CN115860213A - 多情景城市应急采样场所选址优化方法、系统、设备及介质 - Google Patents
多情景城市应急采样场所选址优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115860213A CN115860213A CN202211514535.1A CN202211514535A CN115860213A CN 115860213 A CN115860213 A CN 115860213A CN 202211514535 A CN202211514535 A CN 202211514535A CN 115860213 A CN115860213 A CN 115860213A
- Authority
- CN
- China
- Prior art keywords
- sampling
- site selection
- emergency
- index
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012163 sequencing technique Methods 0.000 claims abstract description 15
- 230000011664 signaling Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000009423 ventilation Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 208000015181 infectious disease Diseases 0.000 abstract description 9
- 230000036541 health Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 23
- 238000004590 computer program Methods 0.000 description 7
- 230000032683 aging Effects 0.000 description 6
- 230000005180 public health Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000002458 infectious effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 244000108452 Litchi chinensis Species 0.000 description 1
- 235000015742 Nephelium litchi Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多情景城市应急采样场所选址优化方法、系统、设备及介质，所述方法包括：获取目标城市的第一样本数据集；进行预处理，得到第二样本数据集；进行进一步处理，形成采样点选址相关指标，并进行分级赋分，构成第三样本数据集；针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分和排序，得到昼夜两种情况下的初步选址结果；对初步选址结果进行目标导向，得到优化后的最终选址结果。本发明可以降低市民等候时间与感染风险，也为卫健部门提供相关更加快速准确的决策依据。
Description
技术领域
本发明涉及一种多情景城市应急采样场所选址优化方法、系统、设备及介质，属于城市公共卫生安全技术领域。
背景技术
当前城市应急采样点选址主要由城市各区与街道组织开展，其更多关注辖区内部采样点的服务覆盖程度，一定程度上忽视了行政边界地区的需求。且当前采样点等级划分依据不明确，无法灵活应对常规采样与大规模采样的不同需求；对于应急采样点尚无时间划分，应对突发状况时无法针对城市昼夜不同的职住分布做出调整。此外，在应急性场所选址方法中，已有测度因子多以可达性、人口密度、服务范围、场地适宜性等为主，缺乏构建针对重大公共卫生事件采样行为的个性化测度框架，对场地微环境与潜在感染风险等特征因子考虑不足；已有研究数据多来源于GIS提取的基本地理信息，缺乏对多源数据的应用；在选址决策中，已有研究多采用层次分析法(Analytic Hierarchy Process，AHP)作为多目标决策方法，缺乏多情景下多目标优化算法的应用探索。
发明内容
有鉴于此，本发明提供了一种多情景城市应急采样场所选址优化方法、系统、计算机设备及存储介质，其其运用具有多维特征的数据集，通过提取现状采样点的空间环境特征构建优化选址适宜性测度框架，能够有效针对不同情境的需求提供针对性的选址优化方案，从而可以更加科学高效的开展采样工作，降低市民等候时间与感染风险，也为卫健部门提供相关更加快速准确的决策依据。
本发明的第一个目的在于提供一种多情景城市应急采样场所选址优化方法
本发明的第二个目的在于提供一种多情景城市应急采样场所选址优化系统。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种多情景城市应急采样场所选址优化方法，所述方法包括：
获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
对第一样本数据集进行预处理，得到第二样本数据集；
对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
进一步的，所述对第一样本数据集进行预处理，具体包括：
基于第一样本数据集，对于包含空值的对象，采用克里金插值法估计未知值，将估计结果插入到缺失值位置；
将第一样本数据集中有取值范围但不确定具体数值的对象，采用随机数法估计未知值，将估计值插入不确定值的位置；
针对第一样本数据集中每个特征的数据值进行折线图表绘制，判断每个特征中是否存在远偏离正常区间的异常值，对异常值进行删除；
对第一样本数据集中的相同数据进行去重操作。
进一步的，所述对第二样本数据集进行进一步处理，形成采样点选址相关指标，具体包括：
根据基础地理信息数据中的城市道路数据与手机信令中的人口密度数据，进行服务区生成，得到预设时间的采样圈人口覆盖度指标；
根据基础地理信息数据中的城市道路数据，进行路网提取和服务区生成，根据兴趣点数据中的公共设施位置数据，计算公共设施到采样点的花费时间，得到便民服务设施可达性指标；
根据网络开源数据中目标城市的采样点数据，得到目标区域的采样点的坐标，结合城市道路数据计算采样点与检测机构的距离，得到检测机构可达性指标；
根据土地利用数据，按照适宜开展采样活动的不同用地类型关联到每个采样点，得到用地类型指标；
根据手机信令数据，统计用户年龄结构分布，得到年龄结构指标；
根据基础地理信息数据，计算平均建筑高度和建筑密度，进一步计算网格内的天空开阔度和地面粗糙程度，得到通风潜力指标；
根据手机信令数据，计算每个网格内的人口密度，得到人口密度指标。
进一步的，所述对采样点选址相关指标进行分级赋分，构成第三样本数据集，具体包括：
将各指标从低到高分为多级，并归一化赋分；
将各指标空间连接到现有采样点上，从而得到每个现状点昼夜两种情况下的各指标得分以及总分，构成第三样本数据集。
进一步的，所述根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系，具体包括：
对于逆向因子列的人口密度，使用以下公式实现正向化：
对分析矩阵按X列进行归一化到区间[0，1]以消除量纲影响，如下式：
根据信息熵定义计算各因子信息熵，定义中间量pij为归一化后x′ij占因子所在列的权重，如下式：
计算各因子的信息熵值，如下式：
其中，其中，xij为原逆向因子，x′ij为正向化因子，n为样本总数，pij为中间量，Ej为各因子的信息熵值，ωj为因子熵权。
进一步的，所述采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果，具体包括：
对于由AOI获取的开敞公共空间，按照N×N网格的因子测度最高精度进行细分；
计算各最小网格的熵权总分，取最高分网格为候选面，处理得到AOI的选点结果；
获取有采样条件的POI，综合AOI与POI的选点结果作为应急采样点备选点；
根据昼夜两种情况下的各指标权重，将采样点选址相关指标连接到采样点上，从而得到每个应急采样点备选点的昼夜两种情况下各指标得分以及总分；
运用TOPSIS模型，按照总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果。
进一步的，所述运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果，具体包括：
以最大化覆盖人数为目标函数，目标函数定义为：
约束函数定义为：
S(n)＝{m∈M∣dnm≤D}
p＝P÷C
xm和ynm都是决策变量，定义如下：
其中，M为应急采样点备选点m的集合；N为需求点n的集合；P为地区总人口；dnm为需求点n到候选点m的距离；D为采样点的要求服务半径；S(n)为可以覆盖需求点n的一组候选点集合；p为需要设置的采样点数目；C为采样点平均服务容量；
根据目标函数和约束函数，构建人口覆盖度模型，对初步选址结果进行人口大规模采样、居住人口大规模采样、工作人口常规采样、居住人口常规采样的目标导向，得到优化后的最终选址结果。
本发明的第二个目的可以通过采取如下技术方案达到：
一种多情景城市应急采样场所选址优化系统，所述系统包括：
获取模块，用于获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
预处理模块，用于对第一样本数据集进行预处理，得到第二样本数据集；
第一评价模块，用于对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
计算模块，用于根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
第二评价模块，用于采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
选址优化模块，用于运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
本发明的第三个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述的多情景城市应急采样场所选址优化方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的多情景城市应急采样场所选址优化方法。
本发明相对于现有技术具有如下的有益效果：
本发明能够在城市发生重大传染性公共卫生事件时提供一种适用于常规检测和突发大规模筛查检测两种情形，同时考虑城市昼夜人口变动带来的影响的采样点选址方案，以便于安全高效的应对此类重大传染性公共卫生事件，从而尽量减少此类事件对于居民生产生活带来的影响。对于城市管理者来说，本发明提供的采样选址优化建议，能够帮助管理者减少决策时间，以便于城市各部门快速灵活作出应答，从而提高城市系统韧性。
附图说明
为了更清楚地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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的多情景城市应急采样场所选址优化方法的简易流程图。
图2为本发明实施例1的多情景城市应急采样场所选址优化方法的详细流程图。
图3为本发明实施例1的采样点分布图。
图4a～图4g分别为本发明实施例1的15分钟采样圈人口覆盖度示意图、便民服务设施可达性示意图、检测机构可达性示意图、用地类型示意图、老龄化人口指数示意图、通风潜力等级示意图和人口密度示意图。
图5a～图5b为本发明实施例1的城市采样场所选址优化模型中各个特征的重要程度图。
图6a～图6d分别为本发明实施例1的“工作人口-常规”采样点分布图、“工作人口-大规模”采样点分布图、“居住人口-常规”采样点分布图、“居住人口-大规模”采样点分布图。
图7为本发明实施例2的多情景城市应急采样场所选址优化系统的结构框图。
图8为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1和图2所示，本实施例提供了一种多情景城市应急采样场所选址优化方法，该方法针对的目标区域为广州市中心四城区，即越秀区、荔湾区、天河区、海珠区，包括以下步骤：
S201、获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集。
进一步地，该步骤S201具体包括：
S2011、获取手机信令数据：向联通智慧足迹申请相关手机信令数据。
S2012、获取兴趣点、兴趣面数据：基于Python网络爬虫技术获取百度地图广州市中心区POI数据信息，数据包括交通设施服务、风景名胜、科教文化服务、体育休闲服务、公共设施等。
S2013、获取基础地理信息数据：从OSM开源wiki地图获取水域面要素数据和道路线要素数据；由广州中心城区建筑CAD数据提取建筑面和建筑高度数据。
S2014、获取网络开源数据：根据中国广州发布公众号获取当前广州中心城区采样点目录；从国家卫生健康委网页获得广州市中心城区检测机构目录；通过自然资源局网站《广州市2000-2010年城市总体规划》获得土地利用现状数据。
S202、对第一样本数据集进行预处理，得到第二样本数据集。
本实施例中，对第一样本数据集进行预处理，具体为：基于第一样本数据集，对于包含空值的对象，采用克里金插值法估计未知值，将估计结果插入到缺失值位置；将第一样本数据集中有取值范围但不确定具体数值的对象，采用随机数法估计未知值，将估计值插入不确定值的位置；针对第一样本数据集中每个特征的数据值进行折线图表绘制，判断每个特征中是否存在远偏离正常区间的异常值，对异常值进行删除；对第一样本数据集中的相同数据进行去重操作。
进一步地，该步骤S202具体包括：
S2021、数据输入：将采集到的检测机构及采样点信息输入Excel表格，通过MapLocation(https://maplocation.sjfkai.com/)对信息进行批量处理得到采集地点的经纬度，数据校正与清理后获得现状采样点坐标名单，采样点分布图如图3所示。
S2022、数据清理：用Excel将无效的建筑高度数据、POI数据去除，用ArcGIS清理重叠的AOI数据。
S2023、随机值处理：由于数据安全规定，手机信令数据单个网格人口数如果小于5，统一用“<5”表示，因此本实施例对该部分数据进行随机赋值处理，赋予[0，4]范围内任一整数。
S2024、缺失值处理：运用克里金插值法处理职住人口密度、居民年龄结构分布中的缺失数据。
S2025、地理配准处理：首先使用Photoshop软件将广州总规中的土地利用类型分类，再将各类用地的分布情况导入Arcgis软件中，经过地理配准后得到广州市中心城区用地类型shp格式数据。
S2026、异常值删除：针对每个特征的数据值进行折线图表绘制，判断每个特征中是否存在远偏离正常区间的异常值，对异常值进行删除。
S203、对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集。
进一步地，该步骤S203具体包括：
S2031、根据基础地理信息数据中的城市道路数据与手机信令中的人口密度数据，进行服务区生成，得到预设时间的采样圈人口覆盖度指标，运用自然断裂点将该指标分成5级，并进行赋分。
具体地，根据基础地理信息数据中的广州市城市道路数据与手机信令中的人口密度数据，使用Arcgis进行服务区生成，得到15分钟采样圈人口覆盖度指标，使用自然断裂点法将该指标分为5级，按照15分钟采样圈人口覆盖度从高到低分别赋分1、0.8、0.6、0.4、0.2。
S2032、根据基础地理信息数据中的城市道路数据，进行路网提取和服务区生成，根据兴趣点数据中的公共设施位置数据，计算公共设施到采样点的花费时间，得到便民服务设施可达性指标，按照生活圈层时间将该指标分为4级，并进行赋分。
具体地，根据基础地理信息数据中广州市的城市道路数据，进行路网提取和服务区生成，根据兴趣点数据中的公共设施位置数据，计算公共设施到现有采样点的花费时间，得到便民服务设施可达性指标，按照生活圈层时间将该指标分为4级：0-5分钟赋分1、5-10分钟赋分0.67、10-15分钟赋分0.33、15分钟以上赋分0。
S2033、根据网络开源数据中目标城市的采样点数据，得到目标区域的采样点的坐标，结合城市道路数据计算采样点与检测机构的距离，得到检测机构可达性指标，按照车行所需时间将该指标分为4级，并进行赋分。
具体地，根据网络开源数据中广州市的检测机构数据，依据得到目标区域的检测机构的坐标，结合城市道路数据计算采样点与检测机构的距离，得到检测机构可达性指标，按照车行所需时间将该指标分为4级：0-5分钟赋分1、5-10分钟赋分0.67、10-15分钟赋分0.33、15分钟以上赋分0。
S2034、根据土地利用数据，按照适宜开展采样活动的不同用地类型关联到每个采样点，得到用地类型指标，按照用地类型将该指标分为5级，并进行赋分。
具体地，根据广州的城市总体规划的土地利用数据，按照适宜开展采样活动的不同用地类型关联到每个采样点，得到用地类型指标，按照用地类型将该指标分为5级：：居住用地、对外交通用地赋分1、公共管理与公共服务用地、行政商业办公用地赋分0.8、市政用地赋分0.6、工业用地、仓储用地赋分0.4、林地、园地、耕地、绿化用地、防护用地赋分0.2。
S2035、根据手机信令数据，统计用户年龄结构分布，得到年龄结构指标，使用自然断裂点法将该指标分成5级，并进行赋分。
具体地，根据手机信令数据，统计广州市用户年龄结构分布，得到年龄结构指标，计算65岁以上人口占总人口比重得到老龄化指数，使用自然断裂点法将该指标分成5级，按照老龄化水平从高到低分别赋分1、0.8、0.6、0.4、0.2。
S2036、根据基础地理信息数据，计算平均建筑高度和建筑密度，进一步计算网格内的天空开阔度和地面粗糙程度，得到通风潜力指标，根据城市形态学模型衡量通风潜力程度，划分为5级，并进行赋分。
进一步地，该步骤S2036具体包括：
S20361、计算网格内平均建筑密度和平均建筑高度，利用ArcGIS采用划分网格后以10m作为缓冲间距进行缓冲分析的方法得到网格内平均建筑密度及平均建筑高度。
S20362、计算建筑截面积指数，实验证明建筑截面积指数λF与城市建筑密度λP的关系为λF＝0.8λP较为理想，因此输入建筑密度数据即可得到建筑截面积指数λF。
λF＝0.8P(1)
S20363、依据得到的建筑截面积指数计算归一化的零平面位移高度Zd/Zh：
S20364、计算摩阻速度u*与风速Uh的比值：
S20365、依据式(2)和式(3)所得参数及网格平均建筑高度求取城市地区动力粗糙度长度Z0：
S20366、使用栅格模型计算广州市城市地标开阔度，如下式(5)：
S20363、根据城市形态学模型衡量通风潜力程度，划分为5级，分别赋分：1(通风潜力高，RL≤0.5SVF≥0.75)、0.8(通风潜力较高，RL≤0.5SVF＜0.75)、0.6(通风潜力一般，0.5≤RL≤1.0SVF≥0.75)、0.4(通风潜力较低，0.5≤RL≤1.0SVF≤0.75)、0.2(通风潜力无或低，RL＞1.0)。
S2037、根据手机信令数据，计算每个网格内的人口密度，得到人口密度指标使用自然断裂点法将该指标分成5级，并进行赋分。
为了衡量工作人口与居住人口两种情境下采样点选址差异，对人口密度指标分别使用工作人口工作人口密度与居住人口居住人口密度进行两次计算，使用自然断裂点法将该指标分成5级，按照人口密度从高到低分别赋分1、0.8、0.6、0.4、0.2。
如图4a～图4g所示，分别为广州市中心四城区15分钟采样圈人口覆盖度示意图、便民服务设施可达性示意图、检测机构可达性示意图、用地类型示意图、老龄化人口指数示意图、通风潜力等级示意图、人口密度(工作人口)示意图、人口密度(居住人口)示意图。
S2037、将上述7个指标的赋分进行归一化，城市应急采样点指标的体系表如下表1所示。
表1城市应急采样点指标的体系表
S2038、使用Arcgis软件，将上述7个指标赋分使用空间连接关联到每个现状采样点，构成第三样本数据集。
S204、根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系。
S2041、因子正向化处理
原始分析矩阵中的特征因子存在影响方向不一致的情况，需要全部统一为正向因子，即“越大越优”型因子进行后续运算，对于逆向因子列的人口密度，使用以下公式实现正向化：
x′ij＝max1≤i≤nxij-xij (6)
S2042、分析矩阵无量纲归一化处理
对分析矩阵按X列进行归一化到区间[0，1]以消除量纲影响，如下式：
S2043、计算中间量pij
根据信息熵定义计算各因子信息熵，定义中间量pij为归一化后x′ij占因子所在列的权重，如下式：
S2044、计算各因子的信息熵值，如下式：
S2045、特别地，如果pij＝0，那么将其赋予一个极小的正数(1×10-7)避免运算错误，得到因子信息熵值后，即可计算因子熵权ωj：
其中，xij为原逆向因子，x′ij为正向化因子，n为样本总数，pij为中间量，Ej为各因子的信息熵值，ωj为因子熵权。
计算所得各指标在工作人口与居住人口两种情况下的权重如下表2和表3所示，可以看到居住人口人口密度的权重较工作人口占据主导地位，而其他指标权重差异变化不大，证明模型具有一定的稳定性。
表2城市应急采样点指标体系表(工作人口)
| 指标(工作人口) | 熵权 |
| 15分钟采样圈人口覆盖度 | 0.2372580539280678 |
| 便民服务设施可达性 | 0.19451341831609717 |
| 检测机构可达性 | 0.01834468334669519 |
| 用地类型 | 0.2035120329503205 |
| 老龄化人口指数 | 0.13211679526906245 |
| 通风潜力等级 | 0.14417909497738352 |
| 人口密度 | 0.07007592121237337 |
表3城市应急采样点指标体系表(居住人口)
| 指标(居住人口) | 熵权wj |
| 15分钟采样圈人口覆盖度 | 0.19887259989432093 |
| 便民服务设施可达性 | 0.16304352402124123 |
| 检测机构可达性 | 0.015376737737642438 |
| 用地类型 | 0.1705862727630717 |
| 老龄化人口指数 | 0.11074191214950314 |
| 通风潜力等级 | 0.12085267915607065 |
| 人口密度 | 0.22052627427814991 |
针对广州市中心四城区的城市采样场所选址优化模型中各个特征的重要程度图，如图5a～图5b所示。
S205、采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果。
进一步地，该步骤S205具体包括：
S2051、通过第二样本数据集获取城市公共空间空地备选点与社区内部空地备选点数据，城市公共空间备选点通过广州市POI数据中直接获取；社区内部空地备选点通过AOI数据经过处理获取，具体处理方法如下：
S20511、对于由AOI获取的开敞公共空间，按照N×N网格的因子测度最高精度进行细分。
S20512、计算各最小网格的熵权总分，取最高分网格为候选面。
S20513、使用广州市中心城区的建筑轮廓CAD数据，在住宅区AOI中去除建筑轮廓面域。
S20514、获取道路轮廓数据与水体数据，进一步去除道路及水域面域。
S20515、去除面积小于90㎡的面域，获得社区内部开敞公共空间最终候选面。
S2052、根据昼夜两种情况下的各指标权重，将采样点选址相关指标连接到采样点上，从而得到每个应急采样点备选点的昼夜两种情况下各指标得分以及总分。
具体地，对所有应急采样点备选点使用表1中7项指标进行打分，并通过所得到的熵权分别赋分。
S2053、运用TOPSIS模型，按照总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果。
具体地，针对社区内部备选点集合，提取每个候选面中赋分最高值处作为该候选面的特征点，共计得到21210个候选点，此21210个候选点分别按照白昼与黑夜两种情景使用TOPSIS模型进行总分最优排序，得到昼夜两种情况下的初步选址结果。
S206、运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
以最大化覆盖人数为目标函数，目标函数定义为：
max＝∑n∈Nwnynm(ynm∈{0,1},∈N)(11)
约束函数定义为：
S(n)＝{m∈M∣dnm≤D}(12)
∑m∈S(n)xmnm(xm∈{0,1},∈M)(13)
∑m∈Mxm(14)
p＝P÷C(16)
xm和ynm都是决策变量，定义如下：
其中，M为应急采样点备选点m的集合；N为需求点n的集合；P为地区总人口；dnm为需求点n到候选点m的距离；D为采样点的要求服务半径；S(n)为可以覆盖需求点n的一组候选点集合；p为需要设置的采样点数目；C为采样点平均服务容量；
根据目标函数和约束函数，构建人口覆盖度模型，对初步选址结果进行人口大规模采样、居住人口大规模采样、工作人口常规采样、居住人口常规采样的目标导向，得到优化后的最终选址结果。
进一步地，该步骤S206具体包括：
S2061、采样点数量N＝实际服务管理人口/(每个采样台每小时检测人数＊每个采样点平均采样台数n*每天平均采样时间)。针对本实施例的目标区域，广州市中心四区实际服务管理人口数6590000人，每个采样台每小时120人，每天平均采样时间8小时。
S2062、常规采样点需求估计中，每个采样点平均采样台数n＝2台，得到广州市中心四区常规采样点数量N1＝3400，则平均容量C1＝1938。
S2063、大规模采样点需求估计中，根据广州市公布的参与大规模筛查的医护人员数量和大规模采样点数量，可求平均每个采样点中采样台数量n＝医护人员数量/(大规模采样点数量*4)，4代表每个采样台2位采样人，且倒班一次。
本实施例中，医护人员数量为20883人，大规模采样点数量为3687个。计算得n＝1.4，代入回步骤S2061中计算式得到广州市中心四区大规模采样点数量N2＝1500，平均容量C2＝4393。
S2064、采样点数量需求，对第四样本数据集进行总分最优情况选取。得到工作人口+大规模、工作人口+常规、黑夜+大规模、黑夜+常规四种情形下的城市应急采样点选址优化方案。
广州市中心四城区的“工作人口-常规”采样点分布图、“工作人口-大规模”采样点分布图、“居住人口-常规”采样点分布图、“居住人口-大规模”采样点分布图如图6a～图6d所示。
在本实施例中，工作人口方案人口覆盖度达到95.18％，居住人口方案人口覆盖度达到94.19％，对比现状采样点人口覆盖度70.05％有较为显著的提升效果。
总体而言，本实施例通过对多源数据的运用，实现了广州市中心四区范围内应急采样点选址优化方法。根据现有指标体系表，该方法中15分钟采样圈人口覆盖度占据权重最大，反映出采样点可达性的；其次为通风潜力，反映出采样点降低感染风险，提供安全的重要性；而工作人口与居住人口的指标权重对比也可看出，城市中人口分布昼夜呈现较大差异，在考虑设置应急采样点时可依此灵活调整以提高采样效率、降低经济成本、减少居民等待时间与感染风险。
应当注意，尽管以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图7所示，本实施例提供了一种多情景城市应急采样场所选址优化系统，该系统包括获取模块701、预处理模块702、第一评价模块703、计算模块704、第二评价模块705和选址优化模块706，各个模块的具体功能如下：
获取模块701，用于获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
预处理模块702，用于对第一样本数据集进行预处理，得到第二样本数据集；
第一评价模块703，用于对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
计算模块704，用于根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
第二评价模块705，用于采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
选址优化模块706，用于运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以是计算机，如图8所示，其包括通过系统总线801连接的处理器802、存储器、输入装置803、显示器804和网络接口805，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质806和内存储器807，该非易失性存储介质806存储有操作系统、计算机程序和数据库，该内存储器807为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器802执行存储器存储的计算机程序时，实现上述实施例1的多情景城市应急采样场所选址优化方法，如下：
获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
对第一样本数据集进行预处理，得到第二样本数据集；
对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时，实现上述实施例1的多情景城市应急采样场所选址优化方法，如下：
获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
对第一样本数据集进行预处理，得到第二样本数据集；
对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明能够在城市发生重大传染性公共卫生事件时提供一种适用于常规检测和突发大规模筛查检测两种情形，同时考虑城市昼夜人口变动带来的影响的采样点选址方案，以便于安全高效的应对此类重大传染性公共卫生事件，从而尽量减少此类事件对于居民生产生活带来的影响。对于城市管理者来说，本发明提供的采样选址优化建议，能够帮助管理者减少决策时间，以便于城市各部门快速灵活作出应答，从而提高城市系统韧性。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (10)
1.一种多情景城市应急采样场所选址优化方法，其特征在于，所述方法包括：
获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
对第一样本数据集进行预处理，得到第二样本数据集；
对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
2.根据权利要求1所述的多情景城市应急采样场所选址优化方法，其特征在于，所述对第一样本数据集进行预处理，具体包括：
基于第一样本数据集，对于包含空值的对象，采用克里金插值法估计未知值，将估计结果插入到缺失值位置；
将第一样本数据集中有取值范围但不确定具体数值的对象，采用随机数法估计未知值，将估计值插入不确定值的位置；
针对第一样本数据集中每个特征的数据值进行折线图表绘制，判断每个特征中是否存在远偏离正常区间的异常值，对异常值进行删除；
对第一样本数据集中的相同数据进行去重操作。
3.根据权利要求1所述的多情景城市应急采样场所选址优化方法，其特征在于，所述对第二样本数据集进行进一步处理，形成采样点选址相关指标，具体包括：
根据基础地理信息数据中的城市道路数据与手机信令中的人口密度数据，进行服务区生成，得到预设时间的采样圈人口覆盖度指标；
根据基础地理信息数据中的城市道路数据，进行路网提取和服务区生成，根据兴趣点数据中的公共设施位置数据，计算公共设施到采样点的花费时间，得到便民服务设施可达性指标；
根据网络开源数据中目标城市的采样点数据，得到目标区域的采样点的坐标，结合城市道路数据计算采样点与检测机构的距离，得到检测机构可达性指标；
根据土地利用数据，按照适宜开展采样活动的不同用地类型关联到每个采样点，得到用地类型指标；
根据手机信令数据，统计用户年龄结构分布，得到年龄结构指标；
根据基础地理信息数据，计算平均建筑高度和建筑密度，进一步计算网格内的天空开阔度和地面粗糙程度，得到通风潜力指标；
根据手机信令数据，计算每个网格内的人口密度，得到人口密度指标。
4.根据权利要求1所述的多情景城市应急采样场所选址优化方法，其特征在于，所述对采样点选址相关指标进行分级赋分，构成第三样本数据集，具体包括：
将各指标从低到高分为多级，并归一化赋分；
将各指标空间连接到现有采样点上，从而得到每个现状点昼夜两种情况下的各指标得分以及总分，构成第三样本数据集。
5.根据权利要求1所述的多情景城市应急采样场所选址优化方法，其特征在于，所述根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系，具体包括：
对于逆向因子列的人口密度，使用以下公式实现正向化：
对分析矩阵按X列进行归一化到区间[0，1]以消除量纲影响，如下式：
根据信息熵定义计算各因子信息熵，定义中间量pij为归一化后xi′j占因子所在列的权重，如下式：
计算各因子的信息熵值，如下式：
其中，xij为原逆向因子，xi′j为正向化因子，n为样本总数，pij为中间量，Ej为各因子的信息熵值，ωj为因子熵权。
6.根据权利要求1-5任一项所述的多情景城市应急采样场所选址优化方法，其特征在于，所述采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果，具体包括：
对于由AOI获取的开敞公共空间，按照N×N网格的因子测度最高精度进行细分；
计算各最小网格的熵权总分，取最高分网格为候选面，处理得到AOI的选点结果；
获取有采样条件的POI，综合AOI与POI的选点结果作为应急采样点备选点；
根据昼夜两种情况下的各指标权重，将采样点选址相关指标连接到采样点上，从而得到每个应急采样点备选点的昼夜两种情况下各指标得分以及总分；
运用TOPSIS模型，按照总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果。
7.根据权利要求6所述的多情景城市应急采样场所选址优化方法，其特征在于，所述运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果，具体包括：
以最大化覆盖人数为目标函数，目标函数定义为：
约束函数定义为：
S(n)＝{m∈M∣dnm≤D}
p＝P÷C
xm和ynm都是决策变量，定义如下：
其中，M为应急采样点备选点m的集合；N为需求点n的集合；P为地区总人口；dnm为需求点n到候选点m的距离；D为采样点的要求服务半径；S(n)为可以覆盖需求点n的一组候选点集合；p为需要设置的采样点数目；C为采样点平均服务容量；
根据目标函数和约束函数，构建人口覆盖度模型，对初步选址结果进行人口大规模采样、居住人口大规模采样、工作人口常规采样、居住人口常规采样的目标导向，得到优化后的最终选址结果。
8.一种多情景城市应急采样场所选址优化系统，其特征在于，所述系统包括：
获取模块，用于获取目标城市的手机信令数据、兴趣点/兴趣面数据、基础地理信息数据、网络开源数据、土地利用数据，构成第一样本数据集；
预处理模块，用于对第一样本数据集进行预处理，得到第二样本数据集；
第一评价模块，用于对第二样本数据集进行进一步处理，形成采样点选址相关指标，并对采样点选址相关指标进行分级赋分，构成第三样本数据集；
计算模块，用于根据第三样本数据集，针对昼夜不同的人口密度指标评分，运用熵权法得到昼夜两种情况下的各指标权重，以构成应急采样点选址指标体系；
第二评价模块，用于采集应急采样点备选点数据，利用应急采样点选址指标体系，对应急采样点备选点进行赋分，并按照各项指标加权所得总分最优原则对应急采样点备选点进行排序，得到昼夜两种情况下的初步选址结果；
选址优化模块，用于运用人口覆盖度模型，对初步选址结果进行目标导向，得到优化后的最终选址结果。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7任一项所述的多情景城市应急采样场所选址优化方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的多情景城市应急采样场所选址优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211514535.1A CN115860213A (zh) | 2022-11-30 | 2022-11-30 | 多情景城市应急采样场所选址优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211514535.1A CN115860213A (zh) | 2022-11-30 | 2022-11-30 | 多情景城市应急采样场所选址优化方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115860213A true CN115860213A (zh) | 2023-03-28 |
Family
ID=85667981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211514535.1A Pending CN115860213A (zh) | 2022-11-30 | 2022-11-30 | 多情景城市应急采样场所选址优化方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860213A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010751A (zh) * | 2023-07-27 | 2023-11-07 | 华中科技大学 | 一种分圈层的都市圈土地利用韧性评估方法 |
-
2022
- 2022-11-30 CN CN202211514535.1A patent/CN115860213A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117010751A (zh) * | 2023-07-27 | 2023-11-07 | 华中科技大学 | 一种分圈层的都市圈土地利用韧性评估方法 |
| CN117010751B (zh) * | 2023-07-27 | 2024-03-22 | 华中科技大学 | 一种分圈层的都市圈土地利用韧性评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114742272B (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
| CN110428126B (zh) | 一种基于多源开放数据的城市人口空间化处理方法及系统 | |
| CN113139760B (zh) | 基于风雨大数据的台风风险综合评估方法及系统 | |
| CN110852577A (zh) | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 | |
| CN112990976B (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
| CN102750363B (zh) | 一种城市地理信息数据仓库的构建方法 | |
| CN108182196B (zh) | 一种基于poi的城市交通需求预测方法 | |
| CN112508332B (zh) | 一种顾及多维特征的渐进式乡村聚落整治分区方法 | |
| CN117575014B (zh) | 基于图卷积神经网络的土地利用结构模式层次挖掘方法 | |
| CN114444356A (zh) | 一种获取居民空间碳排放量的方法及装置 | |
| CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
| CN115860213A (zh) | 多情景城市应急采样场所选址优化方法、系统、设备及介质 | |
| CN115545543A (zh) | 多灾种集成的自然灾害风险评估分析系统 | |
| CN112950079B (zh) | 绿地供需数据处理方法、系统、计算机设备及存储介质 | |
| CN117522192B (zh) | 一种支持城市体检的智能出图与形成报告的方法及系统 | |
| CN117151499A (zh) | 一种国土空间规划的监测评估方法及系统 | |
| CN116822962A (zh) | 自然灾害经济综合风险评估方法 | |
| Liu et al. | An integrated method used to value recreation land–a case study of Sweden | |
| CN115905902A (zh) | 一种基于k-means聚类算法划分乡村景观生态敏感区的方法 | |
| CN115564090A (zh) | 教育设施选址与配置优化方法、系统、计算机设备及介质 | |
| CN113780880A (zh) | 一种基于空间代表性的pm2.5观测站点布局评价方法 | |
| Li et al. | Identifying urban form typologies in seoul with mixture model based clustering | |
| CN114357317B (zh) | 共享单车出行环境参数阈值探测方法、系统、设备及介质 | |
| CN117217550A (zh) | 盗窃犯罪空间边界影响因素测度与分析方法、系统及介质 | |
| LU505590B1 (en) | A digital identification method for cultural heritage communities |
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 |