CN116976588A - 一种基于台风实时信息的应急物资动态分配方法和系统 - Google Patents
一种基于台风实时信息的应急物资动态分配方法和系统 Download PDFInfo
- Publication number
- CN116976588A CN116976588A CN202310719485.9A CN202310719485A CN116976588A CN 116976588 A CN116976588 A CN 116976588A CN 202310719485 A CN202310719485 A CN 202310719485A CN 116976588 A CN116976588 A CN 116976588A
- Authority
- CN
- China
- Prior art keywords
- emergency
- region
- decision
- typhoon
- time
- 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
- 239000000463 material Substances 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 title claims abstract description 60
- 238000012546 transfer Methods 0.000 claims abstract description 59
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 230000006378 damage Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 33
- 230000007246 mechanism Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0631—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于台风实时信息的应急物资动态分配方法和系统,应急物资动态分配方法包括:S1、基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;S2、基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹;S3、基于实时灾情数据,通过贝叶斯更新理论更新应急物资需求预测的结果;S4、基于实时物流和应急物资仓储数据及更新后的应急物资需求的预测结果,优化动态调度决策;S5、获取最新的台风预报和实时灾情数据,重复执行步骤S1~S4,直至灾情结束。本发明利用台风期间的实时信息,持续修订不同地区的未来应急需求预测,使用滑动决策窗方法最小化台风期间的多个目标函数来优化应急物资调配方案。
Description
技术领域
本发明涉及应急物流技术领域,具体涉及一种基于台风实时信息的应急物资动态分配方法和系统。
背景技术
极端台风灾害会对人类社会造成巨大的破坏,其带来的强风、强降雨以及风暴潮、滑坡等次生灾害会给沿海地区造成巨大的经济损失和人员伤亡。与地震、海啸和山体滑坡等突发性灾害不同,台风灾害从形成、靠近、登陆到衰退通常需要数天时间,在此期间,一个合理有效的应急物资分配方法能够很好地保证人民群众的生命安全和社会的稳定。
与普通商业物流问题不同,应急物资分配问题更加关注时效性、准确性和公平性。然而,因为大部分自然灾害的发生和演变具有巨大的不确定性,应急物资需求也难以预测。人们发现在实际应急救援过程中应急物资调度存在很多问题。例如,在很多地震和台风灾害中,由于应急物资需求预测不准确,导致救灾物资过度运送,不仅造成物资浪费,还产生了额外的储存、管理成本。
从应急物资调度的角度来看,台风有两个特点特别值得注意。其一,台风演变是动态的。对台风轨道、移动速度、强度等参数的预报会定期更新。因此,过于提前的应急物资分配行动很可能是错误的(即将物资运送到不需要的地方),从而产生不必要的运输和储存成本。另一方面,如果没有足够的准备时间,延迟调度应急物资又会危及人民的生命安全和心理健康。其二,受台风预报准确性的影响,优化应急物资调度方案所需的重要决策参数(如应急物资需求和库存)相关的不确定性非常大。虽然事实上这种不确定性会随时间变化,但在现有的研究中往往被建模为时间不变的。但是在应急实践中,相关决策者可以通过媒体、卫星、雷达、政府应急机制等多种渠道获取最新的灾情信息,从而对不确定性进行修正,以支持更精确的决策制定。因此,在台风持续影响的过程中,一个有效的应急物资分配方法必须能够实时应对与台风相关动态和不确定性带来的挑战。
现有的研究成果中,应急物资分配的方法可以分为单阶段决策模型和多阶段决策模型。许多应急物资分配研究没有考虑台风灾害演变的动态特征而将其建模为单阶段决策问题(即根据已知的或假设的事件后情景,一次性做出调度决策)。部分单阶段决策研究虽然将决策参数(如应急需求,运输环境等)的不确定性纳入考量,但均基于历史统计数据进行建模,没有利用实时灾情数据对决策参数的不确定性进行修正,往往会导致决策制定出现偏差。无论是否考虑了不确定性,单一阶段的应急物资调度模型都无法支持应急决策的制定,因为有效的措施必须适应不断演变灾害和灾情,并进行及时的修正。
多阶段决策模型(即在整个应急响应过程中的不同时间做出一系列决策)应对影响范围广、演化不确定性大的台风灾害具有明显的优势。现有的多阶段决策模型包括贯序决策模型、滑动决策窗模型、马尔科夫决策模型等。然而,上述所有的多阶段模型的研究都是在灾后场景中解决分配问题,却没有将灾害自身的动态演变纳入应急物资调度中。对于台风等持续时间长且不断演化的自然灾害,如何将实时灾情信息科学融入灾中决策过程是非常必要的。天气预报技术和先进的数据采集机制可以提供台风演变和受灾人口信息,但还没有一个可以系统地将这些实时信息整合到应急物资动态分配决策中的方法。
发明内容
本发明为了克服以上技术的不足,提供了一种基于台风实时信息的应急物资动态分配方法,还提供了一种基于台风实时信息的应急物资动态分配系统。本发明通过应急物资“实时更新-动态调度”决策框架,基于贝叶斯更新理论,利用台风期间的实时信息,持续修订对区域内不同地区的未来应急需求预测;随后基于更新后的需求预测,使用滑动决策窗方法最小化台风过程中的应急物资短缺、冗余惩罚和应急物流成本等多个目标函数来优化应急物资调配方案。本发明可以同化实时灾情信息以支持主动的、多阶段的、自适应的灾中应急物资调度决策问题。
术语解释:
1、NIW分布:Normal-Inverse-Wishart分布,正态逆威沙特分布。
本发明克服其技术问题所采用的技术方案是:
一种基于台风实时信息的应急物资动态分配方法,将整个台风应急期划分为N个决策周期,设每个决策周期对应一个规划周期,在任意一个规划周期内,基于实时信息并考虑未来I个决策周期的应急物资需求制定新的调度决策,其中,N≥1,I≥1,至少包括如下步骤:
步骤S1、基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;
步骤S2、基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹;
步骤S3、基于实时灾情数据,通过贝叶斯更新理论更新步骤S2得到的应急物资需求预测的结果;
步骤S4、基于实时物流和应急物资仓储数据以及步骤S3得到的更新后的应急物资需求的预测结果,优化动态调度决策;
步骤S5、获取最新的台风预报和实时灾情数据,重复执行步骤S1~步骤S4,直至灾情结束。
进一步地,步骤S1中,基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口,具体是:
基于历史台风灾情数据分析得到决策区域内各地区紧急转移安置人口的协方差矩阵;基于最新的台风预报数据和紧急转移安置人口的协方差矩阵,通过紧急转移安置总人口预测模型,预测决策区域内各地区最新的紧急转移安置总人口。
进一步地,步骤S1中,基于历史台风灾情数据分析得到决策区域内各地区紧急转移安置人口的协方差矩阵;基于最新的台风预报数据和紧急转移安置人口的协方差矩阵,通过紧急转移安置总人口预测模型,预测决策区域内各地区最新的紧急转移安置总人口,具体包括:
设台风灾情数据中的紧急转移安置人口作为损失指标以预测不同城市的应急物资需求,其中,台风灾情数据至少包括受灾人口、因灾死亡人口、因灾失踪人口、紧急转移安置人口、需紧急生活救助人口、农作物受灾面积、农作物绝收面积、倒塌房屋间数、严重损坏房屋间数、一般损坏房屋间数、直接经济损失;紧急转移安置人口是指在台风期间离开原居住地并聚集在公共避难所的人;基于历史灾情数据统计,受灾地区紧急转移安置总人口预测模型表示为:
上式中,是第n(n∈N)规划周期中、地区/>由台风灾害导致的紧急转移安置总人口,/>是决策区域内所有地区的集合,地区总数为k;/>是预测平均值;/>是预测误差,服从于正态分布,即/> 表示正态分布,/>是该分布的期望,/>是该分布的标准差;
决策区域内不同地区的紧急转移安置人口存在相关性,定义预测误差的协方差矩阵为C=(cij)k×k,其中,cij是地区i与地区j的紧急转移安置人口预测误差之间的协方差,通过分析各地区历史台风灾害收集的紧急转移安置人口统计数据来获得。
进一步地,步骤S2中,基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹,具体是:
基于最新的台风预报风雨场,计算台风对决策区域内各地区的台风致灾时变系数,并基于台风致灾时变系数将步骤S1预测的紧急转移安置总人口分配到各决策周期,得到紧急转移安置人口增长轨迹,并将紧急转移安置人口增长轨迹转化为应急物资需求轨迹。
进一步地,步骤S2中,基于最新的台风预报风雨场,计算台风对决策区域内各地区的台风致灾时变系数,并基于台风致灾时变系数将步骤S1预测的紧急转移安置总人口分配到各决策周期,得到紧急转移安置人口增长轨迹,并将紧急转移安置人口增长轨迹转化为应急物资需求轨迹,具体包括:
首先,基于台风预报风雨场,定义反映第n规划周期中从tn,m至tn,m+1期间,地区i紧急转移安置人口的时间累计率的台风致灾时变系数
上式中,tn,m代表时刻tm在第n规划周期中的映射;tn,e是第n规划周期的台风预报中台风不再影响决策区域的时刻;Id,i(t)反映了时刻t时台风对地区i的综合致灾因子,受台风预报风雨场的影响,定义为:
Id,i(tn,m)=ωRw,i[wi(tn,m)]+(1-ω)Rr,i[ri(tn,m)] (3)
上式中,wi(tn,m)和ri(tn,m)分别为地区i中tn,1至tn,m期间的最大10分钟平均风速和累计降雨量,最大10分钟平均风速和累计降雨量的单位分别为m/s和mm;ω∈[0,1]为反映风和雨对紧急转移安置人口影响的相对权重因子;Rw,i[·]和Rr,i[·]分别是台风风场和降雨场对地区i造成破坏的强度函数,通过历史台风灾害事件中风雨实测数据和灾情数据进行统计分析获得,表示为:
上式中,a1,b1,a2,b2,r1,r2,w1,w2为待拟合参数;
则地区i的紧急转移安置人口积累过程被建模为一个非稳态增量过程,至少由该地区的风、雨和区域脆弱性特征共同决定,在tn,m至tn,m+1期间的增长紧急转移安置人口为
上式中,为/>的预测误差,决策区域内所有地区的预测误差服从k维多元正态分布,均值为/>协方差矩阵为/>
应急物资分为消耗性物资ESe和非消耗性物资ESne,消耗性物资在每个时间段内都会被持续消耗,非消耗性物资可以持续使用,则第n规划周期中从tn,m至tn,m+1期间,地区i的应急物资需求增量为:
上式中,l是应急物资的种类;al是每人每决策周期的应急物资配额。
进一步地,步骤S3中,基于实时灾情数据,通过贝叶斯更新理论更新步骤S2得到的应急物资需求预测的结果,具体是:
基于实时灾情数据及其统计误差,通过贝叶斯更新理论,更新决策区域内各地区的紧急转移安置人口增长轨迹,并将更新后的各地区的紧急转移安置人口增长轨迹转化为更新后的应急物资需求轨迹。
进一步地,步骤S3中,基于实时灾情数据及其统计误差,通过贝叶斯更新理论,更新各地区的紧急转移安置人口增长轨迹,并将更新后的各地区的紧急转移安置人口增长轨迹转化为更新后的应急物资需求轨迹,具体包括:
基于实时灾情数据及其统计误差,并基于蒙特卡洛方法抽样获取至少1000次的tn时刻地区i的紧急转移安置人口数的观测样本,Z为观测样本总数,为第z观测样本;
令为地区i在第n规划周期tn时刻的紧急转移安置人口的观察误差集合,其中,/>则/> 为决策区域内所有地区的观测误差集合;
所有地区的紧急转移安置人口在tn时刻的预测误差服从k维多元正态分布,其均值为μn,协方差矩阵为Cn,两者均为待更新参数;均值和协方差未知的多元正态分布的共轭分布为Normal-Inverse-Wishart分布,表示为:
p(μn,Cn)=NIW(μ0,κ0,Λ0,v0) (8)
上式中,NIW为Normal-Inverse-Wishart分布; 为均值μn的先验分布;κ0为先验的等效样本量,代表观测者对μ0的相信程度;Λ0是先验精度矩阵,为协方差矩阵/> 的倒数;v0代表观测者对C0的相信程度;
在获取观测样本后,均值和协方差的后验服从NIW分布,表示为:
上式中,和Cn′=(cij′)k×k分别为均值和协方差的后验分布;μz,κz,Λz,vz为NIW分布的后验参数,满足:
κz=κ0+z (11)
vz=v0+z (12)
据此得到,地区i在第n规划周期tn时刻的紧急转移安置人口的更新后预测误差为因此得出该地区i在第n规划周期tn,m时刻的紧急转移安置人口的更新后预测误差为:
将更新后的紧急转移安置人口代入公式(6)和(7),得以更新应急物资需求轨迹,并作为步骤S4的输入。
进一步地,步骤S4中,基于实时物流和应急物资仓储数据以及步骤S3得到的更新后的应急物资需求的预测结果,优化动态调度决策,具体是:
基于实时物流和应急物资仓储数据以及步骤S3得到的各地区更新后的应急物资需求轨迹,建立应急物资动态调度优化模型获得当前规划周期内的应急物资动态分配方案。
进一步地,步骤S4中,基于实时物流和应急物资仓储数据以及步骤S3得到的各地区更新后的应急物资需求轨迹,建立应急物资动态调度优化模型获得当前规划周期内的应急物资动态分配方案,具体包括:
应急物资动态调度决策是一个多阶段多目标随机优化问题,其不确定性来自于步骤S3中获取的应急物资需求预测轨迹;
设应急物资动态调度优化模型基于两个现实假设:a)在每个决策周期,每个地区均物资运输能力存在上限;b)所有调度方案能在相应决策周期完成;
在第n规划周期,基于更新后预测误差的后验分布,使用蒙特卡罗方法模拟应急物资需求的非平稳增量过程,形成一组灾害场景τ∈Ω;每个规划周期考虑未来I个决策周期的应急物资需求,并制定相应的调度决策,定义第n规划周期受决策窗口I约束的预测时间范围集合为应急物资调度优化模型的决策变量/>为灾害场景τ中地区i在时刻tn,m向地区j运输的应急物资数量;
应急物资动态调度优化模型涉及的参数定义如下:
1)pτ为灾害场景τ的发生概率;
2)为灾害场景τ中地区i在时刻tn,m的应急物资需求;
3)为地区i在时刻tn,m的运输能力;
4)SIio为地区i的应急物资储备;
5)Lij为地区i与j之间的运输距离;
6)为调度单位应急物资的劳动成本,至少包括物资的打包、装货、卸货;
7)为运输单位应急物资每公里运输成本;
应急物资动态调度优化模型涉及的变量如下所示:
1)为灾害场景τ中地区i在时刻tn,m向外运输的应急物资总量;
2)为灾害场景τ中地区i在时刻tn,m接收的应急物资总量;
3)为灾害场景τ中时刻tn,m时,地区i在执行调度决策之前的应急物资储量;
4)为灾害场景τ中时刻tn,m时,地区i在执行调度决策之后的应急物资储量;
5)为灾害场景τ中时刻tn,m时,地区i短缺的应急物资数量;
6)为灾害场景τ中时刻tn,m时,地区i多余的应急物资数量;
应急物资动态调度优化模型有3个优化目标,分别为最小化应急物资的短缺数量、过度冗余数量和调度行为的经济总成本;约束条件是运输能力、未来各地区的应急物资需求和库存;其数学表达如下所示:
约束条件为:
公式(19)-(23)为优化问题提供了约束条件:公式(19)表明在时间tn,m上地区i的应急物资总输出量不能超过地区i的运输能力;公式(20)确保总输出量应小于地区i当前应急物资库存与未来应急物资需求总量之差,意味着地区i需要有足够的库存用于应对未来需求;公式(21)表示应急物资总输出量应小于地区i当前库存和总输入量之和;公式(22)表明当区域i在时间tn,m的应急物资库存小于该地区未来的应急物资需求时,不向外运输物资;
采用折中规划法求解应急物资调度优化问题,首先单独考虑每个目标函数,然后重新制定一个新的单一目标,以最小化目标之间的归一化差异和相应的最优值;则新目标函数写成:
上式中,分别为单目标/>的最优值;θ1、θ2、θ3分别为三个优化目标的权重值,满足(θ1+θ2+θ3)∈[0,1];基于新目标和约束条件,使用单目标线性规划求解方法得到该应急物资调度优化问题的最优结果;
至此基于公式(25)得到应急物资调度的贯序决策集合:
上式中,为随机变量的期望;对于第n规划周期,当m=n时,调度方案由/>组成,它将在第n决策周期被执行;而当n<m≤n+I时,/>组成预备方案,它们将在第m决策周期被执行;当进入下一个规划周期时,应急物资调度优化模型将基于最新应急物资需求预测结果重新运行,得到第n+1规划周期的应急物资调度的贯序决策集合。
本发明还公开了一种基于台风实时信息的应急物资动态分配系统,至少包括:
紧急转移安置总人口预测模型,用于基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;
应急物资需求轨迹预测模型,用于基于最新的台风预报风雨场,预测应急物资需求轨迹;
应急物资需求更新模型,用于基于实时灾情数据,通过贝叶斯更新理论更新应急物资需求预测的结果;
应急物资动态调度优化模型,用于基于实时物流和应急物资仓储数据以及更新后的应急物资需求的预测结果,优化动态调度决策。
本发明的有益效果是:
1、本发明建立了一个先进的针对台风过程的应急物资动态分配系统,将不断更新的应急物资需求预测模块和多阶段应急物资动态调度模块系统地结合在一起,使系统能够基于最新的台风演化预测和其他实时灾情数据,及时更新应急物资调度计划以缓减飓风演化不确定性带来的挑战,具有优秀的灾害事件适应性。
2、本发明基于台风演化过程建立应急物资动态分配方法,并基于贝叶斯理论建立应急物资需求更新模型,能够在台风过程中吸收最新的气象预报和各地区的实时灾情数据,不断同步更新各地区应急物资需求轨迹预测结果,为应急物资动态调度优化模型提供更准确的需求数据。
3、本发明针对台风过程区域范围应急物资调度的实际需求,基于滑动决策窗方法建立多阶段应急物资调度决策机制,充分考虑了应急物资需求预测的不确定性及其受台风演化影响的变化特征,使风险管理者能够利用实时信息以获取具有全局最优的调度方案,能够在整个区域合理地分配应急物资。
4、鲁棒性方面:本发明将台风的演化和破坏进行建模评估,并纳入决策考量,使每个阶段的调度决策能够满足未来可能发生的各类型灾害场景和应急需求。
5、适应性方面:本发明同步接收、处理、利用多种实时救灾数据与气象预报数据,使动态调度决策更适应某一具体台风灾害事件,满足应急实践需求。
6、全局性方面:本发明具有时空视野的全局决策系统,不拘于短期的、局部的调度目标,尽可能减少错误调度的概率,避免出现部分地区物资富余、部分地区物资短缺的场景。
7、智能性方面:本发明实现“评估风险”、“预测需求”、“更新误差”、“动态决策”一体化,使决策制定更加及时、有效、智能化。
附图说明
图1为本发明实施例所述的一种基于台风实时信息的应急物资动态分配方法的应用示意图。
图2为本发明实施例所述的一种基于台风实时信息的应急物资动态分配方法和系统的原理示意图。
图3为本发明实施例所述的决策区域紧急转移安置人口的预测误差协方差矩阵示意图。
图4为本发明实施例所述的决策区域各地区各决策周期的累积紧急转移安置人口数示意图。
图5为本发明实施例所述的第1规划周期的贯序决策集合优化结果示意图。
图6为本发明实施例所述的前6个规划周期的调度方案示意图,其中,图6(a)为第1规划周期调度方案AP11示意图,图6(b)为第1规划周期调度方案AP22示意图,图6(c)为第1规划周期调度方案AP33示意图,图6(d)为第1规划周期调度方案AP44示意图,图6(e)为第1规划周期调度方案AP55示意图,图6(f)为第1规划周期调度方案AP66示意图。
图7为本发明实施例所述的针对第4决策周期的3个预备方案和一个调度方案示意图。
图8为本发明实施例所述的几个城市的预测应急物资需求轨迹变化示意图,其中,图8(a)为HaZ预测应急物资需求轨迹变化示意图,图8(b)为NB预测应急物资需求轨迹变化示意图,图8(c)为WZ预测应急物资需求轨迹变化示意图,图8(d)为TZ预测应急物资需求轨迹变化示意图。
图9为本发明实施例所述的应急物资需求轨迹预测模型启用前后应急物资需求预测误差分布示意图,其中,图9(a)为更新前应急物资需求预测误差分布示意图,图9(b)为更新后应急物资需求预测误差分布示意图。
图10为本发明实施例所述的各地区台风应急期间应急物资流动示意图,其中,图10(a)为JX台风应急期间应急物资流动示意图,图10(b)为HuZ台风应急期间应急物资流动示意图,图10(c)为NB台风应急期间应急物资流动示意图。
具体实施方式
为了便于本领域人员更好的理解本发明,下面结合附图和具体实施例对本发明做进一步详细说明,下述仅是示例性的不限定本发明的保护范围。
如图2所示,本发明所述的一种基于台风实时信息的应急物资动态分配方法和系统,应急物资动态分配系统至少包括:
紧急转移安置总人口预测模型,用于基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;
应急物资需求轨迹预测模型,用于基于最新的台风预报风雨场,预测应急物资需求轨迹;
应急物资需求更新模型,用于基于实时灾情数据,通过贝叶斯更新理论更新应急物资需求预测的结果;
应急物资动态调度优化模型,用于基于实时物流和应急物资仓储数据以及更新后的应急物资需求的预测结果,优化动态调度决策。
通过基于台风实时信息的应急物资动态分配系统,进行应急物资动态分配方法,至少包括如下步骤:
步骤S1、基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口。具体是:基于历史台风灾情数据分析得决策区域内各地区紧急转移安置人口的协方差矩阵;基于最新的台风预报数据和紧急转移安置人口的协方差矩阵,通过紧急转移安置总人口预测模型,预测决策区域内各地区最新的紧急转移安置总人口。
步骤S2、基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹。具体是:基于最新的台风预报风雨场,计算台风对各地区的台风致灾时变系数,并基于台风致灾时变系数将步骤S1预测的紧急转移安置总人口分配到各决策周期,得到紧急转移安置人口增长轨迹,并将紧急转移安置人口增长轨迹转化为应急物资需求轨迹。
步骤S3、基于实时灾情数据,通过贝叶斯更新理论更新步骤S2得到的应急物资需求预测的结果。具体是:基于实时灾情数据及其统计误差,通过贝叶斯更新理论,更新决策区域内各地区的紧急转移安置人口增长轨迹,并将更新后的各地区的紧急转移安置人口增长轨迹转化为更新后的应急物资需求轨迹。
步骤S4、基于实时物流和应急物资仓储数据以及步骤S3得到的更新后的应急物资需求的预测结果,优化动态调度决策。具体是:基于实时物流和应急物资仓储数据以及步骤S3得到的各地区更新后的应急物资需求轨迹,建立应急物资动态调度优化模型获得当前规划周期内的应急物资动态分配方案。
步骤S5、获取最新的台风预报和实时灾情数据,重复执行步骤S1~步骤S4,直至灾情结束。
本实施例以某超级台风期间,我国东南某省份内各地级市之间的应急物资调度为例,来说明本发明所述的一种考虑台风实时信息的应急物资动态分配方法。
如图1所示,为基于台风实时信息的应急物资动态分配方法的应用示意图。本实施例中,整个台风应急期为5天,设定一个决策周期的长度为12小时(考虑到各地级市之间的运输距离和应急物资调度配套服务,例如装卸货等),将整个台风应急期划分为10个阶段,即,10个决策周期,N=10。在每个规划周期中,决策窗口I=4,因此每个规划周期将优化得到4个调度方案分别对应未来4个决策周期。气象预报数据可从当地气象部门的公开数据网站获取,每12小时更新一次,每次预报包括各地级市在未来72小时内每小时的最大10分钟风力场和小时累积降雨场,空间分辨率均为5千米。
本实施例中,各地级市的灾中紧急转移安置人口的预测误差协方差矩阵如图3所示,由相关部门统计的各地级市台风灾害的历史损失数据得到的。在台风灾害影响该省份期间,本实施例通过社会媒体和政府应急机制(包括政府新闻发布会和相关部门统计的灾情数据)收集了各地级市在10个决策周期的累积紧急转移安置人口数(单位:千人),如图4所示,其中,在数据点偶尔缺失时进行了插值。
本实施例中,仅考虑食物、饮用水和药品等消耗性应急物资,为计算方便,将每40人每天需要的所有消耗性应急物资定义为1单位。则各地级市的灾前应急物资储备如下(由该省应急厅提供,经加密转化):HaZ为7963单位,NB为1155单位,WZ为7630单位,JX为1344单位,SX为1846单位,LS为2249单位,HuZ为2924单位,TZ为2574单位,JH为1884单位,QZ为1449单位,ZS为510单位,其中,HaZ、NB、WZ、JX、SX、LS、HuZ、TZ、JH、QZ、ZS分别为该省份内各地级市的代号。
每一个规划周期均可优化得到一个贯序决策集合,它由在当前决策周期执行的调度方案AP和在即将到来的三个决策周期执行的预备调度方案PP组成。图5展示了本发明所述方法对第1规划周期的贯序决策集合优化结果。每个调度方案是一11×11的矩阵,矩阵的每个元素代表从出发城市(行标)到接收城市(列标)的应急物资运输量。以第1规划周期的调度方案AP为例,在第1决策周期,从TZ到WZ和从HaZ到NB分别需要调度598和33单位的应急物资。图6展示了前6个规划周期的调度方案AP示意图,具体是,图6(a)为第1规划周期调度方案AP11示意图,图6(b)为第1规划周期调度方案AP22示意图,图6(c)为第1规划周期调度方案AP33示意图,图6(d)为第1规划周期调度方案AP44示意图,图6(e)为第1规划周期调度方案AP55示意图,图6(f)为第1规划周期调度方案AP66示意图。
不同规划周期会基于最新实时信息对未来同一决策周期制定不同的预备方案。图7展示了第1至4规划周期针对第4决策周期制定的3个预备方案和一个调度方案。早期制定的准备调度方案将会被后续规划周期更新的方案所代替,直到调度方案AP4,4在第4决策周期实施。由图7可知,在最后的调度方案AP4,4,主要的输出城市(例如JH,HuZ,LS,WZ,HaZ等)在前几个规划周期的预备调度方案PP1,4,PP2,4和PP3,4中被确定为输出城市,接收城市(例如NB,JX,TZ等)也是如此。本发明所述的方法这种对未来决策周期的应急物资调度行为的“预测”能力,可以为相关决策者提供一个关键的时间窗口,为未来的应急物资调度做积极的准备。
本实施例所述的应急物资调度优化模型的这种事件适应性可归因于其不断吸收最新的气象预报和实时灾情数据,以定期更新应急物资需求预测,并同步更新应急物资调度方案。图8显示了应急物资需求轨迹的预测是如何随着台风演变而不断更新的。在图8(a)~图8(d)中,分别绘制了HaZ、NB、WZ和TZ这四个城市在早期几个规划周期的应急物资需求预测轨迹。随着规划周期的进展,应急物资需求预测轨迹逐渐收敛到实际需求曲线。
图9展示了在整个规划期间,所有城市应急需求的平均预测误差在是否启用应急物资需求轨迹预测模型情况下的比较。在这两种情况下,随着气象预报越来越准确,预测误差随着规划周期而减小。然而,有应急物资需求轨迹预测模型的预测误差(图9(b))总体上明显低于(图9(a))中没有更新模型的误差。
图10展示了受影响最严重的三个城市(分别对应的是图10(a)的JX、图10(b)的HuZ和和图10(c)的NB)整个应急期间应急物资库存、需求和流入、流出情况。图10(a)、图10(b)和图10(c)的左、右两边的子图,分别对应于有和没有实时信息同化的情况。结果显示,数据同化有效地减少了这些城市的应急物资短缺的情况。对NB而言,虽然由于运输能力的限制,应急需求最终没有满足,但是实时信息的利用仍然大大缓解了供需之间的差距。
以上仅描述了本发明的基本原理和优选实施方式,本领域人员可以根据上述描述做出许多变化和改进,这些变化和改进应该属于本发明的保护范围。
Claims (10)
1.一种基于台风实时信息的应急物资动态分配方法,其特征在于,将整个台风应急期划分为N个决策周期,设每个决策周期对应一个规划周期,在任意一个规划周期内,基于实时信息并考虑未来I个决策周期的应急物资需求制定新的调度决策,其中,N≥1,I≥1,至少包括如下步骤:
步骤S1、基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;
步骤S2、基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹;
步骤S3、基于实时灾情数据,通过贝叶斯更新理论更新步骤S2得到的应急物资需求预测的结果;
步骤S4、基于实时物流和应急物资仓储数据以及步骤S3得到的更新后的应急物资需求的预测结果,优化动态调度决策;
步骤S5、获取最新的台风预报和实时灾情数据,重复执行步骤S1~步骤S4,直至灾情结束。
2.根据权利要求1所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S1中,基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口,具体是:
基于历史台风灾情数据分析得到决策区域内各地区紧急转移安置人口的协方差矩阵;基于最新的台风预报数据和紧急转移安置人口的协方差矩阵,通过紧急转移安置总人口预测模型,预测决策区域内各地区最新的紧急转移安置总人口。
3.根据权利要求2所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S1中,基于历史台风灾情数据分析得到决策区域内各地区紧急转移安置人口的协方差矩阵;基于最新的台风预报数据和紧急转移安置人口的协方差矩阵,通过紧急转移安置总人口预测模型,预测决策区域内各地区最新的紧急转移安置总人口,具体包括:
设台风灾情数据中的紧急转移安置人口作为损失指标以预测不同城市的应急物资需求,其中,紧急转移安置人口是指在台风期间离开原居住地并聚集在公共避难所的人;基于历史灾情数据统计,受灾地区紧急转移安置总人口预测模型表示为:
上式中,是第n(n∈N)规划周期中、地区/>由台风灾害导致的紧急转移安置总人口,/>是决策区域内所有地区的集合,地区总数为k;/>是预测平均值;/>是预测误差,服从于正态分布,即/> 表示正态分布,/>是该分布的期望,/>是该分布的标准差;
决策区域内不同地区的紧急转移安置人口存在相关性,定义预测误差的协方差矩阵为C=(cij)k×k,其中,cij是地区i与地区j的紧急转移安置人口预测误差之间的协方差,通过分析各地区历史台风灾害收集的紧急转移安置人口统计数据来获得。
4.根据权利要求3所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S2中,基于最新的台风预报风雨场,预测决策区域内各地区的应急物资需求轨迹,具体是:
基于最新的台风预报风雨场,计算台风对决策区域内各地区的台风致灾时变系数,并基于台风致灾时变系数将步骤S1预测的紧急转移安置总人口分配到各决策周期,得到紧急转移安置人口增长轨迹,并将紧急转移安置人口增长轨迹转化为应急物资需求轨迹。
5.根据权利要求4所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S2中,基于最新的台风预报风雨场,计算台风对决策区域内各地区的台风致灾时变系数,并基于台风致灾时变系数将步骤S1预测的紧急转移安置总人口分配到各决策周期,得到紧急转移安置人口增长轨迹,并将紧急转移安置人口增长轨迹转化为应急物资需求轨迹,具体包括:
首先,基于台风预报风雨场,定义反映第n规划周期中从tn,m至tn,m+1期间,地区i紧急转移安置人口的时间累计率的台风致灾时变系数
上式中,tn,m代表时刻tm在第n规划周期中的映射;tn,e是第n规划周期的台风预报中台风不再影响决策区域的时刻;Id,i(t)反映了时刻t时台风对地区i的综合致灾因子,受台风预报风雨场的影响,定义为:
Id,i(tn,m)=ωRw,i[wi(tn,m)]+(1-ω)Rr,i[ri(tn,m)] (3)
上式中,wi(tn,m)和ri(tn,m)分别为地区i中tn,1至tn,m期间的最大10分钟平均风速和累计降雨量,最大10分钟平均风速和累计降雨量的单位分别为m/s和mm;ω∈[0,1]为反映风和雨对紧急转移安置人口影响的相对权重因子;Rw,i[·]和Rr,i[·]分别是台风风场和降雨场对地区i造成破坏的强度函数,通过历史台风灾害事件中风雨实测数据和灾情数据进行统计分析获得,表示为:
上式中,a1,b1,a2,b2,r1,r2,w1,w2为待拟合参数;
则地区i的紧急转移安置人口积累过程被建模为一个非稳态增量过程,至少由该地区的风、雨和区域脆弱性特征共同决定,在tn,m至tn,m+1期间的增长紧急转移安置人口为
上式中,为/>的预测误差,决策区域内所有地区的预测误差服从k维多元正态分布,均值为/>协方差矩阵为/>
应急物资分为消耗性物资ESe和非消耗性物资ESne,消耗性物资在每个时间段内都会被持续消耗,非消耗性物资可以持续使用,则第n规划周期中从tn,m至tn,m+1期间,地区i的应急物资需求增量为:
上式中,l是应急物资的种类;al是每人每个决策周期的应急物资配额。
6.根据权利要求5所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S3中,基于实时灾情数据,通过贝叶斯更新理论更新步骤S2得到的应急物资需求预测的结果,具体是:
基于实时灾情数据及其统计误差,通过贝叶斯更新理论,更新决策区域内各地区的紧急转移安置人口增长轨迹,并将更新后的各地区的紧急转移安置人口增长轨迹转化为更新后的应急物资需求轨迹。
7.根据权利要求6所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S3中,基于实时灾情数据及其统计误差,通过贝叶斯更新理论,更新决策区域内各地区的紧急转移安置人口增长轨迹,并将更新后的各地区的紧急转移安置人口增长轨迹转化为更新后的应急物资需求轨迹,具体包括:
基于实时灾情数据及其统计误差,并基于蒙特卡洛方法抽样获取至少1000次的tn时刻地区i的紧急转移安置人口数的观测样本,Z为观测样本总数,为第z观测样本;
令为地区i在第n规划周期tn时刻的紧急转移安置人口的观察误差集合,其中,/>则/> 为决策区域内所有地区的观测误差集合;
所有地区的紧急转移安置人口在tn时刻的预测误差服从k维多元正态分布,其均值为μn,协方差矩阵为Cn,两者均为待更新参数;均值和协方差未知的多元正态分布的共轭分布为Normal-Inverse-Wishart分布,表示为:
p(μn,Cn)=NIW(μ0,κa,Λ0,v0) (8)上式中,NIW为Normal-Inverse-Wishart分布; 为均值μn的先验分布;k0为先验的等效样本量,代表观测者对μ0的相信程度;Λ0是先验精度矩阵,为协方差矩阵/> 的倒数;v0代表观测者对C0的相信程度;
在获取观测样本后,均值和协方差的后验服从NIW分布,表示为:
的后验分布;μz,κz,Λz,vz为NIW分布的后验参数,满足:
κz=κ0+z (11)
vz=v0+z (12)
据此得到,地区i在第n规划周期tn时刻的紧急转移安置人口的更新后预测误差为因此得出该地区i在第n规划周期tn,m时刻的紧急转移安置人口的更新后预测误差为:
将更新后的紧急转移安置人口代入公式(6)和(7),得以更新应急物资需求轨迹,并作为步骤S4的输入。
8.根据权利要求7所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S4中,基于实时物流和应急物资仓储数据以及步骤S3得到的更新后的应急物资需求的预测结果,优化动态调度决策,具体是:
基于实时物流和应急物资仓储数据以及步骤S3得到的各地区更新后的应急物资需求轨迹,建立应急物资动态调度优化模型获得当前规划周期内的应急物资动态分配方案。
9.根据权利要求8所述的基于台风实时信息的应急物资动态分配方法,其特征在于,步骤S4中,基于实时物流和应急物资仓储数据以及步骤S3得到的各地区更新后的应急物资需求轨迹,建立应急物资动态调度优化模型获得当前规划周期内的应急物资动态分配方案,具体包括:
应急物资动态调度决策是一个多阶段多目标随机优化问题,其不确定性来自于步骤S3中获取的应急物资需求预测轨迹;
设应急物资动态调度优化模型基于两个现实假设:a)在每个决策周期,每个地区均物资运输能力存在上限;b)所有调度方案能在相应决策周期完成;
在第n规划周期,基于更新后预测误差的后验分布,使用蒙特卡罗方法模拟应急物资需求的非平稳增量过程,形成一组灾害场景τ∈Ω;每个规划周期考虑未来I个决策周期的应急物资需求,并制定相应的调度决策,定义第n规划周期受决策窗口I约束的预测时间范围集合为应急物资调度优化模型的决策变量/>为灾害场景τ中地区i在时刻tn,m向地区j运输的应急物资数量;
应急物资动态调度优化模型涉及的参数定义如下:
1)pτ为灾害场景τ的发生概率;
2)为灾害场景τ中地区i在时刻tn,m的应急物资需求;
3)为地区i在时刻tn,m的运输能力;
4)SIio为地区i的应急物资储备;
5)Lij为地区i与j之间的运输距离;
6)为调度单位应急物资的劳动成本,至少包括物资的打包、装货、卸货;
7)为运输单位应急物资每公里运输成本;
应急物资动态调度优化模型涉及的变量如下所示:
1)为灾害场景τ中地区i在时刻tn,m向外运输的应急物资总量;
2)为灾害场景τ中地区i在时刻tn,m接收的应急物资总量;
3)为灾害场景τ中时刻tn,m时,地区i在执行调度决策之前的应急物资储量;
4)为灾害场景τ中时刻tn,m时,地区i在执行调度决策之后的应急物资储量;
5)为灾害场景τ中时刻tn,m时,地区i短缺的应急物资数量;
6)为灾害场景τ中时刻tn,m时,地区i多余的应急物资数量;
应急物资动态调度优化模型有3个优化目标,分别为最小化应急物资的短缺数量、过度冗余数量和调度行为的经济总成本;约束条件是运输能力、未来各地区的应急物资需求和库存;其数学表达如下所示:
约束条件为:
公式(19)-(23)为优化问题提供了约束条件:公式(19)表明在时间tn,m上地区i的应急物资总输出量不能超过地区i的运输能力;公式(20)确保总输出量应小于地区i当前应急物资库存与未来应急物资需求总量之差,意味着地区i需要有足够的库存用于应对未来需求;公式(21)表示应急物资总输出量应小于地区i当前库存和总输入量之和;公式(22)表明当区域i在时间tn,m的应急物资库存小于该地区未来的应急物资需求时,不向外运输物资;
采用折中规划法求解应急物资调度优化问题,首先单独考虑每个目标函数,然后重新制定一个新的单一目标,以最小化目标之间的归一化差异和相应的最优值;则新目标函数写成:
上式中,分别为单目标/>的最优值;θ1、θ2、θ3分别为三个优化目标的权重值,满足(θ1+θ2+θ3)∈[0,1];基于新目标和约束条件,使用单目标线性规划求解方法得到该应急物资调度优化问题的最优结果;
至此基于公式(25)得到应急物资调度的贯序决策集合:
上式中,为随机变量的期望;对于第n规划周期,当m=n时,调度方案由/>组成,它将在第n决策周期被执行;而当n<m≤n+I时,/>组成预备方案,它们将在第m决策周期被执行;当进入下一个规划周期时,应急物资调度优化模型将基于最新应急物资需求预测结果重新运行,得到第n+1规划周期的应急物资调度的贯序决策集合。
10.一种基于台风实时信息的应急物资动态分配系统,其特征在于,至少包括:
紧急转移安置总人口预测模型,用于基于最新的台风预报,预测决策区域内各地区的紧急转移安置总人口;
应急物资需求轨迹预测模型,用于基于最新的台风预报风雨场,预测应急物资需求轨迹;
应急物资需求更新模型,用于基于实时灾情数据,通过贝叶斯更新理论更新应急物资需求预测的结果;
应急物资动态调度优化模型,用于基于实时物流和应急物资仓储数据以及更新后的应急物资需求的预测结果,优化动态调度决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310719485.9A CN116976588B (zh) | 2023-06-16 | 2023-06-16 | 一种基于台风实时信息的应急物资动态分配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310719485.9A CN116976588B (zh) | 2023-06-16 | 2023-06-16 | 一种基于台风实时信息的应急物资动态分配方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976588A true CN116976588A (zh) | 2023-10-31 |
CN116976588B CN116976588B (zh) | 2024-05-07 |
Family
ID=88475740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310719485.9A Active CN116976588B (zh) | 2023-06-16 | 2023-06-16 | 一种基于台风实时信息的应急物资动态分配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976588B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100049485A1 (en) * | 2008-08-20 | 2010-02-25 | International Business Machines Corporation | System and method for analyzing effectiveness of distributing emergency supplies in the event of disasters |
KR101437417B1 (ko) * | 2013-03-08 | 2014-09-16 | 한국건설기술연구원 | 화산재해 대응 시스템 |
US20170098181A1 (en) * | 2015-10-06 | 2017-04-06 | Numerica Corporation | Systems and methods for dynamically generating patrol schedules based on historic demand data |
CN107808213A (zh) * | 2017-10-19 | 2018-03-16 | 中国人民解放军国防科技大学 | 一种动态调整的应急运输调度计划生成方法 |
CN110826842A (zh) * | 2019-09-09 | 2020-02-21 | 天津大学 | 一种台风场景下的配电网风险控制方法 |
US20200342380A1 (en) * | 2019-04-25 | 2020-10-29 | Here Global B.V. | Method and apparatus for predictive management and distribution of charitable goods |
CN113177857A (zh) * | 2021-03-31 | 2021-07-27 | 国网浙江省电力有限公司温州供电公司 | 一种基于台风灾害预估的资源弹性调配方法 |
CN114580812A (zh) * | 2020-12-02 | 2022-06-03 | 中国联合网络通信集团有限公司 | 区域人员调度方法、装置、设备及计算机可读存储介质 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
-
2023
- 2023-06-16 CN CN202310719485.9A patent/CN116976588B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100049485A1 (en) * | 2008-08-20 | 2010-02-25 | International Business Machines Corporation | System and method for analyzing effectiveness of distributing emergency supplies in the event of disasters |
KR101437417B1 (ko) * | 2013-03-08 | 2014-09-16 | 한국건설기술연구원 | 화산재해 대응 시스템 |
US20170098181A1 (en) * | 2015-10-06 | 2017-04-06 | Numerica Corporation | Systems and methods for dynamically generating patrol schedules based on historic demand data |
CN107808213A (zh) * | 2017-10-19 | 2018-03-16 | 中国人民解放军国防科技大学 | 一种动态调整的应急运输调度计划生成方法 |
US20200342380A1 (en) * | 2019-04-25 | 2020-10-29 | Here Global B.V. | Method and apparatus for predictive management and distribution of charitable goods |
CN110826842A (zh) * | 2019-09-09 | 2020-02-21 | 天津大学 | 一种台风场景下的配电网风险控制方法 |
CN114580812A (zh) * | 2020-12-02 | 2022-06-03 | 中国联合网络通信集团有限公司 | 区域人员调度方法、装置、设备及计算机可读存储介质 |
CN113177857A (zh) * | 2021-03-31 | 2021-07-27 | 国网浙江省电力有限公司温州供电公司 | 一种基于台风灾害预估的资源弹性调配方法 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Non-Patent Citations (5)
Title |
---|
H. HU 等: "Two-stage emergency material scheduling based on benders decomposition considering traffic congestion after a disaster", 《ENGEINEERING, ENVIRONMENTAL SCIENCE》, 1 December 2022 (2022-12-01), pages 1 - 18 * |
J.Y. WANG 等: "Regional-scale dynamic planning for distributing emergency supplies under evolving tropical cyclones", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》, 18 February 2024 (2024-02-18), pages 1 - 17 * |
N.Y. WANG: "Adaptive Regional-scale Risk Forecast under Tropical Cyclones to Support Real-time Emergency Response Decisions", pages 1 - 7, Retrieved from the Internet <URL:《https://wx.vzan.com/live/page/1843603395?v=637986769539851941》> * |
万静静 等: "韧性城市视角下台风灾害应急物资调度研究", 《武汉理工大学学报(信息与管理工程版)》, 31 August 2022 (2022-08-31), pages 541 - 546 * |
庞海云: "突发性灾害事件下应急物资分配决策优化过程研究", 《中国博士学位论文全文数据库 经济与管理科学辑》, 15 May 2013 (2013-05-15), pages 1 - 148 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976588B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN109492334B (zh) | 航班延误的模型建立方法、预测方法及装置 | |
Serrano-Guerrero et al. | A new interval prediction methodology for short-term electric load forecasting based on pattern recognition | |
KR102073768B1 (ko) | 포털 기반 가뭄정보 제공 시스템 | |
JP7157620B2 (ja) | 予測システムおよび予測方法 | |
CN111489525A (zh) | 多数据融合的气象预测预警方法 | |
KR20140021179A (ko) | 일사량 예측 방법 및 장치 | |
CN116611333B (zh) | 一种城市洪涝风险点预测方法 | |
CN104318717A (zh) | 一种历史数据短缺条件下的暴雨泥石流预警方法 | |
CN113962472A (zh) | 一种基于GAT-Seq2seq模型的时空双注意力地铁客流短时预测方法 | |
CN111915083A (zh) | 一种基于时间分层组合的风电功率预测方法及预测系统 | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
CN114611756A (zh) | 基于遥感技术的城市合流制排水系统水量负荷预测方法 | |
Quiñones et al. | Towards smart energy management for community microgrids: Leveraging deep learning in probabilistic forecasting of renewable energy sources | |
KR20150089186A (ko) | 열대 저기압의 강풍과 폭우 지수를 이용한 인명 및 재산피해 규모 추정 방법, 시스템, 및 프로그램 | |
CN116976588B (zh) | 一种基于台风实时信息的应急物资动态分配方法和系统 | |
CN116758707B (zh) | 一种基于大数据的地质灾害监测系统及方法 | |
KR100430219B1 (ko) | 상수도 시스템의 용수 수요 예측 방법 | |
Khadem et al. | Decentralized Multi-Commodity and Multi-Period Mathematical Model for Disaster Relief Goods Location and Distribution using HACO-VNS Hybrid Algorithm | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN114169659A (zh) | 一种犯罪时空风险预测及决策调度方法和装置 | |
CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
CN117829375B (zh) | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
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 |