CN120069263B - 一种基于空间分析算法的分灾种应急避难疏散方法 - Google Patents

一种基于空间分析算法的分灾种应急避难疏散方法

Info

Publication number
CN120069263B
CN120069263B CN202510549490.9A CN202510549490A CN120069263B CN 120069263 B CN120069263 B CN 120069263B CN 202510549490 A CN202510549490 A CN 202510549490A CN 120069263 B CN120069263 B CN 120069263B
Authority
CN
China
Prior art keywords
disaster
evacuation
road
capacity
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.)
Active
Application number
CN202510549490.9A
Other languages
English (en)
Other versions
CN120069263A (zh
Inventor
程方明
邓军
文虎
罗振敏
白磊
刘长春
王刘兵
李凯丽
聂宁宁
陈字颉
董雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Jierui Fire Technology Co ltd
Xian University of Science and Technology
Original Assignee
Xi'an Jierui Fire Technology Co ltd
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Jierui Fire Technology Co ltd, Xian University of Science and Technology filed Critical Xi'an Jierui Fire Technology Co ltd
Priority to CN202510549490.9A priority Critical patent/CN120069263B/zh
Publication of CN120069263A publication Critical patent/CN120069263A/zh
Application granted granted Critical
Publication of CN120069263B publication Critical patent/CN120069263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2137—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on criteria of topology preservation, e.g. multidimensional scaling or self-organising maps
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于空间分析算法的分灾种应急避难疏散方法，属于疏散路径规划技术领域，发明方法包括生成动态风险分布图；建立道路结构损伤预测模型；确定需转移的受灾人口聚集区域与需求；以受灾人员聚集点为中心划定搜索范围，确定满足疏散需求的避难场所；生成空间拓扑关系图；构建灾害事件动态疏散模型；持续接入基站定位数据流，动态触发路径重规划。本发明以多灾种为背景设计的应急疏散路径选择方案，不仅能够有效应对复杂多变的多灾种叠加情境，同时也完全适用于单灾种背景下的应急响应，实现疏散路径的疏散优先度分级，以确保疏散人员能安全到达疏散目的地，基于人员动态数据进行优化计算，能有效提高疏散路径规划模型的动态性和灾变适配性。

Description

一种基于空间分析算法的分灾种应急避难疏散方法
技术领域
本发明涉及疏散路径规划技术领域，具体为一种基于空间分析算法的分灾种应急避难疏散方法。
背景技术
城市系统在承受震灾直接破坏的同时，还常伴随地下管网破裂引发的城市内涝、地质结构失稳导致的滑坡泥石流等次生灾害，传统单一灾种的防灾预案已难以应对现实需求。在组织受灾群众向应急避难场所转移过程中，若缺乏精准的疏散路径指引，可能导致群众误入次生灾害威胁区域，加剧灾难后果。因此，构建分灾种群众应急避难疏散路径优化系统，已成为提升城市防灾韧性的关键举措。
经检索，公告号为CN117196128A的中国专利：一种应急疏散路径规划方法、装置及电子设备，其技术方案图1所示，首先基于疏散网络确定初始疏散路径，其次获取实时环境信息并判断初始路径是否受灾并根据受灾情况搜索可行路径，最后利用可行路径替换更新初始路径，生成优化路径。
现有应急避难疏散方法中存在以下不足：现有疏散路径规划多局限于单一灾害场景，未考虑多灾害叠加引发的道路失效、次生风险等动态因素，且过度依赖最短路径或时间优化，忽视疏散过程中道路通行能力阈值、拥堵概率及环境风险实时变化；现有疏散路径规划多采用点到点模式，未考虑应急避难场所容量上限，超载时继续疏散易引发安全隐患，且大规模灾害下易导致效率低下与资源分配失衡；现有技术中基于历史数据或静态数据的模拟和分析，来进行疏散路径规划，在灾害发生时，道路状况往往瞬息万变，静态数据的滞后性使得规划方案难以及时调整，影响了疏散效率和安全性。
针对以上问题，提出了一种基于空间分析算法的分灾种应急避难疏散方法。
发明内容
本发明的目的在于提供一种基于空间分析算法的分灾种应急避难疏散方法，采用本装置进行工作，从而解决了上述背景中的问题。
为实现上述目的，本发明提供如下技术方案：一种基于空间分析算法的分灾种应急避难疏散方法，包括以下步骤：
S1：确定灾害类型及其相互作用模式，获取灾害特征参数，基于地理信息系统空间分析量化单灾种或多灾种叠加的综合危险等级，生成动态风险分布图；
S2：搜集地质构造、道路等级、建造年代、抗震等级等一级指标参数，利用层次分析法，确定二级指标参数的权重系数，建立道路结构损伤预测模型，得出道路结构损伤程度的评分，输出道路残余通行能力系数；
S3：融合手机与基站数据，实时监测人口分布与迁移，识别受灾人口聚集区及规模，结合风险图划分疏散优先级，确定需转移的受灾人口聚集区域与需求；
S4：以受灾人员聚集点为中心划定搜索范围，筛选周边应急避难场所，通过容量需求分析匹配受灾人数，最终确定满足疏散需求的避难场所；
S5：根据预设的矢量地理数据和应急避难场所的疏散道路分布，运用空间拓扑分析算法，生成空间拓扑关系图；
S6：根据所述空间拓扑关系图，引入道路实时容量数据、灾害风险概率与避难场所容量，利用五重成本的动态疏散模型，构建灾害事件动态疏散模型；
S7：持续接入基站定位数据流，监测实际疏散进展与人口分布变化，动态触发路径重规划。
进一步地，步骤S1中所述综合危险等级计算方法为：整合历史灾害数据与实时群智感知信息，结合层次分析法量化“灾害危险性-承灾体易损性-减灾能力”三大指标权重，构建多灾种耦合评价模型，基于地理信息系统的空间分析技术，将受灾区域栅格化处理，叠加灾害现场数据、地理环境参数与动态灾情指标，生成灾害危险性分区图，最终输出区域综合危险等级。
进一步地，步骤S2中所述地质构造对应的二级指标为岩石类型和地形特征，所述道路等级对应的二级指标为道路长度、道路宽度、路面状况以及路面材料，所述建造年代对应的二级指标为建造年份，所述抗震等级对应的二级指标为路面抗震等级。
进一步地，步骤S2中所述道路结构损伤预测模型的构建方法为：首先整合地质构造、道路属性、建造年代和抗震等级等数据并进行标准化处理，然后通过层次分析法确定各指标权重，接着利用图神经网络提取地质构造的节点特征和道路属性的边特征，并结合时间序列模型处理建造年代和抗震等级的动态变化特征，最后融合加权特征构建道路结构损伤预测模型，输出损伤评分和残余通行能力系数。
进一步地，步骤S2中所述道路残余通行能力系数的计算公式为：道路残余通行能力系数=1-道路结构损伤程度/最大承受能力。
进一步地，步骤S3中受灾人口聚集区的识别方法为：构建深度学习模型，以手机用户密度数据和地理空间信息作为输入，对人口热力分布进行精准分类，经过大量样本数据的训练和优化，模型能够准确将高密度区域标记为“受灾人口聚集区”。
进一步地，步骤S5中所述空间拓扑关系图中包括由受灾人群聚集点、应急避难场所以及路网中的交叉口构成的网络节点和由路网中的道路段构成的边，将预测的损毁路段标记为禁用边，对受损路段按残余通行能力动态调整边权重。
进一步地，步骤S6中所述灾害事件动态疏散模型的构建方法为：以最小化疏散时间、最小化道路灾害风险概率、最大化避难场所使用容量，最大化路径结构冗余和动态适配权重调整为优化目标，以道路通行效率、灾害风险概率和避难场所容量限制为约束条件，根据所述优化目标和约束条件，构建多目标函数F（X）=min（T(N),R(N),Cc(N),Cr(N),Cy(N)），所述多目标函数中N为总疏散人数，F（X）为疏散路径优化目标函数，T(N)为总疏散时间目标函数，R(N)为灾害风险概率目标函数，Cc(N)为疏散流通量目标函数（避免超过避难场所容量），Cr(N)为避难场所使用容量目标函数，Cy(N)为路径结构冗余度目标函数。
与现有技术相比，本发明的有益效果如下：
1、将多灾种纳入背景考虑，综合考虑不同灾害类型对疏散路径的影响，其得出的疏散方案与系统既适用于单一灾害场景，也能应对多灾害复合情况，具备广泛的适用性和实用性。
2、将道路容量、避难场所容量与路径安全风险因素作为疏散道路优先级排序指标，实现疏散路径的疏散优先度分级，确保疏散过程中交通流畅和道路安全，保证了疏散人员有足够的安置空间，极大地提高了疏散效率和安全性。
3、将地震等灾害对道路本身的破坏程度预测以及可通行性的影响纳入考虑范畴，能对疏散路径给出多目标综合优化。
4、采用疏散区域内手机热点数据作为避难需求数据，其数据能较明确反映出实际情况下人群特征，为疏散路径的规划提供了更为精确的数据支持。同时利用通信基站的人员定位数据，基于人员动态数据进行优化计算，有效提高疏散路径规划模型的动态性和灾变适配性。
5、依据本发明方法构建的系统，仅需输入初始数据，即可自动计算出最佳疏散路径方案，可显著提升应急响应速度和决策效率。
附图说明
图1为本发明的流程示意图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于空间分析算法的分灾种应急避难疏散方法，包括以下步骤：
步骤一：确定灾害类型及其相互作用模式，获取灾害特征参数，包括灾害类型、危险等级及烈度指标，基于地理信息系统空间分析量化单灾种或多灾种叠加的综合危险等级，生成动态风险分布图；
步骤二：搜集地质构造、道路等级、建造年代、抗震等级等一级指标参数，利用层次分析法，确定二级指标参数的权重系数，建立道路结构损伤预测模型，得出道路结构损伤程度的评分，输出道路残余通行能力系数；
步骤三：融合手机与基站数据，实时监测人口分布与迁移，识别受灾人口聚集区及规模，结合风险图划分疏散优先级，确定需转移的受灾人口聚集区域与需求；
步骤四：以受灾人员聚集点为中心划定搜索范围，筛选周边应急避难场所，通过容量需求分析匹配受灾人数，最终确定满足疏散需求的避难场所，可在ArcGIS中利用NetworkAnalyst新建位置分配工具进行位置分配求解，模型参数设置中，以道路网络的实际通行距离作为阻抗参数，采用“最大化有容量限制的覆盖范围”分配模式，设定阻抗中断值，确保需求点与设施点之间的路径长度不超过服务半径阈值。具体位置分配求解流程如下：
（1）构建网络数据集：整合道路数据与市政交通管制信息，构建包含通行方向、单行线限制及动态风险属性的道路网络数据集；
（2）加载约束条件：将设施点最大有效避险人数、需求点人口统计数据关联至属性表，嵌入位置分配工具；
（3）运行求解器：采用“最大化有容量限制的覆盖范围”模式，以实际通行距离为阻抗参数，通过迭代优化生成覆盖总人口最大化的分配方案；
步骤五：根据预设的矢量地理数据和应急避难场所的疏散道路分布，运用空间拓扑分析算法，生成空间拓扑关系图；
步骤六：根据空间拓扑关系图，引入道路实时容量数据、灾害风险概率与避难场所容量，利用五重成本的动态疏散模型，构建灾害事件动态疏散模型；
步骤七：持续接入基站定位数据流，监测实际疏散进展与人口分布变化，动态触发路径重规划。
步骤一中灾害综合危险等级计算方法为：整合历史灾害数据与实时群智感知信息，结合层次分析法量化“灾害危险性-承灾体易损性-减灾能力”三大指标权重，构建多灾种耦合评价模型，基于地理信息系统的空间分析技术，将受灾区域栅格化处理，叠加灾害现场数据、地理环境参数与动态灾情指标，生成灾害危险性分区图，最终输出区域综合危险等级。
具体的，本计算模型综合考虑“地震-城市内涝”“地震-地质灾害”“地震-城市内涝-地质灾害”的多灾种危险等级。灾害综合危险等级计算方法为：
获取区域历史灾害数据，包括灾害类型、等级、位置、影响范围、伤亡人数等；
综合灾害的自然属性和社会经济属性，利用层次分析法，得出“灾害危险性-承灾体易损性-减灾救灾能力”的影响因子，并进一步构建多灾种评价模型；
基于群智感知的灾害现场数据采集，数据包括灾害类型、工作现场救援情况、人员搜救与伤亡情况、现场撤离情况、基础设施损坏情况等信息，收集网络群体反馈的灾害相关信息数据以及地理信息；
从网络反馈的灾害现场信息数据中，选取表征灾害灾情的灾害危险性、承灾体易损性和减灾救灾能力等三个指标数据，评价过程是将受灾区域划分为多个栅格单元，分别开展灾害危险性、承灾体易损性和减灾救灾能力评价，可利用ArcGIS软件叠加各指标数据，开展空间分析，综合考虑三个指标结果，生成受灾区域灾害危险性分区图；
根据地理信息选取表征灾害影响区域的指标，将地理信息与灾害危险性分区图通过地理信息系统进行叠加，得到该区域灾害综合危险等级，表征灾害影响区域的指标是指受灾区域的地形地貌、地质构造、水系环境等自然条件。
通过明确地震及地震与其他次生灾害耦合的灾害类型，获取灾害特征的参数，执行灾害影响区域的网络分析，量化单一灾种或多种灾种叠加的综合危险等级。以多灾种为背景设计的应急疏散路径选择方案，不仅能够有效应对复杂多变的多灾种叠加情境，同时也完全适用于单灾种背景下的应急响应。
步骤二中地质构造对应的二级指标为岩石类型和地形特征，道路等级对应的二级指标为道路长度、道路宽度、路面状况以及路面材料，建造年代对应的二级指标为建造年份，抗震等级对应的二级指标为路面抗震等级。
步骤二中道路结构损伤预测模型的构建方法为：首先整合地质构造、道路属性、建造年代和抗震等级等数据并进行标准化处理，然后通过层次分析法确定各指标权重，接着利用图神经网络提取地质构造的节点特征和道路属性的边特征，并结合时间序列模型处理建造年代和抗震等级的动态变化特征，最后融合加权特征构建道路结构损伤预测模型，输出损伤评分和残余通行能力系数。
步骤二中道路残余通行能力系数的计算公式为：道路残余通行能力系数=1-道路结构损伤程度/最大承受能力。
具体的，首先搜集地质构造、道路等级、建造年代、抗震等级数据，并做好数据标准化和归一化处理，而后利用层次分析法，确定各二级指标参数的权重系数，而后将地质构造、道路属性和建造年代等参数作为模型的输入特征，利用图神经网络，使用图卷积层，将地质构造数据提取出节点特征，道路属性数据提取出边特征，利用时间序列处理建造年代、抗震等级等参数可以作为时间编码特征，通过时间门控网络提取长期依赖信息，将确定好的权重系数分配到各层特征，建立道路结构损伤预测模型，最后通过输入地质构造、道路属性、建造年代、抗震等级这4个指标数据，得出道路结构损伤程度的评分和道路残余通行能力系数。
步骤三中受灾人口聚集区的识别方法为：构建深度学习模型，以手机用户密度数据和地理空间信息作为输入，对人口热力分布进行精准分类，经过大量样本数据的训练和优化，模型能够准确将高密度区域标记为“受灾人口聚集区”。
具体的，通过相关部门获取群众手机热点数据，包括时间戳、具体区位（经纬度）、手机用户数量，同通信运营商获取的基站位置和覆盖范围数据，包括时间戳、基站地理位置（经纬度）、手机用户数，将手机热点数据和通信基站定位数据按照相同的时间区间进行配准，删除无效或重复的数据，确保数据的准确性和唯一性，使用核密度估计方法对配准后的数据进行处理，通过设定一定范围的带宽参数，识别受灾人口聚集区点位，结合空间分析技术技术，计算出每个受灾区域的人口密度，通过手机用户的移动路径数据，即从一个基站移动到另一个基站的轨迹信息。利用时间序列分析法，追踪手机用户在不同时间段内的基站切换情况，提取出完整地迁移轨迹，以手机用户密度数据和地理空间信息作为输入，对人口热力分布进行精准分类。经过大量样本数据的训练和优化，模型能够准确将高密度区域标记为“受灾人口聚集区”，通过计算一定时间间隔内进入和离开某区域的手机用户数量，评估区域人口的流动性；观察在较长时间段内手机用户在某区域的停留情况，判断区域人口的稳定性。结合第三步提取的人口迁移轨迹数据，通过时间序列分析，可计算出每个时间段的人口密度变化趋势，基于历史灾害人口聚集、迁移数据和人口分布数据，作为训练样本，基于长短期记忆网络构建人口迁移模型，通过交叉验证优化模型参数。
步骤五中空间拓扑关系图中包括由受灾人群聚集点、应急避难场所以及路网中的交叉口构成的网络节点和由路网中的道路段构成的边，将预测的损毁路段标记为禁用边，对受损路段按残余通行能力动态调整边权重。
具体的，对受损路段按残余通行能力动态调整边权重可通过ArcGIS NetworkAnalyst模块实现，重点修复道路网络中的断裂、重叠及连通性错误，根据城市交通疏导需求，对易损路段进行拓扑关系重构，采用空间连接与字段计算相结合的方法进行关联，动态风险参数按照模拟模型，动态更新道路网络的通行状态与阻抗权重，建立多状态路网拓扑（正常/部分损毁/完全损毁），其中，应急疏散网络空间拓扑关系图算法为：
确定灾害事件的疏散区域；
获取疏散区域的待疏散人口数量和受灾人群聚集点分布情况，根据受灾人群聚集点分布情况，确定疏散区域的疏散交通分布；
基于空间分析系统，根据预设的矢量地理数据和疏散区域的疏散交通分布生成路径网络空间拓扑模型，路径网络空间拓扑模型中包括由受灾人群聚集点、应急避难场所点以及路网中的交叉口构成的网络节点和由路网中的道路段构成的边；
可通过ArcGIS Network Analyst模块，并根据地震、地质灾害、城市积水点等灾害风险点信息，将预测的损毁路段标记为禁用边，对受损路段按残余通行能力动态调整边权重，根据城市交通疏导需求，对易损路段进行拓扑关系重构；
采用空间连接与字段计算相结合的方法进行关联，动态风险参数按照模拟模型，动态更新道路网络的通行状态与阻抗权重，建立多状态路网拓扑（正常/部分损毁/完全损毁）。
步骤六中灾害事件动态疏散模型的构建方法为：以最小化疏散时间、最小化道路灾害风险概率、最大化避难场所使用容量，最大化路径结构冗余和动态适配权重调整为优化目标，以道路通行效率、灾害风险概率和避难场所容量限制为约束条件，根据优化目标和约束条件，构建多目标函数F（X）=min（T(N),R(N),Cc(N),Cr(N),Cy(N)），多目标函数中N为总疏散人数，F（X）为疏散路径优化目标函数，T(N)为总疏散时间目标函数，R(N)为灾害风险概率目标函数，Cc(N)为疏散流通量目标函数（避免超过避难场所容量），Cr(N)为避难场所使用容量目标函数，Cy(N)为路径结构冗余度目标函数。
具体的，考虑应急疏散的实际过程中对时效性和安全性的需求，确定以最小化疏散时间、最小化道路灾害风险概率、最大化避难场所使用容量，最大化路径结构冗余和动态适配权重调整为目标，确定以道路通行效率（不超过预设最大值）、灾害风险概率（不超过预设阈值），避难场所容量限制（不超过场所可容纳人数）为约束条件；
收集人口分布、避难场所分布与容量、灾害风险等数据，基于GIS系统生成的路径网络空间拓扑模型，对应急避难场所点设置容量属性，对由路网中的道路段构成的边设置容量、通过时间、灾害风险概率、路径结构冗余度等4个属性；
引入非支配排序遗传算法II随机生成满足约束条件的初始种群，计算每个个体在五个目标函数中的表现，对种群按照Pareto最优原则进行排序，保留所有非支配解，进行交叉变异操作生成新的子代群体，重复适应度计算、非支配排序和遗传操作，直至收敛条件满足，收集所有Pareto最优解，分析各目标函数的权衡关系，根据实际需求，选择最优或次优路径。
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。而且，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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于，包括以下步骤：
S1：确定灾害类型及其相互作用模式，获取灾害特征参数，基于地理信息系统空间分析量化单灾种或多灾种叠加的综合危险等级，生成动态风险分布图；
S2：搜集地质构造、道路等级、建造年代、抗震等级一级指标参数，利用层次分析法，确定二级指标参数的权重系数，建立道路结构损伤预测模型，得出道路结构损伤程度的评分，输出道路残余通行能力系数；
S3：融合手机与基站数据，实时监测人口分布与迁移，识别受灾人口聚集区及规模，结合风险图划分疏散优先级，确定需转移的受灾人口聚集区域与需求；
S4：以受灾人员聚集点为中心划定搜索范围，筛选周边应急避难场所，通过容量需求分析匹配受灾人数，最终确定满足疏散需求的避难场所；
S5：根据预设的矢量地理数据和应急避难场所的疏散道路分布，运用空间拓扑分析算法，生成空间拓扑关系图；
S6：根据所述空间拓扑关系图，引入道路实时容量数据、灾害风险概率与避难场所容量，利用五重成本的动态疏散模型，构建灾害事件动态疏散模型；
S7：持续接入基站定位数据流，监测实际疏散进展与人口分布变化，动态触发路径重规划；
步骤S1中所述综合危险等级计算方法为：整合历史灾害数据与实时群智感知信息，结合层次分析法量化灾害危险性、承灾体易损性、减灾能力三大指标权重，构建多灾种耦合评价模型，基于地理信息系统空间分析技术，将受灾区域栅格化处理，叠加灾害现场数据、地理环境参数与动态灾情指标，生成灾害危险性分区图，最终输出区域综合危险等级；
步骤S2中所述道路结构损伤预测模型的构建方法为：首先整合地质构造、道路属性、建造年代和抗震等级数据并进行标准化处理，然后通过层次分析法确定各指标权重，接着利用图神经网络提取地质构造的节点特征和道路属性的边特征，并结合时间序列模型处理建造年代和抗震等级的动态变化特征，最后融合加权特征构建道路结构损伤预测模型，输出损伤评分和残余通行能力系数。
2.根据权利要求1所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：步骤S2中所述地质构造对应的二级指标为岩石类型和地形特征，所述道路等级对应的二级指标为道路长度、道路宽度、路面状况以及路面材料，所述建造年代对应的二级指标为建造年份，所述抗震等级对应的二级指标为路面抗震等级。
3.根据权利要求1所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：步骤S2中所述道路残余通行能力系数的计算公式为：道路残余通行能力系数=1-道路结构损伤程度/最大承受能力。
4.根据权利要求1所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：步骤S3中受灾人口聚集区的识别方法为：构建深度学习模型，以手机用户密度数据和地理空间信息作为输入，对人口热力分布进行精准分类，经过大量样本数据的训练和优化，模型能够准确将高密度区域标记为受灾人口聚集区。
5.根据权利要求1所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：步骤S5中所述空间拓扑关系图中包括由受灾人群聚集点、应急避难场所以及路网中的交叉口构成的网络节点和由路网中的道路段构成的边，将预测的损毁路段标记为禁用边，对受损路段按残余通行能力动态调整边权重。
6.根据权利要求1所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：步骤S6中所述灾害事件动态疏散模型的构建方法为：以最小化疏散时间、最小化道路灾害风险概率、最大化避难场所使用容量，最大化路径结构冗余和动态适配权重调整为目标，以道路通行效率、灾害风险概率和避难场所容量限制为约束条件，根据所述目标和约束条件，构建多目标函数F（X）=min（T(N),R(N),Cc(N),Cr(N),Cy(N)）。
7.根据权利要求6所述的一种基于空间分析算法的分灾种应急避难疏散方法，其特征在于：所述多目标函数中N为总疏散人数，F（X）为疏散路径优化目标函数，T(N)为总疏散时间目标函数，R(N)为灾害风险概率目标函数，Cc(N)为疏散流通量目标函数，Cr(N)为避难场所使用容量目标函数，Cy(N)为路径结构冗余度目标函数。
CN202510549490.9A 2025-04-29 2025-04-29 一种基于空间分析算法的分灾种应急避难疏散方法 Active CN120069263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510549490.9A CN120069263B (zh) 2025-04-29 2025-04-29 一种基于空间分析算法的分灾种应急避难疏散方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510549490.9A CN120069263B (zh) 2025-04-29 2025-04-29 一种基于空间分析算法的分灾种应急避难疏散方法

Publications (2)

Publication Number Publication Date
CN120069263A CN120069263A (zh) 2025-05-30
CN120069263B true CN120069263B (zh) 2025-08-19

Family

ID=95793638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510549490.9A Active CN120069263B (zh) 2025-04-29 2025-04-29 一种基于空间分析算法的分灾种应急避难疏散方法

Country Status (1)

Country Link
CN (1) CN120069263B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120450193B (zh) * 2025-07-08 2026-03-20 北京工业大学 一种考虑结构冗余的韧性导向应急公交路径优化方法
CN120851818B (zh) * 2025-09-25 2026-01-09 厦门银江智慧城市技术股份有限公司 一种企业综合管理系统
CN121120347B (zh) * 2025-11-17 2026-03-24 上海交通大学医学院附属上海儿童医学中心 基于物联网的医院火灾应急疏散方法及系统
CN121543894A (zh) * 2026-01-15 2026-02-17 苏州城市安全发展科技研究院有限公司 灾害应急避险转移中基于人群密度监测的分流方法及系统
CN121860183A (zh) * 2026-03-16 2026-04-14 西安科技大学 基于边缘计算的地质灾害应急疏散路径智能规划系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104750895A (zh) * 2013-12-30 2015-07-01 深圳先进技术研究院 基于移动手机数据的实时城市应急疏散仿真方法及系统
CN119005713A (zh) * 2024-10-24 2024-11-22 中国电建集团西北勘测设计研究院有限公司 用于防灾减灾的极端暴雨内涝灾害风险动态评估方法
CN119809328A (zh) * 2024-12-17 2025-04-11 国家气候中心 一种台风-暴雨洪涝复合灾害监测评估方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191582B (zh) * 2021-03-15 2022-09-06 西南石油大学 一种基于gis与机器学习的道路山洪易损性评价方法
KR102763304B1 (ko) * 2023-07-07 2025-02-11 대한민국 지진피해 저감을 위한 지진위험요소를 활용한 지진피해 평가 방법 및 시스템
CN118627174B (zh) * 2024-07-04 2025-01-24 重庆科技大学 基于贝叶斯网络的地铁隧道施工诱发临近建筑损伤预测模型构建方法
CN119005676A (zh) * 2024-07-16 2024-11-22 湖南大学 解决高密度城区内涝应急疏散复杂问题的城市内涝步行疏散方法
CN119761705A (zh) * 2024-12-11 2025-04-04 王晓艳 一种基于实景三维的城市规划模拟系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104750895A (zh) * 2013-12-30 2015-07-01 深圳先进技术研究院 基于移动手机数据的实时城市应急疏散仿真方法及系统
CN119005713A (zh) * 2024-10-24 2024-11-22 中国电建集团西北勘测设计研究院有限公司 用于防灾减灾的极端暴雨内涝灾害风险动态评估方法
CN119809328A (zh) * 2024-12-17 2025-04-11 国家气候中心 一种台风-暴雨洪涝复合灾害监测评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"地震－内涝耦合灾害情境下的疏散路径优化研究";聂宁宁 等;《智能城市》;20250425;第11卷(第4期);第79-83页 *

Also Published As

Publication number Publication date
CN120069263A (zh) 2025-05-30

Similar Documents

Publication Publication Date Title
CN120069263A (zh) 一种基于空间分析算法的分灾种应急避难疏散方法
Lyu et al. Flood risk assessment in metro systems of mega-cities using a GIS-based modeling approach
Zhang et al. Supply–demand analysis of urban emergency shelters based on spatiotemporal population estimation
Chen et al. Integrated urban flood vulnerability assessment using local spatial dependence-based probabilistic approach
Mili et al. Developing a holistic model for earthquake risk assessment and disaster management interventions in urban fabrics
CN113191644B (zh) 一种基于自发-引发风险评价模型城市内涝风险评价方法
CN116307270B (zh) 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统
CN116976629A (zh) 基于极端暴雨洪涝淹没模拟的城市防洪避难所选址方法
CN118153825B (zh) 一种基于蚁群算法的应急避难场所选址方法
Ma et al. Improved urban flood risk assessment based on spontaneous-triggered risk assessment conceptual model considering road environment
CN118153787B (zh) 一种雨潮灾害应急避险路径与物资调配优化方法
CN108876136A (zh) 基于位置推荐改进算法的恐怖袭击事件风险评估方法
Lee et al. A hierarchical flood shelter location model for walking evacuation planning
Nsaif et al. Integration of GIS and remote sensing technique for hospital site selection in Baquba district
CN116307927A (zh) 一种基于人流预测的生活圈规划合理性评估方法及系统
CN118568186A (zh) 一种基于吸收－适应－恢复框架的寒地城市空间韧性量化测度方法和系统
Keya et al. Habitat suitability & connectivity of Alborz wild sheep in the east of Tehran, Iran
Darvishi et al. Assessing the location of relief centers using a combination of multi-criteria decision-making methods and gis (case study: district 18 of tehran)
Chakraborty et al. A multi‐objective framework for analysis of road network vulnerability for relief facility location during flood hazards: a case study of relief location analysis in bankura district, india
CN117993707A (zh) 一种基于人工智能的城市道路塌陷灾害风险评估方法及系统
KR101735792B1 (ko) 격자 구조 기반의 화학 물질 재난 예측 방법 및 그 장치
CN115965108A (zh) 一种防灾生活圈设施适宜性评定及预测方法、系统
Hasalanka et al. A framework to develop multi-hazard maps to identify the natural hazards which affect the safety of Sri Lankan hospitals
Alam et al. GIS based fire hazard risk assessment of residential buildings of Rajshahi City Corporation using Entropy-TOPSIS integrated approach
Nadi et al. The role of vulnerability assessment in urban planning for mitigating seismic risk

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