CN114220268A - 一种基于道路安全指数进行最优派警的方法及*** - Google Patents

一种基于道路安全指数进行最优派警的方法及*** Download PDF

Info

Publication number
CN114220268A
CN114220268A CN202111542518.4A CN202111542518A CN114220268A CN 114220268 A CN114220268 A CN 114220268A CN 202111542518 A CN202111542518 A CN 202111542518A CN 114220268 A CN114220268 A CN 114220268A
Authority
CN
China
Prior art keywords
road
safety
index
police
objective function
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.)
Pending
Application number
CN202111542518.4A
Other languages
English (en)
Inventor
李勇
陈连涛
胡颖
滑树阳
丁大江
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.)
TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Beijing Cennavi Technologies Co Ltd
Original Assignee
TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Beijing Cennavi Technologies Co Ltd
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 TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU, Beijing Cennavi Technologies Co Ltd filed Critical TRAFFIC POLICE DEPARTMENT OF JINAN PUBLIC SECURITY BUREAU
Priority to CN202111542518.4A priority Critical patent/CN114220268A/zh
Publication of CN114220268A publication Critical patent/CN114220268A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063118—Staff 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于道路安全指数进行最优派警的方法及***，步骤如下：(1)收集数据，包括路网数据、路况速度、日期时间、交通事故数据和天气数据；(2)计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；(3)计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；(4)优化警力部署，直到道路列表或者警员列表为空；(5)输出派警任务列表。本发明将警力部署与道路实时安全状况相结合，使警力部署更加合理，减少事故发生量，出警时间缩短，事故伤亡处理更加及时，减少人民生命财产损失，减缓路网拥堵，节省警力。

Description

一种基于道路安全指数进行最优派警的方法及***
技术领域
本发明涉及一种基于道路安全指数进行最优派警的方法及***，属于城市道路交通安全技术领域。
背景技术
当前城市车辆保有量越来越多，道路越来越拥堵，交通事故发生量不断增长，一旦发生交通事故，如果交警无法及时赶到事故现场并进行及时处理，有可能造成人民生命财产的更大损失，并造成城市交通的异常持续拥堵。
虽然我国人民警察数量有了很大的增长，但还是无法跟上社会发展的脚步。面对警力的不足，更重要的是要合理优化警力资源的部署。传统的派警策略，一般是由各个交警大队、中队的领导划分固定的网格并指派固定的人员进行巡逻，但是存在一定缺点，就是各个地方的安全形势是不一样的，在不同的情况下，不同的地点安全情况不同，发生事故的概率也不同，比较危险的地方部署较少的警力，会造成警力不足；比较安全的地方部署较多的警力，会造成警力闲置。导致部署警力大、部署效率低、时间耗费长等缺点，部署的警力往往不能满足处置突发交通事件时的实际工作需求。
所以我们需要让警力部署更加优化，让警力随着风险走，使事故发生变少，事故处理更迅速，让现有的警力发挥最大的作用。
发明内容
针对现有技术的不足，本发明提供一种基于道路安全指数进行最优派警的方法及***，使警力部署更加合理，减少事故发生量，到警时间缩短，事故伤亡处理及时，减少人民生命财产损失，减缓路网拥堵，节省警力。
术语解释：
接警量：交警120每小时接到报警电话的数量。
交通指数：综合反映道路网交通运行状况的指标，取值范围0-10，数值越大表示越拥堵。
在途量：当前路网上某区域、某道路上在某一时刻正在行驶的车辆数量。
到警时间：交警在接到指挥中心命令，到达某个事故发生地的时间。
处警时间：交警在到达事故发生地后，处理完本次交通事故，现场恢复畅通的时间。
最优传输问题：将概率分布P转换为概率分布Q的传输，同时使期望传输代价最小化，寻找总体花费最少的传输方案。
本发明的技术方案如下：
一种基于安全指数进行最优派警的方法，步骤如下：
(1)收集数据，包括路网数据、路况速度、日期时间、交通事故数据和天气数据；
(2)计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
(3)计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
(4)优化警力部署，直到道路列表或者警员列表为空；
(5)输出派警任务列表。
优选的，步骤(1)中，路网数据是指基础路网的拓扑数据，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度；
日期时间，因为交通流量与日期与时间密切相关，所以记录每个时刻的日期，例如2021年5月12日；时间，例如8:30。
交通事故数据：根据122接警数据库，得到实时的事故报警数据。
天气数据：从气象局的数据服务得到实时的天气数据。
根据本发明优选的，步骤(2)中的，道路安全指数表示城市内某个路段的安全状况，取值0-10，数值越大越不安全，发生事故的可能性越大，其中，
区域安全指数：根据区域的数据对某个区域计算一个整体的安全指数。
道路安全属性：在某个区域内，再根据每条道路的道路安全属性，综合区域安全指数，计算一条道路的安全指数。
根据本发明优选的，区域安全指数的计算，分为两部分，一部分为自动实时接收的数据计算，另一部分为异常情况的计算，例如异常天气进行人工设置综合计算：
自动实时接收的数据计算部分，包括区域的接警量、交通指数、在途量等程序自动接收的数据和日期时段数据；
对区域的接警量、交通指数、在途量和日期时段分别赋予权重W，接警量权重为2，安全态势为S1、交通指数权重为2，安全态势为S2、在途量权重为1.5，安全态势为S3、日期时段权重为2.5，安全态势为S4，权重赋予表格如下所示：
编号 影响因素 权重(W) 对应安全态势
1 接警量 2 S1
2 交通指数 2 S2
3 在途量 1.5 S3
4 日期时段 2.5 S4
自动实时接收的数据计算结果S，计算方式为
Figure BDA0003414716220000031
异常情况计算部分，异常情况设置为树形结构，分支包括结冰、雪(无冰)、雨、节假日四种情况，每种情况分别进行赋值，根据赋值得到异常情况计算结果。
当出现特殊状况时，例如暴雨、结冰等，指挥长人工设置勤务级别，并把特殊状况记录下来，然后根据附图“安全指数计算图”计算，计算方法如下：
“异常设置部分”是一个树形结构，根据属性的归类查找最后的赋值。例如：下雨天，那么选择“雨”这个分支，然后根据雨量大小，例如“大雨”，依次根据风力、持续时间一级一级的向下选择，得到赋值。
区域安全指数为：没有异常情况时，区域安全指数＝自动实时接收的数据计算结果；
有异常情况时，区域安全指数＝0.8*异常情况计算结果+0.2*自动实时接收的数据计算结果。
进一步优选的，接警量算法如下：
122实时的接警数量
JJL：每小时接警量
S1：接警量对应的安全态势
JJL>＝300时，S1＝2.5
JJL<＝100时，S1＝1
100<JJL<300时：
JJL在100到300之间进行线性插值计算：
S1＝1+1.5*(JJL-100)/200
交通指数算法如下：
TPI：交通指数
TPI>＝3.0时，S2＝2.5
TPI<＝1.5时,S2＝1.0
1.5<TPI<3.0时，S2通过1.5到3.0之间线性差值计算：
S2＝1+1.5*(TPI–1.5)/1.5
在途量算法如下：
CARNUM:在途量
CARNUM>＝35万时，S3＝2.5
CARNUM<＝20万时，S3＝1
20万<CARNUM<35万时，
S3取20万到35万的线性差值计算：
S3＝1+1.5*(CARNUM–20)/15
日期时段计算如下：
特殊日期与时段的安全态势与平时不同，周一早高峰7:00–9:00安全态势为3.5，周五晚高峰18:00–20:00安全态势为3.5，工作日早晚高峰(除去周一早高峰和周五晚高峰)7:00–9:00和18:00–20:00安全态势为2.5，其它时间安全态势为1。
根据本发明优选的，道路安全属性包括道路事故量权重和道路属性权重，其中，
根据每条道路的历史事故量、道路属性(商圈、景区、医院、学校)，计算每条道路独有的“道路安全指数”，表示每条道路的安全状况。
然后根据道路所在区域的“区域安全指数”，不同的权重计算最终的“道路安全指数”。
道路事故量权重：
计算每条道路在过去两年的事故发生量cnt；
计算所有道路的事故量的均值mean，和标准方差sigma；
计算每条道路的偏离度deviation＝(cnt-mean)/sigma；
道路事故量权重＝1+deviation*0.1；
道路属性权重：
根据每条道路的属性及当时的时段，得到每条道路的道路属性权重，如下表所示
属性 属性权重 时段
商圈 1.1 晚上6-10点
景区 1.2 节假日
医院 1.3 工作时段8-17点
根据本发明优选的，道路安全指数为：
道路安全指数＝区域安全指数*道路事故量权重*道路属性权重
根据本发明优选的，步骤(3)中，路网安全目标函数计算过程如下：
a、计算道路安全目标函数，min(Lkj*Sk|j＝1...q)，Sk：第k条道路的安全指数，Lkj：第k条道路到第j个警员的最短路径距离，q：警员数量；
道路安全目标函数，对每一条道路，首先寻找距离其最近的警员，然后计算这个警员与当前道路的距离，再乘以当前道路的安全指数，结合了警员到道路的距离与道路的安全指数。这个数值结果，随着道路的安全指数越大，变得越大；最近警员到其距离越远，变得越大。也就是说，使这个目标函数变小，可以使警员到达安全指数较高的道路较近，符合警力部署目标。
b、路网安全目标函数，
Figure BDA0003414716220000051
n：道路数量；
路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数，当这个数值减少时，表示当前路网更加安全。
步骤(3)目标是警员的部署密度与安全指数的分布密度趋于一致，即不安全的地方需要更多的警员，安全的地方不需要过多的警员。
当实时的计算出当前城市路网的安全指数时，通常当前的警力部署与当前的安全指数分布是不同的，所以需要进行计算：调整优化当前的警力部署，使警力更加合理、并尽快达到合理部署。
在数学理论中，这属于“最优传输(optimal transport)”问题。但是，当前存在的算法主要是基于连续分布的算法，例如Sinkhorn算法。
而警力部署问题有其特殊性：
警员一般是在道路上部署，移动也要基于道路进行移动；
安全指数通常过一段时间就要计算一次，而且会有新的结果；
警员是有其覆盖范围的，不一定部署在最不安全的道路上，只要在一定距离内，并尽可能覆盖其他不安全道路即可满足出警需求。
所以，根据当前问题的特殊性，首先设置一个路网安全目标函数，表征在当天安全状况与警力部署的情况下，一个路网上不安全因素与警力部署的差异程度。然后通过算法调优警力部署，使这个目标函数值尽量变小，也就是使路网更加安全。
优选的，步骤(4)中，警力部署优化算法如下：
①计算路网安全目标函数当前值：f1；
②在所有道路中，找到道路安全目标函数值最大的道路r，即最不安全的道路；
③对于道路r，找到离其最近的警员p；
④设警员p所在的道路为rp，找到rp联通的所有道路，rpi，i＝1...m；
⑤分别计算rpi到道路r的距离，找到最短的那个道路rpo，指派p到rpo；
⑥在道路列表中删除r，在警员列表中删除p；
⑦在剩余的道路、警员中继续如上操作，直到道路列表或者警员列表为空，终止算法。
经过上面一轮的算法后，计算新的路网目标函数f2，如果f2与f1的差值较小，终止算法，如果差值较大，进行第二轮的算法计算，此时根据上轮指派后警员所在道路的信息进行迭代计算。
对于总体算法，考虑到整体性能时间性的要求，当计算轮次超过100次时，也终止算法，作为当前一次的计算结果。
当最终计算完成时，最终警员所在道路即为派警单列表，这个派警列表，将使“路网安全目标函数”值降低，达到更加安全的目的。
一种基于安全指数进行最优派警的***，包括收集数据模块、道路安全指数计算模块、路网安全目标函数计算模块、警力部署优化模块和派警任务列表输出模块，其中，
收集数据模块用于收集路网数据、路况速度、日期时间、交通事故数据和天气数据；
道路安全指数计算模块用于计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
路网安全目标函数计算模块用于计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
警力部署优化模块用于优化警力部署，直到道路列表或者警员列表为空；
派警任务列表输出模块用于输出派警任务列表。
本发明的有益效果在于：
1、本发明将警力部署与道路实时安全状况相结合，使警力部署更加合理，减少事故发生量，出警时间缩短，事故伤亡处理更加及时，减少人民生命财产损失，减缓路网拥堵，节省警力。
2、本发明有效充实了交警最优部署的理论基础，提供了切实有效的技术方法，为智能化交警部署***奠定了基础，具有良好的社会效益。
附图说明
图1为本发明的流程图；
图2为本发明的安全指数计算框架图；
图3为本发明的区域安全指数计算图；
图4为本发明的接警量统计表；
图5为本发明的交通指数统计表；
图6为本发明的在途量统计表。
具体实施方式
下面通过实施例并结合附图对本发明做进一步说明，但不限于此。
实施例1：
如图1-6所示，本实施例提供一种基于安全指数进行最优派警的方法，步骤如下：
(1)收集数据，包括路网数据、路况速度、日期时间、交通事故数据和天气数据；
(2)计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
(3)计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
(4)优化警力部署，直到道路列表或者警员列表为空；
(5)输出派警任务列表。
步骤(1)中，路网数据是指基础路网的拓扑数据，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度；
日期时间，因为交通流量与日期与时间密切相关，所以记录每个时刻的日期，例如2021年5月12日；时间，例如8:30。
交通事故数据：根据122接警数据库，得到实时的事故报警数据。
天气数据：从气象局的数据服务得到实时的天气数据。
步骤(2)中的，道路安全指数表示城市内某个路段的安全状况，取值0-10，数值越大越不安全，发生事故的可能性越大，其中，
区域安全指数：根据区域的数据对某个区域计算一个整体的安全指数。
道路安全属性：在某个区域内，再根据每条道路的道路安全属性，综合区域安全指数，计算一条道路的安全指数。
区域安全指数的计算，分为两部分，一部分为自动实时接收的数据计算，另一部分为异常情况的计算，例如异常天气进行人工设置综合计算：
自动实时接收的数据计算部分，包括区域的接警量、交通指数、在途量等程序自动接收的数据和日期时段数据；
对区域的接警量、交通指数、在途量和日期时段分别赋予权重W，接警量权重为2，安全态势为S1、交通指数权重为2，安全态势为S2、在途量权重为1.5，安全态势为S3、日期时段权重为2.5，安全态势为S4，权重赋予表格如下所示：
编号 影响因素 权重(W) 对应安全态势
1 接警量 2 S1
2 交通指数 2 S2
3 在途量 1.5 S3
4 日期时段 2.5 S4
自动实时接收的数据计算结果S，计算方式为
Figure BDA0003414716220000081
异常情况计算部分，异常情况设置为树形结构，如图所示，分支包括结冰、雪(无冰)、雨、节假日四种情况，每种情况分别进行赋值，根据赋值得到异常情况计算结果，树形结构具体如下：
出现结冰时，结冰蓝色预警的同时风力七级以下，赋值为4.5；结冰蓝色预警的同时风力七级以上，赋值为5；结冰黄色预警的同时风力七级以下，赋值为6；结冰黄色预警的同时风力七级以上，赋值为7；结冰橙色预警的同时风力七级以下，赋值为7.5；结冰橙色预警的同时风力七级以上，赋值为9；
出现雪(无冰)时，中小雪同时风力七级以下，赋值为3.5；中小雪同时风力七级以上，赋值为4；大雪同时风力七级以下，赋值为6；大雪同时风力七级以上，赋值为7；暴雪同时风力七级以下，赋值为7.5；暴雪同时风力七级以上，赋值为8；
出现雨时，中雨和小雨赋值为3；大雨风力5-7级持续时间小于1小时时，赋值为5；大雨风力5-7级持续时间大于1小时时，赋值为6.5；大雨风力7级以上持续时间小于1小时时，赋值为6；大雨风力7级以上持续时间大于1小时时，赋值为7；暴雨风力5-7级持续时间小于1小时时，赋值为4.5；暴雨风力5-7级持续时间大于1小时时，赋值为8.5；暴雨风力7级以上持续时间小于半小时时，赋值为7.5；暴雨风力7级以上持续时间为0.5-1小时时，赋值为8；暴雨风力7级以上持续时间大于1小时时，赋值为9；
出现节假日时，假期前一天，赋值为2.5，小长假赋值为2.5，黄金周赋值为3.5。
当出现特殊状况时，例如暴雨、结冰等，指挥长人工设置勤务级别，并把特殊状况记录下来，然后根据附图“安全指数计算图”计算，计算方法如下：
“异常设置部分”是一个树形结构，根据属性的归类查找最后的赋值。例如：下雨天，那么选择“雨”这个分支，然后根据雨量大小，例如“大雨”，依次根据风力、持续时间一级一级的向下选择，得到赋值。
区域安全指数为：没有异常情况时，区域安全指数＝自动实时接收的数据计算结果；
有异常情况时，区域安全指数＝0.8*异常情况计算结果+0.2*自动实时接收的数据计算结果。
接警量算法如下：
122实时的接警数量
JJL：每小时接警量
S1：接警量对应的安全态势
JJL>＝300时，S1＝2.5
JJL<＝100时，S1＝1
100<JJL<300时：
JJL在100到300之间进行线性插值计算：
S1＝1+1.5*(JJL-100)/200
交通指数算法如下：
TPI：交通指数
TPI>＝3.0时，S2＝2.5
TPI<＝1.5时,S2＝1.0
1.5<TPI<3.0时，S2通过1.5到3.0之间线性差值计算：
S2＝1+1.5*(TPI–1.5)/1.5
在途量算法如下：
CARNUM:在途量
CARNUM>＝35万时，S3＝2.5
CARNUM<＝20万时，S3＝1
20万<CARNUM<35万时，
S3取20万到35万的线性差值计算：
S3＝1+1.5*(CARNUM–20)/15
日期时段计算如下：
特殊日期与时段的安全态势与平时不同，周一早高峰7:00–9:00安全态势为3.5，周五晚高峰18:00–20:00安全态势为3.5，工作日早晚高峰(除去周一早高峰和周五晚高峰)7:00–9:00和18:00–20:00安全态势为2.5，其它时间安全态势为1。
根据本发明优选的，道路安全属性包括道路事故量权重和道路属性权重，其中，
根据每条道路的历史事故量、道路属性(商圈、景区、医院、学校)，计算每条道路独有的“道路安全指数”，表示每条道路的安全状况。
然后根据道路所在区域的“区域安全指数”，不同的权重计算最终的“道路安全指数”。
道路事故量权重：
计算每条道路在过去两年的事故发生量cnt；
计算所有道路的事故量的均值mean，和标准方差sigma；
计算每条道路的偏离度deviation＝(cnt-mean)/sigma；
道路事故量权重＝1+deviation*0.1；
道路属性权重：
根据每条道路的属性及当时的时段，得到每条道路的道路属性权重，如下表所示
属性 属性权重 时段
商圈 1.1 晚上6-10点
景区 1.2 节假日
医院 1.3 工作时段8-17点
道路安全指数为：
道路安全指数＝区域安全指数*道路事故量权重*道路属性权重
步骤(3)中，路网安全目标函数计算过程如下：
a、计算道路安全目标函数，min(Lkj*Sk|j＝1...q)，Sk：第k条道路的安全指数，Lkj：第k条道路到第j个警员的最短路径距离，q：警员数量；
道路安全目标函数，对每一条道路，首先寻找距离其最近的警员，然后计算这个警员与当前道路的距离，再乘以当前道路的安全指数，结合了警员到道路的距离与道路的安全指数。这个数值结果，随着道路的安全指数越大，变得越大；最近警员到其距离越远，变得越大。也就是说，使这个目标函数变小，可以使警员到达安全指数较高的道路较近，符合警力部署目标。
b、路网安全目标函数，
Figure BDA0003414716220000101
n：道路数量；
路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数，当这个数值减少时，表示当前路网更加安全。
步骤(3)目标是警员的部署密度与安全指数的分布密度趋于一致，即不安全的地方需要更多的警员，安全的地方不需要过多的警员。
当实时的计算出当前城市路网的安全指数时，通常当前的警力部署与当前的安全指数分布是不同的，所以需要进行计算：调整优化当前的警力部署，使警力更加合理、并尽快达到合理部署。
在数学理论中，这属于“最优传输(optimal transport)”问题。但是，当前存在的算法主要是基于连续分布的算法，例如Sinkhorn算法。
而警力部署问题有其特殊性：
警员一般是在道路上部署，移动也要基于道路进行移动；
安全指数通常过一段时间就要计算一次，而且会有新的结果；
警员是有其覆盖范围的，不一定部署在最不安全的道路上，只要在一定距离内，并尽可能覆盖其他不安全道路即可满足出警需求。
所以，根据当前问题的特殊性，首先设置一个路网安全目标函数，表征在当天安全状况与警力部署的情况下，一个路网上不安全因素与警力部署的差异程度。然后通过算法调优警力部署，使这个目标函数值尽量变小，也就是使路网更加安全。
步骤(4)中，警力部署优化算法如下：
①计算路网安全目标函数当前值：f1；
②在所有道路中，找到道路安全目标函数值最大的道路r，即最不安全的道路；
③对于道路r，找到离其最近的警员p；
④设警员p所在的道路为rp，找到rp联通的所有道路，rpi，i＝1...m；
⑤分别计算rpi到道路r的距离，找到最短的那个道路rpo，指派p到rpo；
⑥在道路列表中删除r，在警员列表中删除p；
⑦在剩余的道路、警员中继续步骤②-⑥，直到道路列表或者警员列表为空，终止算法。
经过上面一轮的算法后，计算新的路网目标函数f2，如果f2与f1的差值较小，终止算法，如果差值较大，进行第二轮的算法计算，此时根据上轮指派后警员所在道路的信息进行迭代计算。
对于总体算法，考虑到整体性能时间性的要求，当计算轮次超过100次时，也终止算法，作为当前一次的计算结果。
当最终计算完成时，最终警员所在道路即为派警单列表，这个派警列表，将使“路网安全目标函数”值降低，达到更加安全的目的。
在某某区域的某某街道下雨时发生交通事故，需要警员在10分钟内到达事故现场，应用本实施例的基于安全指数进行最优派警的方法，最近的警员在5分钟内到达现场，达到快速出警的效果，警力部署合理。
实施例2：
本实施例提供一种基于安全指数进行最优派警的***，包括收集数据模块、道路安全指数计算模块、路网安全目标函数计算模块、警力部署优化模块和派警任务列表输出模块，其中，
收集数据模块用于收集路网数据、路况速度、日期时间、交通事故数据和天气数据；
道路安全指数计算模块用于计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
路网安全目标函数计算模块用于计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
警力部署优化模块用于优化警力部署，直到道路列表或者警员列表为空；
派警任务列表输出模块用于输出派警任务列表。

Claims (9)

1.一种基于安全指数进行最优派警的方法，其特征在于，步骤如下：
(1)收集数据，包括路网数据、路况速度、日期时间、交通事故数据和天气数据；
(2)计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
(3)计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
(4)优化警力部署，直到道路列表或者警员列表为空；
(5)输出派警任务列表。
2.如权利要求1所述的基于安全指数进行最优派警的方法，其特征在于，步骤(1)中，路网数据是指基础路网的拓扑数据，并计入属性数据库；
路况速度是指每条路段的历史路况速度、实时路况速度。
3.如权利要求1所述的基于安全指数进行最优派警的方法，其特征在于，步骤(2)中的，道路安全指数表示城市内某个路段的安全状况，取值0-10，其中，
区域安全指数：根据区域的数据对某个区域计算一个整体的安全指数；
道路安全属性：在某个区域内，再根据每条道路的道路安全属性，综合区域安全指数，计算一条道路的安全指数。
4.如权利要求3所述的基于安全指数进行最优派警的方法，其特征在于，区域安全指数的计算，分为两部分，一部分为自动实时接收的数据计算，另一部分为异常情况的计算：
自动实时接收的数据计算部分，包括区域的接警量、交通指数、在途量数据和日期时段数据；
对区域的接警量、交通指数、在途量和日期时段分别赋予权重W，接警量权重为2，安全态势为S1、交通指数权重为2，安全态势为S2、在途量权重为1.5，安全态势为S3、日期时段权重为2.5，安全态势为S4，权重赋予表格如下所示：
编号 影响因素 权重W 对应安全态势 1 接警量 2 S1 2 交通指数 2 S2 3 在途量 1.5 S3 4 日期时段 2.5 S4
自动实时接收的数据计算结果S，计算方式为
Figure FDA0003414716210000011
异常情况计算部分，异常情况设置为树形结构，分支包括结冰、雪、雨、节假日四种情况，每种情况分别进行赋值，根据赋值得到异常情况计算结果；
区域安全指数为：没有异常情况时，区域安全指数＝自动实时接收的数据计算结果；
有异常情况时，区域安全指数＝0.8*异常情况计算结果+0.2*自动实时接收的数据计算结果。
5.如权利要求4所述的基于安全指数进行最优派警的方法，其特征在于，接警量算法如下：
122实时的接警数量
JJL：每小时接警量
S1：接警量对应的安全态势
JJL>＝300时，S1＝2.5
JJL<＝100时，S1＝1
100<JJL<300时：
JJL在100到300之间进行线性插值计算：
S1＝1+1.5*(JJL-100)/200
交通指数算法如下：
TPI：交通指数
TPI>＝3.0时，S2＝2.5
TPI<＝1.5时,S2＝1.0
1.5<TPI<3.0时，S2通过1.5到3.0之间线性差值计算：
S2＝1+1.5*(TPI–1.5)/1.5
在途量算法如下：
CARNUM:在途量
CARNUM>＝35万时，S3＝2.5
CARNUM<＝20万时，S3＝1
20万<CARNUM<35万时，
S3取20万到35万的线性差值计算：
S3＝1+1.5*(CARNUM–20)/15
日期时段计算如下：
特殊日期与时段的安全态势与平时不同，周一早高峰7:00–9:00安全态势为3.5，周五晚高峰18:00–20:00安全态势为3.5，工作日早晚高峰7:00–9:00和18:00–20:00安全态势为2.5，其它时间安全态势为1。
6.如权利要求5所述的基于安全指数进行最优派警的方法，其特征在于，道路安全属性包括道路事故量权重和道路属性权重，其中，
道路事故量权重：
计算每条道路在过去两年的事故发生量cnt；
计算所有道路的事故量的均值mean，和标准方差sigma；
计算每条道路的偏离度deviation＝(cnt-mean)/sigma；
道路事故量权重＝1+deviation*0.1；
道路属性权重：
根据每条道路的属性及当时的时段，得到每条道路的道路属性权重，如下表所示
属性 属性权重 时段 商圈 1.1 晚上6-10点 景区 1.2 节假日 医院 1.3 工作时段8-17点
道路安全指数＝区域安全指数*道路事故量权重*道路属性权重。
7.如权利要求6所述的基于安全指数进行最优派警的方法，其特征在于，步骤(3)中，路网安全目标函数计算过程如下：
a、计算道路安全目标函数，min(Lkj*Sk|j＝1...q)，Sk：第k条道路的安全指数，Lkj：第k条道路到第j个警员的最短路径距离，q：警员数量；
b、路网安全目标函数，
Figure FDA0003414716210000031
n：道路数量；
路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数，当这个数值减少时，表示当前路网更加安全。
8.如权利要求7所述的基于安全指数进行最优派警的方法，其特征在于，步骤(4)中，警力部署优化算法如下：
①计算路网安全目标函数当前值：f1；
②在所有道路中，找到道路安全目标函数值最大的道路r，即最不安全的道路；
③对于道路r，找到离其最近的警员p；
④设警员p所在的道路为rp，找到rp联通的所有道路，rpi，i＝1...m；
⑤分别计算rpi到道路r的距离，找到最短的那个道路rpo，指派p到rpo；
⑥在道路列表中删除r，在警员列表中删除p；
⑦在剩余的道路、警员中继续如上操作，直到道路列表或者警员列表为空，终止算法。
9.一种基于安全指数进行最优派警的***，其特征在于，包括收集数据模块、道路安全指数计算模块、路网安全目标函数计算模块、警力部署优化模块和派警任务列表输出模块，其中，
收集数据模块用于收集路网数据、路况速度、日期时间、交通事故数据和天气数据；
道路安全指数计算模块用于计算道路安全指数，道路安全指数包括区域安全指数和道路安全属性；
路网安全目标函数计算模块用于计算路网安全目标函数，根据道路安全指数计算道路安全目标函数，路网所有道路的安全目标函数值相加，得到整个的路网安全目标函数；
警力部署优化模块用于优化警力部署，直到道路列表或者警员列表为空；
派警任务列表输出模块用于输出派警任务列表。
CN202111542518.4A 2021-12-16 2021-12-16 一种基于道路安全指数进行最优派警的方法及*** Pending CN114220268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111542518.4A CN114220268A (zh) 2021-12-16 2021-12-16 一种基于道路安全指数进行最优派警的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111542518.4A CN114220268A (zh) 2021-12-16 2021-12-16 一种基于道路安全指数进行最优派警的方法及***

Publications (1)

Publication Number Publication Date
CN114220268A true CN114220268A (zh) 2022-03-22

Family

ID=80702862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111542518.4A Pending CN114220268A (zh) 2021-12-16 2021-12-16 一种基于道路安全指数进行最优派警的方法及***

Country Status (1)

Country Link
CN (1) CN114220268A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375200A (zh) * 2022-10-24 2022-11-22 航天科工广信智能技术有限公司 一种警务资源调度方法、***及存储介质
CN117151427A (zh) * 2023-10-27 2023-12-01 湖南思达软件技术有限公司 一种基于大数据的交通警务协同管理方法及***
CN117455209A (zh) * 2023-12-26 2024-01-26 山东智慧云通网络科技有限公司 一种基于地理位置的智慧交警管理服务***及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834977A (zh) * 2015-05-15 2015-08-12 浙江银江研究院有限公司 基于距离度量学习的交通警情等级预测方法
CN104951893A (zh) * 2015-06-24 2015-09-30 银江股份有限公司 一种面向城市交通的交警路面警情处置效率评估方法
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN108124004A (zh) * 2017-12-11 2018-06-05 上海三吉电子工程有限公司 一种警务综合监管平台***
CN109493600A (zh) * 2018-11-21 2019-03-19 合肥工业大学 基于事故危险度的交通事故多发路段识别方法
CN110457653A (zh) * 2019-07-30 2019-11-15 青岛海信网络科技股份有限公司 一种警情热点区域的确定方法及装置
CN112907941A (zh) * 2021-01-07 2021-06-04 北京交通大学 一种事故多发区域应急警力调度点的配置方法
CN113470356A (zh) * 2021-06-28 2021-10-01 青岛海信网络科技股份有限公司 电子设备及区域路况预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834977A (zh) * 2015-05-15 2015-08-12 浙江银江研究院有限公司 基于距离度量学习的交通警情等级预测方法
CN104951893A (zh) * 2015-06-24 2015-09-30 银江股份有限公司 一种面向城市交通的交警路面警情处置效率评估方法
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN108124004A (zh) * 2017-12-11 2018-06-05 上海三吉电子工程有限公司 一种警务综合监管平台***
CN109493600A (zh) * 2018-11-21 2019-03-19 合肥工业大学 基于事故危险度的交通事故多发路段识别方法
CN110457653A (zh) * 2019-07-30 2019-11-15 青岛海信网络科技股份有限公司 一种警情热点区域的确定方法及装置
CN112907941A (zh) * 2021-01-07 2021-06-04 北京交通大学 一种事故多发区域应急警力调度点的配置方法
CN113470356A (zh) * 2021-06-28 2021-10-01 青岛海信网络科技股份有限公司 电子设备及区域路况预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈庆丰;: "公路工程安全管理现状的评价及对策探讨", 科技致富向导, no. 12, 25 April 2011 (2011-04-25) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375200A (zh) * 2022-10-24 2022-11-22 航天科工广信智能技术有限公司 一种警务资源调度方法、***及存储介质
CN117151427A (zh) * 2023-10-27 2023-12-01 湖南思达软件技术有限公司 一种基于大数据的交通警务协同管理方法及***
CN117151427B (zh) * 2023-10-27 2024-01-30 湖南思达软件技术有限公司 一种基于大数据的交通警务协同管理方法及***
CN117455209A (zh) * 2023-12-26 2024-01-26 山东智慧云通网络科技有限公司 一种基于地理位置的智慧交警管理服务***及方法
CN117455209B (zh) * 2023-12-26 2024-03-12 山东智慧云通网络科技有限公司 一种基于地理位置的智慧交警管理服务***及方法

Similar Documents

Publication Publication Date Title
CN114220268A (zh) 一种基于道路安全指数进行最优派警的方法及***
CN105005827B (zh) 一种基于电力突发事件的应急响应预警方法
CN103473620B (zh) 综合客运枢纽多交通方式预测方法及***
Stern et al. A behavioural‐based simulatión model for urban evacuation
CN106816009B (zh) 高速公路实时交通拥堵路况检测方法及其***
CN106710216B (zh) 高速公路实时交通拥堵路况检测方法和***
CN105512990A (zh) 一种基于灯联网传感器群的城市管理分析***
CN102289933A (zh) 一种城市快速路交通事件影响空间范围等级预测方法
Yanbin et al. Early warning of traffic accident in Shanghai based on large data set mining
US20230057564A1 (en) Methods for managing cleaning routes in smart cities, internet of things systems, and storage mediums
CN110777687A (zh) 一种雨天城市车辆规避积水道路的智能预警方法
CN112669596A (zh) 一种基于大数据的交通安全态势判别***及方法
CN112785859B (zh) 一种城市区域信号灯统一配时控制***及方法
CN112785840A (zh) 一种城市智能交通计算机控制***及方法
CN112233431A (zh) 一种城市智慧交通网络***信号指引方法
CN111429166B (zh) 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法
CN113191568A (zh) 基于气象的城市运行管理大数据分析预测方法和***
CN111710155A (zh) 一种道路间的拥堵关系分析方法及***
Li et al. TISEM: A Two-Stage Interval-Stochastic Evacuation Management Model.
CN111191842A (zh) 民用航空运输机场消防站选址优化方法
Ziemska et al. The Time Losses as a Reliability of Transport in the Municipal Network during the Mass Event
Wen et al. Study on the factors and management strategy of traffic block incident on Hangzhou Province Highway
CN115323850B (zh) 一种窄马路密路网的道路网规划方法
Ribeiro et al. The impact of a ring road in an urban road network. The case study of Guimarães, Portugal
Fu et al. Urban Parking Characteristic Investigation and Parking System Evaluation: A Case Study in Xi’an

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