CN109740898B - 一种道路网络可靠性评估方法、***、终端及介质 - Google Patents
一种道路网络可靠性评估方法、***、终端及介质 Download PDFInfo
- Publication number
- CN109740898B CN109740898B CN201811591829.8A CN201811591829A CN109740898B CN 109740898 B CN109740898 B CN 109740898B CN 201811591829 A CN201811591829 A CN 201811591829A CN 109740898 B CN109740898 B CN 109740898B
- Authority
- CN
- China
- Prior art keywords
- road
- network
- network model
- complex
- disaster
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种道路网络可靠性评估方法,获取待评估区域的道路路段的地理空间位置数据、道路数据和历史地质灾害数据;根据获取的地理空间位置数据和道路数据构建道路复杂网络模型;根据历史地质灾害数据构建不同类型的灾情情景干扰模式;将不同类型的灾情情景干扰模式模拟攻击道路复杂网络模型;分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价。该方法大大提高了风险评估结果的空间精度,能发现真正的高风险区域,为道路工程防治规划提供可靠的依据。
Description
技术领域
本发明涉及道路网络可靠性评估技术领域,具体涉及一种道路网络可靠性评估方法、***、终端及介质。
背景技术
中国山地区域面积辽阔,约占陆地总面积的69%,同时约有16%的人口分布在西南山地区域。一般而言,山地区域生境脆弱,建设用地局促,道路等基础设施建设水平相对较低,路网脆弱性高;同时,受特殊地形、地层岩性、地质构造等因素影响,地灾易发,造成山地区域道路***部分路段功能失效,对路网可靠性造成重大影响。2008年5月12日,汶川地区8.0级地震,区域路网***遭受严重损毁,严重阻碍了抗震救灾与灾后重建工作。当前对于道路交通网络可靠性的研究内容多集中于对道路交通网络总体特征及静态结构规律的认识,或对随机或组合单纯干扰模式下网络的鲁棒性和脆弱性表现作一般性归纳,与现实灾害情景的关联应对分析较少,道路建设多年来饱受泥石流、崩塌、巨石等自然灾害的侵害以至于限制了城乡建设的发展,如何减少突发灾害对路网可靠***能力的影响已是迫切要解决的现实问题。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种道路网络可靠性评估方法、***、终端及介质,通过模拟不同的灾情情景干扰模式对道路复杂网络模型进行攻击,分析判断待评估区域的道路路段可靠性,为道路工程防治规划提供可靠的依据。
第一方面,本发明实施例提供的道路网络可靠性评估方法,包括:
获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据;
根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型;
根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式;
将不同类型的灾情情景干扰模式攻击道路复杂网络模型;
分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果。
第二方面,本发明实施例提供的一种道路网络可靠性评估***,包括数据获取模块、道路复杂网络模型建立模块、灾情情景干扰仿真模块、模拟攻击模块和数据处理模块;
所述数据获取模块用于获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据;
所述道路复杂网络模型建立模块用于根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型;
所述灾情情景干扰仿真模块用于根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式;
所述模拟攻击模块用于模拟将不同类型的灾情情景干扰模式攻击道路复杂网络模型;
所述数据处理模块用于分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果。
第三方面,本发明实施例还提供一种用于评估道路网络可靠性的智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果:
本发明实施例提供的一种道路网络可靠性评估方法、***、终端及介质,通过对模拟多种灾情情景干扰待评估区域的道路网络模型,实现了从“未来情景”的角度进行风险分析,分析判断待评估区域的道路路段可靠性,大大提高了风险评估结果的空间精度,能发现真正的高风险区域,为道路工程防治规划提供可靠的依据。尤其适用于多灾道路网络的可靠性评估,为道路工程防治规划提供可靠的依据,提升多灾地区道路网络的可靠***能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种道路网络可靠性评估方法的流程图;
图2示出了本发明第一实施例中大渡河流域康定段的道路网络状态图;
图3示出了本发明第一实施例中构建现状道路复杂网络模型示意图;
图4示出了本发明第一实施例中偶发型灾害干扰情景模式下道路网络整体连通性变化示意图;
图5示出了本发明第一实施例中偶发型灾害干扰情景模式下道路网络高效连通性变化示意图;
图6示出了本发明第一实施例中区域型灾害干扰情景模式下道路网络整体连通性变化示意图;
图7示出了本发明第一实施例中区域型灾害干扰情景模式下道路网络高效连通性变化示意图;
图8示出了本发明第一实施例中2008年5月12日汶川特大地震震后道路网络结构图;
图9示出了本发明第一实施例中2013年“4.20”芦山地震震后道路网络结构图;
图10示出了本发明第一实施例中2014年11月22日康定市塔公乡6.3级地震震后道路网络结构图;
图11示出了本发明提供的一种道路网络可靠性评估***第一实施例的结构示意图;
图12示出了本发明提供的一种用于评估道路网络可靠性的智能终端的第一实施例的结构示意图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
图1示出了本发明第一实施例所提供的一种道路网络可靠性评估方法的流程图,该方法包括:
S1:获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据。
待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地址灾害数据来源于现场实地考察调研数据,结合GIS数据处理、Google Earth软件、统计年鉴等其他工具构建最新时期的交通网络。
S2:根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型。
根据获取的道路路段的地理空间位置数据和道路数据,确定语义模型后在Pajek网络平台上进行道路复杂网络模型构建。
S3:根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式。
根据历史地质灾害数据利用计算机仿真模拟构建灾情情景干扰模式。灾情情景干扰模式包括偶发型地质灾害干扰情景模式、区域型地质灾害干扰情景模式和强震地质灾害干扰情景模式。偶发型地质灾害干扰,即暴雨或人类工程活动引起的某一处岩土松动,导致某一路段受到塌方、上边坡滑坡、路基垮塌、崩塌等灾害干扰;区域型地质灾害干扰,即暴雨、人类工程活动或小型地震引起的某一处较大规模的岩土松动,导致一定范围内的多处路段受到崩塌、泥石流等灾害干扰;强震地质灾害干扰,即由于地质构造活动产生强震,引发大规模岩土松动,对区域道路网络造成大范围干扰,一般是6级以上称为强震。
S4:用不同类型的灾情情景干扰模式模拟攻击道路复杂网络模型。
现实情景中,当道路遭遇干扰功能失效时,可能造成网络局部脱离主体结构形成独立部分,因此,采用不同类型的灾情情景干扰模式模拟攻击道路复杂网络模型,可以判断道路网络整体连通性和道路网络高效连通性如何。道路网络整体连通性和道路网络高效连通性作为道路网络可靠性分析测度指标,道路网络整体连通性和高效连通性对应的技术指标分别为最大连通子图规模和全网连通效率。
S5:分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果。
最大连通子图是指把复杂网络模型中所有节点用最少的边将其连接起来的子网络。最大连通子图规模指最大连通子图中的节点数与复杂网络模型中所有节点数目的比值。最大连通子图规模用来分析节点影响网络整体连通性的能力,最大连通子图规模S计算公式为:S=N′/N,其中,S表示最大连通子图规模的大小;N表示未遭到攻击时道路复杂网络模型的节点数目;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目。现实情景中,当道路遭遇干扰功能失效时,可能造成网络局部脱离主体结构形成独立部分。复杂网络分析方法中,网络整体连通性是指网络处于干扰受损状态下,剩余结构仍然能够保持为一个连通整体的能力,最大连通子图规模越大,表明道路复杂网络的整体连通性越好。令ΔN=N-N',其中,ΔN为最大连通子图规模的变化量,N表示未遭到攻击时道路复杂网络模型的节点数目;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目。用s表示最大连通子图规模的大小的相对下降率,s的计算公式为:其中,s为最大连通子图规模的大小的相对下降率,N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目;N表示未遭到攻击时道路复杂网络模型的节点数目。
道路复杂网络模型的全网连通效率是通过其值的变化确定某个站点或线路失效造成道路网络性能改变的大小。
计算全网连通效率的具体方法为:采用的计算公式为:其中,E表示全网连通效率;n表示道路复杂网络模型中的节点数;i表示道路复杂网络模型中的第i个节点;j表示道路复杂网络模型中第j个节点;εij表示道路复杂网络模型中节点i和节点j之间的效率;dij表示道路复杂网络中模型节点i和节点j之间的距离;n、i、j均为整数。令ΔE=E-E',其中,ΔE为全网连通效率的变化量,E为节点失效前的全网连通效率,E'为节点失效后的全网连通效率,用e表示全网连通效率的相对下降率,e的计算公式为:
本发明实施例提供的道路网络可靠性评估方法,通过对模拟多种灾情情景干扰待评估区域的道路网络模型,实现了从“未来情景”的角度进行风险分析,分析判断待评估区域的道路路段可靠性,大大提高了风险评估结果的空间精度,能发现真正的高风险区域,为道路工程防治规划提供可靠的依据。尤其适用于多灾道路网络的可靠性评估,为道路工程防治规划提供可靠的依据,提升多灾地区道路网络的可靠***能力。
以下采用选取大渡河流域康定段区域作为研究靶区进一步上述实施例进行详细描述。
大渡河流域康定段区域,川西高原向盆地过渡地带,地质地理环境极为复杂,道路建设受地形因素影响较大,具有较强的代表性。该区域处于灾害多发区且生态环境较为脆弱,道路建设多年来饱受泥石流、崩塌、巨石等自然灾害的侵害以至于限制了当地城乡建设的发展。如图2所示,示出了大渡河流域康定段的道路网络状态图。对道路网络状态图进行语义转换,将相邻交叉口或镇村点之间的道路进行节点编号(即以道路的边为编号,在复杂网络中道路的边便为其网络节点),道路之间的交叉点为边,在Pajek软件平台上构建现状道路复杂网络模型,该区域现实道路网络模型共有251个节点,360个边,如图3所示,示出了构建的现状道路复杂网络模型示意图。通过上述最大连通子图规模和全网连通效率的计算公式分别计算出道路网络初始最大连通子图规模为251,初始网络连通效率为9.93%。
根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式,在不同类型的灾情情景干扰模式下采取不同的干扰策略。采取的干扰策略为偶发型灾害干扰情景,对应干扰策略为随机攻击,每次随机选取道路网络模型中的一个节点进行攻击,之后重新计算当前道路网络各项指标,恢复后再选取道路网络模型中节点进行攻击,直至所有节点被攻击完为止;区域性地质灾害干扰情景,对应干扰策略为选择攻击,每次选择选取道路网络模型中的某个地灾点影响范围内的节点进行攻击,之后重新计算当前道路网络模型各项指标,恢复后再选取道路网络模型中某个地灾点影响范围内节点进行攻击,直至所有地灾点影响范围内的节点被攻击完为止;强震地质灾害干扰情景,对应干扰策略为选择攻击,模拟历史上发生的重大地质灾害,选择历史数据中曾经在该次地灾事件中失效的节点进行攻击,一次性攻击不同位置的多个节点,即对不同地理位置的大范围路段同时干扰。为了简化模型,对上述干扰策略做出如下假设:道路网络模型中的节点均无防护措施,一次攻击便可以使节点失效;仅研究道路网络模型的拓扑结构,节点遭受攻击后,删除该节点和与其相连的所有边。
采用偶发型灾害干扰情景模式对道路网络模型进行模拟随机攻击,对各个道路边进行随机攻击,计算得到偶发型灾害干扰情景模式下道路网络的最大连通子图规模和全网连通效率,如图4所示,示出了偶发型灾害干扰情景模式下道路网络整体连通性变化示意图,如图5所示,示出了偶发型灾害干扰情景模式下道路网络高效连通性变化示意图。由图4、5可知,当不同的道路被损毁后,网络整体连通性和高效连通性呈现不同程度的变化,整体连通性、高效连通性灾后下降率大于10%的地灾点分布占总数的9.96%、10.76%,大于20%的分别占5.97%、5.98%。如编号31(S211至大火地村金桐公路段)道路段损毁后,道路网络的整体连通性呈现断崖式的下降,下降率为39.04%,使得整体道路网络成为两个独立组团,道路网络高效连通性急剧下降,下降率为28.57%,即是该路段发生功能失效后,会导致保持连通状态的路段数量仅占原有比例的60%左右,道路网络显著***为两个独立组团,同时,众多道路节点之间发生联系需要经历的路径变长,其他的道路损毁后也呈现出了相似的变化规律。同时,编号46(两河口村至小金县金桐公路段)道路被损毁后,道路网络整体连通性、高效连通性下降均小于1%,几乎无变化。由此可见,对于西南地区道路网络而言,某些路段失效对整体网络结构影响较大,可靠性变化大,有必要对其进行甄别。
采用区域型灾害干扰情景模式对道路网络模型进行模拟选择攻击,对各个道路边进行选择攻击,计算得到区域型灾害干扰情景模式下道路网络的最大连通子图规模和全网连通效率,如图6所示,示出了区域型灾害干扰情景模式下道路网络整体连通性变化示意图,如图7所示,示出了区域型灾害干扰情景模式下道路网络高效连通性变化示意图。由图6、7可知,不同地质灾害点的干扰对道路网络可靠性的影响程度不同,如“三合乡庄房沟村后山危岩”所影响的“大火地村乡村道路段及所处金桐公路段”,最大连通子图规模下降率为37.45%,全网连通效率下降率分别为29.82%;“三合乡赤绒村滑坡”地灾区域,道路网络受到干扰后,路网***整体连通性下降0.40%,连通性下降0.66%,几乎无变化。现实灾害情景中,这些地质灾害点危险性较高,所影响范围内的路段也较为关键,若被损毁将严重影响区域人民生命财产安全,需对这些地质灾害点进行重点防治,并对影响范围内的路段本身进行工程治理或加强。
强震地质灾害干扰模式主要是通过历史灾情信息进行分析处理转化成经验和有用的知识模拟生成具有代表性的强震地质灾害情景,计算得到区域型灾害干扰情景模式下道路网络的最大连通子图规模和全网连通效率。历史灾害描述:2008年5月12日汶川特大地震,康定市东部地区震感强烈,引发了多处崩塌;2013年“4.20”芦山地震本区震感强烈,康定市境内原有144处地质灾害点部分因此而变形加剧,部分因此而成灾,并引发新增自治灾害点14处;2014年11月22日,康定市塔公乡附近发生6.3级地震,地震累计造成5人死亡,80多人受伤。如表1所示,示出了强震地质灾害干扰情景下道路网络的整体连通性、高效连通性特征值变化情况。
表1强震地质灾害干扰情景下道路网络的整体连通性、高效连通性特征值变化表
如图8所示,示出了2008年5月12日汶川特大地震震后道路网络结构图,如图9所示,示出了2013年“4.20”芦山地震震后道路网络结构图;如图10所示,示出了2014年11月22日康定市塔公乡6.3级地震震后道路网络结构图。由图8-10可见,道路网络结构在大规模的攻击状态下表现的极为不稳定,最大连通子图规模最低下降为101,下降率为59.76%,全网连通效率最低下降为0.0412,下降率为58.44%,远高于偶发型、区域型灾害干扰情景模式的影响程度。
将以上3种灾情情景干扰分析中将道路路段根据重要性分为高危、中危和低危三个等级,评估原则为:该路段或该地质灾害点影响范围内的路段遭受干扰后全网高效连通性或整体连通性下降率X≥20%,则该路段及地质灾害点影响范围内的路段评价为高危险路段;若遭受干扰后全网高效连通性或整体连通性下降率20%>X≥5%,则该路段及地质灾害点影响范围内的路段评价为中危险路段,其余则评价为低危险型路,根据现有地灾资料,建立基于易发性、危险性分级的道路分级规划数据库。
在上述的第一实施例中,提供了一种道路网络可靠性评估方法,与之相对应的,本申请还提供一种道路网络可靠性评估***。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
如图11所示,示出了本发明还提供一种道路网络可靠性评估***第一实施例的结构示意图,该***包括数据获取模块、道路复杂网络模型建立模块、灾情情景干扰仿真模块、模拟攻击模块和数据处理模块;
数据获取模块用于获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据;
道路复杂网络模型建立模块用于根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型;
灾情情景干扰仿真模块用于根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式;
模拟攻击模块用于模拟将不同类型的灾情情景干扰模式攻击道路复杂网络模型;
数据处理模块用于分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果。
最大连通子图是指把复杂网络模型中所有节点用最少的边将其连接起来的子网络。最大连通子图规模指最大连通子图中的节点数与复杂网络模型中所有节点数目的比值。最大连通子图规模用来分析节点影响网络整体连通性的能力,最大连通子图规模S计算公式为:S=N′/N,其中,S表示最大连通子图规模的大小;N表示未遭到攻击时道路复杂网络模型的节点数目;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目。现实情景中,当道路遭遇干扰功能失效时,可能造成网络局部脱离主体结构形成独立部分。复杂网络分析方法中,网络整体连通性是指网络处于干扰受损状态下,剩余结构仍然能够保持为一个连通整体的能力,最大连通子图规模越大,表明道路复杂网络的整体连通性越好。令ΔN=N-N',其中,ΔN为最大连通子图规模的变化量,N表示未遭到攻击时道路复杂网络模型的节点数目;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目。用s表示最大连通子图规模的大小的相对下降率,s的计算公式为:其中,s为最大连通子图规模的大小的相对下降率,N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目;N表示未遭到攻击时道路复杂网络模型的节点数目。
道路复杂网络模型的全网连通效率是通过其值的变化确定某个站点或线路失效造成道路网络性能改变的大小。
计算全网连通效率的具体方法为:采用的计算公式为:其中,E表示全网连通效率;n表示道路复杂网络模型中的节点数;i表示道路复杂网络模型中的第i个节点;j表示道路复杂网络模型中第j个节点;εij表示道路复杂网络模型中节点i和节点j之间的效率;dij表示道路复杂网络中模型节点i和节点j之间的距离;n、i、j均为整数。令ΔE=E-E',其中,ΔE为全网连通效率的变化量,E为节点失效前的全网连通效率,E'为节点失效后的全网连通效率,用e表示全网连通效率的相对下降率,e的计算公式为:
本发明实施例提供的一种道路网络可靠性评估***,通过对模拟多种灾情情景干扰待评估区域的道路网络模型,实现了从“未来情景”的角度进行风险分析,分析判断待评估区域的道路路段可靠性,大大提高了风险评估结果的空间精度,能发现真正的高风险区域,为道路工程防治规划提供可靠的依据。尤其适用于多灾道路网络的可靠性评估,为道路工程防治规划提供可靠的依据,提升多灾地区道路网络的可靠***能力。
本发明还提供一种用于评估道路网络可靠性的智能终端的第一实施例,如图12所示,示出了该智能终端的结构示意图,该终端包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述实施例描述的方法。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式,也可执行本发明实施例所描述的***实施例的实现方式,在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执上述实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种道路网络可靠性评估方法,其特征在于,包括:
获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据;
根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型;
根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式;
将不同类型的灾情情景干扰模式模拟攻击道路复杂网络模型;
分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果;
计算所述最大连通子图规模的具体方法为:
采用的计算公式:S=N′/N,其中,S表示最大连通子图规模的大小;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目;N表示未遭到攻击时道路复杂网络模型的节点数目;
计算最大连通子图规模的相对下降率的具体方法为:
令ΔN=N-N',用s表示最大连通子图规模的大小的相对下降率,s计算公式为:
计算所述全网连通效率的具体方法为:
采用的计算公式为:其中,E表示全网连通效率;n表示道路复杂网络模型中的节点数;i表示道路复杂网络模型中的第i个节点;j表示道路复杂网络模型中第j个节点;εij表示道路复杂网络模型中节点i和节点j之间的效率;dij表示道路复杂网络中模型节点i和节点j之间的距离;n、i、j均为整数;
计算全网连通效率的相对下降率的具体方法为:
2.如权利要求1所述的道路网络可靠性评估方法,其特征在于,所述灾情情景干扰模式包括偶发型地质灾害干扰情景模式、区域型地质灾害干扰情景模式和强震地质灾害干扰情景模式。
3.一种道路网络可靠性评估***,其特征在于,包括数据获取模块、道路复杂网络模型建立模块、灾情情景干扰仿真模块、模拟攻击模块和数据处理模块;
所述数据获取模块用于获取待评估区域的道路路段的地理空间位置数据、道路数据和待评估区域的历史地质灾害数据;
所述道路复杂网络模型建立模块用于根据获取的道路路段的地理空间位置数据和道路数据构建道路复杂网络模型;
所述灾情情景干扰仿真模块用于根据历史地质灾害数据采用计算机仿真模拟构建不同类型的灾情情景干扰模式;
所述模拟攻击模块用于模拟将不同类型的灾情情景干扰模式攻击道路复杂网络模型;
所述数据处理模块用于分析计算道路复杂网络模型的在初始状态和模拟攻击状态下的网络整体连通性和网络高效连通性,计算在初始状态下的最大连通子图规模和全网连通效率;以及在不同类型的灾情情景干扰模式下道路复杂网络模型的最大连通子图规模当前值、最大连通子图规模的相对下降率、全网连通效率当前值和全网连通效率的相对下降率,结合道路路段的重要性、最大连通子图规模的相对下降率和全网连通效率的相对下降率对待评估区域的道路路段进行可靠性评价,得到待评估区域的道路路段的评价结果;
计算所述最大连通子图规模的具体方法为:
采用的计算公式:S=N′/N,其中,S表示最大连通子图规模的大小;N'表示道路复杂网络模型遭到攻击后的最大连通子图的节点数目;N表示未遭到攻击时道路复杂网络模型的节点数目;
计算最大连通子图规模的相对下降率的具体方法为:
令ΔN=N-N',用s表示最大连通子图规模的大小的相对下降率,s计算公式为:
计算所述全网连通效率的具体方法为:
采用的计算公式为:其中,E表示全网连通效率;n表示道路复杂网络模型中的节点数;i表示道路复杂网络模型中的第i个节点;j表示道路复杂网络模型中第j个节点;εij表示道路复杂网络模型中节点i和节点j之间的效率;dij表示道路复杂网络中模型节点i和节点j之间的距离;n、i、j均为整数;
计算全网连通效率的相对下降率的具体方法为:
4.如权利要求3所述的道路网络可靠性评估***,其特征在于,所述灾情情景干扰模式包括偶发型地质灾害干扰情景模式、区域型地质灾害干扰情景模式和强震地质灾害干扰情景模式。
5.一种用于评估道路网络可靠性的智能终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-2任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811591829.8A CN109740898B (zh) | 2018-12-25 | 2018-12-25 | 一种道路网络可靠性评估方法、***、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811591829.8A CN109740898B (zh) | 2018-12-25 | 2018-12-25 | 一种道路网络可靠性评估方法、***、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740898A CN109740898A (zh) | 2019-05-10 |
CN109740898B true CN109740898B (zh) | 2023-05-12 |
Family
ID=66360249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811591829.8A Active CN109740898B (zh) | 2018-12-25 | 2018-12-25 | 一种道路网络可靠性评估方法、***、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740898B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435676B (zh) * | 2020-03-23 | 2024-03-22 | 上海浦东建筑设计研究院有限公司 | 一种基于固定重大危险源的道路分级方法及其应用 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05250594A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 道路交通シミュレーションシステム |
JP2013025546A (ja) * | 2011-07-20 | 2013-02-04 | Sumitomo Electric Ind Ltd | 交通評価装置、コンピュータプログラム及び交通評価方法 |
CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及*** |
JP2015138310A (ja) * | 2014-01-21 | 2015-07-30 | 株式会社福山コンサルタント | 道路ネットワーク評価方法、道路ネットワーク評価装置、プログラム、並びに情報記録媒体 |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
CN107590554A (zh) * | 2017-08-25 | 2018-01-16 | 北京科技大学 | 一种考虑建筑地震倒塌的城市道路通行性评价方法 |
CN107958094A (zh) * | 2016-10-18 | 2018-04-24 | 武汉理工大学 | 一种基于复杂网络理论的水域航路脆弱性研究方法 |
CN108257384A (zh) * | 2018-01-18 | 2018-07-06 | 沈阳建筑大学 | 一种路网对偶模型的鲁棒性确定方法及*** |
CN108428340A (zh) * | 2018-05-11 | 2018-08-21 | 深圳市图灵奇点智能科技有限公司 | 道路交通状况分析方法和*** |
CN108447255A (zh) * | 2018-03-21 | 2018-08-24 | 北方工业大学 | 一种城市道路动态交通网络结构信息*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7421341B1 (en) * | 2004-06-30 | 2008-09-02 | Navteq North America, Llc | Method of collecting information for a geographic database for use with a navigation system |
-
2018
- 2018-12-25 CN CN201811591829.8A patent/CN109740898B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05250594A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 道路交通シミュレーションシステム |
JP2013025546A (ja) * | 2011-07-20 | 2013-02-04 | Sumitomo Electric Ind Ltd | 交通評価装置、コンピュータプログラム及び交通評価方法 |
CN103646561A (zh) * | 2013-12-24 | 2014-03-19 | 重庆大学 | 基于道路异常区域评估的路径选择方法及*** |
JP2015138310A (ja) * | 2014-01-21 | 2015-07-30 | 株式会社福山コンサルタント | 道路ネットワーク評価方法、道路ネットワーク評価装置、プログラム、並びに情報記録媒体 |
CN105701558A (zh) * | 2014-12-11 | 2016-06-22 | Sap欧洲公司 | 在受限的地理区域中对交互对象的布局优化 |
CN107958094A (zh) * | 2016-10-18 | 2018-04-24 | 武汉理工大学 | 一种基于复杂网络理论的水域航路脆弱性研究方法 |
CN107590554A (zh) * | 2017-08-25 | 2018-01-16 | 北京科技大学 | 一种考虑建筑地震倒塌的城市道路通行性评价方法 |
CN108257384A (zh) * | 2018-01-18 | 2018-07-06 | 沈阳建筑大学 | 一种路网对偶模型的鲁棒性确定方法及*** |
CN108447255A (zh) * | 2018-03-21 | 2018-08-24 | 北方工业大学 | 一种城市道路动态交通网络结构信息*** |
CN108428340A (zh) * | 2018-05-11 | 2018-08-21 | 深圳市图灵奇点智能科技有限公司 | 道路交通状况分析方法和*** |
Non-Patent Citations (8)
Title |
---|
Capacity reliability of a road network: an assessment methodology and numerical results;Anthony Chen等;《Transportation Research Part B: Methodological》;20011109(第03期);225-252 * |
Prioritizing road network connectivity information for disaster response;Yingjie Hu等;《EM-GIS "15: Proceedings of the 1st ACM SIGSPATIAL International Workshop on the Use of GIS in Emergency Management》;20151103;第13篇 * |
地质生态变化下的开县道路交通规划优化探索;金昕;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20170315(第03期);C034-1152 * |
基于传输贡献矩阵的城市路网节点重要性评估方法;陈亮等;《科技导报》;20180328(第06期);105-111 * |
基于复杂网络城镇建设用地空间结构连通特征分析――以重庆黔江区为例;黄勇等;《城市发展研究》;20170826(第08期);57-63 * |
基于复杂网络理论的国防公路网鲁棒性研究;蒋益伟等;《军事交通学院学报》;20161025(第10期);24-27 * |
道路连通性能震害评估方法研究;马海建等;《地理与地理信息科学》;20150515(第03期);108-110 * |
重庆城市公交***复杂网络模型及可靠性规划研究;万丹;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20180615(第06期);C034-455 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740898A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jena et al. | Earthquake vulnerability assessment in Northern Sumatra province by using a multi-criteria decision-making model | |
Papadopoulou-Vrynioti et al. | Karst collapse susceptibility mapping considering peak ground acceleration in a rapidly growing urban area | |
Feizizadeh et al. | Landslide susceptibility mapping for the Urmia Lake basin, Iran: a multi-criteria evaluation approach using GIS | |
Feizizadeh et al. | Landslide risk assessment based on GIS multi-criteria evaluation: a case study in Bostan-Abad County, Iran | |
Van Den Eeckhaut et al. | Prediction of landslide susceptibility using rare events logistic regression: a case-study in the Flemish Ardennes (Belgium) | |
Youssef et al. | Flash flood risk estimation along the St. Katherine road, southern Sinai, Egypt using GIS based morphometry and satellite imagery | |
Burton | Social vulnerability and hurricane impact modeling | |
Che et al. | Landslide susceptibility assessment in Limbe (SW Cameroon): A field calibrated seed cell and information value method | |
Blahut et al. | Analysis of landslide inventories for accurate prediction of debris-flow source areas | |
Lorentz et al. | Multicriteria analysis applied to landslide susceptibility mapping | |
Beluru Jana et al. | GIS based approach for vulnerability assessment of the Karnataka coast, India | |
Singh et al. | An integrated approach for landslide susceptibility–vulnerability–risk assessment of building infrastructures in hilly regions of India | |
Ju et al. | GIS-based coastal area suitability assessment of geo-environmental factors in Laoshan district, Qingdao | |
Young | Urban expansion and environmental risk in the São Paulo Metropolitan Area | |
Berhane et al. | Landslide susceptibility mapping and rock slope stability assessment using frequency ratio and kinematic analysis in the mountains of Mgulat area, Northern Ethiopia | |
Scheele et al. | Modelling residential habitability and human displacement for tsunami scenarios in Christchurch, New Zealand | |
Chowdhuri et al. | Development of hybrid computational approaches for landslide susceptibility mapping using remotely sensed data in East Sikkim, India | |
CN109740898B (zh) | 一种道路网络可靠性评估方法、***、终端及介质 | |
Waseem et al. | Urban flood risk assessment using AHP and geospatial techniques in swat Pakistan | |
Jamir et al. | Landslide susceptibility mapping of Noklak Town, Nagaland, North‐east India using bivariate statistical method | |
Zhang et al. | Landslide susceptibility mapping using novel hybrid model based on different mapping units | |
Van Westen et al. | National Scale Landslide Susceptibility Assessment for Saint Lucia | |
Marques et al. | Landslides on São Miguel Island (Azores): susceptibility analysis and validation of rupture zones using a bivariate GIS-based statistical approach | |
Khodashahi et al. | Earthquake-induced landslides hazard zonation of Rudbar-Manjil using CAMEL model | |
Duan et al. | Use of remote sensing and GIS for flood hazard mapping in Chiang Mai Province, northern Thailand |
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 |