存管理方法、装置和电子设备 |
CN113220743A (zh) * | 2021-05-08 | 2021-08-06 | 浙江省机电设计研究院有限公司 | 一种交通突发事件应急预案匹配方法、系统、终端及介质 |
CN114049756A (zh) * | 2022-01-14 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种城市交通应急资源布局方法及系统 |
CN114492953A (zh) * | 2022-01-06 | 2022-05-13 | 重庆科技学院 | 突发公共事件拉动集结应急资源布局优化决策方法、系统 |
CN114757549A (zh) * | 2022-04-24 | 2022-07-15 | 中交第二航务工程勘察设计院有限公司 | 内河干流航道水上服务区功能与规模决策方法 |
CN116258286A (zh) * | 2023-05-16 | 2023-06-13 | 山东双百电子有限公司 | 一种具有区域协调优化功能的系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080134193A1 (en) * | 2006-11-08 | 2008-06-05 | Board Of Regents, The University Of Texas System | System, Method and Apparatus for Allocating Resources by Constraint Selection |
CN102542359A (zh) * | 2012-01-09 | 2012-07-04 | 吉林大学 | 一种多目标应急救援资源布局及配置优化方法 |
CN107368991A (zh) * | 2017-08-01 | 2017-11-21 | 大连理工大学 | 一种基于α‑可靠度平均超出后悔值的应急物流选址‑路径安排方法 |
-
2019
- 2019-07-12 CN CN201910627780.5A patent/CN111539590A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080134193A1 (en) * | 2006-11-08 | 2008-06-05 | Board Of Regents, The University Of Texas System | System, Method and Apparatus for Allocating Resources by Constraint Selection |
CN102542359A (zh) * | 2012-01-09 | 2012-07-04 | 吉林大学 | 一种多目标应急救援资源布局及配置优化方法 |
CN107368991A (zh) * | 2017-08-01 | 2017-11-21 | 大连理工大学 | 一种基于α‑可靠度平均超出后悔值的应急物流选址‑路径安排方法 |
Non-Patent Citations (1)
Title |
---|
LUAN, SILIANG 等: "Random Regret-Minimization Model for Emergency ResourcePreallocation at Freeway Accident Black Spots", JOURNAL OF ADVANCED TRANSPORTATION * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907941A (zh) * | 2021-01-07 | 2021-06-04 | 北京交通大学 | 一种事故多发区域应急警力调度点的配置方法 |
CN113159397A (zh) * | 2021-03-31 | 2021-07-23 | 上海城市地理信息系统发展有限公司 | 一种救灾物资预存管理方法、装置和电子设备 |
CN113220743A (zh) * | 2021-05-08 | 2021-08-06 | 浙江省机电设计研究院有限公司 | 一种交通突发事件应急预案匹配方法、系统、终端及介质 |
CN113220743B (zh) * | 2021-05-08 | 2022-04-22 | 浙江省机电设计研究院有限公司 | 一种交通突发事件应急预案匹配方法、系统、终端及介质 |
CN114492953A (zh) * | 2022-01-06 | 2022-05-13 | 重庆科技学院 | 突发公共事件拉动集结应急资源布局优化决策方法、系统 |
CN114049756A (zh) * | 2022-01-14 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种城市交通应急资源布局方法及系统 |
CN114757549A (zh) * | 2022-04-24 | 2022-07-15 | 中交第二航务工程勘察设计院有限公司 | 内河干流航道水上服务区功能与规模决策方法 |
CN116258286A (zh) * | 2023-05-16 | 2023-06-13 | 山东双百电子有限公司 | 一种具有区域协调优化功能的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539590A (zh) | 一种基于后悔理论的应急资源配置优化方法 | |
CN111356148B (zh) | 一种实现网络优化的方法及相关设备 | |
CN111967698B (zh) | 基于移动充电桩调度的电动汽车充电系统及装置 | |
CN111564053B (zh) | 车辆调度方法、装置、车辆调度设备和存储介质 | |
CN104077915B (zh) | 乘车趋势预测装置及其方法 | |
CN113298322B (zh) | 一种多维优化的电力工单智能派发方法 | |
CN114139977A (zh) | 多灾种耦合下的应急救援物资动态调度优化方法及系统 | |
CN105608541A (zh) | 一种基于电力物资供应全程预警监督系统与方法 | |
Hajibabai et al. | Patrol route planning for incident response vehicles under dispatching station scenarios | |
CN115438966B (zh) | 一种基于sem模型的养老服务机构配置优化方法及系统 | |
CN114844791B (zh) | 基于大数据的云服务自动管理分配方法、系统及存储介质 | |
Song et al. | An enhanced clustering-based method for determining time-of-day breakpoints through process optimization | |
CN115796520A (zh) | 一种基于多源情景要素驱动的应急资源匹配分析方法和装置 | |
CN116258318A (zh) | 一种应急事件响应及物资统筹调配方法及系统 | |
CN115063164A (zh) | 一种外卖业务ai智能预测方法 | |
CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
Eliiyi et al. | Minimization of fuel consumption in city bus transportation: A case study for Izmir | |
CN115081819A (zh) | 调度方法、装置、电子设备及存储介质 | |
Lu et al. | Efficient operation of demand-responsive transport (DRT) systems: Active requests rejection | |
CN114757702A (zh) | 虚拟电厂业务需求指标构建及通信方式适配方法及系统 | |
CN116720803B (zh) | 一种基于智能设备的云配送任务处理方法及系统 | |
Li et al. | Data-driven bus timetabling with spatial-temporal travel time |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200814 |