CN114910092A - 支持多样化内涝风险数据的车辆避险可选路径搜索方法 - Google Patents
支持多样化内涝风险数据的车辆避险可选路径搜索方法 Download PDFInfo
- Publication number
- CN114910092A CN114910092A CN202210434403.1A CN202210434403A CN114910092A CN 114910092 A CN114910092 A CN 114910092A CN 202210434403 A CN202210434403 A CN 202210434403A CN 114910092 A CN114910092 A CN 114910092A
- Authority
- CN
- China
- Prior art keywords
- waterlogging
- risk
- avoiding
- vehicle
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
- G01C21/3446—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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提供一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,包括根据城市路网矢量数据、降雨数据和多样化输入的内涝风险数据建立内涝避险路径节点网络G1;在节点网络G1中,以受灾车辆和避险点为矩形端点,并扩大范围构成新内涝避险路径节点网络G2;在内涝避险网络G2中计算最优避险路径;以受灾车辆和避险点为矩形端点,并扩大范围构成新内涝避险路径节点网络G3;在最优避险路径经过的节点上进行圆形缓冲区分析,得到缓冲区中的节点;选择同时在内涝避险路径节点网络G3和所得缓冲区中的节点,构建内涝避险路径节点网络G4;在内涝避险路径节点网络G4中使用深度搜索方式,搜索所有避险路径。
Description
技术领域
本发明属于地理信息科学领域,设计一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法,具体涉及多样化内涝风险数据输入方法、一种综合利用缓冲区分析、Dijkstra算法和深度搜索等算法进行车辆避险的多路径搜索技术。
背景技术
内涝风险是当前各大城市都面临的问题。在城市出现强降雨问题时,内涝风险随之而来,内涝风险的出现相对迅速,一般情况下有较多人员和车辆都会面临危险。但内涝风险的分布与降雨、地形等关系较大,不同区域的风险程度差异较大,所以在内涝避险中,一般都采取人车转移调度的方法。而在面临紧急的内涝风险时,如何合理分析降雨、内涝数据,为车辆规划出最安全、可行的避险路径,是本发明主要拟解决的技术问题。
现有方法主要是通过将各类路径算法与内涝环境相结合来计算最优路径。例如,陈仕鸿,彭赛琼(2013)利用Arc GIS软件实现了多处障碍的情况下搜索最短路径的方法,解决城市内涝灾害突发时交通疏导问题,方法具有快速、简单易操作、结果可视化的优点;除了依赖已有软件进行分析,周倩倩,李阿婷等(2018)基于城市暴雨内涝管理模型SWMM进行模拟,并结合Dijkstra算法进行路径计算,成功的解决了暴雨天气的交通疏散问题,在路径规划上取得了较好的结果;除了与最短路径算法相结合,黄茹月,陈鹏.(2021)以长春市南关区为例,采用非线性整数规划方法综合构建城市内涝灾害应急调度模型,可以减少灾害损失,整体上为城市决策提供了参考。但从目前的研究现状来看,目前算法的路径搜索结果在避免调度车辆导致交通拥塞的能力方面存在不足,其中一个原因在于路径搜索的结果不全,且未考虑最短路径堵塞时的备选路径方案,因此对适用于内涝避险的路径搜索算法还有改进空间。
因此,本发明提出了一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法,为内涝避险智能调度提供更优秀的可选解,从而设计出来更优良的内涝车辆避险调度方案。主要目标是利用多样化内涝风险数据输入,对车辆的最优避险路径及其备选路径进行高效率搜索,确保车辆在内涝风险中避险调度时,既能让车辆个体安全抵达目的地,又能在总体上避免因车辆调度而导致的路段堵塞。
发明内容
本发明要解决的技术问题在于,针对目前在城市内涝受灾条件下,车辆避险路径单一,避险效率不高的技术问题,提出一种最适用于城市内涝风险的多样化内涝风险数据输入的车辆避险可选路径搜索方法来解决上述技术的缺陷。
本发明提供一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,包括以下步骤:
步骤S1、根据城市路网矢量数据、降雨数据和多样化输入的内涝风险数据建立内涝避险路径节点网络G1;所述多样化输入的内涝风险数据,包括点、线、面或栅格数据中的一种或多种;
步骤S2、在节点网络G1中,以受灾车辆和避险点为矩形端点,并扩大范围D1,选取扩大矩形内部的节点构成新内涝避险路径节点网络G2;
步骤S3、在内涝避险网络G2中计算最优避险路径;
步骤S4、以受灾车辆和避险点为矩形端点,并扩大范围D2,选取扩大矩形内部的节点构成新内涝避险路径节点网络G3;
步骤S5、在步骤S3得到的最优避险路径经过的节点上根据预设的阈值R进行圆形缓冲区分析,得到缓冲区中的节点;
步骤S6、选择同时在内涝避险路径节点网络G3和步骤S5所得缓冲区中的节点,构建内涝避险路径节点网络G4;
步骤S7、在内涝避险路径节点网络G4中使用深度搜索方式,搜索所有可能的避险路径。
而且,所述步骤S2中的扩大范围D1,是指在空间距离上都扩大1km。
而且,所述步骤S4中的扩大范围D2,是指在空间距离上都扩大500m。
而且,所述步骤S5中的阈值R,是指缓存区内点与最优路径上的节点的距离要小于R,R设置为50m。
而且,对于点状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和AB之间的降雨量Rain、点状渍水量WetP、渍水量阈值Z计算WAB,公式如下:
其中,WetP为点状要素的内涝数据输入值,每一个点要素对应一个渍水量。
而且,对于线状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和AB之间的降雨量Rain、线状渍水量WetL、渍水量阈值Z计算WAB,
其中,WetL代表的是线要素中的整体渍水量,max(WetL)代表线要素中的最大渍水量,AVG(WetL)代表线要素中的平均渍水量。
而且,对于线状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和AB之间的降雨量Rain、面状渍水量WetS、渍水量阈值Z计算WAB,
其中,WetS代表的是面要素中的整体渍水量,road(WetS)代表是面要素渍水量与当前道路相交部分的线状渍水量,max[road(Wets)代表的是处于面状渍水面中与当前道路相交线路上最大渍水量的值,AVG[road(WetS)代表的是处于面状渍水面中与当前道路相交线路上平均渍水量的值。
而且,对于栅格数据格式线状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和P1、P2…Pn处的渍水量和降雨量、渍水量阈值Z综合计算WAB,
其中,P1、P2…Pn是AB之间按一定空间距离pixel等距离取的特征点,n为预设的数值,pixel为渍水栅格数据的单像素大小,WetP1,etP2,…,etPn是P1到Pn各点的渍水值,max(WetP1,etP2,…,etPn)代表P1到Pn各点中最大的渍水值;
WetP1…Pn和RainP1…Pn代表AB之间以P1到Pn的n个特征点综合计算出来的渍水风险值和降雨风险值,计算方式如下,
其中,k1、k2、c1、c2为常数,e为自然常数。
与现有技术相比,本发明的优势在于:本发明提出了一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法,本方法能够适用于多种内涝风险数据的输入,并在此基础上为车辆避险计算出多种最优可选路径。
附图说明
图1是本发明实施例一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法流程图;
图2是本发明实施例路网矢量数据中关键节点的选择方法图;
图3是本发明实施例针对点状要素的内涝数据输入计算关键节点之间的权值方法示意图;
图4是本发明实施例针对线状要素的内涝数据输入计算关键节点之间的权值方法示意图;
图5是本发明实施例针对面状要素的内涝数据输入计算关键节点之间的权值方法示意图;
图6是本发明实施例针对.tif等栅格数据格式的内涝数据输入计算关键节点之间的权值方法示意图;
图7是本发明实施例内涝避险路径节点网络G2的构建方法示意图;
图8是本发明实施例内涝避险路径节点网络G2中利用Dijkstra计算得到的最优路径示意图;
图9是本发明实施例内涝避险路径节点网络G3的构建方法示意图;
图10是本发明实施例避险最优路径缓冲区分析示意图;
图11是本发明实施例车辆避险可选多路径计算结果示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图和实施例详细说明本发明的具体实施方式。
一般而言,在城市内涝风险中,主要影响车辆避险的是降雨和渍水风险。降雨风险数据较为固定,一般参考降雨量。而渍水数据则不太固定,可能有点、线、面等要素数据,也有可能是.tif格式等栅格数据。
基于上述假设,本发明实施例提出了一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法,如图1所示,包括:
步骤S1、根据城市路网矢量数据、降雨数据和多样化输入的内涝风险数据建立内涝避险路径节点网络G1;
实施例的步骤S1中,根据城市路网矢量数据,选取其中道路的交叉节点作为关键节点进行网络构建,如图2所示,其中A、B、C、D、E是关键节点,其他为普通节点。在考虑网络之间的权值时,本发明不仅仅只考虑空间距离,还额外考虑了内涝与降雨的影响。在接收内涝数据时,本发明创新性的提出了多样化的内涝数据输入方法。传统的内涝数据计算,往往只能接受点、线、面或栅格中的某一类数据,而现今社会中各类传感器和专业的内涝监测装置获得的数据往往呈现出多样化,在这种情况下,传统方法为了使用内涝数据则必须对数据进行转化处理,而在这一进程中往往会损失数据精度,不利于对车辆的应急调度。而本发明提出的多样化内涝数据输入方法,正好对应现阶段内涝感知数据的多样化特征,该方法可以跳过繁琐的数据转化过程,直接对采集到的多样化内涝数据进行使用,最终为车辆避险计算出多种可选路径。
以下为多样化内涝数据的详细输入方法,
对于点状要素的内涝数据输入,如图3,A,B之间的权值WAB由AB间的空间距离SAB,和AB之间的降雨量Rain、点状渍水量WetP、渍水量阈值Z计算,公式如下:
其中WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理。SAB代表A与B两节点之间的空间距离,即从矢量路网中通过空间坐标计算而来。Rain代表A与B节点之间的当前区域的降雨量,由于在城市路网中,两关键节点之间的空间距离相对较近,所以降雨量不会有明显的改变,所以这里的Rain一般为固定值。Z为渍水量阈值,用于判断渍水道路是否允许通行,如果道路渍水量大于阈值Z,则该道路风险过高,不适宜通行,的值根据经验设置,通常优选设置为0.05m-0.2m。WetP为点状要素的内涝数据输入值,其每一个点要素对应一个渍水量值,如图3中,AB之间的渍水点对应的渍水量则为WetP。
对于线状要素的内涝数据输入,如图4,A,B之间的权值由AB间的空间距离SaB,和AB之间的降雨量Rain、线状渍水量WetL、渍水量阈值Z计算。
其中WAB、SAB、Rain、Z的含义与点要素输入类型相同,不再赘述。WetL代表的是线要素中的整体渍水量,max(WetL)代表线要素中的最大渍水量,AVG(WetL)代表线要素中的平均渍水量。线要素的内涝数据中渍水量通常分布在一定范围内,而本方法则主要关注其中的最大渍水量与平均渍水量。将最大渍水量与渍水量阈值Z进行比较,判断车辆是否能经过当前道路,因为车辆能否顺利通过当前道路并不取决于当前道路的平均渍水情况,而取决于能否通过当前道路中渍水量最大的区域,一旦道路中有一处区域渍水风险过高,那么当前道路也不适合行驶。只有当前道路的最大渍水量小于渍水量阈值时,该道路才能够行驶,而具体行驶的代价则用平均渍水量来计算更全面。
对于面状要素的内涝数据输入,如图5,A,B之间的权值由AB间的空间距离SAB,和AB之间的降雨量Rain、面状渍水量WetS、渍水量阈值Z计算。
其中WAB、SAB、Rain、Z的含义与点要素输入类型相同,不再赘述。WetS代表的是面要素中的整体渍水量,road(WetS)代表是面要素渍水量与当前道路相交部分的线状渍水量。max[road(WetS)]代表的是处于面状渍水面中与当前道路相交线路上最大渍水量的值,AVG[road(Wets)]代表的是处于面状渍水面中与当前道路相交线路上平均渍水量的值。对于面状渍水量来说,只有与道路相交的部分才会影响车辆的通行,所以在考虑面状要素内涝数据的输入时,会先将渍水区限制于道路线上,再利用与线状要素相同的方法进行处理。
对于.tif等栅格数据格式的内涝数据输入,如图6,A,B之间的权值由AB间的空间距离SAB,和P1、P2…Pn处的渍水量和降雨量、渍水量阈值Z综合计算。
其中WAB、SAB、的含义与点要素输入类型相同,不再赘述。P1到Pn是AB之间按一定空间距离pixel等距离取的特征点,pixel一般是根据渍水数据而定,pixel为渍水栅格数据的单像素大小。WetP1,WetP2,…,WetPn是P1到Pn各点的渍水值。max(WetP1,WetP2,…,WetPn)代表P1到Pn各点中最大的渍水值。
WetP1.P2…Pn和RainP1.P2…Pn代表AB之间以P1到Pn的n个特征点综合计算出来的渍水风险值和降雨风险值。一般计算方式如下:
k1、k2、c1、c2为常数,具体实施时可根据实际情况而定。e为自然常数,值约为2.71,n可以根据情况取,优选建议为等于8。
栅格数据是渍水数据最常用也是最准确的数据,所以在计算时,引入指数函数形式进行详细的综合计算。指数函数可以模拟渍水风险随着渍水量增加而迅速增加的情况,从而使模型更加贴近实际。
通过以上的计算,就可以完成包含渍水与降雨的内涝避险路径节点网络G1的建立。
步骤S2、在内涝避险路径节点网络G1中,以受灾车辆和避险点为矩形端点,并扩大范围D1,选取扩大矩形内部的所有节点构成新内涝避险路径节点网络G2;
参见图7,假设以受灾车辆为起点A,避险点为终点B,分别作为矩形端点(对角),扩大范围D1,选取扩大矩形内部的全部节点构成新内涝避险路径节点网络G2。
具体实施时,D1可由用户预设取值。经过实验,扩大范围D1,在城区内,一般设置为1km较为适宜。如果D1设置过大,扩大后的矩形将包含较多节点,则计算速度会显著下降;如果D2设置过小,则无法在有限节点内获得准确的最优路径解。
从效率上来考虑,当受灾车辆与避险点本来就相对较近时,如果不对节点网络进行空间分析来筛选,Dijkstra将会计算所有的路网节点,计算量巨大。而实际上,对于相对较近的受灾车辆与避险点,它们之间的矩形范围包含的节点可能只有总节点的10%不到,可能甚至更少。因为城市在设置避险点的时候不可能只有一处避险点,也不可能全部避险点都集中在一个方位,其更倾向于在整个城市范围内均匀分布,从而整体上所有车辆都有较近的避险可选点。所以建立新内涝避险路径节点网络G2能大幅减少算法的计算量,有利于面向应急的路径规划。
步骤S3、在内涝避险网络G2中计算最优避险路径;
实施例在内涝避险网络G2中优选使用Dijkstra算法计算最优避险路径,结果类似于图8。Dijkstra算法为现有技术,是顶点到其余各顶点的最短路径算法,本发明不予赘述。
步骤S4、以受灾车辆和避险点为矩形端点,并扩大范围D2,选取扩大矩形内部的节点构成新内涝避险路径节点网络G3,如图9;
具体实施时,D2可由用户预设取值。经过实验,扩大范围D2一般设置为500m较为适宜。如果D2设置过大,扩大后的矩形将包含较多节点,则计算速度会显著下降;如果D2设置过小,则新包含的节点数量有限,与缓冲区相交后会有大概率损失有效路径节点。
步骤S5、将步骤S3得到的最优路径上的关键节点以阈值R进行点状圆形缓冲区分析,如图10,进行了夸张化的示意图表示;
阈值R是指缓存区内点与最优路径上的节点的距离要小于R,具体实施时,R可由用户预设取值。经过实验,建议R设置为50m较为适宜。如果R设置过大,缓冲区将会包含过多节点,在多路径深度搜索时计算速度会显著下降;如果R设置过小,则新包含的节点数量有限,将无法有效的得到新的多路径解。
步骤S6、选择同时在内涝避险路径节点网络G3和步骤S5中得到的缓冲区中的节点,构建内涝避险路径节点网络G4;
本步骤的主要目的同样为在检索优秀路径的前提下尽可能减少节点数量,因为对于步骤S7要使用的深度优先搜索算法来说,深度优先搜索算法的搜索时间会随着节点的数量增多而指数级上升,所以在构建用于深度优先搜索算法的G4网络时,必须尽可能减少节点数量。而通过步骤S6的筛选,内涝避险路径节点网络G4的节点数量可以减少到总节点网络的G1的1%甚至更少。同时,由于网络G4中的节点都集中于步骤S3中得到的最优避险路径关键节点缓存区附近,所以深度搜索得到的路径结果也必然与最优避险路径近似,保证了新候选路径的避险优越性。
步骤S7、在内涝避险路径节点网络G4中使用深度优先搜索方式,搜索所有可能的避险路径,如图11。深度优先算法常与广度优化算法进行比较,这里对本发明优选采用深度优先算法的原因进行说明。深度搜索算法的特性在于当发现可选节点时,就直接向下一层继续搜索,而暂时将本层搁置,契合本方法的候选路径搜索,在网络搜索中,利用Dijkstra算法确保搜索到最优路径。而深度优先搜索相比广度优先搜索,能最快的到达最后一层,并找到最优路径,从而在最优路径的基础上回溯进行候选路径搜索。这种搜索方法的另一好处在于,在一定情况下,并不需要把网络全部搜索完,当深度搜索结果有一定数量时,可以提前结束搜索进程,从整体上来说也提高了效率。
与现有技术相比,本发明的优势在于:本发明提出了一种可输入多样化内涝风险数据的车辆避险可选路径搜索方法,能够适用于多种内涝风险数据的输入,并在此基础上为车辆避险计算出多种最优可选路径。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种支持多样化内涝风险数据的车辆避险可选路径搜索系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法。
在一些可能的实施例中,提供一种支持多样化内涝风险数据的车辆避险可选路径搜索系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于,包括以下步骤:
步骤S1、根据城市路网矢量数据、降雨数据和多样化输入的内涝风险数据建立内涝避险路径节点网络G1;所述多样化输入的内涝风险数据,包括点、线、面或栅格数据中的一种或多种;
步骤S2、在节点网络G1中,以受灾车辆和避险点为矩形端点,并扩大范围D1,选取扩大矩形内部的节点构成新内涝避险路径节点网络G2;
步骤S3、在内涝避险网络G2中计算最优避险路径;
步骤S4、以受灾车辆和避险点为矩形端点,并扩大范围D2,选取扩大矩形内部的节点构成新内涝避险路径节点网络G3;
步骤S5、在步骤S3得到的最优避险路径经过的节点上根据预设的阈值R进行圆形缓冲区分析,得到缓冲区中的节点;
步骤S6、选择同时在内涝避险路径节点网络G3和步骤S5所得缓冲区中的节点,构建内涝避险路径节点网络G4;
步骤S7、在内涝避险路径节点网络G4中使用深度搜索方式,搜索所有可能的避险路径。
2.根据权利要求1所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于:所述步骤S2中的扩大范围D1,是指在空间距离上都扩大1km。
3.根据权利要求1所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于:所述步骤S4中的扩大范围D2,是指在空间距离上都扩大500m。
4.根据权利要求1所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于:所述步骤S5中的阈值R,是指缓存区内点与最优路径上的节点的距离要小于R,R设置为50m。
7.根据权利要求1或2或3或4所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于:对于线状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和AB之间的降雨量Rain、面状渍水量WetS、渍水量阈值Z计算WAB,
其中,WetS代表的是面要素中的整体渍水量,road(WetS)代表是面要素渍水量与当前道路相交部分的线状渍水量,max[road(WetS)]代表的是处于面状渍水面中与当前道路相交线路上最大渍水量的值,AVG[road(WetS)]代表的是处于面状渍水面中与当前道路相交线路上平均渍水量的值。
8.根据权利要求1或2或3或4所述的一种支持多样化内涝风险数据的车辆避险可选路径搜索方法,其特征在于:对于栅格数据格式线状要素的内涝数据输入,设WAB代表内涝节点网络中A和B两节点之间的内涝风险权值,其用于评估车辆在内涝条件下经过此路段的代价,如果WAB越大,则车辆经过AB间的代价越大,车辆在选择最优路径时则倾向于避开AB路线,反之同理;
由AB间的空间距离SAB,和P1、P2...Pn处的渍水量和降雨量、渍水量阈值Z综合计算WAB,
其中,P1、P2...Pn是AB之间按一定空间距离pixel等距离取的特征点,n为预设的数值,pixel为渍水栅格数据的单像素大小,WetP1,WetP2,...,是P1到Pn各点的渍水值,代表P1到Pn各点中最大的渍水值;
其中,k1、k2、cl、c2为常数,e为自然常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434403.1A CN114910092B (zh) | 2022-04-24 | 2022-04-24 | 支持多样化内涝风险数据的车辆避险可选路径搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434403.1A CN114910092B (zh) | 2022-04-24 | 2022-04-24 | 支持多样化内涝风险数据的车辆避险可选路径搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114910092A true CN114910092A (zh) | 2022-08-16 |
CN114910092B CN114910092B (zh) | 2023-05-02 |
Family
ID=82765153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210434403.1A Active CN114910092B (zh) | 2022-04-24 | 2022-04-24 | 支持多样化内涝风险数据的车辆避险可选路径搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114910092B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992249A (zh) * | 2015-07-14 | 2015-10-21 | 华中科技大学 | 一种被动分洪情景下的分洪区避险转移方案编制方法 |
CN105160889A (zh) * | 2015-09-29 | 2015-12-16 | 中山大学 | 一种城市内涝情景下路网交通流的多源点协同疏导方法 |
CN106056247A (zh) * | 2016-06-02 | 2016-10-26 | 广东工业大学 | 一种用于城市内涝情境下最优交通路径的选取方法 |
CN107832931A (zh) * | 2017-10-31 | 2018-03-23 | 上海市政工程设计研究总院(集团)有限公司 | 一种平原水网地区内涝风险的模块化分析方法 |
US20180364061A1 (en) * | 2017-06-14 | 2018-12-20 | The Chinese University Of Hong Kong | Methods and systems for efficient and timely transportation of heavy-duty trucks |
CN111311034A (zh) * | 2020-05-14 | 2020-06-19 | 中电科新型智慧城市研究院有限公司 | 道路内涝风险预测方法、装置、设备及存储介质 |
CN113704994A (zh) * | 2021-08-25 | 2021-11-26 | 福州市规划设计研究院集团有限公司 | 一种极端暴雨天气下的城市交通生命线构建方法及系统 |
CN113780714A (zh) * | 2021-06-18 | 2021-12-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市应对洪水应急响应系统 |
CN114372685A (zh) * | 2021-12-28 | 2022-04-19 | 长江生态环保集团有限公司 | 一种基于swmm模型的城市暴雨内涝风险评估方法 |
-
2022
- 2022-04-24 CN CN202210434403.1A patent/CN114910092B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992249A (zh) * | 2015-07-14 | 2015-10-21 | 华中科技大学 | 一种被动分洪情景下的分洪区避险转移方案编制方法 |
CN105160889A (zh) * | 2015-09-29 | 2015-12-16 | 中山大学 | 一种城市内涝情景下路网交通流的多源点协同疏导方法 |
CN106056247A (zh) * | 2016-06-02 | 2016-10-26 | 广东工业大学 | 一种用于城市内涝情境下最优交通路径的选取方法 |
US20180364061A1 (en) * | 2017-06-14 | 2018-12-20 | The Chinese University Of Hong Kong | Methods and systems for efficient and timely transportation of heavy-duty trucks |
CN107832931A (zh) * | 2017-10-31 | 2018-03-23 | 上海市政工程设计研究总院(集团)有限公司 | 一种平原水网地区内涝风险的模块化分析方法 |
CN111311034A (zh) * | 2020-05-14 | 2020-06-19 | 中电科新型智慧城市研究院有限公司 | 道路内涝风险预测方法、装置、设备及存储介质 |
CN113780714A (zh) * | 2021-06-18 | 2021-12-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市应对洪水应急响应系统 |
CN113704994A (zh) * | 2021-08-25 | 2021-11-26 | 福州市规划设计研究院集团有限公司 | 一种极端暴雨天气下的城市交通生命线构建方法及系统 |
CN114372685A (zh) * | 2021-12-28 | 2022-04-19 | 长江生态环保集团有限公司 | 一种基于swmm模型的城市暴雨内涝风险评估方法 |
Non-Patent Citations (1)
Title |
---|
周倩倩等: "城市暴雨内涝对交通的影响及路线优化对策", 《广东工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114910092B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109506669B (zh) | 动态路径规划方法、装置、系统以及存储介质 | |
US5272638A (en) | Systems and methods for planning the scheduling travel routes | |
Li et al. | Path-finding through flexible hierarchical road networks: An experiential approach using taxi trajectory data | |
AU2018307710A1 (en) | Dynamically determining origin and destination locations for a network system | |
CN101900565A (zh) | 路径确定方法和装置 | |
KR20100048259A (ko) | 전력설비 네비게이션 시스템 | |
CN111445093A (zh) | 一种输电线路应急抢修路径优化系统及方法 | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
Komatsu et al. | Automatic evacuation guiding scheme based on implicit interactions between evacuees and their mobile nodes | |
JP2017524902A (ja) | ナビゲーションシステムのルート計画の方法、装置及び記憶媒体 | |
CN104142156A (zh) | 一种路径导航方法 | |
CN110009906A (zh) | 基于交通预测的动态路径规划方法 | |
CN107659596B (zh) | 一种动态导航的方法及装置、终端 | |
CN112161631A (zh) | 一种基于大型卫星栅格地图的安全路径规划方法 | |
Vamshi et al. | Dynamic route planning framework for minimal air pollution exposure in urban road transportation systems | |
CN109284891A (zh) | 基于时空索引的充电桩维修调度方法 | |
KR102237927B1 (ko) | 자율 주행 차량에 의한 도시의 토지 이용 변화 예측 방법 | |
CN116678432B (zh) | 一种基于边缘服务下的车辆实时路径规划方法 | |
CN107133268A (zh) | 一种用于Web服务推荐的协同过滤算法 | |
CN109472416A (zh) | 基于自动路网数据提取的室内路径规划方法及装置、客户端 | |
CN114910092A (zh) | 支持多样化内涝风险数据的车辆避险可选路径搜索方法 | |
CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
CN112185149A (zh) | 基于城市路网数据的路径规划方法及系统 | |
CN116465425A (zh) | 一种局部优化和双向计算的启发式路径规划方法 | |
CN114979134B (zh) | 边缘计算环境中服务迁移的路径选择方法 |
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 |