CN116934073B - 基于时空活动分析的城市灾害韧性精细化测算方法 - Google Patents
基于时空活动分析的城市灾害韧性精细化测算方法 Download PDFInfo
- Publication number
- CN116934073B CN116934073B CN202310674845.8A CN202310674845A CN116934073B CN 116934073 B CN116934073 B CN 116934073B CN 202310674845 A CN202310674845 A CN 202310674845A CN 116934073 B CN116934073 B CN 116934073B
- Authority
- CN
- China
- Prior art keywords
- population
- disaster
- community space
- determining
- change rate
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims description 38
- 230000008859 change Effects 0.000 claims abstract description 196
- 230000011664 signaling Effects 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000011084 recovery Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 abstract description 12
- 239000000284 extract Substances 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000012571 Ficus glomerata Nutrition 0.000 description 2
- 244000153665 Ficus glomerata Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于时空活动分析的城市灾害韧性精细化测算方法,所述方法通过将目标城市划分为若干社区空间网格;获取目标城市中人员的手机信令,根据手机信令的位置信息和社区空间网格确定各社区空间网格的人口动态变化数据;根据各人口动态变化数据,绘制灾害时间段内各社区空间网格的人口变化率曲线;根据各人口变化率曲线,确定各社区空间网格的灾害承载力;获取预设映射关系,根据各灾害承载力和预设映射关系,确定各社区空间网格的灾害韧性程度。本发明基于长时序的手机信令时空数据,从灾害期间居民时空活动动态变化特征中提取韧性信息并构建精细化测度方法,有效地解决了既有的城市韧性测度方法时空精细度不足的问题。
Description
技术领域
本发明涉及信息技术领域,尤其涉及的是一种基于时空活动分析的城市灾害韧性精细化测算方法。
背景技术
气候变化导致城市自然灾害频发,灾害韧性不足的问题凸显,灾害韧性测度是韧性提升的治理政策、相关规划编制与设计策略制定的重要科学依据。一般来说,控制性详细规划与社区空间治理等规划设计实践需要将韧性测度方法的空间精度提升至社区级别并反映其时间维度的灾害恢复特征信息。而既有的城市韧性测度方法多基于以行政区为空间单位、以季度或年份为时间单位的截面数据构建指标体系,主要面向城市总体规划与宏观治理,存在时空精细度不足的问题,无法精细化测算受灾城市的城市灾害韧性。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于时空活动分析的城市灾害韧性精细化测算方法,旨在解决现有技术中存在时空精细度不足的问题,无法精细化测算受灾城市的城市灾害韧性。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于时空活动分析的城市灾害韧性精细化测算方法,其中,所述方法包括:
将目标城市划分为若干社区空间网格;
获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据;
根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线;
根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力;
获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度。
在一种实施方法中,所述根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据,包括:
根据所述位置信息和所述社区空间网格确定网格人口动态变化数据;
获取第一预设时间段;
获取第一预设时间段内各所述社区空间网格的人员活动轨迹;
根据所述人员活动轨迹,确定所述社区空间网格的所述人口动态变化数据。
在一种实施方法中,所述根据所述位置信息和所述社区空间网格确定网格人口动态变化数据,包括:
根据所述位置信息,获取所述目标城市的微观人口动态活动数据,其中,所述微观人口动态活动数据包括所述人员在所述目标城市中的地理坐标;
根据所述微观人口动态活动数据和所述社区空间网格,确定初始网格人口动态变化数据,其中,所述初始网格人口动态变化数据为所述目标城市中人员在各所述社区空间网格中的分布情况;
对所述初始网格人口动态变化数据进行预处理,得到所述网格人口动态变化数据。
在一种实施方法中,所述根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线,包括:
获取第二预设时间段,根据所述第二预设时间段和所述第二预设时间段内各所述人口动态变化数据,计算各所述社区空间网格对应的人口平均数量;
根据各所述人口平均数量和所述灾害时间段内各所述社区空间网格每天的人口动态变化数据,计算所述灾害时间段内各所述社区空间网格每天的人口变化率;
根据各所述人口变化率,绘制所述灾害时间段内各所述社区空间网格对应的所述人口变化率曲线。
在一种实施方法中,所述根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力,包括:
根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间;
获取各所述社区空间网格对应的初始人口变化率曲线;
根据各所述初始人口变化率曲线、各所述灾害复原时间以及各所述人口变化率曲线,确定各所述社区空间网格对应的所述灾害承载力。
在一种实施方法中,所述根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间,包括:
获取各所述人口变化率曲线中最高点对应的第一时刻和所述人口变化率曲线的平衡点对应的第二时刻,其中,所述平衡点表示所述人口变化率曲线的幅值的变化在预设范围内;
根据各所述第一时刻和各所述第二时刻,确定各所述社区空间网格对应的所述灾害复原时间。
在一种实施方法中,所述方法还包括:
对各所述人口变化率曲线采用层次凝聚聚类算法,得到若干人口变化聚类;
根据各所述人口变化聚类,确定各所述人口变化聚类对应的灾害恢复模式;
根据各所述灾害恢复模式,制定各所述灾害恢复模式分别对应的韧性提升策略。
第二方面,本发明实施例还提供一种基于时空活动分析的城市灾害韧性精细化测算装置,其中,所述基于时空活动分析的城市灾害韧性精细化测算装置包括:
网格划分模块,用于将目标城市划分为若干社区空间网格;
数据确定模块,用于获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据;
曲线绘制模块,用于根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线;
灾害承载力确定模块,用于根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力;
灾害韧性程度确定模块,用于获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度。
第三方面,本发明实施例还提供一种终端,其特征在于,所述终端包括有存储器和一个以上处理器;所述存储器存储有一个以上的程序;所述程序包含用于执行如上述任一所述的基于时空活动分析的城市灾害韧性精细化测算方法的指令;所述处理器用于执行所述程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适用于由处理器加载并执行,以实现上述任一所述的基于时空活动分析的城市灾害韧性精细化测算方法。
本发明的有益效果:本发明实施例通过将目标城市划分为若干社区空间网格;获取目标城市中人员的手机信令,根据手机信令的位置信息和社区空间网格确定各社区空间网格的人口动态变化数据;根据各人口动态变化数据,绘制灾害时间段内各社区空间网格的人口变化率曲线;根据各人口变化率曲线,确定各社区空间网格的灾害承载力;获取预设映射关系,根据各灾害承载力和预设映射关系,确定各社区空间网格的灾害韧性程度。本发明基于长时序的手机信令时空数据,从灾害期间居民时空活动动态变化特征中提取韧性信息并构建精细化测度方法,有效地解决了既有的城市韧性测度方法时空精细度不足的问题。
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中记载的一些实施例,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基于时空活动分析的城市灾害韧性精细化测算方法的流程示意图。
图2是本发明实施例提供的基于时空活动分析的城市灾害韧性精细化测算装置的内部模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了基于时空活动分析的城市灾害韧性精细化测算方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
气候变化导致城市自然灾害频发,灾害韧性不足的问题凸显,灾害韧性测度是韧性提升的治理政策、相关规划编制与设计策略制定的重要科学依据。一般来说,控制性详细规划与社区空间治理等规划设计实践需要将韧性测度方法的空间精度提升至社区级别并反映其时间维度的灾害恢复特征信息。而既有的城市韧性测度方法多基于以行政区为空间单位、以季度或年份为时间单位的截面数据构建指标体系,主要面向城市总体规划与宏观治理,存在时空精细度不足的问题,无法精细测算受灾城市的城市灾害韧性。
针对现有技术的上述缺陷,本发明提供一种基于时空活动分析的城市灾害韧性精细化测算方法,所述方法通过将目标城市划分为若干社区空间网格;获取目标城市中人员的手机信令,根据手机信令的位置信息和社区空间网格确定各社区空间网格的人口动态变化数据;根据各人口动态变化数据,绘制灾害时间段内各社区空间网格的人口变化率曲线;根据各人口变化率曲线,确定各社区空间网格的灾害承载力;获取预设映射关系,根据各灾害承载力和预设映射关系,确定各社区空间网格的灾害韧性程度。本发明基于长时序的手机信令时空数据,从灾害期间居民时空活动动态变化特征中提取韧性信息并构建精细化测度方法,有效地解决了既有的城市韧性测度方法时空精细度不足的问题。
示例性方法
如图1所示,所述方法包括:
步骤S100、将目标城市划分为若干社区空间网格。
具体地,为了精细化探索不同社区、不同用地类型、不同社会群体的韧性差异,将目标城市划分为若干社区空间网格。本实施例中将目标城市划分为1km*1km的社区空间网格,以实现城市的详细规划和控制。
如图1所示,所述方法还包括如下步骤:
步骤S200、获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据。
具体地,本实施例通过获取目标城市中人员的手机信令,手机信令中携带有用户当前的位置信息。手机信令每隔一定的时间段获取一次,例如每半小时或者每隔15分钟获取一次。根据手机信令中的位置信息和社区空间网格的划分,即可确定各社区空间网格的人口动态变化数据。其中,人口动态变化数据用来描述人员在某一时间段内在各社区空间网格的动态分布情况。由于人员是可以在社区空间网格中活动的,因此,根据时间和所发生事件的不同,人口动态变化数据也会相应的发生变化。本实施例通过获取目标城市中人员的手机信令,并通过手机信令对应的位置信息在一定时间范围内的出现频率和社区空间网格来确定该时间段内社区空间内的人口数量,并呈现社区空间网格在各个时间段的人口变动,以较高的时空分辨率动态呈现城市空间灾害恢复全过程。
在一种实现方式中,所述根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据,包括:
步骤S201、根据所述位置信息和所述社区空间网格确定网格人口动态变化数据;
步骤S202、获取第一预设时间段;
步骤S203、获取第一预设时间段内各所述社区空间网格的人员活动轨迹;
步骤S204、根据所述人员活动轨迹,确定所述社区空间网格的人口动态变化数据。
具体地,本实施例首先根据手机信令对应的位置信息和社区空间网格确定网格人口动态变化数据,网格人口动态变化数据表示在获取手机信令的某一时刻,目标城市中人员各网格中的分布情况。为了能够确定各社区空间网格中人口的居住情况或者人员固定的生活区域,本实施例通过设置第一预设时间段,通过获取第一预设时间段内各社区空间网格的人员活动轨迹,将人员活动轨迹与社区空间网格进行耦合,从而根据社区空间网格的人员活动轨迹确定社区空间网格的人口动态变化数据,其中,人口动态边变化数据为第一预设时间段内各社区空间网格的人口数据。一般来说,第一预设时间段可以设置为周一到周五的晚9点到早7点的数据,以保证数据能够反映人员的主要生活区域。
本实施例中,用argmax值来表征每个手机用户当日的主要活动区域,即用户每日最经常到访的社区空间网格。用向量<p,tp>表征每一个ping,其中p表示一个设备在tp时间的社区空间网格坐标。用户的活动区域可以用如下公式表征:
其中Hu,dn是用户u在第n天的主要活动网格,Pu是所有用户u到访过的社区空间网格坐标。
在一种实现方式中,所述根据所述位置信息和所述社区空间网格确定网格人口动态变化数据,包括:
步骤S2011、根据所述位置信息,获取所述目标城市的微观人口动态活动数据,其中,所述微观人口动态活动数据包括所述人员在所述目标城市中的地理坐标;
步骤S2012、根据所述微观人口动态活动数据和所述社区空间网格,确定初始网格人口动态变化数据,其中,所述初始网格人口动态变化数据为所述目标城市中人员在各所述社区空间网格中的分布情况;
步骤S2013、对所述初始网格人口动态变化数据进行预处理,得到网格人口动态变化数据。
具体地,为了得到网格人口动态变化数据,本实施例根据手机信令获取目标城市的微观人口动态活动数据,其中,微观人口动态活动数据包括人员在目标城市中的地理坐标。由于微观人口动态活动数据中包括人员的地理坐标,则根据该地理坐标和社区空间网格进行匹配,确定人员位于哪一个社区空间网格,得到初始网格人口动态变化数据。另外,为了保护人员的位置信息,本实施例对初始网格人口动态变化数据进行预处理操作,删除掉人员位置信息,实现对人员的个人信息的保护。
本实施例中,对初始网格人口动态变化数据进行预处理以统一格式并删除采用无标签id的设备信息。为统一个设备信息汇报周期并保护人员的位置信息,ping坐标信息手机时间间隔设定为每半时并整合如各社区空间网格坐标中。根据高速公路主干道的地理信息坐标,通过系统设置删除掉相关的ping坐标数据。
如图1所示,所述方法还包括如下步骤:
步骤S300、根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线。
简单来说,为了观察灾害发生期间,各社区空间网格人员数量的变化情况,本实施例根据各社区空间网格的人口动态变化数据,绘制各个社区空间网格在灾害时间段内的人口变化率曲线。
在一种实现方式中,所述根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线,包括:
步骤S301、获取第二预设时间段,根据所述第二预设时间段和所述第二预设时间段内各所述人口动态变化数据,计算各所述社区空间网格对应的人口平均数量;
步骤S302、根据各所述人口平均数量和所述灾害时间段内各所述社区空间网格每天的人口动态变化数据,计算所述灾害时间段内各所述社区空间网格每天的人口变化率;
步骤S303、根据各所述人口变化率,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线。
具体地,为了观察灾害发生期间的人口数量变化,需要获取各社区空间网格在灾害发生前的人口基准线。人口基准线可以为灾害发生前每个社区空间网格在一定时间段内的人口平均数量。本实施例通过获取第二预设时间段,根据第二预设时间段和第二预设时间段内各社区空间网格的人口动态变化数据,计算每个社区空间网格对应的人口平均数量,即每个社区空间网格对应的人口基准线,其中,第二预设时间段为灾害发生前,且与灾害发生时间段相邻的时间段。例如,获取各社区空间网格在灾害发生前15日间的人口动态变化数据,计算人口平均数量作为该社区空间网格的人口基准线。在得到每个社区空间网格的人口平均数量后,获取灾害时间段每个社区空间网格每天的人口动态变化数据,计算人口动态变化数据与人口平均数量之间的差值,并将该差值除以人口平均数量,即可得到各社区空间网格每天的人口变化率。根据灾害时间段和各社区空间网格每天的人口变化率,绘制人口变化率曲线。人口变化率曲线的横坐标为时间,纵坐标为人口变化率。本实施例通过获取灾害发生前的时间段作为第二预设时间段,根据第二预设时间段的人口动态分布数量计算人口平均数量,能够准确反映每个社区空间网格的人口基准线,从而判断在灾害发生时,人口的变化情况。
如图1所示,所述方法还包括如下步骤:
步骤S400、根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力。
简单来说,灾害承载力为社区空间网格承受灾害的能力。承受灾害的能力越强,则灾害对人口居住的影响越小,人口数量变化越小,反之,承受灾害能力越差,则灾害对人口居住的影响越大,人口数量变化越大。因此可以根据人口随着时间的变化程度来判断该社区空间网格的灾害承载力。本实施例通过对人口变化率曲线进行积分,根据积分结果来确定灾害承载力。
在一种实现方式中,所述步骤S400具体包括:
步骤S401、根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间;
步骤S402、获取各所述社区空间网格对应的初始人口变化率曲线;
步骤S403、根据各所述初始人口变化率曲线、各所述灾害复原时间以及各所述人口变化率曲线,确定各所述社区空间网格对应的所述灾害承载力。
具体地,根据各社区空间网格对应的人口变化率曲线,确定各社区空间网格对应的灾害复原时间,其中,灾害复原时间表示从社区空间网格从灾害最大影响日期到社区空间网格恢复到灾害发生前的平衡活动水平对应的时间。灾害复原时间可以通过人口变化率曲线的幅度变化确定得到。获取灾害复原时间后,对灾害复原时间内的人口变化率曲线和初始人口变化率曲线之间的差进行积分,得到各社区空间网格对应的灾害承载力,其中,初始人口变化率曲线为社区空间网格在灾害发生前的人口变化率曲线,一般来说,初始人口变化率曲线为一条水平线。
对人口变化率曲线进行积分的公式表示为:
其中,t2-t0为灾害复原时间,t0是灾害最大影响的日期,t2是达到灾后平衡所经历的时间,CN(t)是灾害发生后的人口变化率曲线,N为社区空间网格标号,Cequilibrium为该社区空间网格对应的初始人口变化率曲线,ACN为灾害承载力。本实施例中灾害承载力包含灾害影响强度和灾害恢复力两个维度,人口变化率曲线的最大高度可以反映各社区空间网格灾害影响强度,人口变化率曲线从峰值到幅度的日期达到活动平衡日期之间的天数可以表征灾害复原力,对灾害复原时间内的人口变化率曲线和初始人口变化率曲线之间的差进行积分,考虑了各社区空间网格在受到灾害冲击人员变化的同时,还考虑了各社区空间网格在灾害发生后的恢复能力。由于各社区空间网格的恢复能力受到该社区空间网格的规划、实施政策、外来援助、应急管理措施等影响,因此,各社区空间网格对应的灾害承载力也能够反映各社区空间网格在灾害发生后的各种恢复策略。
在一种实现方式中,所述步骤S401具体包括:
步骤S4011、获取各所述人口变化率曲线中最高点对应的第一时刻和所述人口变化率曲线的平衡点对应的第二时刻,其中,所述平衡点表示所述人口变化率曲线的幅值的变化在预设范围内;
步骤S4012、根据各所述第一时刻和各所述第二时刻,确定各所述社区空间网格对应的灾害复原时间。
具体地,灾害复原时间表示从社区空间网格从灾害发生到社区空间网格中的恢复到灾害发生前的平衡活动水平对应的时间。一般来说,在人口变化最大的时间点,即为该社区空间网格灾害发生时间点,人口变化幅度逐渐趋于平稳的时间点,即为该社区空间网格恢复到灾害发生前的平衡活动水平的时间点。本实施例获取人口变化率曲线中的最高点对应的第一时刻和人口变化率曲线的平衡点对应的第二时刻,其中,最高点对应的第一时刻为灾害发生时间点,第二时刻为社区空间网格恢复到灾害发生前的平衡活动水平的时间点,此时人口变化率曲线的幅值变化较小,在预设范围内。根据各第一时刻和各第二时刻,可以计算得到各个社区空间网格对应的灾害复原时间。
如图1所示,所述方法还包括如下步骤:
步骤S500、获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度。
简单来说,终端中根据历史数据,设置了预设映射关系,其中,预设映射关系为预设的灾害承载力与灾害韧性程度之间的映射关系。本实施例在获取到灾害承载力后,根据得到的灾害承载力大小即可确定各社区空间网格对应的灾害韧性程度。此外,本实施例通过在ArcGIS平台上对各社区空间网格的灾害承载力数值进行断点分析,完成目标城市灾害承载力制图;并通过灾后资产损坏调查统计数据等信息与灾害承载力进行对比验证,从而保证灾害承载力的准确性。
在一种实现方式中,所述方法还包括:
步骤H10、对各所述人口变化率曲线采用层次凝聚聚类算法,得到若干人口变化聚类;
步骤H20、根据各所述人口变化聚类,确定各所述人口变化聚类对应的灾害恢复模式;
步骤H30、根据各所述灾害恢复模式,制定各所述灾害恢复模式分别对应的韧性提升策略。
具体地,本实施例通过采用层次凝聚聚类算法分别对各社区空间网格对应的人口变化率曲线进行聚类,得到若干人口变化聚类,对各个人口变化聚类进行分析,得到每个人口变化聚类的灾害恢复模式,例如,每个人口变化聚类在灾害发生期间,该人口变化聚类对应的社区空间网格的地形、社区类型、采取的措施以及防灾减灾建设等。根据各灾害恢复模式进行评估,确定各灾害恢复模式中可以提升的地方,从而制定相应的韧性提升策略,一方面能够精细化指引相关规划设计与灾害管理,使得各社区空间网格在灾害发生期间及时制定相应的策略,减少灾害造成的损失;另一方面,能够体现外来援助、应急管理措施等非常规因素介入后对各社区空间网格整体韧性水平产生的影响,支持灾害风险管理与应急管理的科学化。
本实施例通过采用层次凝聚聚类算法对人口变化率曲线进行聚类的方法包括:将灾害发生期间每个社区空间网格的人口变化率曲线作为无监督机器学习层次凝聚聚类算法的输入向量,使用KPCA核化主成分分析方法将非线性数据简化,并提取其中的时序特征。其中,提取时序特征的具体流程包括:选择核函数,计算样本之间的相似度,使用高斯核函数,计算之后得到核矩阵,将核矩阵中心化,并进行特征值分解,得到的特征值大小降序排列,选择前k个特征向量作为主成分,最后让原始数据映射到k个特征向量构成的新的特征空间中。
其中xj为核函数中心,||xi-xj||2为向量xi和向量xj的L2范数(欧氏距离),随着两个向量距离的增大,高斯核函数值K单调递减。σ为高斯核函数参数,控制作用范围,取值越大核函数影响局部范围越广。
再采用自下而上的凝聚方法(agglomerative):先将所有样本的每个点都看成一个簇,找出距离最小的两个簇进行合并,不断重复到预期簇或者其他终止条件;此处的合并距离最小的两个簇,距离的度量采用每个社区空间网格之间的欧几里得距离。
其中(x1,y1)(x2,y2)为两个不同的样本点,D表示两点之间的欧氏距离。通过欧氏距离计算各个社区空间网格的欧几里得距离矩阵,通过合并的方法将相似度高的数据点进行组合,组合数据点之间的距离采用均值距离,使用均值距离和平均距离是对最小和最大距离之间的一种折中方法,而且可以克服离群点敏感性问题。
其中Ci,Cj为两个不同的聚类簇,为各个分类簇之间的均值距离,Dmean是两个簇之间的距离。
根据合并结果,创建聚类树,使用树状图找到最佳聚类数,最终聚为一整个大类,可以调整距离最大阈值,并作为聚类结束的标志,以此得到最佳聚类数和多个聚类,将所得到的多个聚类作为人口变化聚类。
在一种实现方式中,对各所述人口变化率曲线采用层次凝聚聚类算法,得到若干人口变化聚类,包括:将人口变化率曲线作为向量集,通过对所述向量集采用层次凝聚聚类算法进行聚类,得到若干人口变化聚类;还包括;通过K-MEANS算法将各社区空间网格对应的人口变化率曲线分别转换为数值点,对各所述数值点采用层次凝聚聚类算法进行聚类,得到若干人口变化聚类。
基于上述实施例,本发明还提供了一种基于时空活动分析的城市灾害韧性精细化测算装置,如图2所示,所述装置包括:
网格划分模块01,用于将目标城市划分为若干社区空间网格;
数据确定模块02,用于获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据;
曲线绘制模块03,用于根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线;
灾害承载力确定模块04,用于根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力;
灾害韧性程度确定模块05,用于获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器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。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于时空活动分析的城市灾害韧性精细化测算方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个以上的程序,且经配置以由一个以上处理器执行所述一个以上程序包含用于进行基于时空活动分析的城市灾害韧性精细化测算方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了基于时空活动分析的城市灾害韧性精细化测算方法,所述方法通过将目标城市划分为若干社区空间网格;获取目标城市中人员的手机信令,根据手机信令的位置信息和社区空间网格确定各社区空间网格的人口动态变化数据;根据各人口动态变化数据,绘制灾害时间段内各社区空间网格的人口变化率曲线;根据各人口变化率曲线,确定各社区空间网格的灾害承载力;获取预设映射关系,根据各灾害承载力和预设映射关系,确定各社区空间网格的灾害韧性程度。本发明基于长时序的手机信令时空数据,从灾害期间居民时空活动动态变化特征中提取韧性信息并构建精细化测度方法,有效地解决了既有的城市韧性测度方法时空精细度不足的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述方法包括:
将目标城市划分为若干社区空间网格;
获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据;
根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线;
根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力;
获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度;
所述根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力,包括:
根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间;
获取各所述社区空间网格对应的初始人口变化率曲线;
根据各所述初始人口变化率曲线、各所述灾害复原时间以及各所述人口变化率曲线,确定各所述社区空间网格对应的所述灾害承载力。
2.根据权利要求1所述的基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据,包括:
根据所述位置信息和所述社区空间网格确定网格人口动态变化数据;
获取第一预设时间段;
获取所述第一预设时间段内各所述社区空间网格的人员活动轨迹;
根据所述人员活动轨迹,确定所述社区空间网格的所述人口动态变化数据。
3.根据权利要求2所述的基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述根据所述位置信息和所述社区空间网格确定网格人口动态变化数据,包括:
根据所述位置信息,获取所述目标城市的微观人口动态活动数据,其中,所述微观人口动态活动数据包括所述人员在所述目标城市中的地理坐标;
根据所述微观人口动态活动数据和所述社区空间网格,确定初始网格人口动态变化数据,其中,所述初始网格人口动态变化数据为所述目标城市中人员在各所述社区空间网格中的分布情况;
对所述初始网格人口动态变化数据进行预处理,得到所述网格人口动态变化数据。
4.根据权利要求1所述的基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线,包括:
获取第二预设时间段,根据所述第二预设时间段和所述第二预设时间段内各所述人口动态变化数据,计算各所述社区空间网格对应的人口平均数量;
根据各所述人口平均数量和所述灾害时间段内各所述社区空间网格每天的所述人口动态变化数据,计算所述灾害时间段内各所述社区空间网格每天的人口变化率;
根据各所述人口变化率,绘制所述灾害时间段内各所述社区空间网格对应的所述人口变化率曲线。
5.根据权利要求1所述的基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间,包括:
获取各所述人口变化率曲线中最高点对应的第一时刻和所述人口变化率曲线的平衡点对应的第二时刻,其中,所述平衡点表示所述人口变化率曲线的幅值的变化在预设范围内;
根据各所述第一时刻和各所述第二时刻,确定各所述社区空间网格对应的所述灾害复原时间。
6.根据权利要求4所述的基于时空活动分析的城市灾害韧性精细化测算方法,其特征在于,所述方法还包括:
对各所述人口变化率曲线采用层次凝聚聚类算法,得到若干人口变化聚类;
根据各所述人口变化聚类,确定各所述人口变化聚类对应的灾害恢复模式;
根据各所述灾害恢复模式,制定各所述灾害恢复模式分别对应的韧性提升策略。
7.一种基于时空活动分析的城市灾害韧性精细化测算装置,其特征在于,所述装置包括:
网格划分模块,用于将目标城市划分为若干社区空间网格;
数据确定模块,用于获取所述目标城市中人员的手机信令,根据所述手机信令对应的位置信息和若干所述社区空间网格确定各所述社区空间网格的人口动态变化数据;
曲线绘制模块,用于根据各所述人口动态变化数据,绘制所述灾害时间段内各所述社区空间网格对应的人口变化率曲线;
灾害承载力确定模块,用于根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害承载力;
灾害韧性程度确定模块,用于获取预设映射关系,根据各所述灾害承载力和所述预设映射关系,确定各所述社区空间网格的灾害韧性程度;
所述灾害承载力确定模块,包括:
根据各所述人口变化率曲线,确定各所述社区空间网格对应的灾害复原时间;
获取各所述社区空间网格对应的初始人口变化率曲线;
根据各所述初始人口变化率曲线、各所述灾害复原时间以及各所述人口变化率曲线,确定各所述社区空间网格对应的所述灾害承载力。
8.一种终端,其特征在于,所述终端包括有存储器和一个以上处理器;所述存储器存储有一个以上的程序;所述程序包含用于执行如权利要求1-6中任一所述的基于时空活动分析的城市灾害韧性精细化测算方法的指令;所述处理器用于执行所述程序。
9.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-6任一所述的基于时空活动分析的城市灾害韧性精细化测算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674845.8A CN116934073B (zh) | 2023-06-07 | 2023-06-07 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674845.8A CN116934073B (zh) | 2023-06-07 | 2023-06-07 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934073A CN116934073A (zh) | 2023-10-24 |
CN116934073B true CN116934073B (zh) | 2024-06-04 |
Family
ID=88393256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310674845.8A Active CN116934073B (zh) | 2023-06-07 | 2023-06-07 | 基于时空活动分析的城市灾害韧性精细化测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934073B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898385A (zh) * | 2020-07-17 | 2020-11-06 | 中国农业大学 | 一种地震灾害评估方法及系统 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN113191647A (zh) * | 2021-05-06 | 2021-07-30 | 上海应用技术大学 | 面向应急管理的城市韧性评估方法 |
CN114037199A (zh) * | 2021-09-23 | 2022-02-11 | 同济大学 | 一种城市街道网络韧性定量测度方法 |
CN114897350A (zh) * | 2022-05-09 | 2022-08-12 | 中国城市规划设计研究院 | 一种综合防灾能力评估方法、装置、设备及介质 |
CN115169814A (zh) * | 2022-06-13 | 2022-10-11 | 同济大学 | 一种城市公共服务灾害韧性的表征测度方法 |
CN115409671A (zh) * | 2022-08-30 | 2022-11-29 | 深圳大学 | 社区居民人口微观数据合成方法、装置、终端及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9594771B2 (en) * | 2014-01-16 | 2017-03-14 | Courage Services, Inc. | System for analysis and geospatial visualization |
US11340345B2 (en) * | 2015-07-17 | 2022-05-24 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
US20200302187A1 (en) * | 2015-07-17 | 2020-09-24 | Origin Wireless, Inc. | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring |
-
2023
- 2023-06-07 CN CN202310674845.8A patent/CN116934073B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898385A (zh) * | 2020-07-17 | 2020-11-06 | 中国农业大学 | 一种地震灾害评估方法及系统 |
CN112819340A (zh) * | 2021-02-04 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于多源数据的城市洪涝灾害动态评估方法 |
CN113191647A (zh) * | 2021-05-06 | 2021-07-30 | 上海应用技术大学 | 面向应急管理的城市韧性评估方法 |
CN114037199A (zh) * | 2021-09-23 | 2022-02-11 | 同济大学 | 一种城市街道网络韧性定量测度方法 |
CN114897350A (zh) * | 2022-05-09 | 2022-08-12 | 中国城市规划设计研究院 | 一种综合防灾能力评估方法、装置、设备及介质 |
CN115169814A (zh) * | 2022-06-13 | 2022-10-11 | 同济大学 | 一种城市公共服务灾害韧性的表征测度方法 |
CN115409671A (zh) * | 2022-08-30 | 2022-11-29 | 深圳大学 | 社区居民人口微观数据合成方法、装置、终端及存储介质 |
Non-Patent Citations (4)
Title |
---|
Urban population distribution models and service accessibility estimation;Langford Mitchel 等;《 Computers, Environment and Urban Systems》;20070605;第32卷(第1期);66-80 * |
人口的时空分布模拟及其在灾害与风险管理中的应用;梁亚婷 等;《灾害学》;20151020;第30卷(第04期);220-228 * |
城市内涝灾害受灾人口评估方法与实证研究:以哈尔滨市道里区为例;陈鹏 等;《地理科学》;20200121;第40卷(第01期);158-164 * |
深圳市人口分布的细网格动态特征;毛夏 等;《地理学报》;20100415;第65卷(第04期);443-453 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934073A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsiang et al. | Adaptation to cyclone risk: Evidence from the global cross-section | |
Wang et al. | A time-dependent drought index for non-stationary precipitation series | |
Labib et al. | Estimating multiple greenspace exposure types and their associations with neighbourhood premature mortality: A socioecological study | |
Saha et al. | Pattern recognition using clustering analysis to support transportation system management, operations, and modeling | |
Foster et al. | Assessing landscape scale heterogeneity in irrigation water use with remote sensing and in situ monitoring | |
Ssegane et al. | Advances in variable selection methods II: Effect of variable selection method on classification of hydrologically similar watersheds in three Mid-Atlantic ecoregions | |
Chen et al. | An objective method for partitioning the entire flood season into multiple sub-seasons | |
Chen et al. | Consistency of accuracy assessment indices for soft classification: Simulation analysis | |
Lin et al. | A hybrid statistical downscaling method based on the classification of rainfall patterns | |
CN111369056B (zh) | 地质灾害预测方法及电子设备 | |
Mannan et al. | Regionalization of rainfall characteristics in India incorporating climatic variables and using self-organizing maps | |
Jung et al. | Spatial autocorrelation statistics of areal prevalence rates under high uncertainty in denominator data | |
Arab Amiri et al. | Spatial variability analysis of precipitation in northwest Iran | |
Dost et al. | Quantification of water resource sustainability in response to drought risk assessment for Afghanistan river basins | |
Qiu et al. | Size and spatial distribution of loess slides on the Chinese Loess Plateau | |
CN117522652B (zh) | 人居环境脆弱性评价方法、系统、智能终端及存储介质 | |
Walker et al. | Disaggregating agricultural statistics using NOAA-AVHRR NDVI | |
CN116934073B (zh) | 基于时空活动分析的城市灾害韧性精细化测算方法 | |
Zhang et al. | Comparison of ensemble models for drought prediction based on climate indexes | |
CN110895543A (zh) | 人口迁徙跟踪展示方法、装置及存储介质 | |
Mornet et al. | Wind storm risk management: sensitivity of return period calculations and spread on the territory | |
Zhang et al. | A self-matching model for online anomaly recognition of safety monitoring data in dams | |
Yan et al. | A new approach for identifying urban employment centers using mobile phone data: A case study of Shanghai | |
Wong et al. | Comparison of spatial interpolation methods to create high-resolution poverty maps for low-and middle-income countries | |
Kim et al. | Bandwidth Selection of Kernel Density Estimation for GIS-based Crime Occurrence Map Visualization |
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 |