CN115860305A - 一种面向地图导航的树木花粉暴露度最小路径预测方法 - Google Patents
一种面向地图导航的树木花粉暴露度最小路径预测方法 Download PDFInfo
- Publication number
- CN115860305A CN115860305A CN202310175254.6A CN202310175254A CN115860305A CN 115860305 A CN115860305 A CN 115860305A CN 202310175254 A CN202310175254 A CN 202310175254A CN 115860305 A CN115860305 A CN 115860305A
- Authority
- CN
- China
- Prior art keywords
- tree
- target city
- seed
- tree pollen
- 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
- 229940046536 tree pollen allergenic extract Drugs 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 74
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 239000012530 fluid Substances 0.000 claims description 41
- 241001632427 Radiola Species 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 12
- 241000894007 species Species 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 208000035285 Allergic Seasonal Rhinitis Diseases 0.000 description 1
- 241000287107 Passer Species 0.000 description 1
- 206010039085 Rhinitis allergic Diseases 0.000 description 1
- 206010048908 Seasonal allergy Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 201000010105 allergic rhinitis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 201000004338 pollen allergy Diseases 0.000 description 1
Images
Classifications
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向地图导航的树木花粉暴露度最小路径预测方法，包括：模拟建立目标城市的树木花粉浓度分布模拟情景库；获取目标城市的当前气象条件，基于树木花粉浓度分布模拟情景库，快速计算目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；采用加权图表示目标城市的路网，求出在所有连接起点和终点的路径中树木花粉暴露度较少的若干路径，供用户选择；其中，加权图采用目标城市的路网节点作为节点，加权图中节点与节点间的边的权重取值为对应路网位置行人高度处的树木花粉浓度的总和。本发明可帮助用户更科学地选择出行路径，为用户健康出行提供技术支撑。
Description
技术领域
本发明涉及交通规划技术领域，特别涉及一种面向地图导航的树木花粉暴露度最小路径预测方法。
背景技术
花粉过敏症的发病率占过敏性鼻炎患者的30%以上。城市内密布的树木花粉已经对城市的人居环境，尤其是城市内居民的出行造成较大影响。
既有地图导航技术主要关注通行的时间成本，即致力于发现用户所输入的起点与终点位置之间的通行时间最短的路径。然而，在一些情况下，通行时间最短的路径可能需要经过树木花粉高浓度区域，从而可能影响通行者的健康。因此，找到用户所输入的起点与终点位置之间树木花粉暴露性最小的路径，可以方便城市内居民更加科学地选择出行路径，对于居民的健康出行具有重要意义。然而，目前尚且缺少相关技术。
发明内容
本发明提供了一种面向地图导航的树木花粉暴露度最小路径预测方法，以找到用户所输入的起点与终点位置之间树木花粉暴露性最小的路径，方便城市内居民更加科学地选择出行路径，填补相关领域内的技术空白。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种面向地图导航的树木花粉暴露度最小路径预测方法，所述面向地图导航的树木花粉暴露度最小路径预测方法包括：
模拟建立目标城市的树木花粉浓度分布模拟情景库；
获取目标城市的当前气象条件，基于所述树木花粉浓度分布模拟情景库，计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；其中，所述行人高度指的是所述目标城市的居民平均呼吸高度；
基于树木花粉浓度在行人高度处的空间分布情况，采用加权图表示所述目标城市的路网，接收用户输入的起点和终点信息，求出在所有连接起点和终点的路径中树木花粉暴露度符合预设要求的至少一条路径，供用户进行选择；其中，所述加权图采用所述目标城市的路网节点作为节点，所述加权图中节点与节点之间的边的权重取值为对应路网位置行人高度处的树木花粉浓度的总和。
进一步地，所述模拟建立目标城市的树木花粉浓度分布模拟情景库，包括：
获取目标城市的数据；其中，所述目标城市的数据包括所述目标城市的建筑数据、树木数据和历史气象数据；
根据所述目标城市的历史气象数据建立种子情景库；其中，所述种子情景库中的每一种子情景分别表示一种风速与风向的组合；
根据所述目标城市的建筑数据和树木数据建立所述目标城市的计算流体力学模拟情景库；其中，所述计算流体力学模拟情景库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的城市风场数据，所述城市风场数据包括所述目标城市在树冠深度范围内的所有空间点位的风向数据和对应的风速数据；
基于所述计算流体力学模拟情景库，采用高斯烟羽模型对所述种子情景库中的所有种子情景进行树木花粉浓度空间分布模拟，得到各种子情景所对应的树木花粉浓度分布模拟情景，建立目标城市的树木花粉浓度分布模拟情景库。
进一步地，所述建筑数据包括建筑底面多边形每个角点的坐标数据和建筑高度数据，所述树木数据包括树木高度、树冠深度、树冠宽度以及树种信息，所述历史气象数据包括树木花粉季的预设高度处的历史风速数据。
进一步地，所述根据所述目标城市的历史气象数据建立种子情景库，包括：
根据所述历史气象数据筛选出所述目标城市在树木花粉季的预设高度处的最小风速和最大风速，以最小风速为下限、最大风速为上限确定风速区间；
以预设间隔对所述风速区间进行划分，将所述风速区间划分为多个小区间，取划分后的每个小区间的平均风速为相应小区间的特征风速；其中，每一个特征风速具备8种风向可能，即北、东北、东、东南、南、西南、西和西北；
将各特征风速与各风向进行组合，得到数量为特征风速数量与风向数量乘积的情景，这些情景即为种子情景，所有种子情景的组合即为种子情景库。
进一步地，所述根据所述目标城市的建筑数据和树木数据建立所述目标城市的计算流体力学模拟情景库，包括：
针对所述种子情景库中所有种子情景，分别根据所述目标城市的建筑数据和树木数据建立每一种子情景所对应的所述目标城市的计算流体力学模型，以构建出目标城市的计算流体力学模型库；其中，所述计算流体力学模型库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的计算流体力学模型；
基于所述计算流体力学模型库，通过每一种子情景对应的计算流体力学模型计算相应种子情景下的城市风场数据，模拟建立每一种子情景对应的目标城市的计算流体力学模拟情景，以构建出目标城市的计算流体力学模拟情景库。
进一步地，所述基于所述计算流体力学模拟情景库，采用高斯烟羽模型对所述种子情景库中的所有种子情景进行树木花粉浓度空间分布模拟，得到各种子情景所对应的树木花粉浓度分布模拟情景，建立目标城市的树木花粉浓度分布模拟情景库，包括：
根据所述树种信息，针对所述目标城市的全部树木，在每一树冠的高度方向上，以预设间距分别对每一个树冠的三维形状进行三维形状离散化，离散化为一系列三维几何体，将所述三维几何体的质心作为相应树木的花粉扩散源，得到包含所述目标城市中每一棵树木的花粉扩散源的花粉扩散源列表；
遍历所述种子情景库中的每一个种子情景，针对当前遍历到的情景，从所述计算流体力学模拟情景库中获取此情景对应的所述目标城市的每一棵树木的每一个花粉扩散源的风向数据和对应的风速数据，通过高斯烟羽模型计算在此情景下，所述目标城市在行人高度的所有空间点位的树木花粉浓度值；
在遍历完所述种子情景库中的所有种子情景后，建立目标城市的树木花粉浓度分布模拟情景库；其中，所述树木花粉浓度分布模拟情景库包括所述种子情景库中每一种子情景下目标城市在行人高度所有空间点位的树木花粉浓度值。
进一步地，所述当前气象条件包括预设高度处的当前风向和风速数据；
所述基于所述树木花粉浓度分布模拟情景库，计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况，包括：
根据当前气象条件，从所述种子情景库中寻找两个备选情景；所述备选情景为与当前气象条件的风向相同且预设高度处风速最为接近的两个情景；
从所述树木花粉浓度分布模拟情景库中获取每一所述备选情景的行人高度处树木花粉浓度分布模拟结果，基于模拟结果，通过线性内插方法计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况。
进一步地，所述通过线性内插方法计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况，包括：
通过预设间距将目标城市在行人高度处的平面离散化为一系列空间点位，遍历所有离散化后的空间点位，通过线性内插方法计算当前气象条件下每一个空间点位的树木花粉浓度，得到目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；其中，针对目标城市在行人高度处的任意一个空间点位，其在当前气象条件下的树木花粉浓度为其在两个备选情景中的树木花粉浓度的线性内插值，所述线性内插方法的计算公式如下：
其中，x, y, z表示待计算树木花粉浓度的空间点位的三维空间坐标；
表示在当前气象条件下的待计算树木花粉浓度的空间点位处的树木花粉浓度；
表示当前气象条件的预设高度处风速；
和
分别表示两个备选情景的预设高度处风速；
和
分别表示两个备选情景下的待计算树木花粉浓度的空间点位处的树木花粉浓度。
进一步地，所述求出在所有连接起点和终点的路径中树木花粉暴露度符合预设要求的至少一条路径，供用户进行选择，包括：
在所述加权图中为用户输入的起点和终点匹配对应节点；
采用Dijkstra算法求解所述加权图中所述起点对应的节点到所述终点对应的节点的最短路径，记为第一路径；
删除所述加权图中所述第一路径中除所述起点和所述终点以外的其他节点，更新所述加权图；
判断在更新后的加权图中所述起点与所述终点是否是连通的：若在更新后的加权图中所述起点与所述终点是连通的，则采用Dijkstra算法求解更新后的加权图中所述起点对应的节点到所述终点对应的节点的最短路径，记为第二路径，将所述第一路径和所述第二路径同时提供给用户选择；若在更新后的加权图中所述起点与所述终点不是连通的，则停止计算，仅将所述第一路径提供给用户。
进一步地，在所述加权图中为用户输入的起点和终点匹配对应节点，包括：
接收用户输入的起点和终点信息，若用户输入的起点或终点位于所述加权图中的原有节点，则无需对所述加权图进行处理；若用户输入的起点或终点位于所述加权图的某条边的非端点位置，则在所述加权图的此条边中添加表示所述起点或终点的节点，形成新的加权图；
所述加权图中节点与节点之间的边的权重通过以下公式进行计算：
其中，
为所述加权图中节点s到节点t的边的权重值；
为所述加权图中节点s到节点t的边所对应路网的长度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的第n个空间点位的树木花粉浓度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的空间点位的个数。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明通过构建目标城市的树木花粉浓度分布模拟情景库与线性内插方法，快速预测目标城市在当前气象条件下行人高度处的树木花粉浓度分布情况，进而计算出从用户所输入的起点到终点位置之间的树木花粉暴露性较小的若干条路径，帮助用户更加科学地选择出行路径，为用户的健康出行提供技术支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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获得其他的附图。
图1是本发明实施例提供的面向地图导航的树木花粉暴露度最小路径预测方法的执行流程示意图；
图2是本发明实施例提供的一真实城市区域的建筑几何外形数据和树木几何外形数据示意图；
图3是本发明实施例提供的一真实城市区域在某一代表性风向下所有情景的树木花粉浓度分布图；其中，（a）为西北风，1m/s情景下的树木花粉浓度分布图，（b）为西北风，3m/s情景下的树木花粉浓度分布图，（c）为西北风，5m/s情景下的树木花粉浓度分布图，（d）为西北风，7m/s情景下的树木花粉浓度分布图，（e）为西北风，9m/s情景下的树木花粉浓度分布图，（f）为西北风，11m/s情景下的树木花粉浓度分布图；
图4是本发明实施例提供的一真实城市区域在东南风2m/s的气象条件下的行人高度处树木花粉浓度分布示意图；
图5是本发明实施例提供的一真实城市区域在东南风2m/s的气象条件下从某起点到某终点的树木花粉暴露性较小的两条路径示意图；
图6是本发明实施例提供的一真实城市区域从某起点到某终点的距离最短路径示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种面向地图导航的树木花粉暴露度最小路径预测方法，该方法打破了以往地图导航技术以通行时间成本最低为主要评价指标的传统方式。关注不同通行路径的树木花粉暴露性风险，筛选出起点与终点之间的树木花粉暴露性较小的若干条路径供用户选择，帮助城市内居民更加科学地选择出行路径，为居民的健康出行提供技术支撑。
为实现上述目的，本实施例方法的执行流程如图1所示，包括以下步骤：
S1，模拟建立目标城市的树木花粉浓度分布模拟情景库；
具体地，在本实施例中，上述S1的实现过程如下：
S11，获取目标城市的数据；
其中，所述目标城市的数据包括所述目标城市的建筑数据、树木数据和历史气象数据；进一步地，所述建筑数据包括建筑底面多边形每个角点的坐标数据和建筑高度数据，所述树木数据包括树木高度、树冠深度、树冠宽度以及树种信息，所述历史气象数据包括树木花粉季的10m高度处的历史风速数据。
具体地，本实施例获取了一真实城市区域的619栋建筑和19740棵树木的数据。图2示出了本实施例所获取的建筑几何外形数据和树木几何外形数据。本实施例所提供的一真实城市区域的树木花粉季为每年的3月1日至5月31日，对此，获取了该真实城市从2012年至2021年的每年树木花粉季的气象数据。
S12，根据所述目标城市的历史气象数据建立种子情景库；其中，所述种子情景库中的每一种子情景分别表示一种风速与风向的组合，其建立过程具体为：
S121，根据所述历史气象数据筛选出目标城市在树木花粉季的10m高度处的最小风速和最大风速，以最小风速为下限、最大风速为上限确定风速区间；
S122，以2m/s为间隔对所述风速区间进行划分，将其划分为多个小区间，取划分后的每个小区间的平均风速为相应小区间的特征风速；其中，每一个特征风速具备8种风向可能，即北、东北、东、东南、南、西南、西和西北；
本实施例中，10m高度处最小风速为0m/s，10m高度处最大风速为12m/s，以2m/s为间隔对风速区间[0m/s, 12m/s]进行划分，得到6个小区间，即[0m/s, 2m/s]、(2m/s, 4m/s]、(4m/s, 6m/s]、(6m/s, 8m/s]、(8m/s, 10m/s]、(10m/s, 12m/s]，上述各个区间的特征风速分别为1m/s、3m/s、5m/s、7m/s、9m/s、11m/s。
S123，将各特征风速与各风向进行组合，得到数量为特征风速数量与风向数量乘积的情景，每一个特征风速与特定风向的组合，比如东南风5m/s，即为一个种子情景，所有种子情景的组合即为种子情景库。
具体地，本实施例的种子情景库共计包含6×8=48个情景。
S13，根据所述目标城市的建筑数据和树木数据建立所述目标城市的计算流体力学模拟情景库；其中，所述计算流体力学模拟情景库的建立过程具体如下：
S131，针对所述种子情景库中所有种子情景，分别根据目标城市的建筑数据和树木数据建立每一种子情景所对应的目标城市的计算流体力学模型，以构建出目标城市的计算流体力学模型库；其中，所述计算流体力学模型库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的计算流体力学模型；
S132，基于所述计算流体力学模型库，通过每一种子情景对应的计算流体力学模型计算相应种子情景下的城市风场数据，模拟建立每一种子情景对应的目标城市的计算流体力学模拟情景，以构建出目标城市的计算流体力学模拟情景库；所述计算流体力学模拟情景库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的城市风场数据，所述城市风场数据包括所述目标城市在树冠深度范围内的所有空间点位的风向数据和对应的风速数据。
S14，基于所述计算流体力学模拟情景库，采用高斯烟羽模型对所述种子情景库中的所有种子情景进行树木花粉浓度空间分布模拟，得到各种子情景所对应的树木花粉浓度分布模拟情景，建立目标城市的树木花粉浓度分布模拟情景库。其中，目标城市的树木花粉浓度分布模拟情景库的建立过程具体如下：
S141，根据所述树种信息，针对所述目标城市的全部树木，在每一树冠的高度方向上，以0.1m为间距分别对每一个树冠的三维形状进行三维形状离散化，离散化为一系列三维几何体，将所述三维几何体的质心作为相应树木的花粉扩散源，得到包含所述目标城市中每一棵树木的花粉扩散源的花粉扩散源列表；
S142，遍历所述种子情景库中的每一个种子情景，针对当前遍历到的情景，从所述计算流体力学模拟情景库中获取此情景对应的所述目标城市的每一棵树木的每一个花粉扩散源的风向数据和对应的风速数据，通过高斯烟羽模型计算在此情景下，所述目标城市在行人高度的所有空间点位的树木花粉浓度值；
S143，在遍历完所述种子情景库中的所有种子情景后，建立目标城市的树木花粉浓度分布模拟情景库；其中，树木花粉浓度分布模拟情景库包括所述种子情景库中每一情景下目标城市在行人高度所有空间点位的树木花粉浓度值。
其中，在本实施例中，所述树木花粉浓度分布模拟情景库涵盖了所述种子情景库中的所有48个情景。为简洁描述，本实施例并未选择将所述树木花粉浓度分布模拟情景库中的所有情景结果都展示出来，而是通过图3展示了所述树木花粉浓度分布模拟情景库中某一代表性风向下的所有情景结果。其中，图3中白色块体代表建筑，平面内颜色的深浅代表树木花粉浓度相对值的高低。
S2，获取目标城市的当前气象条件，基于所述树木花粉浓度分布模拟情景库，快速计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；
其中，所述行人高度指的是目标城市的居民平均呼吸高度；在本实施例中，行人高度取本实施例所提供的一个真实城市区域的居民平均呼吸高度1.5m。所述当前气象条件包括目标城市的气象站测得的10m高度处风向和风速数据；
具体地，在本实施例中，计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况的过程如下：
S21，根据当前气象条件，从所述种子情景库中寻找两个备选情景；
其中，所述备选情景为风向与当前气象条件的风向相同，10m高度处风速与当前气象条件的风速最为接近的两个情景。本实施例中，设定当前气象条件为东南风2m/s。两个备选情景分别为东南风1m/s的情景和东南风3m/s的情景。
S22，从所述树木花粉浓度分布模拟情景库中获取每一所述备选情景的行人高度处树木花粉浓度分布模拟结果，基于模拟结果，通过线性内插方法快速计算目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况。
其中，通过线性内插方法快速计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况的计算过程如下：
通过0.5m间距将目标城市在行人高度处的平面离散化为一系列空间点位，遍历所有离散化后的空间点位，通过线性内插方法计算当前气象条件下每一个空间点位的树木花粉浓度，得到目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；其中，针对目标城市在行人高度处的任意一个空间点位，其在当前气象条件下的树木花粉浓度为该空间点位在两个备选情景中的树木花粉浓度的线性内插值，所述线性内插方法包括公式（1）和公式（2）：
其中，x, y, z表示待计算树木花粉浓度的空间点位的三维空间坐标；
表示在当前气象条件下的待计算树木花粉浓度的空间点位处的树木花粉浓度；
表示当前气象条件的10m高度处风速；
和
分别表示两个备选情景的10m高度处风速；
和
分别表示两个备选情景下的待计算树木花粉浓度的空间点位处的树木花粉浓度。
其中，图4为本实施例所提供的一真实城市区域在东南风2m/s的气象条件下的行人高度处树木花粉浓度分布示意图。其中，图4中的白色块体代表建筑，平面内颜色的深浅代表树木花粉浓度相对值的高低。
S3，基于树木花粉浓度在行人高度处的空间分布情况，采用加权图表示所述目标城市的路网，接收用户输入的起点和终点信息，求出在所有连接起点和终点的路径中树木花粉暴露度较小的至少一条路径，供用户进行选择；
其中，所述加权图采用目标城市的路网节点作为节点，所述加权图中节点与节点之间的边的权重取值为对应路网位置行人高度处的树木花粉浓度的总和。
具体地，在本实施例中，上述S3的实现过程如下：
S31，在所述加权图中为用户输入的起点和终点匹配对应节点；匹配方式为：
接收用户输入的起点和终点信息，若用户输入的起点或终点位于所述加权图中的原有节点，则无需对所述加权图进行处理；若用户输入的起点或终点位于所述加权图的某条边的非端点位置，则在所述加权图的此条边中添加表示所述起点或终点的节点，形成新的加权图；
所述加权图中节点与节点之间的边的权重通过以下公式进行计算：
其中，
为所述加权图中节点s到节点t的边的权重值；
为所述加权图中节点s到节点t的边所对应路网的长度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的第n个空间点位的树木花粉浓度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的空间点位的个数。
S32，采用Dijkstra算法求解所述加权图中所述起点对应的节点到所述终点对应的节点的最短路径，此最短路径即为从所述起点到所述终点的树木花粉暴露性最小路径，记为第一路径；
S33，删除所述加权图中所述第一路径中除所述起点和所述终点以外的其他节点，更新所述加权图；
S34，判断在更新后的加权图中所述起点与所述终点是否是连通的：若在更新后的加权图中所述起点与所述终点是连通的，则采用Dijkstra算法求解更新后的加权图中所述起点对应的节点到所述终点对应的节点的最短路径，将此路径作为树木花粉暴露性最小路径的备选路径，记为第二路径，将所述第一路径和所述第二路径同时提供给用户进行选择；若在更新后的加权图中所述起点与所述终点不是连通的，则停止计算，仅将所述第一路径提供给用户。
图5为本实施例所提供的一真实城市区域在东南风2m/s的气象条件下从某起点到某终点的树木花粉暴露性较小的两条路径示意图。其中，路径1为树木花粉暴露性最小路径。作为对比，图6展示了本实施例所提供的一真实城市区域从某起点到某终点的距离最短路径。图6中距离最短路径的树木花粉暴露性风险约为图5中路径1的树木花粉暴露性风险的2倍。
综上，本实施例提供了一种面向地图导航的树木花粉暴露度最小路径预测方法，突破了既有地图导航技术以通行时间成本最低为主要评价指标的局限，通过量化评价不同通行路径的树木花粉暴露性风险，筛选出起点与终点之间的树木花粉暴露性较小的若干条路径供用户选择，从而可帮助城市内居民更加科学地选择出行路径，进而为居民的健康出行提供技术支撑，具有重大应用前景。
第二实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第三实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述面向地图导航的树木花粉暴露度最小路径预测方法包括：
模拟建立目标城市的树木花粉浓度分布模拟情景库；
获取目标城市的当前气象条件，基于所述树木花粉浓度分布模拟情景库，计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；其中，所述行人高度指的是所述目标城市的居民平均呼吸高度；
基于树木花粉浓度在行人高度处的空间分布情况，采用加权图表示所述目标城市的路网，接收用户输入的起点和终点信息，求出在所有连接起点和终点的路径中树木花粉暴露度符合预设要求的至少一条路径，供用户进行选择；其中，所述加权图采用所述目标城市的路网节点作为节点，所述加权图中节点与节点之间的边的权重取值为对应路网位置行人高度处的树木花粉浓度的总和。
2.如权利要求1所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述模拟建立目标城市的树木花粉浓度分布模拟情景库，包括：
获取目标城市的数据；其中，所述目标城市的数据包括所述目标城市的建筑数据、树木数据和历史气象数据；
根据所述目标城市的历史气象数据建立种子情景库；其中，所述种子情景库中的每一种子情景分别表示一种风速与风向的组合；
根据所述目标城市的建筑数据和树木数据建立所述目标城市的计算流体力学模拟情景库；其中，所述计算流体力学模拟情景库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的城市风场数据，所述城市风场数据包括所述目标城市在树冠深度范围内的所有空间点位的风向数据和对应的风速数据；
基于所述计算流体力学模拟情景库，采用高斯烟羽模型对所述种子情景库中的所有种子情景进行树木花粉浓度空间分布模拟，得到各种子情景所对应的树木花粉浓度分布模拟情景，建立目标城市的树木花粉浓度分布模拟情景库。
3.如权利要求2所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述建筑数据包括建筑底面多边形每个角点的坐标数据和建筑高度数据，所述树木数据包括树木高度、树冠深度、树冠宽度以及树种信息，所述历史气象数据包括树木花粉季的预设高度处的历史风速数据。
4.如权利要求3所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述根据所述目标城市的历史气象数据建立种子情景库，包括：
根据所述历史气象数据筛选出所述目标城市在树木花粉季的预设高度处的最小风速和最大风速，以最小风速为下限、最大风速为上限确定风速区间；
以预设间隔对所述风速区间进行划分，将所述风速区间划分为多个小区间，取划分后的每个小区间的平均风速为相应小区间的特征风速；其中，每一个特征风速具备8种风向可能，即北、东北、东、东南、南、西南、西和西北；
将各特征风速与各风向进行组合，得到数量为特征风速数量与风向数量乘积的情景，这些情景即为种子情景，所有种子情景的组合即为种子情景库。
5.如权利要求3所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述根据所述目标城市的建筑数据和树木数据建立所述目标城市的计算流体力学模拟情景库，包括：
针对所述种子情景库中所有种子情景，分别根据所述目标城市的建筑数据和树木数据建立每一种子情景所对应的所述目标城市的计算流体力学模型，以构建出目标城市的计算流体力学模型库；其中，所述计算流体力学模型库包括所述目标城市在所述种子情景库所涵盖的所有种子情景下的计算流体力学模型；
基于所述计算流体力学模型库，通过每一种子情景对应的计算流体力学模型计算相应种子情景下的城市风场数据，模拟建立每一种子情景对应的目标城市的计算流体力学模拟情景，以构建出目标城市的计算流体力学模拟情景库。
6.如权利要求3所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述基于所述计算流体力学模拟情景库，采用高斯烟羽模型对所述种子情景库中的所有种子情景进行树木花粉浓度空间分布模拟，得到各种子情景所对应的树木花粉浓度分布模拟情景，建立目标城市的树木花粉浓度分布模拟情景库，包括：
根据所述树种信息，针对所述目标城市的全部树木，在每一树冠的高度方向上，以预设间距分别对每一个树冠的三维形状进行三维形状离散化，离散化为一系列三维几何体，将所述三维几何体的质心作为相应树木的花粉扩散源，得到包含所述目标城市中每一棵树木的花粉扩散源的花粉扩散源列表；
遍历所述种子情景库中的每一个种子情景，针对当前遍历到的情景，从所述计算流体力学模拟情景库中获取此情景对应的所述目标城市的每一棵树木的每一个花粉扩散源的风向数据和对应的风速数据，通过高斯烟羽模型计算在此情景下，所述目标城市在行人高度的所有空间点位的树木花粉浓度值；
在遍历完所述种子情景库中的所有种子情景后，建立目标城市的树木花粉浓度分布模拟情景库；其中，所述树木花粉浓度分布模拟情景库包括所述种子情景库中每一种子情景下目标城市在行人高度所有空间点位的树木花粉浓度值。
7.如权利要求2所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述当前气象条件包括预设高度处的当前风向和风速数据；
所述基于所述树木花粉浓度分布模拟情景库，计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况，包括：
根据当前气象条件，从所述种子情景库中寻找两个备选情景；所述备选情景为与当前气象条件的风向相同且预设高度处风速最为接近的两个情景；
从所述树木花粉浓度分布模拟情景库中获取每一所述备选情景的行人高度处树木花粉浓度分布模拟结果，基于模拟结果，通过线性内插方法计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况。
8.如权利要求7所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述通过线性内插方法计算所述目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况，包括：
通过预设间距将目标城市在行人高度处的平面离散化为一系列空间点位，遍历所有离散化后的空间点位，通过线性内插方法计算当前气象条件下每一个空间点位的树木花粉浓度，得到目标城市在当前气象条件下的树木花粉浓度在行人高度处的空间分布情况；其中，针对目标城市在行人高度处的任意一个空间点位，其在当前气象条件下的树木花粉浓度为其在两个备选情景中的树木花粉浓度的线性内插值，所述线性内插方法的计算公式如下：
其中，x, y, z表示待计算树木花粉浓度的空间点位的三维空间坐标；
表示在当前气象条件下的待计算树木花粉浓度的空间点位处的树木花粉浓度；
表示当前气象条件的预设高度处风速；
和
分别表示两个备选情景的预设高度处风速；
和
分别表示两个备选情景下的待计算树木花粉浓度的空间点位处的树木花粉浓度。
9.如权利要求1所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，所述求出在所有连接起点和终点的路径中树木花粉暴露度符合预设要求的至少一条路径，供用户进行选择，包括：
在所述加权图中为用户输入的起点和终点匹配对应节点；
采用Dijkstra算法求解所述加权图中所述起点对应的节点到所述终点对应的节点的最短路径，记为第一路径；
删除所述加权图中所述第一路径中除所述起点和所述终点以外的其他节点，更新所述加权图；
判断在更新后的加权图中所述起点与所述终点是否是连通的：若在更新后的加权图中所述起点与所述终点是连通的，则采用Dijkstra算法求解更新后的加权图中所述起点对应的节点到所述终点对应的节点的最短路径，记为第二路径，将所述第一路径和所述第二路径同时提供给用户选择；若在更新后的加权图中所述起点与所述终点不是连通的，则停止计算，仅将所述第一路径提供给用户。
10.如权利要求9所述的面向地图导航的树木花粉暴露度最小路径预测方法，其特征在于，在所述加权图中为用户输入的起点和终点匹配对应节点，包括：
接收用户输入的起点和终点信息，若用户输入的起点或终点位于所述加权图中的原有节点，则无需对所述加权图进行处理；若用户输入的起点或终点位于所述加权图的某条边的非端点位置，则在所述加权图的此条边中添加表示所述起点或终点的节点，形成新的加权图；
所述加权图中节点与节点之间的边的权重通过以下公式进行计算：
其中，
为所述加权图中节点s到节点t的边的权重值；
为所述加权图中节点s到节点t的边所对应路网的长度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的第n个空间点位的树木花粉浓度；
为所述加权图中节点s到节点t的边所对应路网位置的行人高度处的空间点位的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310175254.6A CN115860305B (zh) | 2023-02-28 | 2023-02-28 | 一种面向地图导航的树木花粉暴露度最小路径预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310175254.6A CN115860305B (zh) | 2023-02-28 | 2023-02-28 | 一种面向地图导航的树木花粉暴露度最小路径预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115860305A true CN115860305A (zh) | 2023-03-28 |
| CN115860305B CN115860305B (zh) | 2023-05-05 |
Family
ID=85659340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310175254.6A Active CN115860305B (zh) | 2023-02-28 | 2023-02-28 | 一种面向地图导航的树木花粉暴露度最小路径预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860305B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| US20140095123A1 (en) * | 2012-09-28 | 2014-04-03 | Gopal Patnaik | Apparatus system and method of depicting plume arrival times |
| CN104217126A (zh) * | 2014-09-17 | 2014-12-17 | 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 |
| WO2017187064A1 (fr) * | 2016-04-26 | 2017-11-02 | Renault S.A.S | Procédé de calcul d'un trajet á emprunter |
| CN111582580A (zh) * | 2020-05-08 | 2020-08-25 | 北京交通大学 | 一种考虑人群污染物暴露的出行路径规划方法 |
| US20210125035A1 (en) * | 2019-10-28 | 2021-04-29 | International Business Machines Corporation | Cognitive decision platform for honey value chain |
| CN114399100A (zh) * | 2021-12-30 | 2022-04-26 | 湘潭大学 | 结合空间浓度势场和毒性负荷的应急路径规划方法和系统 |
| CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 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 |
-
2023
- 2023-02-28 CN CN202310175254.6A patent/CN115860305B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005172442A (ja) * | 2003-12-08 | 2005-06-30 | Mitsubishi Heavy Ind Ltd | 大気汚染物質の濃度予測方法、装置、並びにプログラム及び大気汚染物質の濃度予測情報提供装置 |
| US20140095123A1 (en) * | 2012-09-28 | 2014-04-03 | Gopal Patnaik | Apparatus system and method of depicting plume arrival times |
| CN104217126A (zh) * | 2014-09-17 | 2014-12-17 | 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 |
| WO2017187064A1 (fr) * | 2016-04-26 | 2017-11-02 | Renault S.A.S | Procédé de calcul d'un trajet á emprunter |
| US20210125035A1 (en) * | 2019-10-28 | 2021-04-29 | International Business Machines Corporation | Cognitive decision platform for honey value chain |
| CN111582580A (zh) * | 2020-05-08 | 2020-08-25 | 北京交通大学 | 一种考虑人群污染物暴露的出行路径规划方法 |
| CN114399100A (zh) * | 2021-12-30 | 2022-04-26 | 湘潭大学 | 结合空间浓度势场和毒性负荷的应急路径规划方法和系统 |
| CN114993336A (zh) * | 2022-07-18 | 2022-09-02 | 山东建筑大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 于谦;李克南;钱少华;高尚欣;伊振鹏;: "不同出行方式颗粒污染物吸入量分析及应用开发" * |
| 夏吉品;邹滨;杨忠霖;李沈鑫;: "室外空气污染暴露规避健康路径规划服务" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115860305B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018214060A1 (zh) | 一种城市小尺度空气质量指数预测方法与系统 | |
| Wang et al. | A systematic method to develop three dimensional geometry models of buildings for urban building energy modeling | |
| US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
| Suder et al. | Determination of ventilation channels in urban area: a case study of Wrocław (Poland) | |
| Rodler et al. | Local climate zone approach on local and micro scales: Dividing the urban open space | |
| KR101943758B1 (ko) | 도시내 위험물질 확산에 따른 보행자환경에서의 위험영향 평가 방법 및 장치 | |
| Pokonieczny et al. | Method of developing the maps of passability for unmanned ground vehicles | |
| Yusoff et al. | City skyline conservation: sustaining the premier image of Kuala Lumpur | |
| CN111815117B (zh) | 一种基于Grasshopper平台城市易涝程度模拟评价方法 | |
| CN115935855A (zh) | 基于优化树木花粉浓度指标的城市绿化方法及装置 | |
| JP6600615B2 (ja) | クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム | |
| JP4206024B2 (ja) | 大気物質指標分布解析装置 | |
| Di Benedetto et al. | Integration of LiDAR data into a regional topographic database for the generation of a 3D city model | |
| Sipahioğlu et al. | Scenario-Based Cellular Automata and Artificial Neural Networks in Urban Growth Modeling | |
| CN113506371A (zh) | 街区尺度气候图绘制方法、装置、电子设备及存储介质 | |
| CN113936265A (zh) | 基于建筑总平面定位图的停车位自动识别方法 | |
| CN115860305B (zh) | 一种面向地图导航的树木花粉暴露度最小路径预测方法 | |
| US11468593B2 (en) | Method and system for creating ground control point within spatial area | |
| Bac-Bronowicz et al. | Regionalization of geographical space according to selected topographic factors in reference to spatial distribution of precipitation: application of artificial neural networks in GIS | |
| Bianchi et al. | An innovational digital tool in GIS procedure: Mapping adriatic coast in abruzzo region to support design of slow mobility routes | |
| CN109376638A (zh) | 一种基于遥感图像和地理信息系统的文地率计算方法 | |
| Costache et al. | The touristic accessibility in the Hunedoara county in terms of road network | |
| Khodnenko et al. | Walking distance estimation using multi-agent simulation of pedestrian flows | |
| Nita et al. | Assessment of the exposure of tourism-related landscape values of the Silesian Beskids based on computer visualization | |
| Heyns | Reduced target-resolution strategy for rapid multi-observer site location optimisation |
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 |