CN113962464A - 一种应急车辆调度方法、装置、设备及存储介质 - Google Patents

一种应急车辆调度方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113962464A
CN113962464A CN202111243263.1A CN202111243263A CN113962464A CN 113962464 A CN113962464 A CN 113962464A CN 202111243263 A CN202111243263 A CN 202111243263A CN 113962464 A CN113962464 A CN 113962464A
Authority
CN
China
Prior art keywords
emergency
information
emergency vehicle
traffic
accident point
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
Application number
CN202111243263.1A
Other languages
English (en)
Inventor
陈西江
李雅倩
吴浩
韩贤权
王昊骏
林嘉颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111243263.1A priority Critical patent/CN113962464A/zh
Publication of CN113962464A publication Critical patent/CN113962464A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种应急车辆调度方法、装置、设备及存储介质，其包括：获取道路信息，并根据所述道路信息构建交通网络模型；实时获取应急车辆信息以及交通信息，并将所述应急车辆信息以及交通信息输入到所述交通网络模型中得到应急交通网络模型；基于所述应急交通网络模型，确定应急调度策略；基于所述应急调度策略，调度应急车辆前往所述事故点所在地进行救援。本发明提供的一种应急车辆调度方法、装置、设备及存储介质，在调度应急车辆救援时，考虑到了事故的严重程度，制定应急调度策略，提高救援方案的可行性，避免决策的盲目性，缩短了救援决策时间，且考虑更符合实际事故的加权救援时间最短来进行救援路径的选择，旨在使救援效益达最大。

Description

一种应急车辆调度方法、装置、设备及存储介质
技术领域
本发明涉及车辆调度决策应用技术领域，尤其涉及一种应急车辆调度方法、装置、设备及存储介质。
背景技术
在经济快速增长的同时，带来了很多风险，各类事故频发。在事故的应急救援的应急车辆分配以及路径规划对于及时有效的减少事故带来的人们的生命与财产损害十分重要。依托算法的蓬勃发展，有如蚁群算法，遗传算法，鲸鱼群算法等各类智能算法被广发应用于快速求解路径规划和车辆分配这些组合优化的数学问题。早期车辆调度的救援路径都是静态已知的，以时间最短、成本最低等为目标，以满足救援物资的需求为约束来建立调度问题模型。而应急车辆调度实际是一个在复杂的动态环境中变化的问题，为了平衡问题的计算难度与反映的真实性，学者将动态问题沿着时间轴合理划分为数个静态问题。在各静态问题中实时获取参数并更新调度方案，如考虑需求的随机变化，将物资需求量表示为区间型数据，应急救援过程划分为多个阶段，以总救援时间和系统总成本最小为目标，分阶段求解物资配送策略；基于三角模糊数描述发放点物资需求的不确定和利用路段历史行程时间函数刻画交通路网的动态性，构建应急救援物资多阶段分配与调度。
在应急车辆调度问题中，普遍考虑通过多目标优化、事故应急救援时间窗、基于道路属性的行程时间、多类应急物资需求、救援成本等来更真实、全面地描述问题和建立合理的模型，以及不同的算法来求解这些模型。但是这样也只能被动的得到在完全符合实际情况下最准确的预测的交通状态这样理想状态下的最优车辆调度方案。一旦发生交通事故严重影响道路通行能力，应急车辆将难以达到事故现场进行救援。因此，应急车辆在突发事件下应具有道路优先通行权，有必要采用策略保证救援路径的通畅性。
目前，应急车辆调度决策方法还存在一些不足：1)应急救援问题没有考虑到交通网络的时变性，通过静态信息计算得到的方案的时效性和可靠性不足；2)不考虑事故对交通网络的影响，以一般情形下的路况状态来计算应急车辆救援路径的行程时间，问题缺乏真实性；3)只关注应急车辆的路径优化问题，而路径的优化问题是有限的，不考虑结合其他的主动策略来提高救援能力。
发明内容
有鉴于此，有必要提供一种应急车辆调度方法、装置、设备及存储介质，用以解决现有技术中没有考虑事故严重程度影响下交通网络的时变性的应急救援问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种应急车辆调度方法，包括：
获取道路信息，并根据道路信息构建交通网络模型；
实时获取应急车辆信息以及交通信息，并将应急车辆信息以及交通信息输入到交通网络模型中得到应急交通网络模型；
基于应急交通网络模型，确定应急调度策略；
基于应急调度策略，调度应急车辆前往事故点所在地进行救援。
优选的，道路信息包括道路交汇点；根据道路信息构建交通网络模型，包括：
以道路交汇点为交通网络模型的节点，以两相邻节点相连的线段为道路路段，并依次连接所有道路路段，以构建交通网络模型。
优选的，应急车辆信息包括应急车辆位置信息以及应急车辆状态信息，交通信息包括事故点位置信息以及事故严重程度；基于应急交通网络模型，确定应急调度策略，包括：
根据应急车辆信息与事故点位置信息确定所有候选应急车辆到事故点位置的最短行程时间；
根据所有候选应急车辆到事故点位置的最短行程时间、事故严重程度、应急车辆状态信息确定第一目标函数及第一约束条件；
根据第一目标函数和第一约束条件，确定第一救援路径；
根据第一救援路径，确定应急调度策略。
优选的，交通信息还包括路况信息；根据应急车辆信息与事故点位置信息确定所有候选应急车辆到事故点位置的最短行程时间，包括：
根据应急车辆位置信息以及事故点位置信息，确定所有候选应急车辆到事故点的若干条路径；
根据道路信息以及所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径；
根据路况信息以及所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到事故点位置的最短行程时间。
优选的，根据道路信息以及所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径，包括：
根据应急车辆位置信息、事故点位置信息以及应急调度模型，构建第二目标函数和第二约束条件；
基于第二目标函数和第二约束条件，确定所有候选应急车辆到事故点的最短路径。
优选的，根据路况信息以及所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到事故点位置的最短行程时间，包括：
根据交通信息，对所有候选应急车辆到事故点的最短路径进行交通疏散；
根据疏散后的所有候选应急车辆到事故点的最短路径，构建第三目标函数和第三约束条件；
根据第三目标函数和第三约束条件，计算疏散后的所有候选应急车辆到事故点的最短路径的最短行程时间。
优选的，根据交通信息，对所有候选应急车辆到事故点的最短路径进行交通疏散，包括：
根据交通信息，确定所有候选应急车辆到事故点的最短路径中各路段的流入率与流出率；
根据各路段的流入率与流出率，分配各路段的邻接路段的疏散方案；
当疏散方案不满足该路段的交通需求时，更新疏散方案之后再判断当前疏散方案是否满足该路段的交通需求。
第二方面，本发明还提供了一种应急车辆调度装置，其特征在于，包括：
交通网络模型构建模块，用于获取道路信息，并根据道路信息构建交通网络模型；
实时信息获取模块，用于实时获取应急车辆信息以及交通信息，并将应急车辆信息以及交通信息输入到交通网络模型中得到应急交通网络模型；
策略模块，用于基于应急交通网络模型，确定应急调度策略；
调度模块，用于基于应急调度策略，调度应急车辆前往事故点所在地进行救援。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的应急车辆调度方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的应急车辆调度方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种应急车辆调度方法、装置、设备及存储介质，通过构建交通网络模型，并将实时交通信息输入至交通网络模型中，计算考虑事故严重程度加权的救援路径的行程时间，考虑到了事故的严重程度，制定应急调度策略，提高救援方案的可行性，避免决策的盲目性，缩短了救援决策时间，且考虑更符合实际事故的加权救援时间最短来进行救援路径的选择，旨在使救援效益达最大。
附图说明
图1为本发明提供的应急车辆调度方法的一实施例的流程示意图；
图2为本发明提供的交通网络模型的一实施例的结构框架图；
图3为本发明提供的应急交通网络模型的一实施例的结构框架图；
图4为本发明提供的确定应急调度策略的一实施例的流程示意图；
图5为本发明提供的确定所有候选应急车辆到事故点位置的最短行程时间的一实施例的流程示意图；
图6为本发明提供的确定所有候选应急车辆到事故点位置的最短行程时间一实施例的流程示意图；
图7为本发明提供的对所有候选应急车辆到事故点的最短路径进行交通疏散的一实施例的流程示意图；
图8为本发明提供的蝙蝠算法确定第一救援路径的一实施例的流程示意图；
图9为本发明提供的路径规划装置的一实施例的结构示意图；
图10为本发明实施例提供的应急车辆调度设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种应急车辆调度方法、装置、设备及存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的应急车辆调度方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种应急车辆调度方法，包括：
S101、获取道路信息，并根据道路信息构建交通网络模型；
S102、实时获取应急车辆信息以及交通信息，并将应急车辆信息以及交通信息输入到交通网络模型中得到应急交通网络模型；
S103、基于应急交通网络模型，确定应急调度策略；
S104、基于应急调度策略，调度应急车辆前往事故点所在地进行救援。
在步骤S101中，获取的道路信息为当前区域范围的地图信息，通过道路信息可以构建当前区域的交通网络模型，该交通网络模型包括了各个路段的结构以及长度，以路段之间的交汇点为节点，构建起当前区域范围的交通网络模型。
在具体的实施例中，请参阅图2，图2为本发明提供的交通网络模型的一实施例的结构框架图，图中的节点为路段交汇点，还包含了各个路段的长度以及连接情况。
在步骤S102中，请参阅图3，图3为本发明提供的应急交通网络模型的一实施例的结构框架图。由于应急车辆的位置和状况以及交通情况是处于不断变动中的，需要实时的获取当前区域内的应急车辆信息以及交通信息，并将其输入至交通网络模型中，以得到实时的应急交通网络模型，实现针对出现的事故进行实时的调度中，此时应急交通网络模型的节点还包括了所有应急车辆的位置以及事故点的位置。
可以理解的是，应急交通网络模型是根据实际的道路信息，将交通网络抽象成一个时变有向拓扑图，路网包含I个节点(路段交汇点)，若第i个节点ni与第j个节点nj相连且不经过任一其他节点(i≠j)，则两节点的连接线构成路段sij，采用邻接矩阵存储该两相邻节点之间的路段长度Lij，不相邻的节点间的路段长度设为无穷大，路段交通容量为Cij，最大通行速度为
Figure BDA0003319947990000071
根据事故的时间窗，设置感兴趣的时间区间Q，以Δ为时间间隔将其分为φ个离散时间段，则Q＝{[t0,t0+Δ),[t0+Δ,t0+2·Δ),…,[t0+t·Δ,t0+(t+1)·Δ),…,[t0+(φ-1)·Δ,tend]}，其中t0为初始决策时刻，tend为时间区间Q的右端点，将t0+t·Δ时刻记为t时刻。为了便于控制与计算，各离散时间段均取其左端点的时刻t的路段情况，以代表该时间段里任一时刻的路段Sij的交通负荷Wi,j(t)、交通需求Di,j(t)等路段情况。H辆应急车辆构成集合V，第h辆应急车辆vh所在节点为
Figure BDA0003319947990000081
vh∈V；t0时刻发生的R起事故构成集合A，第r起事故ar所在节点为
Figure BDA0003319947990000082
ar∈A。
需要说明的是，应急车辆信息包括应急车辆的位置信息以及应急车辆的状态信息，以变量
Figure BDA0003319947990000083
yh,r和
Figure BDA0003319947990000084
来表征应急车辆的状态信息，若应急车辆vh处于可运输或正运输状态，则
Figure BDA0003319947990000085
若应急车辆处于其他如故障、损坏等不可用及不可控状态，则
Figure BDA0003319947990000086
若应急车辆vh被派往事故ar，则yh,r＝1，否则yh,r＝0；若应急车辆vh为空闲车辆，则
Figure BDA0003319947990000087
否则
Figure BDA0003319947990000088
在步骤S103中，应急交通网络模型包含了实时的应急车辆信息以及交通信息，根据应急车辆的位置、事故点的位置、事故的严重程度和当前的交通状况，确定应急车辆的救援路径，也即确定应急调度策略。
在步骤S104中，根据确定好的应急调度策略，调度最合适的应急车辆按照指定的救援路径，前往事故所在地进行救援。
在上述实施例中，先获取当前区域范围的道路信息，构建出交通网络模型，然后获取实时的应急车辆信息以及交通信息，输入至交通网络模型，得到包含了当前区域范围内实时的应急车辆信息以及交通信息的应急交通网络模型，通过该应急交通网络模型，确定最优的应急车辆调度策略，并调度应急车辆实现对事故的及时救援。
与现有技术相比，本实施例提供的一种应急车辆调度方法、装置、设备及存储介质，通过构建交通网络模型，并将实时交通信息输入至交通网络模型中，计算考虑事故严重程度加权的救援路径的行程时间，考虑到了事故的严重程度，制定应急调度策略，提高救援方案的可行性，避免决策的盲目性，缩短了救援决策时间，且考虑更符合实际事故的加权救援时间最短来进行救援路径的选择，旨在使救援效益达最大。
在本发明的一些实施例中，道路信息包括道路交汇点；根据道路信息构建交通网络模型，包括：
以道路交汇点为交通网络模型的节点，以两相邻节点相连的线段为道路路段，并依次连接所有道路路段，以构建交通网络模型。
在上述实施例中，根据道路信息中的路段交汇点的信息可以构建交通网络模型，其中，任意相连且不经过其他节点的线段构成了道路路段，将所有道路交汇点之间的路段连接起来，形成了当前区域范围的交通网络模型。
请参阅图4，图4为本发明提供的确定应急调度策略的一实施例的流程示意图。在本发明的一些实施例中，应急车辆信息包括应急车辆位置信息以及应急车辆状态信息，交通信息包括事故点位置信息以及事故严重程度；基于应急交通网络模型，确定应急调度策略，包括：
S401、根据应急车辆信息与事故点位置信息确定所有候选应急车辆到事故点位置的最短行程时间；
S402、根据所有候选应急车辆到事故点位置的最短行程时间、事故严重程度、应急车辆状态信息确定第一目标函数及第一约束条件；
S403、根据第一目标函数和第一约束条件，确定第一救援路径；
S404、根据第一救援路径，确定应急调度策略。
在步骤S401中，根据应急交通网络模型，通过应急车辆信息与事故点位置信息可以知道应急车辆前往事故点所在地的路径，也即可以进一步计算出对应的行程时间，确定最短行程时间，以及其对应的车辆调度路径。
在步骤S402中，根据所有候选应急车辆到事故点位置的最短行程时间、事故严重程度、应急车辆状态信息构建了应急车辆调度模型，通过应急车辆调度模型确定第一目标函数及第一约束条件。
在应急车辆调度模型中，H辆应急车辆构成集合V，第h辆应急车辆vh所在节点为
Figure BDA0003319947990000101
vh∈V；t0时刻发生的R起事故构成集合A，第r起事故ar所在节点为
Figure BDA0003319947990000102
ar∈A；应急车辆需求
Figure BDA0003319947990000103
救援时间窗为
Figure BDA0003319947990000104
事故严重程度为Er。到应急车辆vh到事故点ar的最短行程时间为
Figure BDA0003319947990000105
应急车辆调度模型的第一目标函数如式(1)所示：
Figure BDA0003319947990000106
上式使车辆调度方案的带事故严重程度加权的应急总救援时间最短。
第一约束条件如式(2)至式(7)所示：
Figure BDA0003319947990000107
Figure BDA0003319947990000108
Figure BDA0003319947990000109
yh,r＝1或
Figure BDA00033199479900001010
Figure BDA00033199479900001011
或
Figure BDA00033199479900001012
Figure BDA00033199479900001013
式(2)保证派往事故ar的应急车辆数满足其需求
Figure BDA00033199479900001014
式(3)保证应急车辆最晚到达事故ar的时间不超过其救援时效上限
Figure BDA00033199479900001015
式(4)保证应急车辆总数为H。式(5)～式(7)为应急车辆vh的状态约束。
在步骤S403中，该模型需要输入所有候选应急车辆到事故点位置的最短行程时间、事故严重程度、应急车辆状态信息，计算出事故严重程度加权下的最短的行程时间，该最短行程时间所对应的救援路径即为第一救援路径。
在步骤S404中，根据确定的第一救援路径，调度对应的应急车辆对当前事故进行救援。
在上述实施例中，通过输入所有候选应急车辆到事故点位置的最短行程时间、事故严重程度、应急车辆状态信息构建了应急车辆调度模型，通过应急车辆调度模型确定第一目标函数及第一约束条件，并计算出事故严重程度加权下的所有候选应急车辆前往事故点的最短的救援时间，得出对应的救援路径，依据该救援路径对应急车辆进行调度。
请参阅图5，图5为本发明提供的确定所有候选应急车辆到事故点位置的最短行程时间的一实施例的流程示意图。在本发明的一些实施例中，交通信息还包括路况信息；根据应急车辆信息与事故点位置信息确定所有候选应急车辆到事故点位置的最短行程时间，包括：
S501、根据应急车辆位置信息以及事故点位置信息，确定所有候选应急车辆到事故点的若干条路径；
S502、根据道路信息以及所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径；
S503、根据路况信息以及所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到事故点位置的最短行程时间。
在步骤S501中，通过应急交通网络模型，根据应急车辆位置信息以及事故点位置信息可以得出应急车辆前往事故点所在地的可能的若干条路径，此时的若干条路径是备选的救援路径，还需要对其进行进一步的筛选，选择合适的救援路径。
在步骤S502中，通过步骤S501得到的若干条路径是所有候选应急车辆前往事故点所在地的可能的路径，对步骤S501中的若干条路径计算所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆前往事故点所在地的最短的K条路径。
在步骤S503中，在确定所有候选应急车辆到事故点的最短的K条路径之后，还需要根据实际的路况信息，计算所有候选应急车辆根据其最短路径进行救援的行程时间。
在上述实施例中，首先根据应急交通网络模型，确定所有候选应急车辆前往事故点所在地的若干条可能的救援路径，然后计算所有候选应急车辆前往事故点所在地的若干条可能的救援路径的长度，确定最短的K条路径，再根据实际的路况情况计算所有候选应急车辆前往事故点最短路径的行程时间，从而得到所有候选应急车辆前往事故点的最短的行程时间。
在本发明的一些实施例中，根据道路信息以及所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径，包括：
根据应急车辆位置信息、事故点位置信息以及应急调度模型，构建第二目标函数和第二约束条件；
根据应急车辆的实时位置信息、事故点的实时位置信息、道路的结构以及长度构建出最短路径模型，最短路径模型包括第二目标函数和第二约束条件，基于第二目标函数和第二约束条件，确定所有候选应急车辆到事故点的最短的K条路径。
第二目标函数为：
Figure BDA0003319947990000121
上式使节点
Figure BDA0003319947990000122
到节点
Figure BDA0003319947990000123
的K条长度最短的路径。从节点
Figure BDA0003319947990000124
到节点
Figure BDA0003319947990000125
的含有m个节点的路径构成序列
Figure BDA0003319947990000126
其中，
Figure BDA0003319947990000127
Figure BDA0003319947990000128
和
Figure BDA0003319947990000129
分别为节点
Figure BDA00033199479900001210
的上、下游相邻节点，
Figure BDA00033199479900001211
表示路段
Figure BDA0003319947990000131
的长度。
第二约束条件如式(9)至式(11)所示：
Figure BDA0003319947990000132
Figure BDA0003319947990000133
Figure BDA0003319947990000134
式(9)～式(11)确保路径连通且无闭合回路。
通过基于Dijkstra算法的kShortestPath算法求解应急车辆到事故点的距离最短的K条路径。kShortestPath算法具体步骤如下：
1)将应急车辆与事故点位置信息输入最短路径模型，先通过Dijkstra算法输出
Figure BDA0003319947990000135
到
Figure BDA0003319947990000136
的一条最短路径。
2)由kShortestPath算法在
Figure BDA0003319947990000137
到
Figure BDA0003319947990000138
的已知前n条最短路径上从出发点到终点依次产生偏差点，删除该偏差点在最短路径里的下游节点，产生新的路段长度权值的邻接矩阵，通过Dijkstra算法求解各偏差点到终点的最短路径，分别加上偏差点前的路径，排序得到
Figure BDA0003319947990000139
到
Figure BDA00033199479900001310
的第n+1条最短路径。
3)重复步骤2)，以求得
Figure BDA00033199479900001311
到
Figure BDA00033199479900001312
的K条最短路径。
在上述实施例中，根据应急调度模型，可以知道应急车辆的实时位置信息、事故点的实时位置信息、道路的结构以及长度，以此构建出最短路径模型。最短路径模型包括第二目标函数和第二约束条件，输入应急车辆节点信息以及事故点节点信息后，可以直接计算出所有候选应急车辆到事故点的最短的路径。
请参阅图6，图6为本发明提供的确定所有候选应急车辆到事故点位置的最短行程时间一实施例的流程示意图。在本发明的一些实施例中，根据路况信息以及所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到事故点位置的最短行程时间，包括：
S601、根据交通信息，对所有候选应急车辆到事故点的最短路径进行交通疏散；
S602、根据疏散后的所有候选应急车辆到事故点的最短路径，构建第三目标函数和第三约束条件；
S603、根据第三目标函数和第三约束条件，计算疏散后的所有候选应急车辆到事故点的最短路径的最短行程时间。
在步骤S601中，通过应急交通模型，可以知道道路的实时交通信息，并构建交通疏散模型，对所有候选应急车辆到事故点的最短路径进行疏散。
在步骤S602中，交通疏散模型包括第三目标函数和第三约束条件，将最短路径模型中求得的从
Figure BDA0003319947990000141
到
Figure BDA0003319947990000142
的第K条长度最短的路径记为
Figure BDA0003319947990000143
Ph,r为K条路径的集合，
Figure BDA0003319947990000144
是路径
Figure BDA0003319947990000145
的路径序列，其中，
Figure BDA0003319947990000146
是路径
Figure BDA0003319947990000147
上的路段，其中，
Figure BDA0003319947990000148
和
Figure BDA0003319947990000149
分别表示路段
Figure BDA00033199479900001410
的上、下游节点。路径
Figure BDA00033199479900001411
上所有节点构成集合Nk,h,r。路段
Figure BDA00033199479900001412
的长度为
Figure BDA00033199479900001413
交通容量为
Figure BDA00033199479900001414
t时刻的交通负荷为
Figure BDA00033199479900001415
行程车速为
Figure BDA00033199479900001416
交通需求为
Figure BDA00033199479900001417
车辆流入率为
Figure BDA00033199479900001418
车辆流出率为
Figure BDA00033199479900001419
与路段
Figure BDA00033199479900001420
的上游节点
Figure BDA00033199479900001421
相连的第j条邻接路段
Figure BDA00033199479900001422
构成集合G(i,h,r,k)，路段
Figure BDA00033199479900001423
的交通容量为
Figure BDA00033199479900001424
t时刻的交通负荷为Wj (i,h,r,k)(t)，交通需求为
Figure BDA00033199479900001425
在节点
Figure BDA00033199479900001426
处进行疏散控制，将路段
Figure BDA0003319947990000151
在t时刻的交通需求
Figure BDA0003319947990000152
分配至路段
Figure BDA0003319947990000153
和
Figure BDA0003319947990000154
将分配至路段
Figure BDA0003319947990000155
的车辆流入率记为
Figure BDA0003319947990000156
为t时刻路段
Figure BDA0003319947990000157
的车辆流出率。交通疏散模型以t时刻分配至路段
Figure BDA0003319947990000158
和
Figure BDA0003319947990000159
的车辆流入率
Figure BDA00033199479900001510
和
Figure BDA00033199479900001511
为决策变量。应急车辆vh在路段
Figure BDA00033199479900001512
上的行程时间为
Figure BDA00033199479900001513
交通疏散(TE)模型的目标函数如式(5)所示：
Figure BDA00033199479900001514
约束条件如式(13)至式(22)所示：
Figure BDA00033199479900001515
Figure BDA00033199479900001516
Figure BDA00033199479900001518
Figure BDA00033199479900001520
Figure BDA00033199479900001522
Figure BDA00033199479900001523
Figure BDA00033199479900001525
Figure BDA0003319947990000161
Figure BDA0003319947990000163
Figure BDA0003319947990000165
式中：
Figure BDA0003319947990000167
和
Figure BDA0003319947990000168
分别为路段
Figure BDA0003319947990000169
的最大速度和最大交通负荷。
式(13)计算车辆进入路段
Figure BDA00033199479900001610
的时间
Figure BDA00033199479900001611
式(14)和式(15)计算路段
Figure BDA00033199479900001612
和
Figure BDA00033199479900001613
在t+1时刻的交通负荷
Figure BDA00033199479900001614
和
Figure BDA00033199479900001615
式(16)计算出t时刻路段
Figure BDA00033199479900001616
的行程车速
Figure BDA00033199479900001617
式(17)～式(20)分别使路段
Figure BDA00033199479900001618
和
Figure BDA00033199479900001619
在t时刻的交通负荷
Figure BDA00033199479900001620
和
Figure BDA00033199479900001621
不超过交通容量
Figure BDA00033199479900001622
和
Figure BDA00033199479900001623
式(21)使t时刻分配至路段
Figure BDA00033199479900001624
和
Figure BDA00033199479900001625
的总车辆数不小于路段
Figure BDA00033199479900001626
的交通需求。式(22)计算路段
Figure BDA00033199479900001627
的行程时间
Figure BDA00033199479900001628
在步骤S603中，输入最短路径模型计算出的
Figure BDA00033199479900001629
到
Figure BDA00033199479900001630
的K条备选路径，控制路段的各时刻的流入率来对
Figure BDA00033199479900001631
到
Figure BDA00033199479900001632
的最短的K条路径进行交通疏散，然后求得最短的K条路径疏散后的行程时间，并从中选取行程时间最短的一条作为
Figure BDA00033199479900001633
到
Figure BDA00033199479900001634
的最终救援路径。
请参阅图7，图7为本发明提供的对所有候选应急车辆到事故点的最短路径进行交通疏散的一实施例的流程示意图。在本发明的一些实施例中，根据交通信息，对所有候选应急车辆到事故点的最短路径进行交通疏散，包括：
S701、根据交通信息，确定所有候选应急车辆到事故点的最短路径中各路段的流入率与流出率；
S702、根据各路段的流入率与流出率，分配各路段的邻接路段的疏散方案；
S703、当疏散方案不满足该路段的交通需求时，更新疏散方案之后再判断当前疏散方案是否满足该路段的交通需求。
在步骤S701中，对交通进行疏散，首先通过交通信息了解当前时刻交通的状况，计算出所有候选应急车辆到事故点的最短路径中各路段的流入率与流出率。
在步骤S702中，通过计算出来的各路段的流入率与流出率，给对应的路段分配疏散方案，以平衡该路段的流入率与流出率，为应急救援缩短救援的时间。
在步骤S703中，需要判断路段当前的疏散方案能否满足当前的交通需求，若不满足，则需要更新疏散方案，然后进一步判断是否满足交通需求，直到分配的疏散方案能够满足当前路段的交通需求。
需要说明的是，采用RouteTime算法求解应急车辆
Figure BDA0003319947990000171
到事故点
Figure BDA0003319947990000172
的K条最短路径上路段及相连路段的流入率，以及疏散策略下行程时间最短的一条救援路径。选取
Figure BDA0003319947990000173
到
Figure BDA0003319947990000174
的第一条路径
Figure BDA0003319947990000175
设定在t0时刻所有路段交通负荷为零，其行程车速均为最大。对时刻[t0,…,t,t+1,…,tend]在交通容量与最大负荷的约束内产生随机的各路段的流入率与流出率，形成将交通需求随机的分配到给该路段的邻接路段上的疏散方案。若当前t时刻的疏散方案不能满足交通需求，则更新t时刻疏散方案后再验证是否满足。若满足交通交通需求则计算t+1时刻的交通负荷，而后得出t+1时刻路段的行程车速。再计算出应急车辆在各路段上的行程时间,求和得到该路径的行程时间。依次计算完应急车辆往事故点的K条最短路径，排序后输出
Figure BDA0003319947990000181
到
Figure BDA0003319947990000182
的最短行程时间以及对应的路径。
需要说明的是，本发明的实施例通过蝙蝠算法确定第一救援路径。请参阅图8，图8为本发明提供的蝙蝠算法确定第一救援路径的一实施例的流程示意图。蝙蝠算法的具体过程如下：
S801、设置初始化参数，生成初始蝙蝠种群；
S802、更新蝙蝠种群的速度和位置；
S803、对蝙蝠种群进行全局寻优，找到当前种群中的最优个体；
S804、根据当前种群中的最优个体计算新的局部解；
S805、当新的局部解优于当前种群中的最优个体时，通过预设规则判断是否设置新的局部解为当前种群的最优个体；
S806、根据适应度从大到小的顺序对种群排序，查找并替换最优个体的位置；
S807、当达到预设迭代计算次数时，输出全局最优解。
在步骤S801中，将参数初始化，得到初始蝙蝠种群，其中，蝙蝠的位置为该模型的车辆调配方案。
在步骤S802中，速度更新由一个随机的频率以及与当前适应度最优的蝙蝠位置的距离来决定，位置则根据速度和当前位置更新。
在步骤S803中，对整个蝙蝠种群进行全局寻优，找到最优个体，即当前事故情况下的最佳车辆调配方案。
在步骤S804中，还需要对该最优个体采用随机游走方案产生新的局部解。
在步骤S805中，预设规则是一个随着迭代次数逐渐收趋近零的概率，以此判断是否将新的局部解作为最优个体。
在步骤S806中，适应度通过适应度函数计算，适应度函数与应急车辆调度模型的目标函数相关，当车辆调度方案不满足事故应急需求或者救援路径行程时间超出事故救援时间窗时，适应度函数值为无穷大。
在步骤S807中，重复步骤S801-S806，直到达到预设的最大迭代计算次数，输出全局最优解，即事故严重程度加权的总救援时间最短的车辆调度方案，方案中包含应急车辆派遣方案和应急车辆救援路径。
在上述实施例中，蝙蝠算法是一种适用于求解组合优化问题的启发式算法，采用了不同的位置编码和位置更新编码方式，形成适用于求解车辆调度方案的蝙蝠算法。
在本发明的一个实施例中，构建的交通网络模型为图2，图3为对应的应急交通网络模型，当事故点发生在n32，n33节点时，实时获取应急车辆的位置，为n29，n30，n31节点，规划所有应急车辆前往事故点的可能路径，然后选择每个应急车辆前往事故点的最短路径，再计算每个最短路径疏散后的行程时间，然后根据事故的严重程度加权，求得最短的行程时间，再通过最短的行程时间对应的救援路径进行救援。
为了更好实施本发明实施例中的应急车辆调度方法，在应急车辆调度方法基础之上，对应的，请参阅图9，图9为本发明提供的应急车辆调度装置的一实施例的结构示意图，本发明实施例提供了一种应急车辆调度装置900，包括：
交通网络模型构建模块901，用于获取道路信息，并根据道路信息构建交通网络模型；
实时信息获取模块902，用于实时获取应急车辆信息以及交通信息，并将应急车辆信息以及交通信息输入到交通网络模型中得到应急交通网络模型；
策略模块903，用于基于应急交通网络模型，确定应急调度策略；
调度模块904，用于基于应急调度策略，调度应急车辆前往事故点所在地进行救援。
这里需要说明的是：上述实施例提供的装置900可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图10，图10为本发明实施例提供的应急车辆调度设备的结构示意图。基于上述应急车辆调度方法，本发明还相应提供了一种应急车辆调度设备，应急车辆调度设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该应急车辆调度设备包括处理器1010、存储器1020及显示器1030。图10仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器1020在一些实施例中可以是应急车辆调度设备的内部存储单元，例如应急车辆调度设备的硬盘或内存。存储器1020在另一些实施例中也可以是应急车辆调度设备的外部存储设备，例如应急车辆调度设备上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器1020还可以既包括应急车辆调度设备的内部存储单元也包括外部存储设备。存储器1020用于存储安装于应急车辆调度设备的应用软件及各类数据，例如安装应急车辆调度设备的程序代码等。存储器1020还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器1020上存储有应急车辆调度程序1040，该应急车辆调度程序1040可被处理器1010所执行，从而实现本申请各实施例的应急车辆调度方法。
处理器1010在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器1020中存储的程序代码或处理数据，例如执行应急车辆调度方法等。
显示器1030在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器1030用于显示在应急车辆调度设备的信息以及用于显示可视化的用户界面。应急车辆调度设备的部件1010-1030通过系统总线相互通信。
在一实施例中，当处理器1010执行存储器1020中应急车辆调度程序1040时实现如上的应急车辆调度方法中的步骤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种应急车辆调度方法，其特征在于，包括：
获取道路信息，并根据所述道路信息构建交通网络模型；
实时获取应急车辆信息以及交通信息，并将所述应急车辆信息以及交通信息输入到所述交通网络模型中得到应急交通网络模型；
基于所述应急交通网络模型，确定应急调度策略；
基于所述应急调度策略，调度应急车辆前往所述事故点所在地进行救援。
2.根据权利要求1所述的应急车辆调度方法，其特征在于，所述道路信息包括道路交汇点；所述根据所述道路信息构建交通网络模型，包括：
以所述道路交汇点为所述交通网络模型的节点，以两相邻节点相连的线段为道路路段，并依次连接所有道路路段，以构建所述交通网络模型。
3.根据权利要求1所述的应急车辆调度方法，其特征在于，所述应急车辆信息包括应急车辆位置信息以及应急车辆状态信息，所述交通信息包括事故点位置信息以及事故严重程度；基于所述应急交通网络模型，确定应急调度策略，包括：
根据所述应急车辆信息与所述事故点位置信息确定所有候选应急车辆到所述事故点位置的最短行程时间；
根据所述所有候选应急车辆到所述事故点位置的最短行程时间、事故严重程度、应急车辆状态信息确定第一目标函数及第一约束条件；
根据所述第一目标函数和第一约束条件，确定第一救援路径；
根据所述第一救援路径，确定所述应急调度策略。
4.根据权利要求3所述的应急车辆调度方法，其特征在于，所述交通信息还包括路况信息；所述根据所述应急车辆信息与所述事故点位置信息确定所有候选应急车辆到所述事故点位置的最短行程时间，包括：
根据所述应急车辆位置信息以及事故点位置信息，确定所有候选应急车辆到事故点的若干条路径；
根据所述道路信息以及所述所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径；
根据所述路况信息以及所述所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到所述事故点位置的最短行程时间。
5.根据权利要求4所述的应急车辆调度方法，其特征在于，所述根据所述道路信息以及所述所有候选应急车辆到事故点的若干条路径，确定所有候选应急车辆到事故点的最短路径，包括：
根据所述应急车辆位置信息、事故点位置信息以及应急调度模型，构建第二目标函数和第二约束条件；
基于所述第二目标函数和第二约束条件，确定所有候选应急车辆到事故点的最短路径。
6.根据权利要求4所述的应急车辆调度方法，其特征在于，所述根据所述路况信息以及所述所有候选应急车辆到事故点的最短路径，确定所有候选应急车辆到所述事故点位置的最短行程时间，包括：
根据所述交通信息，对所述所有候选应急车辆到事故点的最短路径进行交通疏散；
根据所述疏散后的所有候选应急车辆到事故点的最短路径，构建第三目标函数和第三约束条件；
根据所述第三目标函数和第三约束条件，计算所述疏散后的所有候选应急车辆到事故点的最短路径的最短行程时间。
7.根据权利要求6所述的应急车辆调度方法，其特征在于，所述根据所述交通信息，对所述所有候选应急车辆到事故点的最短路径进行交通疏散，包括：
根据所述交通信息，确定所述所有候选应急车辆到事故点的最短路径中各路段的流入率与流出率；
根据所述各路段的流入率与流出率，分配所述各路段的邻接路段的疏散方案；
当所述疏散方案不满足该路段的交通需求时，更新疏散方案之后再判断当前疏散方案是否满足该路段的交通需求。
8.一种应急车辆调度装置，其特征在于，包括：
交通网络模型构建模块，用于获取道路信息，并根据所述道路信息构建交通网络模型；
实时信息获取模块，用于实时获取应急车辆信息以及交通信息，并将所述应急车辆信息以及交通信息输入到所述交通网络模型中得到应急交通网络模型；
策略模块，用于基于所述应急交通网络模型，确定应急调度策略；
调度模块，用于基于所述应急调度策略，调度应急车辆前往所述事故点所在地进行救援。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述应急车辆调度方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述应急车辆调度方法中的步骤。
CN202111243263.1A 2021-10-25 2021-10-25 一种应急车辆调度方法、装置、设备及存储介质 Pending CN113962464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111243263.1A CN113962464A (zh) 2021-10-25 2021-10-25 一种应急车辆调度方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111243263.1A CN113962464A (zh) 2021-10-25 2021-10-25 一种应急车辆调度方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113962464A true CN113962464A (zh) 2022-01-21

Family

ID=79466873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111243263.1A Pending CN113962464A (zh) 2021-10-25 2021-10-25 一种应急车辆调度方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113962464A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983515A (zh) * 2023-03-20 2023-04-18 北京太极疆泰科技发展有限公司 一种基于云计算的搜救系统和搜救方法
CN116798233A (zh) * 2023-08-25 2023-09-22 湖南天宇汽车制造有限公司 一种救护车快速通行引导系统
CN117114369A (zh) * 2023-10-23 2023-11-24 成都秦川物联网科技股份有限公司 智慧燃气应急供气处置方法、物联网系统、装置及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115983515A (zh) * 2023-03-20 2023-04-18 北京太极疆泰科技发展有限公司 一种基于云计算的搜救系统和搜救方法
CN115983515B (zh) * 2023-03-20 2023-09-19 北京太极疆泰科技发展有限公司 一种基于云计算的搜救系统和搜救方法
CN116798233A (zh) * 2023-08-25 2023-09-22 湖南天宇汽车制造有限公司 一种救护车快速通行引导系统
CN116798233B (zh) * 2023-08-25 2024-01-09 湖南天宇汽车制造有限公司 一种救护车快速通行引导系统
CN117114369A (zh) * 2023-10-23 2023-11-24 成都秦川物联网科技股份有限公司 智慧燃气应急供气处置方法、物联网系统、装置及介质
CN117114369B (zh) * 2023-10-23 2024-01-02 成都秦川物联网科技股份有限公司 智慧燃气应急供气处置方法、物联网系统、装置及介质

Similar Documents

Publication Publication Date Title
CN113962464A (zh) 一种应急车辆调度方法、装置、设备及存储介质
Kammoun et al. Adapt-Traf: An adaptive multiagent road traffic management system based on hybrid ant-hierarchical fuzzy model
Liu et al. How machine learning informs ride-hailing services: A survey
Tian et al. Multi-objective scheduling of priority-based rescue vehicles to extinguish forest fires using a multi-objective discrete gravitational search algorithm
Liang et al. An integrated reinforcement learning and centralized programming approach for online taxi dispatching
Sourirajan et al. A genetic algorithm for a single product network design model with lead time and safety stock considerations
Zhang et al. DynaCAS: Computational experiments and decision support for ITS
JP5789268B2 (ja) 経路選択システム、方法及びプログラム
Liu et al. An iterative two-phase optimization method based on divide and conquer framework for integrated scheduling of multiple UAVs
Wang et al. Ant colony optimization with an improved pheromone model for solving MTSP with capacity and time window constraint
CN103198366A (zh) 一种考虑目标节点时效性的多目标路径规划方法
Dey et al. Prim’s algorithm for solving minimum spanning tree problem in fuzzy environment
Liu et al. An oriented spanning tree based genetic algorithm for multi-criteria shortest path problems
Liu et al. Network-oriented household activity pattern problem for system optimization
CN110288160A (zh) 一种基于平行仿真的态势动态预测方法
CN107358325A (zh) 一种物流配送中心选址方法、装置及计算机可读存储介质
CN109991963A (zh) 速度规划方法及终端设备
Wei et al. City metro network expansion with reinforcement learning
Shu et al. Variable reduction strategy integrated variable neighborhood search and NSGA-II hybrid algorithm for emergency material scheduling
Xie et al. A shared parking optimization framework based on dynamic resource allocation and path planning
Crişan et al. Computational intelligence for solving difficult transportation problems
Singh et al. Hybrid particle swarm optimization for pure integer linear solid transportation problem
Ebrahim et al. Privacy-aware load balancing in fog networks: A reinforcement learning approach
Kammoun et al. Improvement of the road traffic management by an ant-hierarchical fuzzy system
Peng et al. Network-wide coordinated control based on space-time trajectories

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