CN115392756A - 一种基于交通大数据的危险品运输救援调度方法 - Google Patents

一种基于交通大数据的危险品运输救援调度方法 Download PDF

Info

Publication number
CN115392756A
CN115392756A CN202211068525.XA CN202211068525A CN115392756A CN 115392756 A CN115392756 A CN 115392756A CN 202211068525 A CN202211068525 A CN 202211068525A CN 115392756 A CN115392756 A CN 115392756A
Authority
CN
China
Prior art keywords
disaster
event
calculating
time
parking
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
CN202211068525.XA
Other languages
English (en)
Inventor
赵佳虹
黎嘉文
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211068525.XA priority Critical patent/CN115392756A/zh
Publication of CN115392756A publication Critical patent/CN115392756A/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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于交通大数据的危险品运输救援调度方法，包括：获得灾害多发区域信息，确定灾害分布特征；采用事件树分析法计算各区域的风险指数，具体包括:根据灾害统计资料构建事件树，定量分析事件树并计算各区域的风险指数；分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速；构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流；根据天气状况停放救援车辆并提供最佳调度方案，具体包括:根据天气状况停放救援车辆，灾害发生时提供救援车辆的最佳调度方案。

Description

一种基于交通大数据的危险品运输救援调度方法
【技术领域】
本发明涉及信息技术领域，尤其涉及一种基于交通大数据的危险品运输救援调度方法。
【背景技术】
很多车辆例如救护车、消防车、警车、道路抢修车等，都有着重要的使命和任务。有时候耽搁一下就会导致生命财产安全受到威胁。道路交通并不会为救援提供特殊照顾，而是依然按照常规运营。这样就给这些车辆造成可能的交通堵塞。尤其是那些车辆经常出没和必经路段，是保障人民生命财产安全的必经之路，因此在调配救援车辆过程中需要尽可能避开这些路段，选择最佳路径，保证救援车辆畅通无阻。而救援车辆停放的位置将直接影响车辆调度的效率，因此需要合理地修建停车区域安排救援车辆停放，缩短救援车辆的调度时长。如何避开这些时常拥堵的路段，不被交通阻塞而延误救援时机，如何修建停车区域，在灾害发生前调整车辆的停放位置，以便在灾害发生时更好地调配车辆，是一个未解决的问题。
【发明内容】
本发明提供了一种基于交通大数据的危险品运输救援调度方法，主要包括：
获得灾害多发区域信息，确定灾害分布特征；采用事件树分析法计算各区域的风险指数；分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速；构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流；根据元胞自动机模型确定修建停车区域的选址；根据天气状况停放救援车辆并提供最佳调度方案；
进一步可选地，所述获得灾害多发区域信息，确定灾害分布特征包括：
获取当地历史上发生过且有记录的所有灾害；获取灾害的类型、发生的地点信息、发生的时间、获取灾害发生时的天气状况和经济损失金额；统计所有发生灾害的地点对于同一类型的灾害发生的次数；对每一类灾害，根据灾害发生的地点对应的灾害发生次数，在地图上画出灾害的空间分布图，分析灾害的分布特征。
进一步可选地，所述采用事件树分析法计算各区域的风险指数包括：
根据灾害统计资料，分析导致灾害发生的因素，构建事件树；定量分析事件树，计算各后果事件发生的概率和平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数；包括：根据灾害统计资料构建事件树；定量分析事件树并计算各区域的风险指数；
所述根据灾害统计资料构建事件树，具体包括：
根据灾害统计资料，分析导致灾害发生的因素，确定灾害的初始事件；判定与灾害发生相关的安全功能；从初始事件开始，用树枝代表事件发展途径，按事件发展过程绘制事件树；去掉树枝中与初始事件或灾害无关、功能关系相互矛盾或不协调的安全功能，简化事件树。
所述定量分析事件树并计算各区域的风险指数，具体包括：
统计事件树中每个环节事件发生的频率；统计初始事件发生的频率；将事件发生的频率近似为概率，根据初始事件及事件树中每个环节事件发生的频率计算后续事件及各后果事件发生的概率。根据发生灾害的经济损失金额，计算发生后果事件的平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数。
进一步可选地，所述分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速包括：
调取在不同天气状况下所有路段在不同时间段的视频监控录像；根据视频监控录像，计算所有路段在不同天气状况下各时间段的车流量和平均车速。
进一步可选地，所述构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流包括：
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段在不同天气状况下各时间段的车流量、平均车速及路段的长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型。
进一步可选地，所述根据元胞自动机模型确定修建停车区域的选址包括：
根据历史灾害的分布特征，考察在灾害发生密集的区域附近所有能建造停车区域的地点，估计在各个地点建造停车区域的成本；根据元胞自动机模型，结合历史灾害发生的时间和天气状况，计算通过各个路段的平均用时；根据通过各个路段的平均用时，采用蚁群算法求解救援车辆从各个停车区域建造点到所有地点的最短用时和对应的路径；根据各区域的风险指数和救援车辆从各个停车区域建造点到所有地点的最短用时，结合停车区域的建造成本，采用遗传算法求解修建停车区域的最佳选址；包括：根据元胞自动机模型计算通过所有路段的平均用时；采用蚁群算法求解调度救援车辆的最短用时和对应的路径；采用遗传算法求解修建停车区域的最佳选址；
所述根据元胞自动机模型计算通过所有路段的平均用时，具体包括：
统计在各种天气状况和各个时间段下发生灾害的次数；通过元胞自动机模型模拟出在各种天气状况和各个时间段下通过所有路段的用时；以各种天气状况和各个时间段下发生灾害的次数占比为权重，计算通过所有路段用时的加权平均值。
所述采用蚁群算法求解调度救援车辆的最短用时和对应的路径，具体包括：
在地图上标注通过各路段的用时；选择一个地点作为执行蚁群算法的终点；S1：随机放置蚂蚁到不同的停车区域建造点；S2：每只蚂蚁选择下一路段；S3：判断是否有未选择的路段，若是，执行S2，反之则执行S4；S4：更新各路段的信息素浓度；按顺序重复执行S1-S4，直至达到预先设置的迭代次数；输出所有停车区域建造点到发生过灾害的地点的最短用时和对应的路径；选择剩下的地点作为终点，重复执行蚁群算法，直至选择完所有地点，输出各个停车区域建造点到所有地点的最短用时和对应的路径。
所述采用遗传算法求解修建停车区域的最佳选址，具体包括：
根据修建成本和调度用时确定修建停车区域的最佳选址求解问题的目标函数；选择一种编码方式，根据求解精度确定染色体的长度；根据染色体的长度初始化种群；S1：根据目标函数计算种群的适应度；S2：选择和复制适应度高的个体；S3：对染色体执行交叉和变异操作；重复S1-S3，直至达到预先设置的迭代次数；读取算法最后一次迭代的结果，将染色体解码，得到最佳发放方案。
进一步可选地，所述根据天气状况停放救援车辆并提供最佳调度方案包括：
获取当地次日的天气状况，根据次日的天气状况下历史发生过的灾害分布停放救援车辆到灾害发生密集的区域附近的停车区域；发生灾害时，根据蚁群算法的求解结果，按照算法求得的最佳路径调度救援车辆；包括：根据天气状况停放救援车辆；灾害发生时提供救援车辆的最佳调度方案；
所述根据天气状况停放救援车辆，具体包括：
通过当地的天气预报获取次日的天气状况；筛选在次日的天气状况下历史发生过的灾害信息；根据灾害的空间分布图，将救援车辆提前停放到距离灾害发生密集区域最近的停车区域。
所述灾害发生时提供救援车辆的最佳调度方案，具体包括：
获取发生灾害的地点、时间和天气状况；根据灾害发生的时间和天气状况采用元胞自动机模型模拟出通过所有路段的用时；获取距离灾害发生地最近的救援车辆的停车区域；采用蚁群算法求解出从距离灾害发生地最近的救援车辆的停车区域到灾害发生地的最佳路径，按照最佳路径调度救援车辆，实施救援。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明，能基于历史灾害信息确定灾害分布特征和各区域的风险指数，根据交通大数据研究不同天气状况下各时间段所有路段的通行情况，通过灾害分布特征和各区域的风险指数及路段的通行情况确定修建停车区域的最佳选址，并提供救援车辆的最佳调度方案。使救援车辆不会因为出现拥堵而延误救援时机，最大限度减少人员伤亡和财产损失。
【附图说明】
图1为本发明的一种基于交通大数据的危险品运输救援调度方法的流程图。
图2为本发明的一种基于交通大数据的危险品运输救援调度方法的示意图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种基于交通大数据的危险品运输救援调度方法流程图。如图1所示，本实施例一种基于交通大数据的危险品运输救援调度方法具体可以包括：
步骤101，获得灾害多发区域信息，确定灾害分布特征。
获取当地历史上发生过且有记录的所有灾害；获取灾害的类型、发生的地点信息、发生的时间、获取灾害发生时的天气状况和经济损失金额；统计所有发生灾害的地点对于同一类型的灾害发生的次数；对每一类灾害，根据灾害发生的地点对应的灾害发生次数，在地图上画出灾害的空间分布图，分析灾害的分布特征；灾害的类型包括：水灾、火灾、化学灾害、流行传染病和交通事故；灾害的空间分布图中点的大小反映灾害发生次数的多少，分布图中的点越大，代表该地点发生灾害的次数越多；灾害的分布特征包括点的大小、疏密和组成的形状。天气状况一共14种，分别是阴、晴、晴转多云、雾、小雨、中雨、大雨、暴雨、雷阵雨、小雪、中雪、大雪、雨夹雪和冰雹。
步骤102，采用事件树分析法计算各区域的风险指数。
根据灾害统计资料，分析导致灾害发生的因素，构建事件树；定量分析事件树，计算各后果事件发生的概率和平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数。
根据灾害统计资料构建事件树。
根据灾害统计资料，分析导致灾害发生的因素，确定灾害的初始事件；判定与灾害发生相关的安全功能；从初始事件开始，用树枝代表事件发展途径，按事件发展过程绘制事件树；去掉树枝中与初始事件或灾害无关、功能关系相互矛盾或不协调的安全功能，简化事件树。事件树分析是一种系统地研究作为危险源的初始事件如何与后续事件形成时序逻辑关系而最终导致事故的方法。初始事件是灾害在未发生时，其发展过程中的危害事件或危险事件，如机器故障、设备损坏、能量外逸或失控、人的误动作等。安全功能即在初始事件发生时消除或减轻其影响以维持系统的安全运行的功能。例如：提醒操作者初始事件发生了的报警系统、根据报警或工作程序要求操作者采取的措施、限制初始事件影响的物理防护措施(例如围堤、防火堤、污油罐)。绘制事件树过程中，应把发挥功能的状态(又称成功状态)画在上面的分枝，把不能发挥功能的状态(又称失败状态)画在下面的分枝，直到到达系统故障或灾害为止。
定量分析事件树并计算各区域的风险指数。
统计事件树中每个环节事件发生的频率；统计初始事件发生的频率；将事件发生的频率近似为概率，根据初始事件及事件树中每个环节事件发生的频率计算后续事件及各后果事件发生的概率。根据发生灾害的经济损失金额，计算发生后果事件的平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数。风险指数的计算公式：后果事件发生的概率×平均经济损失额。
步骤103，分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速。
调取在不同天气状况下所有路段在不同时间段的视频监控录像；根据视频监控录像，计算所有路段在不同天气状况下各时间段的车流量和平均车速；调取监控录像的时间段选取上午高峰时段、上午平稳时段、下午时段、傍晚时段和晚上时段。车流量即单位时间内通过某路段的车辆数，车流量的计算公式：车流量＝通过车辆数/时间。
步骤104，构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流。
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段在不同天气状况下各时间段的车流量、平均车速及路段的长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型。元胞自动机是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。由于交通规则的限制，车辆行驶具有一定的规律性，因此可以根据车辆的行进规则构建元胞自动机模型模拟路段的交通流，将每辆车看成是独立的元胞来模拟可以较好地解决车流的随机性。车辆的行进规则包括：基本前进规则、换道规则、加速规则、减速规则。基本前进规则由车辆的平均速度确定；换道规则：当前方有车辆，司机会尝试换道，若处于中间车道，则向左和向右换的几率相等，若边缘车道，则换向中间车道；加速规则：当前方道路非常通畅，根据实际经验，司机倾向于加速，但峰值速度不会超过路段的限速；减速规则：当前方有车辆或信号灯变红时，司机会减速，司机常常也会因为非交通因素减速，但因非交通因素减速的可能性较小。
步骤105，根据元胞自动机模型确定修建停车区域的选址。
根据历史灾害的分布特征，考察在灾害发生密集的区域附近所有能建造停车区域的地点，估计在各个地点建造停车区域的成本；根据元胞自动机模型，结合历史灾害发生的时间和天气状况，计算通过各个路段的平均用时；根据通过各个路段的平均用时，采用蚁群算法求解救援车辆从各个停车区域建造点到所有地点的最短用时和对应的路径；根据各区域的风险指数和救援车辆从各个停车区域建造点到所有地点的最短用时，结合停车区域的建造成本，采用遗传算法求解修建停车区域的最佳选址。
根据元胞自动机模型计算通过所有路段的平均用时。
统计在各种天气状况和各个时间段下发生灾害的次数；通过元胞自动机模型模拟出在各种天气状况和各个时间段下通过所有路段的用时；以各种天气状况和各个时间段下发生灾害的次数占比为权重，计算通过所有路段用时的加权平均值。例如，在当地历史上记录过的所有灾害中，有300例在下午时段且天气状况为雾下发生，有200例在上午高峰时段且天气状况为大雨下发生，有100例在傍晚时段且天气状况为晴下发生；经元胞自动机模拟出某路段在下午时段且天气状况为雾、上午高峰时段且天气状况为大雨和傍晚时段且天气状况为晴下通过的用时分别为240s、720s和600s，则通过该路段用时的加权平均值为240*(300/500)+720*(200/500)+600*(100/500)＝552s。
采用蚁群算法求解调度救援车辆的最短用时和对应的路径。
请参阅图2，在地图上标注通过各路段的用时；选择一个地点作为执行蚁群算法的终点；S1：随机放置蚂蚁到不同的停车区域建造点；S2：每只蚂蚁选择下一路段；S3：判断是否有未选择的路段，若是，执行S2，反之则执行S4；S4：更新各路段的信息素浓度；按顺序重复执行S1-S4，直至达到预先设置的迭代次数；输出所有停车区域建造点到发生过灾害的地点的最短用时和对应的路径；选择剩下的地点作为终点，重复执行蚁群算法，直至选择完所有地点，输出各个停车区域建造点到所有地点的最短用时和对应的路径。蚁群算法来源于蚂蚁觅食行为。由于蚂蚁没有视力，所以在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其它蚂蚁释放的信息素。信息素浓度的大小表征路径的远近，信息素浓度越高，表示对应的路径距离越短。信息素更新的表达式为：
τij(t+1)＝(1-ρ)τij(t)+Δτij，0＜ρ＜1
其中，
Figure BDA0003829057510000061
i、j分别表示每段路径的起点和终点，τ表示时间t时由i到j的信息素浓度
采用遗传算法求解修建停车区域的最佳选址。
根据修建成本和调度用时确定修建停车区域的最佳选址求解问题的目标函数；选择一种编码方式，根据求解精度确定染色体的长度；根据染色体的长度初始化种群；S1：根据目标函数计算种群的适应度；S2：选择和复制适应度高的个体；S3：对染色体执行交叉和变异操作；重复S1-S3，直至达到预先设置的迭代次数；读取算法最后一次迭代的结果，将染色体解码，得到最佳发放方案。遗传算法的实质是通过群体搜索技术，根据适者生存的原则，逐代进化，最终得到优惠券的最佳或准最佳发放方案。修建停车区域的最佳选址方案应满足如下条件：停车区域修建的总成本尽可能低，救援车辆调度到所有风险指数高的地点的总用时尽可能短。因此目标函数可以参考如下式子：-停车区域修建的总成本×∑(救援车辆调度用时×风险指数)，其中∑表示对所有地点求和。S2中的个体选择建议采用轮盘赌选择法；染色体的交叉形式建议采用单点交叉，即在个体编码串中只随机设置一个交叉点，然后再该点相互交换两个配对个体的部分染色体；染色体的交叉和变异的概率建议分别为0.6和0.001，可根据算法的实际迭代效果调整；染色体的编码方式建议采用二进制编码。二进制编码的染色体长度计算公式：
Figure BDA0003829057510000062
其中d为问题的解精确度，定义域为[Umin，Umax]，则码的位数为m+1
二进制编码的染色体解码公式：
Figure BDA0003829057510000063
步骤106，根据天气状况停放救援车辆并提供最佳调度方案。
获取当地次日的天气状况，根据次日的天气状况下历史发生过的灾害分布停放救援车辆到灾害发生密集的区域附近的停车区域；发生灾害时，根据蚁群算法的求解结果，按照算法求得的最佳路径调度救援车辆。
根据天气状况停放救援车辆。
通过当地的天气预报获取次日的天气状况；筛选在次日的天气状况下历史发生过的灾害信息；根据灾害的空间分布图，将救援车辆提前停放到距离灾害发生密集区域最近的停车区域若次日天气状况与当日相近，则无需调整救援车辆的停放区域。
灾害发生时提供救援车辆的最佳调度方案。
获取发生灾害的地点、时间和天气状况；根据灾害发生的时间和天气状况采用元胞自动机模型模拟出通过所有路段的用时；获取距离灾害发生地最近的救援车辆的停车区域；采用蚁群算法求解出从距离灾害发生地最近的救援车辆的停车区域到灾害发生地的最佳路径，按照最佳路径调度救援车辆，实施救援。
以上仅列举了本发明的一些优选实施方式，但本发明并不局限于此，还可以作出许多的改进和变换。只要是在本发明基本原理基础上所作出的改进与变换，均应视为落入本发明的保护范围内。

Claims (7)

1.一种基于交通大数据的危险品运输救援调度方法，其特征在于，所述方法包括：
获得灾害多发区域信息，确定灾害分布特征；
采用事件树分析法计算各区域的风险指数，根据灾害统计资料构建事件树，定量分析事件树并计算各区域的风险指数；
分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速；
构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流；
根据元胞自动机模型确定修建停车区域的选址，根据所述元胞自动机模型计算通过所有路段的平均用时，采用蚁群算法求解调度救援车辆的最短用时和对应的路径，采用遗传算法求解修建停车区域的最佳选址；
根据天气状况停放救援车辆并提供最佳调度方案，所述最佳调度方案是指在灾害发生时提供救援车辆的最佳调度方案。
2.根据权利要求1所述的方法，其中，所述获得灾害多发区域信息，确定灾害分布特征，包括:
获取当地历史上发生过且有记录的所有灾害；获取灾害的类型、发生的地点信息、发生的时间、获取灾害发生时的天气状况和经济损失金额；统计所有发生灾害的地点对于同一类型的灾害发生的次数；对每一类灾害，根据灾害发生的地点对应的灾害发生次数，在地图上画出灾害的空间分布图，分析灾害的分布特征。
3.根据权利要求1所述的方法，其中，所述采用事件树分析法计算各区域的风险指数，包括:
根据灾害统计资料，分析导致灾害发生的因素，构建事件树；定量分析事件树，计算各后果事件发生的概率和平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数；包括：根据灾害统计资料构建事件树；定量分析事件树并计算各区域的风险指数；
所述根据灾害统计资料构建事件树，具体包括:
根据灾害统计资料，分析导致灾害发生的因素，确定灾害的初始事件；判定与灾害发生相关的安全功能；从初始事件开始，用树枝代表事件发展途径，按事件发展过程绘制事件树；去掉树枝中与初始事件或灾害无关、功能关系相互矛盾或不协调的安全功能，简化事件树；
所述定量分析事件树并计算各区域的风险指数，具体包括:
统计事件树中每个环节事件发生的频率；统计初始事件发生的频率；将事件发生的频率近似为概率，根据初始事件及事件树中每个环节事件发生的频率计算后续事件及各后果事件发生的概率；根据发生灾害的经济损失金额，计算发生后果事件的平均经济损失额；根据后果事件发生的概率和平均经济损失额，计算各区域的风险指数。
4.根据权利要求1所述的方法，其中，所述分析各路段的视频监控录像并计算在不同天气状况下各时间段的车流量和平均车速，包括:
调取在不同天气状况下所有路段在不同时间段的视频监控录像；根据视频监控录像，计算所有路段在不同天气状况下各时间段的车流量和平均车速。
5.根据权利要求1所述的方法，其中，所述构建元胞自动机模型模拟不同天气状况的各时间段下所有路段的交通流，包括:
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段在不同天气状况下各时间段的车流量、平均车速及路段的长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型。
6.根据权利要求1所述的方法，其中，所述根据元胞自动机模型确定修建停车区域的选址，包括:
根据历史灾害的分布特征，考察在灾害发生密集的区域附近所有能建造停车区域的地点，估计在各个地点建造停车区域的成本；根据元胞自动机模型，结合历史灾害发生的时间和天气状况，计算通过各个路段的平均用时；根据通过各个路段的平均用时，采用蚁群算法求解救援车辆从各个停车区域建造点到所有地点的最短用时和对应的路径；根据各区域的风险指数和救援车辆从各个停车区域建造点到所有地点的最短用时，结合停车区域的建造成本，采用遗传算法求解修建停车区域的最佳选址；包括：根据元胞自动机模型计算通过所有路段的平均用时；采用蚁群算法求解调度救援车辆的最短用时和对应的路径；采用遗传算法求解修建停车区域的最佳选址；
所述根据元胞自动机模型计算通过所有路段的平均用时，具体包括:
统计在各种天气状况和各个时间段下发生灾害的次数；通过元胞自动机模型模拟出在各种天气状况和各个时间段下通过所有路段的用时；以各种天气状况和各个时间段下发生灾害的次数占比为权重，计算通过所有路段用时的加权平均值；
所述采用蚁群算法求解调度救援车辆的最短用时和对应的路径，具体包括:
在地图上标注通过各路段的用时；选择一个地点作为执行蚁群算法的终点；S1：随机放置蚂蚁到不同的停车区域建造点；S2：每只蚂蚁选择下一路段；S3：判断是否有未选择的路段，若是，执行S2，反之则执行S4；S4：更新各路段的信息素浓度；按顺序重复执行S1-S4，直至达到预先设置的迭代次数；输出所有停车区域建造点到发生过灾害的地点的最短用时和对应的路径；选择剩下的地点作为终点，重复执行蚁群算法，直至选择完所有地点，输出各个停车区域建造点到所有地点的最短用时和对应的路径；
所述采用遗传算法求解修建停车区域的最佳选址，具体包括:
根据修建成本和调度用时确定修建停车区域的最佳选址求解问题的目标函数；选择一种编码方式，根据求解精度确定染色体的长度；根据染色体的长度初始化种群；S1：根据目标函数计算种群的适应度；S2：选择和复制适应度高的个体；S3：对染色体执行交叉和变异操作；重复S1-S3，直至达到预先设置的迭代次数；读取算法最后一次迭代的结果，将染色体解码，得到最佳发放方案。
7.根据权利要求1所述的方法，其中，所述根据天气状况停放救援车辆并提供最佳调度方案，包括:
获取当地次日的天气状况，根据次日的天气状况下历史发生过的灾害分布停放救援车辆到灾害发生密集的区域附近的停车区域；发生灾害时，根据蚁群算法的求解结果，按照算法求得的最佳路径调度救援车辆；包括：根据天气状况停放救援车辆；灾害发生时提供救援车辆的最佳调度方案；
所述根据天气状况停放救援车辆，具体包括:
通过当地的天气预报获取次日的天气状况；筛选在次日的天气状况下历史发生过的灾害信息；根据灾害的空间分布图，将救援车辆提前停放到距离灾害发生密集区域最近的停车区域；
所述灾害发生时提供救援车辆的最佳调度方案，具体包括:
获取发生灾害的地点、时间和天气状况；根据灾害发生的时间和天气状况采用元胞自动机模型模拟出通过所有路段的用时；获取距离灾害发生地最近的救援车辆的停车区域；采用蚁群算法求解出从距离灾害发生地最近的救援车辆的停车区域到灾害发生地的最佳路径，按照最佳路径调度救援车辆，实施救援。
CN202211068525.XA 2022-09-02 2022-09-02 一种基于交通大数据的危险品运输救援调度方法 Pending CN115392756A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211068525.XA CN115392756A (zh) 2022-09-02 2022-09-02 一种基于交通大数据的危险品运输救援调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211068525.XA CN115392756A (zh) 2022-09-02 2022-09-02 一种基于交通大数据的危险品运输救援调度方法

Publications (1)

Publication Number Publication Date
CN115392756A true CN115392756A (zh) 2022-11-25

Family

ID=84125368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211068525.XA Pending CN115392756A (zh) 2022-09-02 2022-09-02 一种基于交通大数据的危险品运输救援调度方法

Country Status (1)

Country Link
CN (1) CN115392756A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863708A (zh) * 2023-09-04 2023-10-10 成都市青羊大数据有限责任公司 一种智慧城市调度分配系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863708A (zh) * 2023-09-04 2023-10-10 成都市青羊大数据有限责任公司 一种智慧城市调度分配系统
CN116863708B (zh) * 2023-09-04 2024-01-12 成都市青羊大数据有限责任公司 一种智慧城市调度分配系统

Similar Documents

Publication Publication Date Title
Lin et al. A combined M5P tree and hazard-based duration model for predicting urban freeway traffic accident durations
EP3413284B1 (en) Computer system and method for state prediction of a traffic system
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
Karaaslan et al. Modeling the effect of electric vehicle adoption on pedestrian traffic safety: An agent-based approach
Zhan et al. Prediction of lane clearance time of freeway incidents using the M5P tree algorithm
Jiang et al. Analysis of motorcycle accidents using association rule mining-based framework with parameter optimization and GIS technology
Li et al. Competing risk mixture model and text analysis for sequential incident duration prediction
CN106887141B (zh) 基于排队论的连续交通节点拥塞程度预测模型、系统及方法
Chen et al. Simulation pipeline for traffic evacuation in urban areas and emergency traffic management policy improvements through case studies
CN112465334B (zh) 一种轨道交通事故快速预警方法及系统
CN115392756A (zh) 一种基于交通大数据的危险品运输救援调度方法
Jahangiri et al. The otimization of traffic signal timing for emergency evacuation using the simulated annealing algorithm
Weng et al. Cluster-based lognormal distribution model for accident duration
Di Gangi et al. Modeling evacuation risk using a stochastic process formulation of mesoscopic dynamic network loading
CN115862322A (zh) 一种车辆可变限速控制优化方法、系统、介质及设备
CN116451862A (zh) 模型训练方法和装置、交通事件发生概率评估方法和装置
CN109035775A (zh) 一种突发事件识别的方法及装置
KR102546540B1 (ko) Lstm 기반 교통 혼잡도 예측 방법 및 장치
Abdi et al. A Two‐Stage Sequential Framework for Traffic Accident Post‐Impact Prediction Utilizing Real‐Time Traffic, Weather, and Accident Data
CN114662583A (zh) 应急事件防控调度方法、装置、电子设备和存储介质
Mirzahossein et al. Presentation of machine learning methods to determine the most important factors affecting road traffic accidents on rural roads
CN112308434A (zh) 一种交通安全风险评估方法及系统
Hoong et al. Road traffic prediction using Bayesian networks
Durak et al. Optimizing an agent-based traffic evacuation model using genetic algorithms
CN115457766A (zh) 一种用于预测道路拥堵状态的方法及系统

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