CN114580980B - 面向城市社区空间应急响应的动态更新预案系统及方法 - Google Patents

面向城市社区空间应急响应的动态更新预案系统及方法 Download PDF

Info

Publication number
CN114580980B
CN114580980B CN202210489280.1A CN202210489280A CN114580980B CN 114580980 B CN114580980 B CN 114580980B CN 202210489280 A CN202210489280 A CN 202210489280A CN 114580980 B CN114580980 B CN 114580980B
Authority
CN
China
Prior art keywords
unit
factors
condition
emergency
plan
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
Application number
CN202210489280.1A
Other languages
English (en)
Other versions
CN114580980A (zh
Inventor
王琼
张军
杨博
窦园园
李健
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.)
North China Institute of Science and Technology
Original Assignee
North China Institute of Science and Technology
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 North China Institute of Science and Technology filed Critical North China Institute of Science and Technology
Priority to CN202210489280.1A priority Critical patent/CN114580980B/zh
Publication of CN114580980A publication Critical patent/CN114580980A/zh
Application granted granted Critical
Publication of CN114580980B publication Critical patent/CN114580980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种面向城市社区空间应急响应的动态更新预案系统及方法，属于数据处理技术领域，其中，系统包括：显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块，方法包括：获取面向城市社区空间应急响应需要的显易性状况因素；根据显易性状况因素预测出隐性状况因素在各时间阶段的预测量；建立应急预案，所述应急预案中的各个单元是可编辑的；根据所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。本申请实现了精准动态监测评估应急响应预案，提高了应急响应预案的同步更新能力，并且降低了更新应急响应预案的成本。

Description

面向城市社区空间应急响应的动态更新预案系统及方法
技术领域
本申请属于数据处理技术领域，具体涉及一种面向城市社区空间应急响应的动态更新预案系统及方法。
背景技术
对于城市的各个社区来说，存在以下状况：不同社区人员的分布区域方式和分布密度、流动性呈现较大的差异化和动态性；各个社区的地上、地下的建筑空间构成及其特征呈现多样化；社区内部以及周边的交通、环境和城市公共设施相关因素多且相互影响，特别是在异常突发的非常态情况下，变化规律复杂化；
社区可调用的应急响应资源不均衡。
另一方面，随着城市化的不断推进，上述状况始终保持动态快速变化的态势；现有技术存在如下不足：第一，对于城市社区空间在灾害、疫情异常突发情况下的应急响应来说，虽然当前相关管理部门普遍制定了预案，但是往往对于每个社区的上述人员分布、建筑空间构成、交通、环境、设施、应急资源相关因素的状况，缺乏精准量化的掌握；且随着这些状况的动态快速变化，应急响应预案的同步更新能力不足；造成一旦启用，应急响应预案对社区的适应性和实用性不强；第二，社区属于城市的基层单元，相关管理部门的技术、人力、预算和数据方面的资源都比较有限，如果要实现对上述各方面状况的长期精准化、动态化的监测评估并高频次更新应急响应预案，显然会造成较高的成本负担，难以实现。
发明内容
基于以上技术问题，本申请提出一种面向城市社区空间应急响应的动态更新预案系统及方法。
第一方面，本申请提出一种面向城市社区空间应急响应的动态更新预案系统，包括：显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块；
所述显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块依次顺序相连接，所述应急预案评估模块分别与所述显易性状况因素建立模块、隐性状况因素预测模块相连接；
所述显易性状况因素建立模块用于获取面向城市社区空间应急响应需要的显易性状况因素；
所述隐性状况因素预测模块用于根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
所述应急预案建立模块用于根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
所述应急预案评估模块用于根据显易性状况因素、隐性状况因素以及所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。
所述显易性状况因素定义为：在应急资源方面的各种状况因素当中，能够以显明的方式获得的状况因素。
所述隐性状况因素定义为：隐性状况因素的预测量无法通过显明的方式获取，只能根据预测算法通过显易性状况因素预测出在其各时间阶段的预测量。
所述显易性状况因素包括：社区建筑空间构成及其特征的变化；社区内部及周边预设定范围的交通道路的位置走向和流量承载能力；社区内部及其周边的各种城市容灾设施的类型、数量、分布点位；社区当前实际和可调用的应急响应资源；历史同期记录的环境因素；社区总人口、单位时间段进出人口数。
所述隐性状况因素包括：人口分布区域方式、分布密度、分布流动性、社区地上或地下的建筑空间的灾害抗性、疏散时候的拥堵发生率、周边交通扩散因素、周边环境扩散因素。
所述应急预案中，可编辑的预案单元包括：人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元。其中，每个可编辑的预案单元均包括预定的可编辑字段及其字段取值。
所述隐性状况因素预测模块包括：网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元；
所述网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元依次顺序相连接；
所述网络建立单元用于建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
所述拟合单元用于基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
所述仿真表征单元用于基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
所述评估值获取单元用于叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值；
所述预测量获取单元用于根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
所述应急预案中，可编辑的预案单元包括：人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元。其中，每个可编辑的预案单元均包括预定的可编辑字段及其字段取值。
第二方面，本申请提出一种面向城市社区空间应急响应的动态更新预案方法，包括如下步骤：
获取面向城市社区空间应急响应需要的显易性状况因素；
根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
根据所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。
所述根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量，所采用的预测算法包括以下步骤：
建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值；
根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
有益技术效果：
本申请根据显易性状况因素以及预测的隐性状况因素，建立了城市社区空间的可编辑型应急预案，并在适应性出现偏差的时候，自适应编辑出现偏差的模块，实现了精准动态监测评估应急响应预案，提高了应急响应预案的同步更新能力，并且降低了更新应急响应预案的成本。
附图说明
图1为本申请实施例的一种面向城市社区空间应急响应的动态更新预案系统原理框图；
图2为本申请实施例的隐性状况因素预测模块内部原理示意图；
图3为本申请实施例的一种面向城市社区空间应急响应的动态更新预案方法流程图；
图4为本申请实施例的预测算法流程图；
图5为本申请实施例的影响扩散网络和状态迁移网络示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
第一方面，本申请提出一种面向城市社区空间应急响应的动态更新预案系统，如图1所示，包括：显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块；
所述显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块依次顺序相连接，所述应急预案评估模块分别与所述显易性状况因素建立模块、隐性状况因素预测模块相连接；
所述显易性状况因素建立模块用于获取面向城市社区空间应急响应需要的显易性状况因素；
所述隐性状况因素预测模块用于根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
所述应急预案建立模块用于根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
所述应急预案评估模块用于根据显易性状况因素、隐性状况因素以及所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。
其中，所述显易性状况因素定义为：在应急资源方面的各种状况因素当中（例如：城市社区空间应急响应涉及到的人员分布、建筑空间构成、交通、环境、设施），能够以显明的方式获得的状况因素。所述隐性状况因素定义为：隐性状况因素的预测量无法通过显明的方式获取，只能根据预测算法通过显易性状况因素预测出在其各时间阶段的预测量。
而且，对所述隐性状况因素进行预测的难点在于：虽然基于显易性状况因素，能够比较容易定性地确定与之相关联的隐性状况因素，但是，却难以确定，基于显易性状况因素的影响，相关联的这些隐性状况因素是处于正向状态还是负向状态，从而预测出该隐性状况因素的状态变化趋势，更为难以定量地表征出这些隐性状况因素会在多长时间内以及会在多大程度上发生状态变化。这里所述“正向状态”为：需要投入一定的开销所保持的状态，也可以将其称之为“积极性状态”；而所述“负向状态”为：无需投入开销即能够保持的状态，也可以将其称之为“消极性状态”。当然，显易性状况因素与其它显易性状况因素之间，以及隐性状况因素与其它隐性状况因素之间也具备相互的关联，并基于这一关联形成所述“正向状态”和“负向状态”。
所述显易性状况因素包括：社区建筑空间构成及其特征的变化；社区内部及周边预设定范围的交通道路的位置走向和流量承载能力；社区内部及其周边的各种城市容灾设施的类型、数量、分布点位；社区当前实际和可调用的应急响应资源；历史同期记录的环境因素（包括：天气、温度、空气能见度）；社区总人口、单位时间段进出人口数。就获得以上显易性状况因素的途径来看，社区建筑空间的构成特征（例如建筑空间的用途性质、建筑构型、楼层数、房间数、面积数、电梯数）的变化，可以通过建筑原始施工和后期改造的工程信息中获得；社区内部及周边一定范围的交通道路的位置走向和流量承载能力以及社区内部和外部的交通关键通道和路口，能够从交通规划信息源获得；社区内部及其周边的各种城市容灾设施和灾害消息广播设施的类型、数量、分布点位，能够从城市建设规划信息源获得；社区当前实际和可调用的应急响应资源，能够通过应急管理部门提供的数据中获得；天气、温度、空气能见度历史同期记录的环境因素；有条件的社区（例如配置了联网门禁系统），还可以获得社区总人口、单位时间段进出人口数数据。
所述隐性状况因素包括：人口分布区域方式、分布密度、分布流动性、社区地上或地下的建筑空间的灾害抗性、疏散时候的拥堵发生率、周边交通扩散因素、周边环境扩散因素。
所述应急预案中，可编辑的预案单元包括：人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元。其中，每个可编辑的预案单元均包括预定的可编辑字段及其字段取值。
所述隐性状况因素预测模块，如图2所示，包括：网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元；
所述网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元依次顺序相连接；
所述网络建立单元用于建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
如图5所示，其中上层为影响扩散网络，下层为状态迁移网络；对于每一层网络来说，将每一个显易性状况因素和隐性状况因素均作为该网络的一个节点，并且基于这些因素之间的相互关联，建立在网络的节点之间相互连接的边，边的作用是在网络中进行影响扩散和状态变化的传输，从而形成“节点-边-节点”状的网络拓扑。
例如，对于建筑空间构成特征，将其表示为影响扩散网络和状态迁移网络中的节点J1，而与之具有相互关联的其它显易性状况因素和隐性状况因素，包括，容灾设施、人口分布、建筑空间灾害抗性，作为以上网络中的其它节点J2、J3、J4，这些其它节点J2、J3、J4均与该节点J1通过表征其关联的边加以连接。又例如，将社区内部及周边一定范围的交通道路作为影响扩散网络和状态迁移网络中的节点J5，则与之具有相互关联的其它显易性状况因素和隐性状况因素，包括人口分布、人口分布流动性、疏散拥堵率、周边交通扩散因素，作为节点J3、J6、J7、J8，也与节点J5通过边加以连接。
所述拟合单元用于基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
位于上层的所述影响扩散网络的作用在于，将所述显易性状况因素对应的节点带来的影响扩散至网络中的其它节点，其中也包括属于隐性状况因素对应的节点，其它节点对影响扩散做出对应的响应。在影响扩散的作用下，该网络中的每个节点所可能的响应包括：
Figure 932400DEST_PATH_IMAGE001
以及
Figure 521644DEST_PATH_IMAGE002
；其中，
Figure 239065DEST_PATH_IMAGE003
表示本节点并未接收到该影响扩散；
Figure 306378DEST_PATH_IMAGE004
表示本节点对该影响扩散做出正向响应，即本节点针对该影响扩散给出倾向于正向状态的响应；
Figure 822547DEST_PATH_IMAGE005
表示本节点对该影响扩散做出负向响应，即本节点针对该影响扩散给出倾向于负向状态的响应；
Figure 363119DEST_PATH_IMAGE006
表示本节点接收到该影响扩散，但未做出对应的响应。其中，对于响应为
Figure 36677DEST_PATH_IMAGE004
的节点，其也会以概率
Figure 907681DEST_PATH_IMAGE007
向其邻节点扩散正向响应，而响应为
Figure 278357DEST_PATH_IMAGE005
的节点会以概率
Figure 209404DEST_PATH_IMAGE008
向其邻节点扩散负向响应，对于响应状态为
Figure 901417DEST_PATH_IMAGE009
和
Figure 576112DEST_PATH_IMAGE010
的节点则不会对其它节点扩散响应。例如，社区建筑空间的构成特征当中，建筑用途性质由民用转为商用或者工业用转为商用、建筑构型的变化、可用房间数和面积数的增加或减少，反映为节点J1将这一影响扩散，而表示容灾设施、人口分布、建筑空间灾害抗性的节点J2、J3、J4均有一定概率对该影响扩散做出的正向响应或负向响应。进而，以上节点J2、J3、J4又会将正向响应或者负向响应进一步向其邻节点扩散。同理，交通道路的走向和承载能力变化，反映为节点J5将这一影响扩散，则表示人口分布、人口分布流动性、疏散拥堵率、周边交通扩散因素的节点J3、J6、J7、J8均有一定概率对该影响扩散做出的正向响应或负向响应。进而，以上节点J3、J6、J7、J8又会将正向响应或者负向响应进一步向其邻节点扩散。
对于影响扩散网络中一个节点i来说，在第t个时间阶段获得其相邻节点向其扩散的正向响应的概率
Figure 738977DEST_PATH_IMAGE011
和负向响应的概率
Figure 840926DEST_PATH_IMAGE012
分别为：
Figure 20234DEST_PATH_IMAGE013
其中，
Figure 731576DEST_PATH_IMAGE014
表示节点i在影响扩散网络中响应为
Figure 578309DEST_PATH_IMAGE004
的邻节点的数量，
Figure 585580DEST_PATH_IMAGE015
表示节点i在影响扩散网络中响应为
Figure 252184DEST_PATH_IMAGE005
的邻节点的数量。
节点对影响扩散的响应机制为：在第t个时间阶段内，对于响应为
Figure 236058DEST_PATH_IMAGE009
的节点来说，如果没有收到邻节点扩散的响应，则其仍保持为
Figure 78244DEST_PATH_IMAGE009
；如果收到的邻节点扩散的响应均为
Figure 754950DEST_PATH_IMAGE004
，则其响应更新为
Figure 377693DEST_PATH_IMAGE004
；如果收到的邻节点扩散的响应均为
Figure 197881DEST_PATH_IMAGE005
，则其响应更新为
Figure 721004DEST_PATH_IMAGE005
；如果收到的邻节点扩散的响应
Figure 866815DEST_PATH_IMAGE004
和
Figure 508012DEST_PATH_IMAGE005
均有，则其响应更新为
Figure 600733DEST_PATH_IMAGE016
。在第t个时间阶段内，对于响应为
Figure 978362DEST_PATH_IMAGE016
的节点来说，如果没有收到邻节点扩散的响应，则其仍保持为
Figure 763915DEST_PATH_IMAGE016
；如果收到的邻节点扩散的响应均为
Figure 626829DEST_PATH_IMAGE004
，则其响应更新为
Figure 788820DEST_PATH_IMAGE004
；如果收到的邻节点扩散的响应均为
Figure 20956DEST_PATH_IMAGE005
，则其响应更新为
Figure 242990DEST_PATH_IMAGE005
；如果收到的邻节点扩散的响应
Figure 29418DEST_PATH_IMAGE004
和
Figure 995100DEST_PATH_IMAGE005
均有，则其响应仍保持为
Figure 379945DEST_PATH_IMAGE016
。在第t个时间阶段内，对于响应为
Figure 772880DEST_PATH_IMAGE004
的节点来说，如果没有收到邻节点扩散的响应，则其仍保持为
Figure 882542DEST_PATH_IMAGE004
；如果收到的邻节点扩散的响应均为
Figure 651915DEST_PATH_IMAGE004
，或者收到的邻节点扩散的响应
Figure 891267DEST_PATH_IMAGE004
和
Figure 189524DEST_PATH_IMAGE005
均有，则其响应仍保持为
Figure 278440DEST_PATH_IMAGE004
；如果收到的邻节点扩散的响应均为
Figure 851504DEST_PATH_IMAGE005
，则其响应更新为
Figure 679783DEST_PATH_IMAGE006
。同理，在第t个时间阶段内，对于响应为
Figure 148941DEST_PATH_IMAGE005
的节点来说，如果没有收到邻节点扩散的响应，则其仍保持为
Figure 928416DEST_PATH_IMAGE005
；如果收到的邻节点扩散的响应均为
Figure 39592DEST_PATH_IMAGE005
，或者收到的邻节点扩散的响应
Figure 456798DEST_PATH_IMAGE004
和
Figure 595393DEST_PATH_IMAGE005
均有，则其响应仍保持为
Figure 629208DEST_PATH_IMAGE005
；如果收到的邻节点扩散的响应均为
Figure 278495DEST_PATH_IMAGE004
，则其响应更新为
Figure 346945DEST_PATH_IMAGE016
。同时，响应为
Figure 859704DEST_PATH_IMAGE004
，
Figure 115236DEST_PATH_IMAGE005
以及
Figure 302635DEST_PATH_IMAGE010
的节点，分别以
Figure 458547DEST_PATH_IMAGE017
的概率恢复为响应
Figure 971568DEST_PATH_IMAGE009
。其中，基于所述公式1和公式2，在第t个时间阶段节点i收到的邻节点扩散的响应均为
Figure 245555DEST_PATH_IMAGE004
的概率
Figure 971065DEST_PATH_IMAGE018
表示为：
Figure 247064DEST_PATH_IMAGE019
在第t个时间阶段节点i收到的邻节点扩散的响应均为
Figure 665407DEST_PATH_IMAGE005
的概率
Figure 161110DEST_PATH_IMAGE020
表示为：
Figure 690311DEST_PATH_IMAGE021
在第t个时间阶段节点i收到的邻节点扩散的响应
Figure 555237DEST_PATH_IMAGE004
和
Figure 878902DEST_PATH_IMAGE005
均有的概率
Figure 799585DEST_PATH_IMAGE022
表示为：
Figure 631012DEST_PATH_IMAGE023
在第t个时间阶段节点i没有收到邻节点扩散的响应的概率
Figure 851909DEST_PATH_IMAGE024
表示为：
Figure 612055DEST_PATH_IMAGE025
所述仿真表征单元用于基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
位于下层的状态迁移网络的作用在于：对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征。
状态迁移网络当中，对于对应于显易性状况因素或隐性状况因素的每个节点来说，其可迁移的状态分为G和S，状态G表示节点的正向状态，S表示节点的负向状态。节点可以由正向状态G迁移到负向状态S，也可以由负向状态S迁移至正向状态G。例如，社区建筑空间的构成特征当中，建筑用途性质由民用转为商用或者工业用转为商用、建筑构型的变化、可用房间数和面积数的增加或减少，反映为节点J1的正向状态G或者负向状态S，进而，表示容灾设施、人口分布、建筑空间灾害抗性的节点J2、J3、J4则基于下文介绍的机制确定其处于正向状态G还是负向状态S。同理，交通道路的走向和承载能力变化，反映为节点J5的正向状态G还是负向状态S，则表示人口分布、人口分布流动性、疏散拥堵率、周边交通扩散因素的节点J3、J6、J7、J8则基于下文介绍的机制确定其处于正向状态G还是负向状态S。
处于正向状态G的节点为了维持该正向状态需在每个时间阶段产生开销c，而负向状态S的节点则不产生开销。并且，处于正向状态G的节点将带来效应补偿，该效应补偿由该节点所在的群组中所包含的节点进行分配对于一个群组
Figure 315306DEST_PATH_IMAGE026
，该群组中的节点数量为
Figure 451890DEST_PATH_IMAGE027
,将群组中的各个节点表示为x,则
Figure 527293DEST_PATH_IMAGE028
；在第t个时间阶段该群组中状态为S的节点所获得的效应补偿
Figure 989498DEST_PATH_IMAGE029
以及状态为G的节点所获得的效应补偿
Figure 180046DEST_PATH_IMAGE030
分别为：
Figure 323582DEST_PATH_IMAGE031
其中，r为预定的倍增系数，且该系数与
Figure 50230DEST_PATH_IMAGE027
成正比；
Figure 683337DEST_PATH_IMAGE032
表示节点x在第t个时间阶段的状态，
Figure 862645DEST_PATH_IMAGE032
的取值为G或S；
Figure 839566DEST_PATH_IMAGE033
表示节点x由
Figure 420720DEST_PATH_IMAGE034
所决定的开销，根据上文所述，当
Figure 959149DEST_PATH_IMAGE034
为G时
Figure 891333DEST_PATH_IMAGE035
,而
Figure 406366DEST_PATH_IMAGE034
为S时
Figure 842026DEST_PATH_IMAGE036
。
对于节点i来说，其所在的各个群组
Figure 551356DEST_PATH_IMAGE026
包括：以节点i为中心且包含其全部邻节点构成的群组,以及以其每个邻节点为中心且包含该节点i的群组，显然，节点i所在的群组数量为
Figure 970836DEST_PATH_IMAGE037
,其中
Figure 56604DEST_PATH_IMAGE038
为节点i的邻节点的数量，将
Figure 110885DEST_PATH_IMAGE037
个群组的集合表示为
Figure 256696DEST_PATH_IMAGE039
。对于节点i,在第t个时间阶段其通过所在的
Figure 632314DEST_PATH_IMAGE037
个群组中获得的累加效应补偿
Figure 990614DEST_PATH_IMAGE040
为：
Figure 666446DEST_PATH_IMAGE041
在公式9和10的基础上，仿真节点i发生状态迁移需纳入的拟合因素包括：节点i与其任一个邻节点j的累加效应补偿差异度
Figure 950534DEST_PATH_IMAGE042
，累加效应补偿差异度
Figure 813448DEST_PATH_IMAGE042
为：
Figure 241018DEST_PATH_IMAGE043
Figure 505778DEST_PATH_IMAGE044
公式11中
Figure 491926DEST_PATH_IMAGE045
表示效应补偿差异敏感性的系数，
Figure 45398DEST_PATH_IMAGE045
取值为大于0的预定值。对于节点i的多个
Figure 745501DEST_PATH_IMAGE046
的邻节点j来说，按照公式11为各个邻节点计算的
Figure 121160DEST_PATH_IMAGE047
中的最大值作为节点i的累加效应补偿差异度
Figure 514095DEST_PATH_IMAGE047
。
仿真节点i发生状态迁移需纳入的拟合因素还包括：节点i与其任一个邻节点j的附加补偿差异度
Figure 86022DEST_PATH_IMAGE048
,附加补偿差异度
Figure 26034DEST_PATH_IMAGE048
为：
Figure 999806DEST_PATH_IMAGE049
公式13中
Figure 298063DEST_PATH_IMAGE050
表示在第t个时间阶段节点i维持正向状态所获得的附加补偿，同理，
Figure 622865DEST_PATH_IMAGE051
表示在第t个时间阶段节点j维持正向状态所获得的附加补偿，节点i、j每多维持一个时间阶段的正向状态则
Figure 163306DEST_PATH_IMAGE050
和
Figure 522743DEST_PATH_IMAGE052
的值增加一个预计值；
Figure 257481DEST_PATH_IMAGE053
表示附加补偿差异敏感性的系数，
Figure 804000DEST_PATH_IMAGE053
取值为大于0的预定值。对于节点i的多个
Figure 679290DEST_PATH_IMAGE054
的邻节点j来说，按照公式13为各个邻节点计算的
Figure 627654DEST_PATH_IMAGE055
中的最大值作为节点i的附加补偿差异度
Figure 533293DEST_PATH_IMAGE056
。事实上，附加补偿拟合了维持正向状态的节点从外界输入的额外补偿。
在此基础上，在不考虑上层的影响扩散和响应的作用的前提下，在下层的状态迁移网络当中，显易性状况因素或隐性状况因素所对应的节点在第t个时间阶段发生状态迁移的概率为：
由状态S迁移到状态G的概率为：
Figure 567108DEST_PATH_IMAGE057
由状态G迁移到状态S的概率为：
Figure 449352DEST_PATH_IMAGE058
其中，
Figure 252222DEST_PATH_IMAGE059
表示累加效应补偿和附加补偿这2个拟合因素在仿真表征节点i的状态迁移过程中的权重因数，其取值范围
Figure 328763DEST_PATH_IMAGE060
。
所述评估值获取单元用于叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值。
上文中已经介绍了，在上层的影响扩散网络中，通过将所述显易性状况因素对应的节点带来的影响扩散至网络中的其它节点，其中也包括属于隐性状况因素对应的节点，在影响扩散的作用下，该影响扩散网络中的每个节点会处于以下4种响应中的一种：
Figure 849874DEST_PATH_IMAGE061
。
因此，在下层的状态迁移网络中，对于所述显易性状况因素或者隐性状况因素对应的节点i来说，在第t个时间阶段其状态的迁移（包括：由状态S迁移到状态G，以及由状态G迁移到状态S）叠加该节点影响扩散响应的作用，则进一步包括以下情况：
影响扩散响应为U的作用下节点由状态S迁移为状态G，表示为
Figure 270229DEST_PATH_IMAGE062
；影响扩散响应为
Figure 193186DEST_PATH_IMAGE004
的作用下节点由状态S迁移为状态G，表示为
Figure 440627DEST_PATH_IMAGE063
；影响扩散响应为
Figure 619674DEST_PATH_IMAGE005
的作用下节点由状态S迁移为状态G，表示为
Figure 814026DEST_PATH_IMAGE064
；影响扩散响应为
Figure 591489DEST_PATH_IMAGE016
的作用下节点由状态S迁移为状态G，表示为
Figure 508367DEST_PATH_IMAGE065
；以及，影响扩散响应为U的作用下节点由状态G迁移为状态S，表示为
Figure 4070DEST_PATH_IMAGE066
；影响扩散响应为
Figure 533272DEST_PATH_IMAGE004
的作用下节点由状态G迁移为状态S，表示为
Figure 398197DEST_PATH_IMAGE067
；影响扩散响应为
Figure 721862DEST_PATH_IMAGE005
的作用下节点由状态G迁移为状态S，表示为
Figure 970441DEST_PATH_IMAGE068
；影响扩散响应为
Figure 37754DEST_PATH_IMAGE016
的作用下节点由状态G迁移为状态S，表示为
Figure 22766DEST_PATH_IMAGE069
。
对于以上每一种情况，可以在公式15或公式16所示的状态迁移网络当中节点i在第t个时间阶段发生状态迁移的概率基础上，进一步计算叠加节点i的影响扩散响应作用下的状态迁移预测评估值，具体为：
节点i的
Figure 782911DEST_PATH_IMAGE070
状态迁移预测评估值
Figure 253207DEST_PATH_IMAGE071
：
Figure 858632DEST_PATH_IMAGE072
节点i的
Figure 963729DEST_PATH_IMAGE073
状态迁移预测评估值
Figure 160355DEST_PATH_IMAGE074
：
Figure 321209DEST_PATH_IMAGE075
节点i的
Figure 527062DEST_PATH_IMAGE076
状态迁移预测评估值
Figure 752245DEST_PATH_IMAGE077
：
Figure 588614DEST_PATH_IMAGE078
节点i的
Figure 33502DEST_PATH_IMAGE079
状态迁移预测评估值
Figure 511888DEST_PATH_IMAGE080
：
Figure 60418DEST_PATH_IMAGE081
节点i的
Figure 864426DEST_PATH_IMAGE082
状态迁移预测评估值
Figure 265452DEST_PATH_IMAGE083
：
Figure 813108DEST_PATH_IMAGE084
节点i的
Figure 514347DEST_PATH_IMAGE085
状态迁移预测评估值
Figure 456633DEST_PATH_IMAGE086
：
Figure 876113DEST_PATH_IMAGE087
节点i的
Figure 696302DEST_PATH_IMAGE088
状态迁移预测评估值
Figure 252048DEST_PATH_IMAGE089
：
Figure 630815DEST_PATH_IMAGE090
节点i的
Figure 6432DEST_PATH_IMAGE091
状态迁移预测评估值
Figure 895891DEST_PATH_IMAGE092
：
Figure 774985DEST_PATH_IMAGE093
公式18中的
Figure 91697DEST_PATH_IMAGE094
是节点i在
Figure 453146DEST_PATH_IMAGE004
的影响扩散响应作用下由状态S迁移至状态G的增强系数，取值范围为
Figure 615137DEST_PATH_IMAGE095
；公式19、20中的
Figure 614317DEST_PATH_IMAGE096
是节点i在
Figure 101930DEST_PATH_IMAGE005
以及
Figure 708534DEST_PATH_IMAGE016
的影响扩散响应作用下由状态S迁移至状态G的衰减系数，取值范围为
Figure 674216DEST_PATH_IMAGE097
Figure 793481DEST_PATH_IMAGE098
。类似地，公式22中的
Figure 153793DEST_PATH_IMAGE099
是节点i在
Figure 991299DEST_PATH_IMAGE004
的影响扩散响应作用下由状态G迁移至状态S的衰减系数，取值范围为
Figure 495093DEST_PATH_IMAGE100
；公式23、24中的
Figure 734444DEST_PATH_IMAGE101
是节点i在
Figure 563860DEST_PATH_IMAGE005
以及
Figure 121618DEST_PATH_IMAGE016
的影响扩散响应作用下由状态G迁移至状态S的增强系数，取值范围为
Figure 429103DEST_PATH_IMAGE102
。
例如，作为能够以显明方式获得的显易性状况因素，根据社区建筑空间的构成特征的变化，例如上文中提到的建筑用途性质由民用转为商用或者工业用转为商用、建筑构型的变化、可用房间数和面积数的增加或减少，可以确定节点J1的正向状态G或者负向状态S；进而，根据表示容灾设施、人口分布、建筑空间灾害抗性的节点J2、J3、J4当前的正向状态G或者负向状态S，基于上文的机制，获得以上每个节点J2、J3、J4发生状态迁移的状态迁移预测评估值。同理，作为显易性状况因素，根据交通道路的走向和承载能力变化，反映为节点J5的正向状态G还是负向状态S，获得表示人口分布、人口分布流动性、疏散拥堵率、周边交通扩散因素的节点J3、J6、J7、J8当前的正向状态G或者负向状态S，并获得以上每个节点J3、J6、J7、J8发生状态迁移的状态迁移预测评估值。
所述预测量获取单元用于根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
具体来说，对于隐性状况因素对应的节点i，根据其在第t个时间阶段各种可能的状态迁移所具备的状态迁移预测评估值，将每种可能状态迁移对应的状态迁移预测评估值映射为该隐性状况因素的预测变化量，进而通过平均求得该隐性状况因素在第t个时间阶段的预测变化量。
进而，自初始的时间阶段出发，以隐性状况因素对应的节点i对应的初始量出发，逐个时间阶段累积隐性状况因素对应的节点i在各时间阶段的预测变化量，获得该隐性状况因素在各时间阶段的预测量。
具体来说，对于隐性状况因素对应的节点i，其在第t个时间阶段
Figure 788540DEST_PATH_IMAGE070
状态迁移预测评估值为
Figure 788857DEST_PATH_IMAGE103
，该状态迁移预测评估值
Figure 99490DEST_PATH_IMAGE104
映射的预测变化量
Figure 210666DEST_PATH_IMAGE105
表示为：
Figure 159030DEST_PATH_IMAGE106
其中，
Figure 64669DEST_PATH_IMAGE107
为映射线性系数；同理，在第t个时间阶段
Figure 331440DEST_PATH_IMAGE108
状态迁移预测评估值
Figure 449569DEST_PATH_IMAGE109
映射的预测变化量
Figure 455702DEST_PATH_IMAGE110
表示为：
Figure 30778DEST_PATH_IMAGE112
在第t个时间阶段
Figure 551889DEST_PATH_IMAGE076
状态迁移预测评估值
Figure 536026DEST_PATH_IMAGE113
映射的预测变化量
Figure 193403DEST_PATH_IMAGE114
表示为：
Figure 706424DEST_PATH_IMAGE116
在第t个时间阶段
Figure 213366DEST_PATH_IMAGE079
状态迁移预测评估值
Figure 204456DEST_PATH_IMAGE117
映射的预测变化量
Figure 513078DEST_PATH_IMAGE118
表示为：
Figure 931421DEST_PATH_IMAGE120
在第t个时间阶段
Figure 692703DEST_PATH_IMAGE121
状态迁移预测评估值
Figure 720440DEST_PATH_IMAGE122
映射的预测变化量
Figure 883568DEST_PATH_IMAGE123
表示为：
Figure 738392DEST_PATH_IMAGE125
在第t个时间阶段
Figure 721391DEST_PATH_IMAGE085
状态迁移预测评估值
Figure 319863DEST_PATH_IMAGE126
映射的预测变化量
Figure 570453DEST_PATH_IMAGE127
表示为：
Figure 596178DEST_PATH_IMAGE128
在第t个时间阶段
Figure 66474DEST_PATH_IMAGE088
状态迁移预测评估
Figure 468636DEST_PATH_IMAGE129
映射的预测变化量
Figure 340777DEST_PATH_IMAGE130
表示为：
Figure 770359DEST_PATH_IMAGE132
在第t个时间阶段
Figure 727951DEST_PATH_IMAGE133
状态迁移预测评估值
Figure 933804DEST_PATH_IMAGE134
映射的预测变化量
Figure 660452DEST_PATH_IMAGE135
表示为：
Figure 27979DEST_PATH_IMAGE136
进而，利用公式25-公式32获得的预测变化量
Figure 971402DEST_PATH_IMAGE137
Figure 715367DEST_PATH_IMAGE139
通过平均求得该隐性状况因素i在第t个时间阶段的预测变化量:
Figure 296521DEST_PATH_IMAGE140
。
所述应急预案中，可编辑的预案单元具体包括：人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元。其中，每个可编辑的预案单元均包括预定的可编辑字段及其字段取值。
在应急预案的初始化编辑过程中，所述应急预案建立模块可以自定义该应急预案包括的可编辑预案单元，进而自定义每个可编辑预案单元包含的可编辑字段，以及可编辑字段的初始值。
举例来说，对于应急预案的人口疏散引导单元，其包含的可编辑字段可以包括：优先疏散批次的社区建筑物楼号、次优先疏散批次的社区建筑物楼号、常规疏散批次的社区建筑物楼号，以及每栋建筑物中优先疏散、次优先疏散、常规疏散的楼层号；疏散路线包含社区内、外交通道路的道路名、疏散途经通道名或路口名、疏散人员的避难场所名、每批次疏散人员的预估数量、每批次疏散人口的疏散时限值。可以根据初始化编辑的时间阶段获得或者预测的所述显易性状况因素和隐性状况因素，来设定以上可编辑字段的初始值。例如，根据显易性状况因素中的社区建筑空间构成及其特征、社区总人口，以及隐性状况因素中的人口分布区域方式、人口分布密度、分布流动性，设定优先、次优先、常规疏散批次的社区建筑物楼号和楼层号、每批次疏散人员的预估数量可编辑字段的初始值；根据显易性状况因素中的社区内部及周边交通道路的位置走向和流量承载能力、通道和路口，以及隐性状况因素中的疏散拥堵发生率、周边交通扩散因素，设定疏散路线包含社区内、外交通道路的道路名、疏散途经通道名或路口名、每批次疏散人口的疏散时限值、疏散人员的避难场所名可编辑字段的初始值。
突发信息传播单元，其包含的可编辑字段可以包括：调用的灾害消息广播的类型、分布点位、数量。对于封闭隔离措施单元，其包含的可编辑字段包括：被封闭的社区内部和周边交通道路的道路名、通道名和路口名。对于周边交通调度单元，其包含的可编辑字段包括：可作为应急运输通道的社区周边交通道路的道路名、路口名，可作为交通疏导绕行通道的社区周边交通道路的道路名、路口名。对于周边环境影响干预单元，其可编辑字段包括：受到社区紧急状况环境影响的周边建筑物楼号、周边交通道路的道路名。水电后勤供应补给单元，其可编辑字段包括：调用容灾保障设施的类型、数量、分布点位，调用应急响应资源的类型、数量、供应方。可以根据初始化编辑的时间阶段获得或者预测的所述显易性状况因素和隐性状况因素，来设定以上可编辑字段的初始值。
在所述应急预案初始化编辑之后，随着时间阶段的推移，城市社区空间的人员分布、建筑空间构成、交通、环境、设施、应急资源方面的显易性状况因素和隐性状况因素都处于持续性或者间断性地变化，这些变化有很大可能性会导致初始化编辑的应急预案与之不相适应，即适应性出现偏差。例如，对于人口疏散引导单元，由于社区空间的人员分布、建筑空间构成、交通道路走向和承载流量的变化，初始化编辑的优先、次优先和常规疏散批次的社区建筑物、楼层的批次顺序可能与实际的人员分布、建筑空间构成发生偏离，导致疏散批次顺序与疏散紧迫性偏离；作为疏散路线的道路、通道、路口由于承载流量的变化，可能已经不能作为疏散路线，或者由于承载流量能力的增强可以增大每批次的疏散流量；根据人员数量、分布密度的变化，初始化编辑的每批次疏散时限值出现偏差，需要调整。
因此，所述应急预案评估模块要根据由所述显易性状况因素建立模块获得的显易性状况因素，以及由所述隐性状况因素预测模块预测的隐性状况因素，针对所述应急预案的人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候（针对适应性出现偏差的解释：对可编辑字段的字段取值预设定阈值，当应急预案中各单元超出预设定阈值的时候，即为出现适应性偏差），自适应编辑出现偏差的单元。例如，根据显易性状况因素中的社区建筑空间构成及其特征、社区总人口，以及隐性状况因素中的人口分布区域方式、人口分布密度、分布流动性，评估优先、次优先、常规疏散批次的社区建筑物楼号和楼层号、每批次疏散人员的预估数量可编辑字段的初始值，与当前时间阶段的人口分布区域方式、人口分布密度、分布流动性的适应性，并对优先、次优先、常规疏散批次的社区建筑物楼号和楼层号、每批次疏散人员的预估数量可编辑字段的进行适应性地编辑，该编辑可以采用自动编辑，或者对适应性出现偏差的可编辑字段进行报错，从而辅助人工编辑。又例如，根据当前时间阶段显易性状况因素中的社区内部及周边交通道路的位置走向和流量承载能力、通道和路口，以及隐性状况因素中的疏散拥堵发生率、周边交通扩散因素，评估每批次疏散人口的疏散时限值与之是否匹配，并在适应性出现偏差时对疏散时限值进行自动编辑，或者对可编辑字段进行报错，从而辅助人工编辑。
第二方面，本申请提出一种面向城市社区空间应急响应的动态更新预案方法，如图3所示，包括：
步骤S1：获取面向城市社区空间应急响应需要的显易性状况因素；
步骤S2：根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
步骤S3：根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
步骤S4：根据所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。
所述根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量，所采用的预测算法，如图4所示，包括以下步骤：
步骤S2.1：建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
步骤S2.2：基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
步骤S2.3：基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
步骤S2.4：叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值；
步骤S2.5：根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种面向城市社区空间应急响应的动态更新预案系统，其特征在于，包括：显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块；
所述显易性状况因素建立模块、隐性状况因素预测模块、应急预案建立模块、应急预案评估模块依次顺序相连接，所述应急预案评估模块分别与所述显易性状况因素建立模块、隐性状况因素预测模块相连接；
所述显易性状况因素建立模块用于获取面向城市社区空间应急响应需要的显易性状况因素；
所述隐性状况因素预测模块用于根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
所述应急预案建立模块用于根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
所述应急预案评估模块用于根据显易性状况因素、隐性状况因素以及所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元；
所述显易性状况因素包括：社区建筑空间构成及其特征的变化；社区内部及周边预设定范围的交通道路的位置走向和流量承载能力；社区内部及其周边的各种城市容灾设施的类型、数量、分布点位；社区当前实际和可调用的应急响应资源；历史同期记录的环境因素；社区总人口、单位时间段进出人口数；
所述隐性状况因素包括：人口分布区域方式、分布密度、分布流动性、社区地上或地下的建筑空间的灾害抗性、疏散时候的拥堵发生率、周边交通扩散因素、周边环境扩散因素。
2.如权利要求1所述的面向城市社区空间应急响应的动态更新预案系统，其特征在于，所述显易性状况因素定义为：在应急资源方面的各种状况因素当中，能够以显明的方式获得的状况因素。
3.如权利要求1所述的面向城市社区空间应急响应的动态更新预案系统，其特征在于，所述隐性状况因素定义为：隐性状况因素的预测量无法通过显明的方式获取，只能根据预测算法通过显易性状况因素预测出在其各时间阶段的预测量。
4.如权利要求1所述的面向城市社区空间应急响应的动态更新预案系统，其特征在于，所述应急预案中，可编辑的预案单元包括：人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元，其中，每个可编辑的预案单元均包括预定的可编辑字段及其字段取值。
5.如权利要求1所述的面向城市社区空间应急响应的动态更新预案系统，其特征在于，所述隐性状况因素预测模块包括：网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元；
所述网络建立单元、拟合单元、仿真表征单元、评估值获取单元、预测量获取单元依次顺序相连接；
所述网络建立单元用于建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
所述拟合单元用于基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
所述仿真表征单元用于基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
所述评估值获取单元用于叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值；
所述预测量获取单元用于根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
6.如权利要求5所述的面向城市社区空间应急响应的动态更新预案系统，其特征在于，所述应急预案评估模块需要根据由所述显易性状况因素建立模块获得的显易性状况因素，以及由所述隐性状况因素预测模块预测的隐性状况因素，针对所述应急预案的人口疏散引导单元、突发信息传播单元、封闭隔离措施单元、周边交通调度单元、周边环境影响干预单元、水电后勤供应补给单元，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元。
7.一种面向城市社区空间应急响应的动态更新预案方法，其特征在于，包括如下步骤：
获取面向城市社区空间应急响应需要的显易性状况因素；
根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量；
根据所述显易性状况因素以及隐性状况因素在各时间阶段的预测量，建立应急预案，所述应急预案中的各个单元是可编辑的；
根据所建立的应急预案，在实际应用中，评估应急预案中可编辑的各个单元的适应性，并且在适应性出现偏差的时候，自适应编辑出现偏差的单元；
所述显易性状况因素包括：社区建筑空间构成及其特征的变化；社区内部及周边预设定范围的交通道路的位置走向和流量承载能力；社区内部及其周边的各种城市容灾设施的类型、数量、分布点位；社区当前实际和可调用的应急响应资源；历史同期记录的环境因素；社区总人口、单位时间段进出人口数；
所述隐性状况因素包括：人口分布区域方式、分布密度、分布流动性、社区地上或地下的建筑空间的灾害抗性、疏散时候的拥堵发生率、周边交通扩散因素、周边环境扩散因素。
8.如权利要求7所述的面向城市社区空间应急响应的动态更新预案方法，其特征在于，所述根据所述显易性状况因素预测出隐性状况因素在各时间阶段的预测量，所采用的预测算法包括以下步骤：
建立包含所述显易性状况因素以及隐性状况因素的影响扩散网络和状态迁移网络；
基于所述影响扩散网络，拟合任一显易性状况因素对与其相关联的显易性状况因素以及隐性状况因素所产生的影响扩散过程；
基于所述状态迁移网络，对所述显易性状况因素和隐性状况因素对应的节点的状态迁移相关过程进行量化的仿真表征；
叠加影响扩散网络各节点影响扩散响应的作用，获得所述显易性状况因素和隐性状况因素对应的节点的状态迁移预测评估值；
根据所述隐性状况因素在各个时间阶段对应的节点的状态迁移预测评估值，获得该隐性状况因素在各时间阶段的预测量。
CN202210489280.1A 2022-05-07 2022-05-07 面向城市社区空间应急响应的动态更新预案系统及方法 Active CN114580980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489280.1A CN114580980B (zh) 2022-05-07 2022-05-07 面向城市社区空间应急响应的动态更新预案系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489280.1A CN114580980B (zh) 2022-05-07 2022-05-07 面向城市社区空间应急响应的动态更新预案系统及方法

Publications (2)

Publication Number Publication Date
CN114580980A CN114580980A (zh) 2022-06-03
CN114580980B true CN114580980B (zh) 2022-07-22

Family

ID=81769212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489280.1A Active CN114580980B (zh) 2022-05-07 2022-05-07 面向城市社区空间应急响应的动态更新预案系统及方法

Country Status (1)

Country Link
CN (1) CN114580980B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828620B (zh) * 2022-12-21 2023-07-14 华北科技学院 一种基于增强现实的矿山灾害应急仿真方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096031A (zh) * 2015-06-23 2015-11-25 浙江大学 一种基于时间Petri网的应急救援资源调度及应急救援方法
WO2017084326A1 (zh) * 2015-11-17 2017-05-26 清华大学 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台
CN109377437A (zh) * 2018-11-21 2019-02-22 南京莱斯信息技术股份有限公司 基于事件链的城市突发事件应急推理模型
CN208706019U (zh) * 2018-08-08 2019-04-05 中国安全生产科学研究院 一种地铁车站智能应急疏散指示系统
CN113554752A (zh) * 2021-07-22 2021-10-26 浙江点创信息科技有限公司 用于对小流域自然灾害进行应急预案的三维可视化及快速制图的方法及模型
CN113780983A (zh) * 2021-08-16 2021-12-10 创意信息技术股份有限公司 一种基于流程引擎的应急预案驱动系统
CN113806832A (zh) * 2021-08-31 2021-12-17 河北工业大学 一种基于行为仿真的社区地震应急疏散空间优化设计方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030125998A1 (en) * 2002-01-03 2003-07-03 Mhg, Llc Method for managing resource assets for emergency situations
US20070015506A1 (en) * 2005-07-15 2007-01-18 Argonne National Laboratory Synchronization matrix process for total emergency management
CN105059669B (zh) * 2015-07-22 2017-12-19 常州信息职业技术学院 一种智能物流快递箱及实时交互数据的物流方法
CN105913360A (zh) * 2016-04-07 2016-08-31 东南大学 一种大型活动突发事故应急预案生成方法及装置
WO2018157194A1 (en) * 2017-03-03 2018-09-07 Mararlee Pty Ltd System and method for delivery and receipt of electronic communications
CN106971262A (zh) * 2017-03-14 2017-07-21 北京交通大学 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法
CA3096212A1 (en) * 2018-04-06 2019-10-10 MosSmith Industries, Inc. Emergency response system
US11570607B2 (en) * 2020-04-03 2023-01-31 Rapidsos, Inc. Systems and methods for identifying and activating emergency response assets
CN113408335A (zh) * 2021-05-08 2021-09-17 华北科技学院(中国煤矿安全技术培训中心) 基于无人机视频图像的交通参数采集系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096031A (zh) * 2015-06-23 2015-11-25 浙江大学 一种基于时间Petri网的应急救援资源调度及应急救援方法
WO2017084326A1 (zh) * 2015-11-17 2017-05-26 清华大学 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台
CN208706019U (zh) * 2018-08-08 2019-04-05 中国安全生产科学研究院 一种地铁车站智能应急疏散指示系统
CN109377437A (zh) * 2018-11-21 2019-02-22 南京莱斯信息技术股份有限公司 基于事件链的城市突发事件应急推理模型
CN113554752A (zh) * 2021-07-22 2021-10-26 浙江点创信息科技有限公司 用于对小流域自然灾害进行应急预案的三维可视化及快速制图的方法及模型
CN113780983A (zh) * 2021-08-16 2021-12-10 创意信息技术股份有限公司 一种基于流程引擎的应急预案驱动系统
CN113806832A (zh) * 2021-08-31 2021-12-17 河北工业大学 一种基于行为仿真的社区地震应急疏散空间优化设计方法

Also Published As

Publication number Publication date
CN114580980A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
US11982994B2 (en) Determining a regional gas pipeline operating scheme
Xia et al. Ranking station importance with human mobility patterns using subway network datasets
Harewood Emergency ambulance deployment in Barbados: a multi-objective approach
Bhatta et al. Errors in variables in multinomial choice modeling: A simulation study applied to a multinomial logit model of travel mode choice
CN115545678A (zh) 一种基于水环境画像与污染物溯源的水质监测方法
CN114580980B (zh) 面向城市社区空间应急响应的动态更新预案系统及方法
CN112229395A (zh) 一种巡逻路径规划方法、计算设备及存储介质
Sun et al. Reliability-based traffic network design with advanced traveler information systems
Noursalehi et al. Predictive decision support platform and its application in crowding prediction and passenger information generation
CN116502763A (zh) 一种基于时空图神经网络的人群拥堵预测方法及系统
Demissie et al. Modeling location choice of taxi drivers for passenger pickup using GPS data
Golabi et al. Innovative pavement management and planning system for road network of Portugal
Teo et al. Agent-based evacuation model considering field effects and government advice
Zamanifar et al. Recovery planning model for roadways network after natural hazards
CN115334560A (zh) 基站异常的监测方法、装置、设备及计算机可读存储介质
Krundyshev et al. The security risk analysis methodology for smart network environments
CN110399537B (zh) 一种基于人工智能技术的警情时空预测方法
Fu Real-time vehicle routing and scheduling in dynamic and stochastic traffic networks
Idoudi et al. Impact of dynamic shelter allocation in online population evacuation management
Delgado-Enales et al. Improving the urban accessibility of older pedestrians using multi-objective optimization
Zhao et al. Dynamic traffic bottlenecks identification based on congestion diffusion model by influence maximization in metro‐city scales
Chen et al. A stochastic α-reliable mean-excess traffic equilibrium model with probabilistic travel times and perception errors
Feng et al. A reconstruction of florida traffic flow during hurricane irma (2017)
Idoudi et al. An Optimization Framework for Dynamic Population Evacuation Problem Using a Vehicular Ad Hoc Network for Emergency Communication
CN118382168B (zh) 分布式部署的可调节式led路灯智能照明控制系统及方法

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