CN114993336B - 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 - Google Patents
一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 Download PDFInfo
- Publication number
- CN114993336B CN114993336B CN202210839810.0A CN202210839810A CN114993336B CN 114993336 B CN114993336 B CN 114993336B CN 202210839810 A CN202210839810 A CN 202210839810A CN 114993336 B CN114993336 B CN 114993336B
- Authority
- CN
- China
- Prior art keywords
- pollutant concentration
- different
- pollutant
- roads
- concentration 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.)
- Active
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
- G01C21/3453—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
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于PM2.5污染物暴露风险的通勤路径优化方法及系统,该方法包括:选择所有可通行的路线;根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物数据浓度,进行预测模型的训练,并根据预测模型进行不同路线PM2.5污染物浓度的预测;基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的区域地图作为构型空间;基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径,有效地提高了通勤路径优化的可靠性,保证健康出行。
Description
技术领域
本发明涉及交通路径规划领域,尤其是涉及一种基于PM2.5污染物暴露风险的通勤路径优化方法及系统。
背景技术
随着城市化进程的加快,中国机动车保有量持续增长,使得交通相关污染状况形势不容乐观。通勤路径是接触交通相关PM2.5的主要地点,研究表明早晨高峰时段的路边PM2.5浓度比一天中的其他时段高大约50%。道路拥堵程度每增加1%,城市PM2.5浓度会增加6.5%。交通相关PM2.5会损害人体呼吸系统,引起呼吸道感染、肺炎、哮喘、气管炎和支气管炎等疾病。出于对人员健康的保障,进行通勤路径交通相关PM2.5的暴露评估,规划低风险路径具有重要的现实意义。
采用暴露风险评估模型将PM2.5浓度转换成暴露风险值是直观评价预估PM2.5可能带来的不利影响的有效方法。目前,常用土地利用回归模型、累积暴露量模型、暴露剂量模型等多种模型被广泛使用,但是主要用在理论研究中,在实际出行相关规划领域的应用较少。
目前,人工智能技术的应用日趋成熟,其在污染物监测方面的应用也越来越广泛。现有技术中,通勤路径规划中,并未有如何将监测污染物浓度作为参考数据进行人员暴露风险评估,再将暴露风险评估结果通过人工智能技术应用于通勤路劲选择的技术方案,不利于提高通勤路径优化的可靠性。
发明内容
本发明为了解决现有技术中存在的问题,创新提出了一种基于PM2.5污染物暴露风险的通勤路径优化方法及系统,有效解决由于现有技术造成通勤路径优化的可靠性不高的问题,有效地提高了通勤路径优化的可靠性,实现健康出行。
本发明第一方面提供了一种基于PM2.5污染物暴露风险的通勤路径优化方法,包括:
确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;
基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
可选地,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型具体包括:
对每一通行路线包括的不同特征的道路分别进行现场PM2.5污染物浓度数据的测试,获取不同特征的道路实测PM2.5污染物浓度数据以及现场测试时对应的背景监测站的背景监测PM2.5污染物浓度数据;
将背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据进行训练,得到背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据之间的数量对应关系模型;
添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型。
进一步地,对每一通行路线包括的不同特征的道路分别进行现场PM2.5污染物浓度数据的测试,之前还包括:
获取每一通行路线包括的每一条道路与背景监测站的距离,如果某一通行路线包括的某一条道路与背景监测站的距离小于预设距离阈值,则进行现场PM2.5污染物浓度数据的测试;如果某一通行路线包括的某一条道路与背景监测站的距离不小于预设距离阈值,则在地图中获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,匹配至该条道路。
可选地,根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5浓度的预测具体包括:
获取覆盖区域内不同通行路线包括的每条道路PM2.5污染物浓度历史背景监测数据,根据数量对应关系模型,计算出不同道路的PM2.5污染物浓度实际数据;
对计算出不同道路的PM2.5污染物浓度实际数据进行归一化处理;
对归一化处理后的不同道路的PM2.5污染物浓度实际数据划分训练集和测试集,进行预测模型的训练;
使用训练好的模型进行预测,得出不同路线中每一条道路的PM2.5污染物浓度预测值,根据某一路线中每一条道路的PM2.5污染物浓度预测值得到该路线的PM2.5污染物浓度预测值。
可选地,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量具体是:
其中,VT为潮气量,BF为呼吸频率,PMi为第i个路线的PM2.5污染物浓度的预测值,DFi为第i个路线的PM2.5污染物颗粒物的沉积率,DFi的计算方式为:
其中,m为固定系数,dp为PM2.5污染物组分质量的平均直径。
可选地,将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域具体包括:
将所得到的不同路线的呼吸沉积剂量计算结果按照数值由小到大进行排序;
按照覆盖区域内道路宽度信息确定新添加障碍物区域半径范围R1~Rn,其中,R1=0,Rn=最宽道路宽度/2,n=呼吸沉积剂量计算结果数量;
将不同路线的呼吸沉积剂量计算结果与障碍物区域半径范围按照由小到大的顺序一一对应,每一个圆形障碍区域面积代表一个呼吸沉积剂量值。
进一步地,将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间具体包括:
以原地图中的建筑布局和交通网络为基础,保持原有分布和比例不变,获取每个呼吸沉积剂量值在地图中位置,将一一对应的障碍物区域半径范围,按照在原地图中以道路中心为圆心,绘制障碍物区域,生成包括原有建筑布局、交通网络和障碍物区域面积的构型空间。
可选地,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径具体包括:
基于构型空间图片,以出行起点为初始节点Xinitial,首先根据初始节点Xinitial产生一个随机点Xrandom,在树型上找到与随机点Xrandom距离最近的点Xnearest,连接随机点Xrandom、与随机点Xrandom距离最近的点Xnearest,以随机点Xrandom为中心,障碍物区域半径为半径,在树上搜索节点,找出潜在的父节点集合Xpotential_parent;
在潜在的父节点集合Xpotential_parent中选取某一个潜在的父节点Xpotential_parent-1为父节点Xparent,计算出Xparent作为父节点时与作为子节点的随机点Xchild的第一路径代价;在潜在的父节点集合Xpotential_parent中选择另外一个潜在的父节点Xpotential_parent-2,将另外一个潜在的父节点Xpotential_parent-2与作为子节点的随机点Xchild连接起来,计算出第二路径代价,将第二路径代价与第一路径代价进行比较,如果第二路径代价小于第一路径代价,则进行碰撞检测,如果第二路径代价小于第一路径代价,则选择下一个潜在的父节点;
如果碰撞检测失败,该潜在父节点Xpotential_parent-2不作为新的父节点,考虑下一个潜在父节点;如果碰撞检测通过,在树中将第一路径代价对应的边删掉,添加第二路径代价对应的边,然后将父节点Xpotential_parent-2作为新的父节点Xparent_new,根据新的父节点Xparent_new得到更新后的树;
在更新后的树中,以新的父节点Xparent_new作为新的初始点Xinitial_new,并根据新的初始点Xinitial_new、新的随机点Xrandom_new确定新的潜在的父节点集合Xpotential_parent_new,遍历新的潜在的父节点集合Xpotential_parent_new中所有的新的潜在父节点,直至与新的随机点Xrandom_new距离最近的点Xnearest为出行终点Xgoal为止,最终得到一条从出行起点到达出行终点的路线,该路线即为最优通勤路径。
可选地,还包括:
当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径。
本发明第二方面提供了一种基于PM2.5污染物暴露风险的通勤路径优化系统,包括:
路线确定模块,确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
模型建立模块,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
预测模块,根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
构型空间生成模块,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;
最优路径确定模块,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
本发明采用的技术方案包括以下技术效果:
1、本发明根据基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,得到目标范围交通相关实测PM2.5污染物浓度数据;通过BP神经网络进行下一时刻PM2.5污染物浓度预测,将预测结果以暴露风险展示;将暴露风险的值标准化,以障碍物区域的形式返回到实际现场地理位置中,通过改进的快速搜索随机树算法(RRT*算法,rapidly exploring random tree)进行低PM2.5暴露风险通勤路径的选择,有效解决由于现有技术造成通勤路径优化的可靠性不高的问题,有效地提高了通勤路径优化的可靠性,实现了PM2.5污染物浓度数据的前瞻性预测,有效避免数据的延迟,保证健康出行。
2、本发明技术方案中添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,进一步地提高了通勤路径优化的可靠性。
3、本发明技术方案中如果某一通行路线包括的某一条道路与背景监测站的距离不小于预设距离阈值,则在覆盖区域内获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,匹配至该条道路,使得距离背景监测站较远的道路也可以得到基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,提高了通勤路径优化应用的全面性。
4、本发明技术方案中,利用RRT*算法确定出行起点到出行终点的最优路径,将PM2.5暴露风险与地理位置信息结合,综合考虑了距离因素和暴露风险,不仅所得路径距离最短,而且暴露风险最低。
5、本发明技术方案中当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径,实现了实时动态的低暴露量路径规划,最大程度降低通勤路径交通相关PM2.5暴露风险。
应当理解的是以上的一般描述以及后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见的,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方案中实施例一方法的一流程示意图;
图2为本发明方案中实施例一方法中步骤S2的一流程示意图;
图3为本发明方案中实施例一方法中步骤S2的另一流程示意图;
图4为本发明方案中实施例一方法中步骤S3的流程示意图;
图5为本发明方案中实施例一方法中利用BP神经网络进行预测模型训练的流程示意图;
图6为本发明方案中实施例一方法中呼吸沉积剂量计算方法的流程示意图;
图7为本发明方案中实施例一方法中不同呼吸沉积剂量计算值标准化的示意图;
图8为本发明方案中实施例一方法中步骤S5的流程示意图;
图9为本发明方案中实施例一方法中利用RRT*算法确定最优路径的示意图;
图10为本发明方案中实施例一方法的另一流程示意图(展示形式一);
图11为本发明方案中实施例一方法的另一流程示意图(展示形式二);
图12为本发明方案中实施例二系统的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
如图1所示,本发明提供了一种基于PM2.5污染物暴露风险的通勤路径优化方法,包括:
S1,确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
S2,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
S3,根根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
S4,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;
S5,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
其中,在步骤S1中,确定出行起点和出行终点,基于出行起始位置以及目标位置,在地图上划定覆盖区域,根据其中的建筑规划布局和交通网络,选择所有可以通行的路线。
其中,如图2所示,步骤S2具体包括:
S201,对每一通行路线包括的不同特征的道路分别进行现场PM2.5污染物浓度数据的测试,获取不同特征的道路实测PM2.5污染物浓度数据以及现场测试时对应的背景监测站的背景监测PM2.5污染物浓度数据;
S202,将背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据进行训练,得到背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据之间的数量对应关系模型;
S203,添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物数据浓度的数量对应关系模型。
进一步地,如图3所示,步骤S2中,在步骤S201之前还包括:
S200,获取每一通行路线包括的每一条道路与背景监测站的距离,如果某一通行路线包括的某一条道路与背景监测站的距离小于预设距离阈值(即道路特征是否容易提取),则执行步骤S201-S203;如果某一通行路线包括的某一条道路与背景监测站的距离(指最短距离)不小于预设距离阈值,则执行步骤S204,即在地图中获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物数据浓度数据的数量对应关系模型(经过步骤S201-S203获得数量对应关系模型),匹配至该条道路。
其中,在步骤S200中,预设距离阈值可以为1000m,也可以根据实际情况灵活调整,本发明在此不做限制。道路空间形态信息具体可是指道路宽度、周边建筑类型、周边建筑密度,也可以是其他道路空间形态信息。在地图中获取与该道路空间形态信息近似的其他道路,即在地图中查找与该与该道路空间形态信息近似(空间形态信息相同或相似)的其他道路,将其他道路的现场测试时多项道路环境参数数据以及其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型均匹配给该道路,并结合该道路的背景监测PM2.5污染物浓度数据获得实测PM2.5污染物浓度数据。
在步骤S201-S203中,对不同特征的道路进行现场PM2.5浓度的测试,获取多种道路实测PM2.5污染物浓度数据;采集现场测试时对应的背景监测站的背景监测PM2.5污染物浓度数据;将背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据进行处理,得出两者之间浓度关系模型:
其中,PMd为道路d周边实际PM2.5污染物浓度,单位为μg/m3;PMf为背景监测站f背景监测PM2.5污染物浓度,单位为μg/m3;Cd/f为实际PM2.5污染物浓度数据与背景PM2.5污染物浓度数据比值;考虑到不同道路环境因素不同,使得PM2.5污染物扩散不同,添加测试当时道路道路环境参数数据(例如可以是道路周边温湿度、车流量、风速和风向),进行多元线性回归,对数量对应关系模型进行修正,得出不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型。基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型具体可以是:
其中,A为常量;Bi为模型系数;Td为道路d的温度,单位为℃;Hd为道路d的相对湿度;TVd为道路d的车流量,单位为辆/分钟;WVd为道路d的风速,单位为m/s;WDd为道路d的风向。
其中,如图4-图5所示,步骤S3具体包括:
S301,获取覆盖区域内不同通行路线包括的每条道路PM2.5污染物浓度历史背景监测数据,根据基于多因素的不同道路背景数据与实测数据浓度数量对应关系模型,计算出不同道路的PM2.5污染物浓度实际数据;
S302,对计算出不同道路的PM2.5污染物浓度实际数据进行归一化处理;
S303,对归一化处理后的不同道路的PM2.5污染物浓度实际数据划分训练集和测试集,进行预测模型的训练;
S304,使用训练好的模型进行预测,得出不同路线中每一条道路的PM2.5污染物浓度预测值,根据某一路线中每一条道路的PM2.5污染物浓度预测值得到该路线的PM2.5污染物浓度预测值。
其中,在步骤S301-S304中,获取覆盖区域内不同通行路线包括的每条道路PM2.5浓度历史背景监测数据,根据基于多因素的不同道路背景数据与实测数据浓度数量关系模型,计算出不同道路的PM2.5污染物浓度实际数据,并对数据计算出不同道路的PM2.5污染物浓度实际数据进行清洗以及归一化处理,归一化处理的具体方式为采用min-max方法,处理公式如下:
,其中,为归一化处理后的不同道路的PM2.5污染物浓度实际数据,x为未进行归一化处理的不同道路的PM2.5污染物浓度实际数据,min为不同道路的PM2.5污染物浓度实际数据中的最小值,max为不同道路的PM2.5污染物浓度实际数据中的最大值。
然后将归一化处理后的不同道路的PM2.5污染物浓度实际数据划分训练集和测试集(划分比例可以是75%:25%,也可以根据实际情况灵活调整),确定预测模型各层节点数、激活函数、学习率和最大训练次数等;预测模型采用BP神经网络模型,BP神经网络模型中一般输入层节点数为对结果有影响的特征参数数量,输出层节点数为得出的结果个数,具体数量可以根据需求进行选取;隐藏层节点数通过多次训练确定;激活函数在BP神经网络中的主要功能是把神经元的输入特征映射到输出端,有tanh函数、Sigmoid函数、ReLU函数、Leaky ReLU函数等;学习率的设置是为了最小化所构建模型的损失函数,采用试验的方式,首先设置为0.001,逐次进行调整,最终确定学习率;最大训练次数也通过试验确定,预测模型训练误差趋于稳定时的迭代次数为最大训练次数,达到最大训练次数后,预测模型训练自动停止;
进一步地,在训练预测模型过程中,对训练结果进行评估,得到符合误差要求的BP神经网络预测模型;最后使用训练好的预测模型进行预测,得出不同路线中每一条道路的PM2.5污染物浓度预测值,然后根据某一路线中每一条道路的PM2.5污染物浓度预测值得到该路线的PM2.5污染物浓度预测值,得出不同路线的PM2.5污染物浓度实际预测值,其中,某一路线的PM2.5污染物浓度实际预测值可以是该路线中每一条道路的PM2.5污染物浓度预测值进行累加求和的计算结果。
步骤S4中,如图6所示,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量具体是:
其中,RDDPM(2.5,i)的单位为μg/s,VT为潮气量,单位为cm3;BF为呼吸频率,单位为breaths/second;PMi为第i个路线的PM2.5污染物浓度的预测值,单位为μg/m3;DFi为第i个路线的PM2.5污染物颗粒物的沉积率,DFi的计算方式为:
其中,m为固定系数,dp为PM2.5污染物组分质量的平均直径,单位为μm。其中,a可以取0.058,b可以取0.911,c可以取0.943,α1可以取4.77,α2可以取0.508,β1可以取1.485,β2可以取2.580,m可以取0.00076,均为本领域技术人员常规技术选择,也可以根据实际情况调整,本发明在此不做限制。
具体地,步骤S4中,如图7所示,将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域具体包括:
将所得到的不同路线的呼吸沉积剂量计算结果按照数值由小到大进行排序;
按照覆盖区域内道路宽度信息确定新添加障碍物区域半径范围R1~Rn,其中,R1=0,Rn=最宽道路宽度/2,n=呼吸沉积剂量计算结果数量,即通行路线总数;为防止新添加的障碍区域覆盖的面积过大,影响通勤路径规划,新添加障碍物区域的半径不大于Rn;
将不同路线的呼吸沉积剂量计算结果与障碍物区域半径范围按照由小到大的顺序一一对应,每一个圆形障碍区域面积代表一个呼吸沉积剂量值,实现呼吸沉积剂量计算结果的标准化。
进一步地,将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间具体包括:
以原地图中的建筑布局和交通网络为基础,保持原有分布和比例不变,获取每个呼吸沉积剂量值在地图中位置,将一一对应的障碍物区域半径范围,按照在原地图中以道路中心为圆心,绘制障碍物区域,生成包括原有建筑布局、交通网络和障碍物区域面积的构型空间。
如图8-图9所示,步骤S5中具体包括:
S501,基于构型空间图片,以出行起点为初始节点Xinitial,首先根据初始节点Xinitial产生一个随机点Xrandom(采样点),在树型上找到与随机点Xrandom距离最近的点Xnearest,连接随机点Xrandom、与随机点Xrandom距离最近的点Xnearest,以随机点Xrandom为中心,障碍物区域半径为半径,在树上搜索节点,找出潜在的父节点集合Xpotential_parent;
S502,在潜在的父节点集合Xpotential_parent中选取某一个潜在的父节点Xpotential_parent-1为父节点Xparent,计算出Xparent作为父节点时与作为子节点的随机点Xchild的第一路径代价(是初始点通过路径到达子节点Xchild的距离);在潜在的父节点集合Xpotential_parent中选择另外一个潜在的父节点Xpotential_parent-2,将另外一个潜在的父节点Xpotential_parent-2与作为子节点的随机点Xchild连接起来,计算出第二路径代价,将第二路径代价与第一路径代价进行比较,如果第二路径代价小于第一路径代价,则进行碰撞检测,如果第二路径代价小于第一路径代价,则潜在的父节点集合Xpotential_parent中选择下一个潜在的父节点;
S503,碰撞检测过程中,如果碰撞检测失败,该潜在父节点Xpotential_parent-2不作为新的父节点,考虑潜在的父节点集合Xpotential_parent中的下一个潜在父节点,重复执行步骤S502;如果碰撞检测通过,在树中将第一路径代价对应的边删掉,添加第二路径代价对应的边,然后将父节点Xpotential_parent-2作为新的父节点Xparent_new,根据新的父节点Xparent_new得到更新后的树;
S504,在更新后的树中,以新的父节点Xparent_new作为新的初始点Xinitial_new,并根据新的初始点Xinitial_new、新的随机点Xrandom_new确定新的潜在的父节点集合Xpotential_parent_new,遍历新的潜在的父节点集合Xpotential_parent_new中所有的新的潜在父节点,直至与新的随机点Xrandom_new距离最近的点Xnearest为出行终点Xgoal为止,最终得到一条从出行起点到达出行终点的路线,该路线即为最优通勤路径,即图9中的最优通勤路径。
进一步地,如图10-图11所示,本发明技术方案还提供一种基于PM2.5污染物暴露风险的通勤路径优化方法,还包括:
S6,当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径。
具体地,可以预先设定自动更新最长时间间隔t以及实时定位位置变化最大直线距离L;当上一次路径规划后经过t时间或者通过实时定位感知位置变化直线距离达到L,以当前位置为起点进行新一次路线规划;新路线规划完成后,替换上一次规划路线,保留上一次规划的结果。
本发明根据基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物数据浓度的数量对应关系模型,得到目标范围交通相关实测PM2.5污染物浓度数据;通过BP神经网络进行下一时刻PM2.5污染物浓度预测,将预测结果以暴露风险展示;将暴露风险的值标准化,以障碍物区域的形式返回到实际现场地理位置中,通过改进的快速搜索随机树算法(RRT*算法,rapidly exploring random tree)进行低PM2.5暴露风险通勤路径的选择,有效解决由于现有技术造成通勤路径优化的可靠性不高的问题,有效地提高了通勤路径优化的可靠性,实现了PM2.5污染物浓度数据的前瞻性预测,有效避免数据的延迟,保证健康出行。
本发明技术方案中添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物数据浓度数据的数量对应关系模型,进一步地提高了通勤路径优化的可靠性。
本发明技术方案中如果某一通行路线包括的某一条道路与背景监测站的距离不小于预设距离阈值,则在覆盖区域内获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,匹配至该条道路,使得距离背景监测站较远的道路也可以得到基于多因素的背景监测PM2.5污染物浓度与实测PM2.5污染物浓度数据的数量对应关系模型,提高了通勤路径优化应用的全面性。
本发明技术方案中,利用RRT*算法确定出行起点到出行终点的最优路径,将PM2.5暴露风险与地理位置信息结合,综合考虑了距离因素和暴露风险,不仅所得路径距离最短,而且暴露风险最低。
本发明技术方案中当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径,实现了实时动态的低暴露量路径规划,最大程度降低通勤路径交通相关PM2.5暴露风险。
实施例二
如图12所示,本发明技术方案还提供了一种基于PM2.5污染物暴露风险的通勤路径优化系统,包括:
路线确定模块101,确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
模型建立模块102,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
预测模块103,根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
构型空间生成模块104,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;
最优路径确定模块105,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
本发明根据基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,得到目标范围交通相关实测PM2.5污染物浓度数据;通过BP神经网络进行下一时刻PM2.5污染物浓度预测,将预测结果以暴露风险展示;将暴露风险的值标准化,以障碍物区域的形式返回到实际现场地理位置中,通过改进的快速搜索随机树算法(RRT*算法,rapidly exploring random tree)进行低PM2.5暴露风险通勤路径的选择,有效解决由于现有技术造成通勤路径优化的可靠性不高的问题,有效地提高了通勤路径优化的可靠性,实现了PM2.5污染物浓度数据的前瞻性预测,有效避免数据的延迟,保证健康出行。
本发明技术方案中添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,进一步地提高了通勤路径优化的可靠性。
本发明技术方案中如果某一通行路线包括的某一条道路与背景监测站的距离不小于预设距离阈值,则在覆盖区域内获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,匹配至该条道路,使得距离背景监测站较远的道路也可以得到基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,提高了通勤路径优化应用的全面性。
本发明技术方案中,利用RRT*算法确定出行起点到出行终点的最优路径,将PM2.5暴露风险与地理位置信息结合,综合考虑了距离因素和暴露风险,不仅所得路径距离最短,而且暴露风险最低。
本发明技术方案中当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径,实现了实时动态的低暴露量路径规划,最大程度降低通勤路径交通相关PM2.5暴露风险。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (7)
1.一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,包括:
确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;其中,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量具体是:
其中,VT为潮气量,BF为呼吸频率,PMi为第i个路线的PM2.5污染物浓度的预测值,DFi为第i个路线的PM2.5污染物颗粒物的沉积率,DFi的计算方式为:
其中,m为固定系数,dp为PM2.5污染物组分质量的平均直径;
将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域具体包括:
将所得到的不同路线的呼吸沉积剂量计算结果按照数值由小到大进行排序;
按照覆盖区域内道路宽度信息确定新添加障碍物区域半径范围R1~Rn,其中,R1=0,Rn=最宽道路宽度/2,n=呼吸沉积剂量计算结果数量;
将不同路线的呼吸沉积剂量计算结果与障碍物区域半径范围按照由小到大的顺序一一对应,每一个圆形障碍区域面积代表一个呼吸沉积剂量值;
将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间具体包括:
以原地图中的建筑布局和交通网络为基础,保持原有分布和比例不变,获取每个呼吸沉积剂量值在地图中位置,将一一对应的障碍物区域半径范围,按照在原地图中以道路中心为圆心,绘制障碍物区域,生成包括原有建筑布局、交通网络和障碍物区域面积的构型空间;
基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
2.根据权利要求1所述的一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型具体包括:
对每一通行路线包括的不同特征的道路分别进行现场PM2.5污染物浓度数据的测试,获取不同特征的道路实测PM2.5污染物浓度数据以及现场测试时对应的背景监测站的背景监测PM2.5污染物浓度数据;
将背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据进行训练,得到背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据之间的数量对应关系模型;
添加现场测试时多项道路环境参数数据,根据多项道路环境参数数据进行多元线性回归,修正数量对应关系模型,获得不同道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型。
3.根据权利要求2所述的一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,对每一通行路线包括的不同特征的道路分别进行现场PM2.5污染物浓度的测试,之前还包括:
获取每一通行路线包括的每一条道路与背景监测站的距离,如果某一通行路线包括的某一条道路与背景监测站的距离小于预设距离阈值,则进行现场PM2.5污染物浓度数据的测试;如果某一通行路线包括的某一条道路与背景监测站的距离不小于预设距离阈值,则在地图中获取与该道路空间形态信息近似的其他道路,并将与该道路空间形态信息近似的其他道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型,匹配至该条道路。
4.根据权利要求1所述的一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5浓度的预测具体包括:
获取覆盖区域内不同通行路线包括的每条道路PM2.5污染物浓度历史背景监测数据,根据数量对应关系模型,计算出不同道路的PM2.5污染物浓度实际数据;
对计算出不同道路的PM2.5污染物浓度实际数据进行归一化处理;
对归一化处理后的不同道路的PM2.5污染物浓度实际数据划分训练集和测试集,进行预测模型的训练;
使用训练好的模型进行预测,得出不同路线中每一条道路的PM2.5污染物浓度预测值,根据某一路线中每一条道路的PM2.5污染物浓度预测值得到该路线的PM2.5污染物浓度预测值。
5.根据权利要求1所述的一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径具体包括:
基于构型空间图片,以出行起点为初始节点Xinitial,首先根据初始节点Xinitial产生一个随机点Xrandom,在树型上找到与随机点Xrandom距离最近的点Xnearest,连接随机点Xrandom、与随机点Xrandom距离最近的点Xnearest,以随机点Xrandom为中心,障碍物区域半径为半径,在树上搜索节点,找出潜在的父节点集合Xpotential_parent;
在潜在的父节点集合Xpotential_parent中选取某一个潜在的父节点Xpotential_parent-1为父节点Xparent,计算出Xparent作为父节点时与作为子节点的随机点Xchild的第一路径代价;在潜在的父节点集合Xpotential_parent中选择另外一个潜在的父节点Xpotential_parent-2,将另外一个潜在的父节点Xpotential_parent-2与作为子节点的随机点Xchild连接起来,计算出第二路径代价,将第二路径代价与第一路径代价进行比较,如果第二路径代价小于第一路径代价,则进行碰撞检测,如果第二路径代价小于第一路径代价,则选择下一个潜在的父节点;
如果碰撞检测失败,该潜在父节点Xpotential_parent-2不作为新的父节点,考虑下一个潜在父节点;如果碰撞检测通过,在树中将第一路径代价对应的边删掉,添加第二路径代价对应的边,然后将父节点Xpotential_parent-2作为新的父节点Xparent_new,根据新的父节点Xparent_new得到更新后的树;
在更新后的树中,以新的父节点Xparent_new作为新的初始点Xinitial_new,并根据新的初始点Xinitial_new、新的随机点Xrandom_new确定新的潜在的父节点集合Xpotential_parent_new,遍历新的潜在的父节点集合Xpotential_parent_new中所有的新的潜在父节点,直至与新的随机点Xrandom_new距离最近的点Xnearest为出行终点Xgoal为止,最终得到一条从出行起点到达出行终点的路线,该路线即为最优通勤路径。
6.根据权利要求1-5任意一项所述的一种基于PM2.5污染物暴露风险的通勤路径优化方法,其特征是,还包括:
当背景监测站污染物浓度更新或实时定位位置移动超过设定距离时,按照新的出行起点重新确定最优通勤路径。
7.一种基于PM2.5污染物暴露风险的通勤路径优化系统,其特征是,包括:
路线确定模块,确定出行起点和终点,根据地图中出行起点以及出行终点的覆盖区域中的建筑规划布局和交通网络,选择所有可通行的路线;
模型建立模块,建立不同通行路线包括的道路对应的基于多因素的背景监测PM2.5污染物浓度数据与实测PM2.5污染物浓度数据的数量对应关系模型;
预测模块,根据不同通行路线包括的道路对应的所述数量对应关系模型确定的对应道路的实测PM2.5污染物浓度数据,进行预测模型的训练,并根据已训练的预测模型,进行不同路线PM2.5污染物浓度的预测;
构型空间生成模块,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量;将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域;将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间;其中,基于不同路线PM2.5污染物浓度的预测计算不同路线的呼吸沉积剂量具体是:
其中,VT为潮气量,BF为呼吸频率,PMi为第i个路线的PM2.5污染物浓度的预测值,DFi为第i个路线的PM2.5污染物颗粒物的沉积率,DFi的计算方式为:
其中,m为固定系数,dp为PM2.5污染物组分质量的平均直径;
将计算不同路线的呼吸沉积剂量进行预处理后添加至地图中所述覆盖区域对应路线中道路的位置,并转换为不同面积的障碍物区域具体包括:
将所得到的不同路线的呼吸沉积剂量计算结果按照数值由小到大进行排序;
按照覆盖区域内道路宽度信息确定新添加障碍物区域半径范围R1~Rn,其中,R1=0,Rn=最宽道路宽度/2,n=呼吸沉积剂量计算结果数量;
将不同路线的呼吸沉积剂量计算结果与障碍物区域半径范围按照由小到大的顺序一一对应,每一个圆形障碍区域面积代表一个呼吸沉积剂量值;
将包括建筑布局、交通网络和障碍物区域面积的地图作为构型空间具体包括:
以原地图中的建筑布局和交通网络为基础,保持原有分布和比例不变,获取每个呼吸沉积剂量值在地图中位置,将一一对应的障碍物区域半径范围,按照在原地图中以道路中心为圆心,绘制障碍物区域,生成包括原有建筑布局、交通网络和障碍物区域面积的构型空间;
最优路径确定模块,基于生成的构型空间,利用RRT*算法确定出行起点到出行终点的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839810.0A CN114993336B (zh) | 2022-07-18 | 2022-07-18 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839810.0A CN114993336B (zh) | 2022-07-18 | 2022-07-18 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114993336A CN114993336A (zh) | 2022-09-02 |
CN114993336B true CN114993336B (zh) | 2022-10-25 |
Family
ID=83022614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839810.0A Active CN114993336B (zh) | 2022-07-18 | 2022-07-18 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114993336B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860305B (zh) * | 2023-02-28 | 2023-05-05 | 北京科技大学 | 一种面向地图导航的树木花粉暴露度最小路径预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201814777D0 (en) * | 2018-09-11 | 2018-10-24 | Satavia Ltd | System and method for aircraft contaminant monitoring |
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
GB201909354D0 (en) * | 2019-06-28 | 2019-08-14 | Satavia Ltd | System and method for generating an aircraft flight trajectory |
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
EP3723062A1 (de) * | 2019-04-09 | 2020-10-14 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet |
CN114611201A (zh) * | 2022-05-12 | 2022-06-10 | 北京中建协认证中心有限公司 | 一种未来气候建筑多目标节能优化方法和系统 |
CN114997506A (zh) * | 2022-06-17 | 2022-09-02 | 西北师范大学 | 一种基于链路预测的大气污染传播路径预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217126B (zh) * | 2014-09-17 | 2017-05-31 | 中南大学 | 一种基于低空气污染暴露风险道路路径选择方法 |
US11185252B2 (en) * | 2018-10-18 | 2021-11-30 | Koninklijke Philips N.V. | Determining a risk level posed by an air pollutant |
-
2022
- 2022-07-18 CN CN202210839810.0A patent/CN114993336B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827842A (zh) * | 2018-04-13 | 2018-11-16 | 安徽新华学院 | 一种基于pm2.5的空气质量最优路径规划方法及系统 |
GB201814777D0 (en) * | 2018-09-11 | 2018-10-24 | Satavia Ltd | System and method for aircraft contaminant monitoring |
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
EP3723062A1 (de) * | 2019-04-09 | 2020-10-14 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet |
GB201909354D0 (en) * | 2019-06-28 | 2019-08-14 | Satavia Ltd | System and method for generating an aircraft flight trajectory |
CN114611201A (zh) * | 2022-05-12 | 2022-06-10 | 北京中建协认证中心有限公司 | 一种未来气候建筑多目标节能优化方法和系统 |
CN114997506A (zh) * | 2022-06-17 | 2022-09-02 | 西北师范大学 | 一种基于链路预测的大气污染传播路径预测方法 |
Non-Patent Citations (3)
Title |
---|
Pythagorean Hodograph (PH) Path Planning for Tracking Airborne Contaminant using Sensor Swarm;S.Subchan等;《2008 IEEE Instrumentation and Measurement Technology Conference》;20080515;全文 * |
不同出行方式颗粒污染物吸入量分析及应用开发;于谦等;《交通运输工程与信息学报》;20200920(第03期);全文 * |
室外空气污染暴露规避健康路径规划服务;夏吉品等;《计算机工程与应用》;20190308(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114993336A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A simple baseline for travel time estimation using large-scale trip data | |
WO2021012982A1 (zh) | 一种车外大气污染环境下列车乘员健康预警系统及其方法 | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
US20190329788A1 (en) | Road condition status prediction method, device, and server, and storage medium | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN108571978A (zh) | 基于拓扑和权重的超标排放车辆最短路径跟踪匹配方法 | |
CN111091712A (zh) | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN106651036A (zh) | 空气质量预报系统 | |
CN110782093A (zh) | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN114993336B (zh) | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 | |
CN104181276A (zh) | 一种基于无人机的企业碳排放量检测方法 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN106652459A (zh) | 一种智能型路侧交通空气污染监测系统 | |
CN109214570A (zh) | 一种基于深度时空修正模型的城市区域尾气污染预测方法 | |
CN107886188A (zh) | 液化天然气公交尾气排放预测方法 | |
Liu et al. | Deep learning enabled vehicle trajectory map‐matching method with advanced spatial–temporal analysis | |
CN114511087A (zh) | 一种基于双模型的空气质量空间推断方法及系统 | |
CN114822709A (zh) | 大气污染多粒度精准成因分析方法及装置 | |
Sun et al. | Route recommendation for evacuation networks using MMPP/M/1/N queueing models | |
CN116884223A (zh) | 一种智慧城市交通引导系统 | |
CN115796423A (zh) | 一种基于物联网监测缓解城市扬尘的方法及系统 | |
CN116824851A (zh) | 一种基于路径的城市快速路走廊交通拥堵溯源方法 |
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 |