CN117076744B - 一种无障碍设施建设选址方法及设备 - Google Patents
一种无障碍设施建设选址方法及设备 Download PDFInfo
- Publication number
- CN117076744B CN117076744B CN202311322342.0A CN202311322342A CN117076744B CN 117076744 B CN117076744 B CN 117076744B CN 202311322342 A CN202311322342 A CN 202311322342A CN 117076744 B CN117076744 B CN 117076744B
- Authority
- CN
- China
- Prior art keywords
- barrier
- activity
- facility
- living
- free
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 38
- 238000010187 selection method Methods 0.000 title claims description 15
- 230000000694 effects Effects 0.000 claims abstract description 110
- 230000011664 signaling Effects 0.000 claims abstract description 51
- 238000011160 research Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q50/16—Real estate
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Library & Information Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无障碍设施建设选址方法及设备,所述方法包括:获取在预设的研究范围内的残疾人居住地数据和目标用户的信令数据;基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区;基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地;根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值;基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址。本发明使得选址结果具备更高的代表性,能够得到精准的无障碍设施选址结果,以满足研究范围内绝大部分残疾人的生活及出行需求,此外无需使用额外的人力物力,从而降低成本的同时提升效率。
Description
技术领域
本发明涉及公共设施选址领域,尤其涉及一种无障碍设施建设选址方法及设备。
背景技术
残障人群作为典型的弱势群体,通常存在生活、出行不便的问题,而确保其在日常生活以及出行时的便利性尤为重要,这就需要相应建设无障碍设施以方便其日常生活以及出行。现有的无障碍设施选址方法当中,通常利用在研究范围内发放问卷调查、对特定的残障人群进行GPS定位等手段来收集数据,并基于此数据进一步分析残障人群的出行特征和日常影响因素,从而针对性地在残障人群生活不便及出行频率较高的地点建设无障碍设施。可见,现有技术当中,存在数据样本量较小、难以覆盖大范围人群,从而导致无障碍设施选址结果不够精准的问题。
发明内容
为了解决上述技术问题,本发明实施例提出了一种无障碍设施建设选址方法及设备,能够精准地进行无障碍设施的建设选址,从而满足研究范围内的大部分残障人群的需求。
为了实现上述目的,本发明实施例提供了一种无障碍设施建设选址方法,包括:
获取在预设的研究范围内的残疾人居住地数据和目标用户的信令数据;其中,所述研究范围是由若干网格组成,所述目标用户是手机应用软件下载数据满足标记条件的用户;
基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区;
基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地;
根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值;
基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址。
进一步的,所述基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区,具体包括:
从所述残疾人居住地数据中获取居住地坐标;
将所述居住地坐标配置到地图的所述研究范围内;
基于所述居住地坐标,计算所述研究范围内的残疾人居住地分布强度的核密度值;
根据所述核密度值在所述研究范围内确定居住密集区;
将所有与所述居住密集区具有重叠区域的网格作为居住密集区网格;其中,所述居住密集区网格的中心点对应于与其重叠的居住密集区上所对应的核密度值;
分别计算各所述居住密集区网格的中心点的残疾人步行等时圈,以获取残疾人的社区活动密集区。
进一步的,所述基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地,具体包括:
根据所述信令数据,将所有在所述研究范围内出现的次数超过预设出现次数阈值的目标用户进行标注,并按照用户ID和出现时间对标注的目标用户进行排序;
从所述信令数据中获取与排序后的目标用户对应的第一目标信令数据;
对所述第一目标信令数据进行数据反常排除处理,得到第二目标信令数据;
根据所述第二目标信令数据,识别出每一所述排序后的目标用户的停留地点;
针对每一所述排序后的目标用户:统计在日间时间内停留在同一个停留地点的累计时间超过预设停留时间阈值的停留地点以作为所述活动地,并将所述活动地写入对应的用户日间活动表;
将所有所述排序后的目标用户对应的用户日间活动表进行合并;其中,合并后的用户日间活动表用于指示每一所述活动地对应的累计人数以及所述累计人数的累计停留时长。
进一步的,所述根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值,具体包括:
基于合并后的用户日间活动表,统计每一所述活动地平均每日的到访人次数;
分别对各所述活动地平均每日的到访人次数进行核密度计算,得到各所述活动地的出行活动强度值。
进一步的,所述方法还包括:
确定所述研究范围内的各个街道;
基于预设的若干缓冲区半径,生成在各所述缓冲区半径下以各所述街道为中心的多个缓冲区;
在每一所述缓冲区内,对所述出行活动强度值进行多元线性回归分析,得到回归分析指标;其中,所述回归分析指标用于表征所述缓冲区对应街道的为残疾人提供的服务设施水平。
进一步的,所述基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,具体包括:
基于各所述活动地的出行活动强度值,按照预设的等值距生成若干密度等值线;
将具有密度突变情况的密度等值线所包含的范围标记为残疾人居住地核心范围圈;
将所述残疾人居住地核心范围圈与所述居住密集区进行叠加,得到残疾人综合生活圈;
选取所述残疾人综合生活圈内的网格作为第一网格,将每四个第一网格组合成一个第二网格;
采用层次分析法确定无障碍活动设施的指标及指标权重;
基于获取到的每一所述第二网格的数据和所述无障碍活动设施的指标及指标权重,计算每一所述第二网格的无障碍活动设施评分;
计算所有所述第二网格的无障碍活动设施评分的平均值作为第一平均值;
将无障碍活动设施评分低于所述第一平均值的第二网格划定为无障碍活动设施的建设选址。
进一步的,所述基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,具体包括:
采用自然间断分级法,按照网格所处的密度等值线的密度数值大小,将网格排序为五个等级,并将前两个等级的网格标记为居住高密度区;
采用空间自相关分析的局部莫兰指数,基于网格所处的密度等值线的密度数值大小对网格进行分析,以确定高值聚类区;
将所述居住高密度区与所述高值聚类区间的重叠区域中不小于预设面积阈值的若干个区域标记为若干个无障碍生活设施提升区;
采用层次分析法确定无障碍生活设施的指标及指标权重;
基于获取到的每一所述无障碍生活设施提升区的数据和所述无障碍生活设施的指标及指标权重,计算每一所述无障碍生活设施提升区的无障碍生活设施评分;
计算所有所述无障碍生活设施提升区的无障碍生活设施评分的平均值作为第二平均值;
将无障碍生活设施评分低于所述第二平均值的无障碍生活设施提升区划定为无障碍生活设施的重点建设选址。
进一步的,所述方法还包括:
获取所述研究范围内的公共设施的信息;
基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径;
其中,所述拟合最佳的搜索半径用于指示所述研究范围内的无障碍设施服务水平。
进一步的,所述基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径,具体包括:
在预设的地图软件上获取所述研究范围内的与残疾人出行活动相关的所有公共设施的信息;
基于各所述公共设施的信息计算各所述公共设施的设施核密度值;
将各所述公共设施的设施核密度值分别对应连接到各所述公共设施所处网格的中心点;
在每一所述搜索半径下,计算每一所述出行活动强度值与每一所述设施核密度值的皮尔逊相关系数,以获取每一所述搜索半径下的相关性;
将相关性最大的搜索半径确定为拟合最佳的搜索半径。
本发明实施例还提供了一种计算机设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的无障碍设施建设选址方法的步骤。
综上,本发明具有以下有益效果:
采用本发明实施例,由于信令数据的数据量足够大,且具备范围大、颗粒度小、精度高的优点,从而使得选址结果具备更高的代表性,能够得到精准的无障碍设施选址结果,以满足研究范围内绝大部分残疾人的生活及出行需求,此外无需使用额外的人力物力,从而降低成本的同时提升效率。
附图说明
图1是本发明提供的一种无障碍设施建设选址方法的一个实施例的流程示意图;
图2是本发明提供的停留地点的识别的一个实施例的示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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作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。
在本申请描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中,需要说明的是,除非另有定义,本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
参见图1,是本发明提供的无障碍设施建设选址方法的一个实施例的流程示意图,该方法包括步骤S1至S5,具体如下:
S1,获取在预设的研究范围内的残疾人居住地数据和目标用户的信令数据;其中,所述研究范围是由若干网格组成,所述目标用户是手机应用软件下载数据满足标记条件的用户;
S2,基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区;
S3,基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地;
S4,根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值;
S5,基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址。
具体的,若干网格具体为:在研究范围内建立网格,通过使用ArcGIS中CreateFishnet (Data Management)工具创建渔网,将其中的cell_width和cell_height均设置为200,从而将研究范围划分成网格(200m*200m),并相应生成每个网格的中心的坐标点。
示例性的,所述残疾人居住地数据包括出生日期、年龄、居住地址、残疾类别和残疾等级。
示例性的,所述标记条件包括:在预设研究时间段内下载过无障碍地图、爱心公交卡、一键叫车中至少一种的与残障相关的手机应用。
作为上述方案的改进,所述基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区,具体包括:
从所述残疾人居住地数据中获取居住地坐标;
将所述居住地坐标配置到地图的所述研究范围内;
基于所述居住地坐标,计算所述研究范围内的残疾人居住地分布强度的核密度值;
根据所述核密度值在所述研究范围内确定居住密集区;
将所有与所述居住密集区具有重叠区域的网格作为居住密集区网格;其中,所述居住密集区网格的中心点对应于与其重叠的居住密集区上所对应的核密度值;
分别计算各所述居住密集区网格的中心点的残疾人步行等时圈,以获取残疾人的社区活动密集区。
作为其中一种实施例:
在获取居住地坐标后,使用ArgGIS软件中Add XY Coordinates工具,将居住地坐标匹配至地图,并使用Select Layer By Location工具删除落在研究范围外的数据;
居住密集区的确定:调用Python的arcpy模块,使用KernelDensity(核密度估计)对残疾人居住地的分布进行核密度计算,其中,cell_size设置为200,search_radius设置为400,以计算获得研究范围内残疾人居住地分布强度的核密度值。再调用Python的pandas模块的get_pareto_penct工具, 将核密度值从大到小累加,累加到占残疾人总数的前70%的空间范围,将该空间范围定义为残疾人集中的居住密集区;
居住密集区网格:将居住密集区内对应的残疾人居住地分布强度的核密度值连接到与该居住密集区重叠的网格的中心点上,与居住密集区没有重叠区域的网格的中心点的核密度值赋值为0,将核密度值非0的网格标记为居住密集区网格;
残疾人步行等时圈:等时圈是指从某点出发,以某种交通方式在特定时间内能到达的距离的覆盖范围,具体为:调用百度地图开放平台API工具,使用步行模式计算从中心点出发到各个网格中心点间的步行需用时间,筛选步行10分钟模式下的覆盖范围。其中由于社区生活圈服务范围是15分钟,而残疾人步行速度较慢,因此相当于正常步行速度的10分钟范围。
作为上述方案的改进,所述基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地,具体包括:
根据所述信令数据,将所有在所述研究范围内出现的次数超过预设出现次数阈值的目标用户进行标注,并按照用户ID和出现时间对标注的目标用户进行排序;
从所述信令数据中获取与排序后的目标用户对应的第一目标信令数据;
对所述第一目标信令数据进行数据反常排除处理,得到第二目标信令数据;
根据所述第二目标信令数据,识别出每一所述排序后的目标用户的停留地点;
针对每一所述排序后的目标用户:统计在日间时间内停留在同一个停留地点的累计时间超过预设停留时间阈值的停留地点以作为所述活动地,并将所述活动地写入对应的用户日间活动表;
将所有所述排序后的目标用户对应的用户日间活动表进行合并;其中,合并后的用户日间活动表用于指示每一所述活动地对应的累计人数以及所述累计人数的累计停留时长。
作为其中一种实施例:
选出研究时间段内目标用户的信令数据,并按照出现频率进行筛选,将一个月内(30天)出现次数超过15天的目标用户标注出来,并按照用户ID、时间由小到大进行顺序排序,并从目标用户的信令数据中筛选出完成排序的目标用户对应的第一目标信令数据;
排除反常数据:筛选反常数据的规则为每日总条数在40000条以上的用户信令记录,即每日40000条则每2秒产生一条信令,这与正常人的行为轨迹特征不符合,删去。此外,还需对数据进行去重处理,累计每个用户每一天在同一基站上连续出现的条数,若连续出现≥3次,则保留首尾记录,删除中间重复数据;
停留地点识别:如果前后两条信令的时间小于30分钟,合并前后两条信令对应的短距离内的基站:对前后相邻两条信令计算距离差,若米,则将第二条数据跳过,继续计算下一条与第一条的距离差,直到距离差大于等于/>米(同时信令类型为开关机的记录不能删),则可认为用户位置发生了移动,重新计算下一个有效位置点,相应参见图2。
活动地点和活动人数分析:
1)通过日间时间段(10:00-19:00)汇总停留时间表,对同一天同一用户在10:00-19:00期间,在同一位置的记录进行合并,位置记为Play_grid_day,得到每个用户每天在10:00-19:00期间,在各基站的累计停留时间,并筛选出累计停留时间≥20min的记录,写入用户日间活动地点表;
2)按照基站进行人数汇总,人数总量记为User_cnt,输出用户日间活动表,该表可以统计残疾人经常到访的活动地(Play_grid_day)和停留时长(Sum_staytime)。
作为上述方案的改进,所述根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值,具体包括:
基于合并后的用户日间活动表,统计每一所述活动地平均每日的到访人次数;
分别对各所述活动地平均每日的到访人次数进行核密度计算,得到各所述活动地的出行活动强度值。
作为其中一种实施例:统计平均每日每个活动地(基站)的到访人次数(人次/日),使用ArcGIS中KernelDensity工具对活动地(基站)的到访人次数(人次/日)进行核密度计算,cell_size设置为200,search_radius设置为400,将输出结果out_raster的密度值定义为残疾人活动强度值。
作为上述方案的改进,所述方法还包括:
确定所述研究范围内的各个街道;
基于预设的若干缓冲区半径,生成在各所述缓冲区半径下以各所述街道为中心的多个缓冲区;
在每一所述缓冲区内,对所述出行活动强度值进行多元线性回归分析,得到回归分析指标;其中,所述回归分析指标用于表征所述缓冲区对应街道的为残疾人提供的服务设施水平。
作为其中一种实施例:以各个街道为中心生成200m、400m、600m、800m、1000m、1200m、1400m、1800m、2200m 的缓冲区,分别选取落到各个缓冲圈内的残疾人活动强度值数据,并使用STATA 软件构建多元线性回归模型,以距离街道的距离、范围内残疾人人数、设施数量等因素作为自变量对残疾人活动强度值进行回归分析,分析不同街道的t值在哪个距离上显著,若在400m距离上显著、系数为正值,说明该街道周围的服务设施可以为残疾人提供400m内的集中服务,超过400m设施的服务能力随距离的增长而下降。此方法可横向比较不同街道无障碍设施服务范围的差异,利用ArcGIS软件中的自然间断分级法(NatureBreak),对将服务范围进行排序,将将服务范围分为3个等级显示,服务范围最大的一级街道标记为服务设施水平好,服务范围最大的一级街道标记为待提升。
作为上述方案的改进,所述基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,具体包括:
基于各所述活动地的出行活动强度值,按照预设的等值距生成若干密度等值线;
将具有密度突变情况的密度等值线所包含的范围标记为残疾人居住地核心范围圈;
将所述残疾人居住地核心范围圈与所述居住密集区进行叠加,得到残疾人综合生活圈;
选取所述残疾人综合生活圈内的网格作为第一网格,将每四个第一网格组合成一个第二网格;
采用层次分析法确定无障碍活动设施的指标及指标权重;
基于获取到的每一所述第二网格的数据和所述无障碍活动设施的指标及指标权重,计算每一所述第二网格的无障碍活动设施评分;
计算所有所述第二网格的无障碍活动设施评分的平均值作为第一平均值;
将无障碍活动设施评分低于所述第一平均值的第二网格划定为无障碍活动设施的建设选址。
作为其中一种实施例:
基于各个活动地对应的出行活动强度值,采用Contour (Spatial Analyst)工具,以100人/km2的等值距生成密度等值线(100人/km2、200人/km2、300人/km2以此类推),将密度突变的等值线标记为残疾人居住地核心范围圈,其中,正常情况下等值线是均匀的收缩,密度突变表示在某一密度下密度等值线发生急剧变化,该密度等值线所圈定的范围是残疾人居住地核心范围圈;
使用Merge (Data Management)工具,叠加居住地核心范围圈和居住密集区,得到残疾人综合生活圈。应理解,可以通过对比连续N年数据(如2018年-2023年)来检验残疾人综合生活圈的变化情况,若生活圈范围在扩张,说明无障碍设施服务范围在扩大,无障碍环境得到改善;
选中残疾人综合生活圈内的网格,以4个网格为单元进行合并,合并后形成400m*400m的大网格,使用AHP层次分析法,建立活动设施评价体系的层次分析模型,如下表1。收集相关评价数据,使用YAAHP软件的群组决策分析模块对数据整理,得到评价体系及相应权重。对400m*400m大网格进行打分,低于平均值的大网格标记为重点提升区,未来需要对片区的无障碍设施进行重点建设,有设施记录1分,无设施记录0分,对于缺乏某项无障碍活动设施的大网格,针对该项设施重点建设。
表1
作为上述方案的改进,所述基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,具体包括:
采用自然间断分级法,按照网格所处的密度等值线的密度数值大小,将网格排序为五个等级,并将前两个等级的网格标记为居住高密度区;
采用空间自相关分析的局部莫兰指数,基于网格所处的密度等值线的密度数值大小对网格进行分析,以确定高值聚类区;
将所述居住高密度区与所述高值聚类区间的重叠区域中不小于预设面积阈值的若干个区域标记为若干个无障碍生活设施提升区;
采用层次分析法确定无障碍生活设施的指标及指标权重;
基于获取到的每一所述无障碍生活设施提升区的数据和所述无障碍生活设施的指标及指标权重,计算每一所述无障碍生活设施提升区的无障碍生活设施评分;
计算所有所述无障碍生活设施提升区的无障碍生活设施评分的平均值作为第二平均值;
将无障碍生活设施评分低于所述第二平均值的无障碍生活设施提升区划定为无障碍生活设施的重点建设选址。
作为其中一种实施例:
利用ArcGIS软件中的自然间断分级法(Nature Break),对残疾人居住地密度网格数值进行排序,将居住密度网格分为5个等级显示,并将密度排名前两级的网格标记为居住高密度区;
使用空间自相关分析的局部莫兰指数(Spatial Autocorrelation (GlobalMoran's I))对残疾人居住地密度网格进行分析,选出结果在1%显著性水平下,Z值大于2.58的高值聚类区,并做好标记;
将同时位于居住高密度区和高值聚类区、且面积不小于8hm2的范围标记为无障碍生活设施提升区,可能有N个;
同样使用AHP层次分析法,建立生活设施评价体系的层次分析模型。收集相关评价数据,使用YAAHP软件的群组决策分析模块对数据整理,得到评价体系及相应权重,如下表2。对每个无障碍生活设施提升区进行打分,低于平均值的记为重点提升区,未来需要对片区的生活类无障碍设施进行重点建设,其中,有设施记录1分,无设施记录0分。
表2
作为上述方案的改进,所述方法还包括:
获取所述研究范围内的公共设施的信息;
基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径;
其中,所述拟合最佳的搜索半径用于指示所述研究范围内的无障碍设施服务水平。
作为上述方案的改进,所述基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径,具体包括:
在预设的地图软件上获取所述研究范围内的与残疾人出行活动相关的所有公共设施的信息;
基于各所述公共设施的信息计算各所述公共设施的设施核密度值;
将各所述公共设施的设施核密度值分别对应连接到各所述公共设施所处网格的中心点;
在每一所述搜索半径下,计算每一所述出行活动强度值与每一所述设施核密度值的皮尔逊相关系数,以获取每一所述搜索半径下的相关性;
将相关性最大的搜索半径确定为拟合最佳的搜索半径。
作为其中一种实施例:
调用百度地图/高德地图API,抓取研究范围内与残疾人出行活动相关性较大的POI(point of interest)设施,如公交场站、社区诊所、康复中心、公园绿地和菜市场等,使用ArcGIS中KernelDensity工具对公共设施进行核密度计算,cell_size设置为200,search_radius设置为400,获得输出结果out_raster。使用Spatial Join (Analysis)空间连接工具,将out_raster的数值连接到网格的中心点上;同样,将残疾人出行活动强度的核密度值也连接到对应的网格中心点上;
计算不同搜索半径下残疾人出行活动强度与设施核密度的相关性。使用SPSS软件中的皮尔逊相关系数( Pearson correlation coefficient)工具,分别测算搜索半径为100、200、300、400、500、600以及全局尺度下的活动强度与设施核密度值的相关性。找到拟合效果最好的搜索半径,即相关性计算结果R2值最高,且具有显著性,则定义该值为研究范围内无障碍设施服务范围的平均值。通过比较不同研究范围内的无障碍设施服务范围的大小,可以对不同区域的无障碍设施服务水平进行评价,其中若服务范围大,则说明该区域无障碍设施服务效果好,后续可以选择对重要但服务范围小的活动地点进行设施提升。
需要说明的是,以上获取到的所有信息、数据,例如残疾人居住地数据、信令数据等,均是经用户本人授权使用的信息、数据。
本发明实施例还提供了一种计算机设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的无障碍设施建设选址方法的步骤。
该实施例的计算机设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,例如无障碍设施建设选址程序。所述处理器执行所述计算机程序时实现上述各个无障碍设施建设选址方法实施例中的步骤,例如图1所示的步骤S1至S5。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是计算机设备的示例,并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
综上,本发明具有以下有益效果:
采用本发明实施例,由于信令数据的数据量足够大,且具备范围大、颗粒度小、精度高的优点,从而使得选址结果具备更高的代表性,能够得到精准的无障碍设施选址结果,以满足研究范围内绝大部分残疾人的生活及出行需求,此外无需使用额外的人力物力,从而降低成本的同时提升效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种无障碍设施建设选址方法,其特征在于,包括:
获取在预设的研究范围内的残疾人居住地数据和目标用户的信令数据;其中,所述研究范围是由若干网格组成,所述目标用户是手机应用软件下载数据满足标记条件的用户;
基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区;
基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地;
根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值;
基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,具体包括:
基于各所述活动地的出行活动强度值,按照预设的等值距生成若干密度等值线;
采用自然间断分级法,按照网格所处的密度等值线的密度数值大小,将网格排序为五个等级,并将前两个等级的网格标记为居住高密度区;
采用空间自相关分析的局部莫兰指数,基于网格所处的密度等值线的密度数值大小对网格进行分析,以确定高值聚类区;
将所述居住高密度区与所述高值聚类区间的重叠区域中不小于预设面积阈值的若干个区域标记为若干个无障碍生活设施提升区;
采用层次分析法确定无障碍生活设施的指标及指标权重;
基于获取到的每一所述无障碍生活设施提升区的数据和所述无障碍生活设施的指标及指标权重,计算每一所述无障碍生活设施提升区的无障碍生活设施评分;
计算所有所述无障碍生活设施提升区的无障碍生活设施评分的平均值作为第二平均值;
将无障碍生活设施评分低于所述第二平均值的无障碍生活设施提升区划定为无障碍生活设施的重点建设选址。
2.如权利要求1所述的无障碍设施建设选址方法,其特征在于,所述基于所述残疾人居住地数据,在若干所述网格中识别出残疾人的社区活动密集区,具体包括:
从所述残疾人居住地数据中获取居住地坐标;
将所述居住地坐标配置到地图的所述研究范围内;
基于所述居住地坐标,计算所述研究范围内的残疾人居住地分布强度的核密度值;
根据所述核密度值在所述研究范围内确定居住密集区;
将所有与所述居住密集区具有重叠区域的网格作为居住密集区网格;其中,所述居住密集区网格的中心点对应于与其重叠的居住密集区上所对应的核密度值;
分别计算各所述居住密集区网格的中心点的残疾人步行等时圈,以获取残疾人的社区活动密集区。
3.如权利要求2所述的无障碍设施建设选址方法,其特征在于,所述基于预设研究时间段内的所述信令数据,在所述研究范围内识别出至少一个活动地,具体包括:
根据所述信令数据,将所有在所述研究范围内出现的次数超过预设出现次数阈值的目标用户进行标注,并按照用户ID和出现时间对标注的目标用户进行排序;
从所述信令数据中获取与排序后的目标用户对应的第一目标信令数据;
对所述第一目标信令数据进行数据反常排除处理,得到第二目标信令数据;
根据所述第二目标信令数据,识别出每一所述排序后的目标用户的停留地点;
针对每一所述排序后的目标用户:统计在日间时间内停留在同一个停留地点的累计时间超过预设停留时间阈值的停留地点以作为所述活动地,并将所述活动地写入对应的用户日间活动表;
将所有所述排序后的目标用户对应的用户日间活动表进行合并;其中,合并后的用户日间活动表用于指示每一所述活动地对应的累计人数以及所述累计人数的累计停留时长。
4.如权利要求3所述的无障碍设施建设选址方法,其特征在于,所述根据所述信令数据计算至少一个所述活动地的残疾人的出行活动强度值,具体包括:
基于合并后的用户日间活动表,统计每一所述活动地平均每日的到访人次数;
分别对各所述活动地平均每日的到访人次数进行核密度计算,得到各所述活动地的出行活动强度值。
5.如权利要求4所述的无障碍设施建设选址方法,其特征在于,所述方法还包括:
确定所述研究范围内的各个街道;
基于预设的若干缓冲区半径,生成在各所述缓冲区半径下以各所述街道为中心的多个缓冲区;
在每一所述缓冲区内,对所述出行活动强度值进行多元线性回归分析,得到回归分析指标;其中,所述回归分析指标用于表征所述缓冲区对应街道的为残疾人提供的服务设施水平。
6.如权利要求5所述的无障碍设施建设选址方法,其特征在于,所述基于所述社区活动密集区和至少一个所述出行活动强度值,划定无障碍设施的建设选址,还包括:
将具有密度突变情况的密度等值线所包含的范围标记为残疾人居住地核心范围圈;
将所述残疾人居住地核心范围圈与所述居住密集区进行叠加,得到残疾人综合生活圈;
选取所述残疾人综合生活圈内的网格作为第一网格,将每四个第一网格组合成一个第二网格;
采用层次分析法确定无障碍活动设施的指标及指标权重;
基于获取到的每一所述第二网格的数据和所述无障碍活动设施的指标及指标权重,计算每一所述第二网格的无障碍活动设施评分;
计算所有所述第二网格的无障碍活动设施评分的平均值作为第一平均值;
将无障碍活动设施评分低于所述第一平均值的第二网格划定为无障碍活动设施的建设选址。
7.如权利要求1所述的无障碍设施建设选址方法,其特征在于,所述方法还包括:
获取所述研究范围内的公共设施的信息;
基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径;
其中,所述拟合最佳的搜索半径用于指示所述研究范围内的无障碍设施服务水平。
8.如权利要求7所述的无障碍设施建设选址方法,其特征在于,所述基于若干预设搜索半径、所述公共设施的信息和至少一个所述出行活动强度值,分别计算各所述搜索半径的相关性,并根据所述相关性确定拟合最佳的搜索半径,具体包括:
在预设的地图软件上获取所述研究范围内的与残疾人出行活动相关的所有公共设施的信息;
基于各所述公共设施的信息计算各所述公共设施的设施核密度值;
将各所述公共设施的设施核密度值分别对应连接到各所述公共设施所处网格的中心点;
在每一所述搜索半径下,计算每一所述出行活动强度值与每一所述设施核密度值的皮尔逊相关系数,以获取每一所述搜索半径下的相关性;
将相关性最大的搜索半径确定为拟合最佳的搜索半径。
9.一种计算机设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的无障碍设施建设选址方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322342.0A CN117076744B (zh) | 2023-10-13 | 2023-10-13 | 一种无障碍设施建设选址方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322342.0A CN117076744B (zh) | 2023-10-13 | 2023-10-13 | 一种无障碍设施建设选址方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076744A CN117076744A (zh) | 2023-11-17 |
CN117076744B true CN117076744B (zh) | 2024-02-27 |
Family
ID=88719802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322342.0A Active CN117076744B (zh) | 2023-10-13 | 2023-10-13 | 一种无障碍设施建设选址方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076744B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10394900B1 (en) * | 2012-12-04 | 2019-08-27 | Securus Technologies, Inc. | Community-based investigative tools |
CN111432417A (zh) * | 2020-03-27 | 2020-07-17 | 哈尔滨工业大学 | 一种基于手机信令数据的体育中心选址方法 |
WO2020172954A1 (zh) * | 2019-02-28 | 2020-09-03 | 东南大学 | 一种基于定位数据的生活圈识别方法 |
CN113407872A (zh) * | 2021-06-28 | 2021-09-17 | 西华大学 | 基于poi的城市空中交通飞行载具起降点选址方法 |
CN115086880A (zh) * | 2022-08-22 | 2022-09-20 | 广州市城市规划勘测设计研究院 | 一种出行特征识别方法、装置、设备及存储介质 |
CN115511149A (zh) * | 2022-08-05 | 2022-12-23 | 广州市城市规划勘测设计研究院 | 一种公共服务设施服务区划分方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5944770B2 (ja) * | 2012-07-17 | 2016-07-05 | 株式会社デンソーアイティーラボラトリ | 行先提案システム、行先提案方法、およびプログラム |
-
2023
- 2023-10-13 CN CN202311322342.0A patent/CN117076744B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10394900B1 (en) * | 2012-12-04 | 2019-08-27 | Securus Technologies, Inc. | Community-based investigative tools |
WO2020172954A1 (zh) * | 2019-02-28 | 2020-09-03 | 东南大学 | 一种基于定位数据的生活圈识别方法 |
CN111432417A (zh) * | 2020-03-27 | 2020-07-17 | 哈尔滨工业大学 | 一种基于手机信令数据的体育中心选址方法 |
CN113407872A (zh) * | 2021-06-28 | 2021-09-17 | 西华大学 | 基于poi的城市空中交通飞行载具起降点选址方法 |
CN115511149A (zh) * | 2022-08-05 | 2022-12-23 | 广州市城市规划勘测设计研究院 | 一种公共服务设施服务区划分方法、装置、设备及介质 |
CN115086880A (zh) * | 2022-08-22 | 2022-09-20 | 广州市城市规划勘测设计研究院 | 一种出行特征识别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117076744A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rekha et al. | Accessibility analysis of health care facility using geospatial techniques | |
CN109118265A (zh) | 商圈确定方法、装置和服务器 | |
CN109544690B (zh) | 共享单车出行影响因素识别方法、系统及存储介质 | |
Hirschfield et al. | Mapping and analysing crime data: Lessons from research and practice | |
Hurvitz et al. | Emerging technologies for assessing physical activity behaviors in space and time | |
Kanuganti et al. | Quantifying accessibility to health care using Two-step Floating Catchment Area Method (2SFCA): A case study in Rajasthan | |
Dixon et al. | Sampling methods for geographical research | |
CN115086880B (zh) | 一种出行特征识别方法、装置、设备及存储介质 | |
Donnelly | The geographic distribution of United States public libraries: An analysis of locations and service areas | |
Griswold et al. | A pedestrian exposure model for the california state highway system | |
Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
CN111639786A (zh) | 资源配置方法、装置、存储介质及计算机设备 | |
Page et al. | An evaluation of alternative measures of accessibility for investigating potential ‘deprivation amplification’in service provision | |
Jiao et al. | Evaluating spatial accessibility to healthcare services from the lens of emergency hospital visits based on floating car data | |
Jae Park | Measuring travel time and distance in library use | |
Jamtsho et al. | Evaluation of spatial accessibility to primary healthcare using GIS | |
CN115100012A (zh) | 一种轨道交通站点步行可达性计算方法 | |
CN114511432A (zh) | 一种基于区块链的数字乡村管理服务系统 | |
CN117076744B (zh) | 一种无障碍设施建设选址方法及设备 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN115730763B (zh) | 基于终端信令数据的工作日设施可达性计算方法及装置 | |
Qu et al. | Regularly visited patches in human mobility | |
CN115633311A (zh) | 一种基于手机信令数据的道路交通噪声人群影响计量方法 | |
Rodriguez-Gonzalez et al. | Walking distances from home to bus stops in San José, Costa Rica: real, perceived, and stated-preference distances | |
Chaniago et al. | Geographic Information System (GIS) as an Information Media in the Field of Environmental Health: Literature Review |
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 |