CN116108996B - 采样点布局优化方法、***、智能终端及存储介质 - Google Patents
采样点布局优化方法、***、智能终端及存储介质 Download PDFInfo
- Publication number
- CN116108996B CN116108996B CN202310145330.9A CN202310145330A CN116108996B CN 116108996 B CN116108996 B CN 116108996B CN 202310145330 A CN202310145330 A CN 202310145330A CN 116108996 B CN116108996 B CN 116108996B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- sampling
- point
- points
- sampling points
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 544
- 238000005457 optimization Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000008901 benefit Effects 0.000 claims description 30
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 150000007523 nucleic acids Chemical class 0.000 description 9
- 102000039446 nucleic acids Human genes 0.000 description 9
- 108020004707 nucleic acids Proteins 0.000 description 9
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000540325 Prays epsilon Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种采样点布局优化方法、***、智能终端及存储介质,基于采样点实时状态数据及人口分布数据,根据忍耐时间阈值将采样点的等待时间转换为等效等待时间,根据采样点的路径距离和等效等待时间,计算采样点相对于居民点的可达性,并根据可达性和人口数据计算采样点的综合可达性,将综合可达性作为采样点度量指标以准确地衡量采样点的服务能力,然后以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化。与现有技术相比,采样点布局时兼顾了道路可达性、等待时间和人口数据,建立准确衡量采样点服务能力的指标,使得采样点布局更加精准,采样点的综合效率更高。
Description
技术领域
本发明涉及网络布局优化技术领域,尤其涉及的是一种采样点布局优化方法、***、智能终端及存储介质。
背景技术
当大城市突发大量生物采样需求,如核酸检测的情况下,核酸采样点布局是否合理,能否保证各个采样点高效运行,对快速抑制疫情发展有着重要的意义。
而有些核酸采样点出现拥挤,等待时间过长。因此,需要对采样点的分布进行优化。
目前有关采样点的布局优化的研究主要集中在道路可达性,考虑因素单一,不能准确地衡量采样点的服务能力,也就难以实现采样点的精准布局。
因此,现有技术有待改进和提高。
发明内容
本发明的主要目的在于提供一种采样点布局优化方法、***、智能终端及计算机可读存储介质,旨在解决采样点布局优化时,不能准确地衡量采样点的服务能力,难以实现采样点的精准布局的问题。
为了实现上述目的,本发明第一方面提供一种采样点布局优化方法,包括:
获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
基于所述采样点分布数据和所述人口分布数据,计算每个采样点与每个居民点之间的距离;
比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性;
基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性;
以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出。
可选的,所述基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性,具体表达式为:
其中,Ai为采样点i的综合可达性,pj为居民点j的人口数,kij为权重值,用于表征采样点i与居民点j的最大可达性的采样点之间的权重,aij为采样点i与居民点j之间的可达性,n为居民点的总数。
可选的,通过增加采样点的数量并更改采样点的位置对采样点进行布局优化,所述布局优化包括:
基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;
以采样点的数量为自变量、所述累计值为因变量,获得拟合曲线;
计算所述拟合曲线上各个点的二阶导数的绝对值并取最大值,所述最大值为最佳采样点数量;
输出最佳采样点数量时各个采样点的位置。
可选的,通过更改采样点的位置对采样点进行布局优化,所述布局优化包括:
根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;
计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;
计算将增加的采样点替换所述目标采样点后相对于每个居民点的可达性的累计损失值;
计算所述累计收益值和所述累计损失值的差值,获得替换总收益;
当所述替换总收益大于零时,将所述目标采样点的位置更新为所述备选位置;
根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至目标采样点的所有备选位置的替换总收益小于或等于零,输出目标采样点的位置。
可选的,通过增加采样点的数量对采样点进行布局优化,所述布局优化包括:
在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;
基于采样点分布数据,根据聚类算法对所述采样点集合中的采样点进行聚类,获得若干个中心位置;
在所述中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;
输出优化后各个采样点的位置。
可选的,所述基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性,具体表达式为:
其中,α和β为引力衰减系数,dij为采样点i与居民点j之间的距离,τi为采样点i的等效等待时间,ni为采样点i的采样台数。
本发明第二方面提供一种采样点布局优化***,其中,上述***包括:
数据获取模块,用于获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
距离模块,用于基于所述采样点分布数据和所述人口分布数据,计算每个采样点与每个居民点之间的距离;
等效等待时间模块,用于比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
可达性模块,用于基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性;
综合可达性模块,用于基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性;
优化模块,用于以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出。
可选的,所述优化模块还包括;
位置优化单元,用于根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;计算将增加的采样点替换所述目标采样点后相对于每个居民点的可达性的累计损失值;计算所述累计收益值和所述累计损失值的差值,获得替换总收益;当所述替换总收益大于零时,将所述目标采样点的位置更新为所述备选位置;根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至所有备选位置的替换总收益小于或等于零,输出目标采样点的位置;
数量优化单元,用于在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;基于采样点分布数据,根据聚类算法对所述采样点集合中的采样点进行聚类,获得若干个中心位置;在所述中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;输出优化后各个采样点的位置;
综合优化单元,用于基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;以采样点的数量为自变量、所述累计值为因变量,获得拟合曲线;计算所述拟合曲线上各个点的二阶导数的绝对值并取最大值,所述最大值为最佳采样点数量;输出最佳采样点数量时各个采样点的位置。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的采样点布局优化程序,上述采样点布局优化程序被上述处理器执行时实现任意一项上述采样点布局优化方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有采样点布局优化程序,上述采样点布局优化程序被处理器执行时实现任意一项上述采样点布局优化方法的步骤。
由上可见,本发明基于采样点实时状态数据及人口分布数据,根据忍耐时间阈值将采样点的等待时间转换为等效等待时间,根据采样点的路径距离和等效等待时间,计算采样点相对于居民点的可达性,并根据可达性和人口数据计算采样点的综合可达性,将综合可达性作为采样点度量指标以准确地衡量采样点的服务能力。然后以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化。与现有技术相比,采样点布局时兼顾了道路可达性、等待时间和人口数据,建立准确衡量采样点服务能力的指标,使得采样点布局更加精准,采样点的综合效率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的采样点布局优化方法流程示意图;
图2是图1实施例的步骤S600的第一实施例具体流程示意图;
图3是图1实施例的步骤S600的第二实施例具体流程示意图;
图4是图1实施例的步骤S600的第三实施例具体流程示意图;
图5是本发明实施例提供的采样点布局优化***的结构示意图;
图6是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
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”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,在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”。类似的,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[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,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的一部分实施例,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它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
针对目前有关采样点的布局优化考虑因素单一,不能准确地衡量采样点的服务能力,难以实现采样点的精准布局的问题,本发明提供了一种采样点布局优化方法,利用采样点的空间布局及其实时状态数据,评估采样点可达性,利用城市居民人口分布数据对采样点可达性进行加权以建立采样点度量指标。因此,本发明的采样点布局优化方法基于采样点实时状态与居民可达性和等待时间,实现基于数据驱动的采样点优化布局与管理。突破传统方法无法兼顾实际居民空间分布情况、采样点可达性及等待时间的问题,提出更加科学的采样点的布局优化方案。
示例性方法
本实施例提供一种用于核酸检测的采样点布局优化方法,安装于智能终端或采样服务器等电子设备上。需要说明的是,本实施例虽然以核酸检测为例,但是本发明的采样点布局优化方法还可以适用于其他生物采样场合。
如图1所示,本实施例具体包括如下步骤:
步骤S100:获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
具体地,目标区域可以为一个或多个省市、一个或多个乡镇等行政区域,当然也可以是根据需要设定的地理范围内的区域。目标区域的人口分布数据可以从人口统计数据中查找统计获得,目标区域的采样点分布数据可以根据目标区域现有的采样点数据统计获得,采样点的实时状态数据可以从预设的采样后台服务器读取。
本实施例中目标区域为城市Q。假定在城市Q内共有m个采样点,采样点分布数据F={f1,f2,...,fm}。其中,每个采样点fi包含以下属性:编号i,采样点名称fi 1,所属区名称fi 2,所属街道名称fi 3,所属社区名称fi 4,采样点地址fi 5,服务时间fi 6,采样台数量ni,经度flngi,纬度flati等。每个采样点fi的属性构成集合fi={i,fi 1,fi 2,fi 3,fi 4,fi 5,fi 6,ni,flngi,flati,…}。
假定在城市Q内由n个居民点,人口分布数据U={u1,u2,...,un},其中,每个居民点uj包含编号j,居民点名称所属区名称/>所属街道名称/>所属社区名称/>居民点地址/>居民人口数量pj,经度ulngj,纬度ulatj等属性,每个居民点uj的属性构成集合
采样点的实时状态数据主要包括核酸检测点的当前等待时间ti,还可以包括其他实时状态数据,例如:服务状态:服务中还是暂停服务,周边道路拥堵情况等。
进一步地,还可对采样点分布数据和实时状态数据、城市居民人口分布数据进行预处理;例如:对采样点分布数据F,人口分布数据U进行数据清洗,去除采样点位置、居民点位置不在目标区域内的数据、去除重复数据、属性缺失的数据等。举例来说,将距离采样点分布数据F内任意一个采样点的距离均超过设定阈值的居民点数据清除。
步骤S200:基于采样点分布数据和人口分布数据,计算每个采样点与每个居民点之间的距离;
具体地,对于采样点分布数据F,人口分布数据U,定义距离函数d:F×U→R+,表示采样点位置到居民点位置的出行距离。基于任一采样点fi与任一居民点uj,计算其出行距离dij。
当可获得实际道路网络数据时,可采用A*算法或Dijkstra算法计算采样点fi与居民点uj的最短真实路途距离作为出行距离dij。
当无法获得实际道路网络数据时,考虑到大多数的城市的道路设计为网格状,可以计算采样点fi与居民点uj之间的曼哈顿距离代替真实路途距离,作为出行距离dij。具体计算公式为:
dij=|flngi-ulngj|+|flati-nlatj|,
其中,flngi为采样点i的经度,ulngj为居民点j的经度,flati为采样点i的纬度,nlatj为居民点j的纬度。
步骤S300:比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
具体地,根据采样点的实时状态数据,获得各个采样点的等待时间,再根据预设的忍耐时间阈值计算每一个采样点fi的等效等待时间τi。
其中,忍耐时间阈值代表普遍接受的等待时间,作为优化后等待时间的理想值及代替值。忍耐时间阈值tA可以根据经验设定,也可以对大量的核酸检测采样人群进行问卷调查及数据统计分析后确定。假定tA为忍耐时间阈值。一般地,居民普遍能够接受的核酸点的忍耐时间阈值tA为10分钟,故设定tA=10分钟。
每个采样点的等效等待时间根据忍耐时间阈值对采样点的实时状态数据中的等待时间进行处理后获得。具体地,本实施例中将采样点fi的等待时间ti在tA以下的值都记为1,tA以上的值记为ti-tA+1,即τi=max(ti-tA+1,1)。例如:忍耐时间阈值为10分钟,等待时间ti为8分钟,则将τi设定为1;若等待时间ti为12分钟,则将τi设定为3。等待时间ti的采样频率不限,例如:可以每5分钟采样一次,即采样点的等效等待时间每5分钟更新一次。
步骤S400:基于距离和等效等待时间,计算每个采样点相对于每个居民点的可达性;
通常而言,可达性由路程长度、路途花费时间来衡量,没有考虑到采样点的拥堵情况。本发明与传统上的可达性不同,考虑到采样点的实际运行情况,将在采样点的排队等候时间和采样台数量纳入可达性的计算参考指标,上述排队等候时间和采样台数量代表了采样点提供服务的能力。因此,本发明的可达性意义更加宽泛,能够更加准确地度量采样点服务居民的能力。
本实施例中,计算采样点fi与居民点uj之间的可达性aij具体计算公式为:
其中,α和β为引力衰减系数,用来约束可达性随空间阻力增加而衰减的程度,具体的值可以参考引力模型进行设定;dij为采样点i与居民点j之间的距离,τi为采样点i的等效等待时间,ni为采样点i的采样台数。
步骤S500:基于每个采样点所有的可达性和人口分布数据,计算每个采样点的综合可达性;
具体地,每个采样点,对于n个居民点,计算出n个可达性。根据每个采样点的所有的可达性,将人口分布数据中的人口数据作为权重,加权统计所有的可达性,获得每个采样点的综合可达性。
进一步地,基于居民多半选择对于所在居住点可达性最大的采样点进行核酸采样,在计算出采样点i相对于居民点j之间的可达性aij后,还计算采样点i与居民点j的最大可达性的采样点之间的权重,以对可达性进行加权。例如:将居民点j的最大可达性的采样点的可达性权重设为1,其他的采样点则:根据采样点与居民点j之间的距离、居民点j与该居民点j对应的最大可达性的采样点之间的距离,计算两项距离的比值确定采样点的权重。
本实施例中,权重值kij的表达式为:
其中k代表采样点的序号,j为居民点的序号。即:若采样点fk为所有采样点中与居民点j的可达性最大的采样点,则权重值为1,否则权重值为0。
计算采样点i的综合可达性Ai,具体计算公式为:
其中,pj为居民点j的人口数,kij为权重值,aij为采样点i与居民点j之间的可达性,n为居民点的总数。
步骤S600:以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出。
具体地,在计算出每个采样点的综合可达性后,采样点的综合可达性可以评价采样点的服务能力,所有采样点的综合可达性的累计值可以用来评价目标区域的采样点布局的精准性。其中,对采样点进行布局优化采取的手段不限,可以更改现有采样点的位置、增加采样点的数量、增加采样点的数量同时更改采样点的位置等等。采取上述手段对采样点进行布局优化时,目标是使得优化后的所有采样点的综合可达性的累计值最大。其目标函数可以表示为:其中Ai为采样点i的综合可达性,m为采样点的总数量。
以改变采样点的位置为例,优化的过程为:先计算当前布局下所有采样点的综合可达性的累计值,然后假定某个采样点更新到新的位置,再计算更新后所有采样点的综合可达性的累计值,当更新位置后的累计值大于更新位置前的累计值时,则表示优化有效,否则,表示新的位置不准确,服务能力反而变差。优化有效时,才将采样点实际更新到新的位置。然后取下一个采样点进行位置的迭代更新,直至当所有采样点的综合可达性的累计值最大时,此时的采样点分布为最优的采样点布局,输出采样点分布数据或由其他行政平台调用该采样点分布数据完成采样点的布局改造。
由上所述,本实施例的采样点布局优化方法基于采样点实时状态数据及人口分布数据,根据忍耐时间阈值将采样点的等待时间转换为等效等待时间,根据采样点的路径距离和等待时间,计算采样点相对于居民点的可达性,并根据可达性和人口数据计算采样点的综合可达性,建立采样点度量指标。然后以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化。使得采样点布局更加精准,兼顾可达性与等待时间、成本与适应性。
在一些实施例中,如图2所示,通过更改采样点的位置对采样点进行布局优化,具体步骤包括:
步骤A610:根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;
具体地,采样点备选位置搜索算法用来确定待更改位置的目标采样点的备选位置。可以以每个社区或街道至少设有一个采样点为准则,在社区、街道的中心位置或设定位置设立采样点。社区、街道的中心位置或设定位置中未设立采样点的位置为目标区域内的备选位置。然后采用目前的任一种局部搜索算法,根据待更改位置的目标采样点的位置,搜索所有备选位置中距离目标采样点最近的备选位置,获得备选位置的采样点i。
本实施例中,根据待更改位置的目标采样点的位置,搜索邻近的备选位置,然后采用聚类算法,取得这些备选位置的中心位置作为目标采样点的备选位置。上述聚类算法不限,可以采用现有的K-均值、Mini-Batch K-均值、高斯混合、DBSCAN等任意一种聚类算法。
可选的,还可以根据待更改位置的目标采样点的位置,搜索邻近的居民点,然后对这些居民点采用聚类算法,取得这些居民点的中心位置作为目标采样点的备选位置。
步骤A620:计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;
具体地,对于每个居民点,计算在备选位置上增加的采样点与该居民点的可达性,以及替换前该居民点与各采样点之间的最大可达性,然后计算两项可达性的差值,获得相对于该居民点的收益值,累计所有居民点的收益值,获得累计收益值。
假定gain(fi)为加入采样点fi的收益:
其中,为替换前与uj可达性最大的采样点。
步骤A630:计算将增加的采样点替换目标采样点后相对于每个居民点的可达性的累计损失值;
具体地,对于每个居民点,计算在备选位置上增加的采样点与该居民点的可达性以及替换前该居民点与各采样点之间的可达性的次大值之间的最大值,与替换前该居民点与各采样点之间的最大可达性相减,获得相对于该居民点的净损失,累计所有居民点的净损失,获得累计损失值。
假定netloss(fi,fr)为用fi替换fr的净损失:
其中,为替换前与uj可达性最大的采样点,/>为替换前与uj的可达性低且仅低于的采样点。
步骤A640:计算累计收益值和累计损失值的差值,获得替换总收益;
步骤A650:当替换总收益大于零时,将目标采样点的位置更新为备选位置;
具体地,将累计收益值gain(fi)与累计损失值相减netloss(fi,fr),获得替换总收益profit(fi,fr),用fi替换fr的替换总收益的具体表达式为:profit(fi,fr)=gain(fi)-netloss(fi,fr)。如果备选位置fi的总收益profit(fi,fr)大于零,则表示优化有效,使用采样点fi替换目标采样点fr,否则不替换。
步骤A660:根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至所有备选位置的替换总收益小于或等于零,输出目标采样点的位置。
具体地,当将目标采样点的位置更新为备选位置后,可以根据采样点备选位置搜索算法获取下一个备选位置,该备选位置可以为替换前位置的下一个备选位置,也可以是根据替换后位置获取的备选位置。使用该备选位置对目标采样点进行位置的迭代更新,直至目标采样点到达某一个位置时,所有备选位置的替换总收益小于或等于零,获得目标采样点的优化后位置。通过对所有可能设立采样点的备选位置进行遍历,能够提高采样点布局的准确性。
当步骤A610中获得的备选位置的优化效果不好时,目标采样点的位置未做更改,根据采样点备选位置搜索算法获取目标采样点的下一个备选位置,再使用该备选位置对目标采样点进行位置的迭代更新。
具体实施时,可以根据需要对一个或多个目标采样点进行布局优化。布局优化的目标函数可以表示为:
约束条件为:/>
由上所述,通过获取目标采样点的备选位置,计算将目标采样点替换至备选位置后,根据对所有的居民点的可达性计算替换总收益,从而评估优化效果。使得所有采样点的综合可达性的累计值增加。持续对采样点的位置进行优化,逐步实现所有采样点的综合可达性的累计值最大化。使得采样点布局更加精准,提高采样点网络的整体效率。
在一些实施例中,通过增加采样点的数量对采样点进行布局优化,如图3所示,具体步骤包括:
步骤B610:在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;
具体地,增加采样点的位置选择的依据是使得相对于居民点的原先可达性较差的采样点的可达性获得提升,以提高综合服务能力。因此,需要根据预设条件,如可达性低于设定值、或者距离超过设定阈值,或者等待时间超过设定值的采样点筛选出来。如将目标区域内等待时间超过15分钟的所有采样点筛选出来。
步骤B620:基于采样点分布数据,根据聚类算法对采样点集合中的采样点进行聚类,获得若干个中心位置;
具体地,对上述筛选出来的所有采样点,采用聚类算法,取得若干个中心位置。其中,聚类算法不限,可以采用现有的K-均值、Mini-Batch K-均值、高斯混合、DBSCAN等任意一种聚类算法。
步骤B630:在中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;
步骤B640:输出优化后各个采样点的位置。
具体地,在中心位置上增设采样点,并对新增加的采样点的位置进行优化。位置优化的方法为:根据采样点备选位置搜索算法,获得中心位置的备选位置,并计算中心位置、备选位置的累计收益,将累计收益最大的位置作为最后确定的增设采样点的位置。计算累计收益时,假定gain(fi)为加入采样点fi的收益:其中,/>为替换前与uj可达性最大的采样点。通过采样点备选位置搜索算法,不断优化fi的位置,使得gain(fi)最大。采样点备选位置搜索算法可以参见步骤A610中的描述,在此不再赘述。
对每一个中心位置进行上述优化过程,最后输出优化后各个采样点的位置数据。
具体实施时,布局优化的目标函数可以表示为:
约束条件为:p∈[1,m],
由上所述,通过首先对采样点进行筛选,再根据筛选的采样点的位置采用聚类算法,获得若干个中心位置,使得增设采样点的初步位置就较优。然后再根据采样点备选位置搜索算法,对增设采样点的初步位置进行优化,实现增设采样点的综合可达性的累计值最大化,使得增设采样点布局更加精准,提高采样点网络的整体效率。
在一些实施例中,通过同时更改采样点的数量和位置对采样点进行布局优化,如图4所示,具体步骤包括:
步骤C610:基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;
具体地,假定现有采样点的总数为m,设定的采样点数量范围优选为[1,2*m],然后假定采样点p从1不断增加至2*m,对每个数值的p均使用采样点备选位置搜索算法对所有采样点位置进行优化,位置优化的过程可以参见步骤A610至A660中的描述,在此不再赘述。并保存优化后获得的每种数量p下所有采样点的综合可达性的累计值及每种数量p下各个采样点的分布数据。
步骤C620:以采样点的数量为自变量、累计值为因变量,获得拟合曲线;
具体地,通过以p为自变量(横轴),C为应变量(纵轴),做出2*m个离散的点,再通过最小二乘法进行拟合,获得拟合曲线。
步骤C630:计算拟合曲线上各个点的二阶导数的绝对值并取最大值,上述最大值为最佳采样点数量;
具体地,计算拟合曲线上各个点的二阶导数的绝对值,并求取这些绝对值中的最大值。二阶导数绝对值的最大值,即最接近其拐点处的p值,为最佳采样点数量。
记拟合曲线对应的拟合函数为θ(p),则目标函数为:约束条件为:p∈{1,2,3,..2m}。
步骤C640:输出最佳采样点数量时各个采样点的位置。
具体地,根据确定的最佳采样点数量,从步骤C610中保存的数据中查找到在最佳采样点数量下的各个采样点的分布数据,然后输出这些采样点分布数据。
具体实施时,布局优化的目标函数可以表示为:
约束条件为:
由上所述,通过先计算每种采样点数量下进行位置优化后的综合可达性的累计值,然后拟合采样点数量、综合可达性的累计值并求二阶导数的绝对值的最大值,获得最佳采样点数量,即确定目标区域最佳的采样点数量。然后输出最佳采样点数量下的位置优化后的采样点分布数据。采样点的数量上和布局上更加适应于目标区域的人口、交通情况,布局更加精准,采样点网络的整体效率更高。
在一些实施例中,还可以将人口分布数据的静态数据替换为居民的运动轨迹数据,将采样点的分布更好的与居民的日常生活绑定在一起,使得采样点网络的效率更高。
示例性设备
如图5所示,对应于上述采样点布局优化方法,本发明实施例还提供一种采样点布局优化***,上述采样点布局优化***包括:
数据获取模块600,用于获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
距离模块610,用于基于所述采样点分布数据和所述人口分布数据,计算每个采样点与每个居民点之间的距离;
等效等待时间模块620,用于比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
可达性模块630,用于基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性;
综合可达性模块640,用于基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性;
优化模块650,用于以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出。
可选的,所述优化模块650包括;
位置优化单元,用于根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;计算将增加的采样点替换所述目标采样点后相对于每个居民点的可达性的累计损失值;计算所述累计收益值和所述累计损失值的差值,获得替换总收益;当所述替换总收益大于零时,将所述目标采样点的位置更新为所述备选位置;根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至所有备选位置的替换总收益小于或等于零,输出目标采样点的位置;
数量优化单元,用于在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;基于采样点分布数据,根据聚类算法对所述采样点集合中的采样点进行聚类,获得若干个中心位置;在所述中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;输出优化后各个采样点的位置;
综合优化单元,用于基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;以采样点的数量为自变量、所述累计值为因变量,获得拟合曲线;计算所述拟合曲线上各个点的二阶导数的绝对值并取最大值,所述最大值为最佳采样点数量;输出最佳采样点数量时各个采样点的位置。
具体的,本实施例中,上述采样点布局优化***的各模块的具体功能可以参照上述采样点布局优化方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,上述智能终端包括通过处理器、存储器。其中,处理器用于提供计算和控制能力。存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和采样点布局优化程序。该内存储器为非易失性存储介质中的操作***和采样点布局优化程序的运行提供环境。该采样点布局优化程序被处理器执行时实现上述任意一种采样点布局优化方法的步骤。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图6所示。上述智能终端包括通过***总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和采样点布局优化程序。该内存储器为非易失性存储介质中的操作***和采样点布局优化程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该采样点布局优化程序被处理器执行时实现上述任意一种采样点布局优化方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图6中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有采样点布局优化程序,上述采样点布局优化程序被处理器执行时实现本发明实施例提供的任意一种采样点布局优化方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,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。
上述集成的模块/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,上述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,上述计算机程序包括计算机程序代码,上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。上述计算机可读介质可以包括:能够携带上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,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.采样点布局优化方法,其特征在于,包括:
获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
基于所述采样点分布数据和所述人口分布数据,计算每个采样点与每个居民点之间的距离;
比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性;
基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性;
以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出;
所述根据比较结果获得每个采样点的等效等待时间,包括:
当采样点的实时状态数据中的等待时间在预设的忍耐时间阈值以下时,所述等效等待时间为预设值;
当采样点的实时状态数据中的等待时间在预设的忍耐时间阈值以上时,所述等效等待时间为采样点的实时状态数据中的等待时间与预设的忍耐时间阈值之间的差值与预设值之和;
所述基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性,具体表达式为:
其中,α和β为引力衰减系数,dij为采样点i与居民点j之间的距离,τi为采样点i的等效等待时间,ni为采样点i的采样台数;
所述基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性,具体表达式为:
其中,Ai为采样点i的综合可达性,pj为居民点j的人口数,kij为权重值,用于表征采样点i与居民点j的最大可达性的采样点之间的权重,aij为采样点i与居民点j之间的可达性,n为居民点的总数。
2.如权利要求1所述的采样点布局优化方法,其特征在于,通过增加采样点的数量并更改采样点的位置对采样点进行布局优化,所述布局优化包括:
基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;
以采样点的数量为自变量、所述累计值为因变量,获得拟合曲线;
计算所述拟合曲线上各个点的二阶导数的绝对值并取最大值,所述最大值为最佳采样点数量;
输出最佳采样点数量时各个采样点的位置。
3.如权利要求1所述的采样点布局优化方法,其特征在于,通过更改采样点的位置对采样点进行布局优化,所述布局优化包括:
根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;
计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;
计算将增加的采样点替换所述目标采样点后相对于每个居民点的可达性的累计损失值;
计算所述累计收益值和所述累计损失值的差值,获得替换总收益;
当所述替换总收益大于零时,将所述目标采样点的位置更新为所述备选位置;
根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至目标采样点的所有备选位置的替换总收益小于或等于零,输出目标采样点的位置。
4.如权利要求1所述的采样点布局优化方法,其特征在于,通过增加采样点的数量对采样点进行布局优化,所述布局优化包括:
在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;
基于采样点分布数据,根据聚类算法对所述采样点集合中的采样点进行聚类,获得若干个中心位置;
在所述中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;
输出优化后各个采样点的位置。
5.采样点布局优化***,其特征在于,所述***包括:
数据获取模块,用于获取目标区域的人口分布数据、采样点分布数据和采样点的实时状态数据;
距离模块,用于基于所述采样点分布数据和所述人口分布数据,计算每个采样点与每个居民点之间的距离;
等效等待时间模块,用于比较采样点的实时状态数据中的等待时间和预设的忍耐时间阈值,根据比较结果获得每个采样点的等效等待时间;
可达性模块,用于基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性;
综合可达性模块,用于基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性;
优化模块,用于以所有采样点的综合可达性的累计值最大化为目标对采样点进行布局优化,获得优化后的采样点分布数据并输出;
所述根据比较结果获得每个采样点的等效等待时间,包括:
当采样点的实时状态数据中的等待时间在预设的忍耐时间阈值以下时,所述等效等待时间为预设值;
当采样点的实时状态数据中的等待时间在预设的忍耐时间阈值以上时,所述等效等待时间为采样点的实时状态数据中的等待时间与预设的忍耐时间阈值之间的差值与预设值之和;
所述基于所述距离和所述等效等待时间,计算每个采样点相对于每个居民点的可达性,具体表达式为:
其中,α和β为引力衰减系数,dij为采样点i与居民点j之间的距离,τi为采样点i的等效等待时间,ni为采样点i的采样台数;
所述基于每个采样点所有的所述可达性和所述人口分布数据,计算每个采样点的综合可达性,具体表达式为:
其中,Ai为采样点i的综合可达性,pj为居民点j的人口数,kij为权重值,用于表征采样点i与居民点j的最大可达性的采样点之间的权重,aij为采样点i与居民点j之间的可达性,n为居民点的总数。
6.如权利要求5所述的采样点布局优化***,其特征在于,所述优化模块包括;
位置优化单元,用于根据采样点备选位置搜索算法获得待更改位置的目标采样点的备选位置;计算在备选位置上增加的采样点相对于每个居民点的可达性的累计收益值;计算将增加的采样点替换所述目标采样点后相对于每个居民点的可达性的累计损失值;计算所述累计收益值和所述累计损失值的差值,获得替换总收益;当所述替换总收益大于零时,将所述目标采样点的位置更新为所述备选位置;根据采样点备选位置搜索算法获取下一个备选位置并进行目标采样点的位置的迭代更新,直至所有备选位置的替换总收益小于或等于零,输出目标采样点的位置;
数量优化单元,用于在所有的采样点中筛选出相对于附近居民点的可达性均较差的采样点,获得采样点集合;基于采样点分布数据,根据聚类算法对所述采样点集合中的采样点进行聚类,获得若干个中心位置;在所述中心位置设置采样点,根据采样点备选位置搜索算法,对新增采样点的位置进行优化;输出优化后各个采样点的位置;
综合优化单元,用于基于设定的采样点数量范围,在每种数量下优化采样点的位置,并计算每种数量下所有采样点的综合可达性的累计值;以采样点的数量为自变量、所述累计值为因变量,获得拟合曲线;计算所述拟合曲线上各个点的二阶导数的绝对值并取最大值,所述最大值为最佳采样点数量;输出最佳采样点数量时各个采样点的位置。
7.智能终端,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的采样点布局优化程序,所述采样点布局优化程序被所述处理器执行时实现如权利要求1-4任意一项所述采样点布局优化方法的步骤。
8.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上存储有采样点布局优化程序,所述采样点布局优化程序被处理器执行时实现如权利要求1-4任意一项所述采样点布局优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310145330.9A CN116108996B (zh) | 2023-01-31 | 2023-01-31 | 采样点布局优化方法、***、智能终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310145330.9A CN116108996B (zh) | 2023-01-31 | 2023-01-31 | 采样点布局优化方法、***、智能终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108996A CN116108996A (zh) | 2023-05-12 |
CN116108996B true CN116108996B (zh) | 2023-09-29 |
Family
ID=86259702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310145330.9A Active CN116108996B (zh) | 2023-01-31 | 2023-01-31 | 采样点布局优化方法、***、智能终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108996B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020100703A4 (en) * | 2020-05-05 | 2020-06-11 | Li, Xiaolan Miss | A method of spatial accessibility evaluation of urban facility services based on GIS |
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111612252A (zh) * | 2020-05-21 | 2020-09-01 | 苏州大学 | 大规模应急设施的自动选址方法、装置及可读存储介质 |
KR102236869B1 (ko) * | 2019-12-30 | 2021-04-06 | 인천대학교 산학협력단 | 생활인프라 공급계획을 위한 접근성 평가 정보를 제공하는 방법 |
CN113222327A (zh) * | 2021-03-24 | 2021-08-06 | 上海元卓信息科技有限公司 | 一种基于服务能力的地块可达性分析方法 |
CN114202146A (zh) * | 2021-10-22 | 2022-03-18 | 北京市农林科学院智能装备技术研究中心 | 村镇社区公共服务便利性评价方法及装置 |
CN114298457A (zh) * | 2021-11-12 | 2022-04-08 | 中国科学院城市环境研究所 | 一种结合人群需求的公共服务空间可达性度量方法及装置 |
CN114330994A (zh) * | 2021-11-22 | 2022-04-12 | 中国城市规划设计研究院 | 城市中布局公共服务设施的方法、装置、设备及存储介质 |
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN114927237A (zh) * | 2022-04-26 | 2022-08-19 | 东南大学 | 一种带容量限制的疾病预防控制疾控设施配置方法 |
CN115169764A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
CN115271800A (zh) * | 2022-07-19 | 2022-11-01 | 安徽师范大学 | 一种自适应的城市核酸检测点布局方法及*** |
CN115545566A (zh) * | 2022-11-25 | 2022-12-30 | 北京建筑大学 | 服务设施可达性的评估方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818072B2 (en) * | 2010-05-18 | 2017-11-14 | United States Postal Service | Systems and methods for facility optimization |
-
2023
- 2023-01-31 CN CN202310145330.9A patent/CN116108996B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102236869B1 (ko) * | 2019-12-30 | 2021-04-06 | 인천대학교 산학협력단 | 생활인프라 공급계획을 위한 접근성 평가 정보를 제공하는 방법 |
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
AU2020100703A4 (en) * | 2020-05-05 | 2020-06-11 | Li, Xiaolan Miss | A method of spatial accessibility evaluation of urban facility services based on GIS |
CN111612252A (zh) * | 2020-05-21 | 2020-09-01 | 苏州大学 | 大规模应急设施的自动选址方法、装置及可读存储介质 |
CN113222327A (zh) * | 2021-03-24 | 2021-08-06 | 上海元卓信息科技有限公司 | 一种基于服务能力的地块可达性分析方法 |
CN114202146A (zh) * | 2021-10-22 | 2022-03-18 | 北京市农林科学院智能装备技术研究中心 | 村镇社区公共服务便利性评价方法及装置 |
CN114298457A (zh) * | 2021-11-12 | 2022-04-08 | 中国科学院城市环境研究所 | 一种结合人群需求的公共服务空间可达性度量方法及装置 |
CN114330994A (zh) * | 2021-11-22 | 2022-04-12 | 中国城市规划设计研究院 | 城市中布局公共服务设施的方法、装置、设备及存储介质 |
CN114386500A (zh) * | 2021-12-31 | 2022-04-22 | 苏州市公安局 | 传染病采样点选取方法、装置、设备及存储介质 |
CN114927237A (zh) * | 2022-04-26 | 2022-08-19 | 东南大学 | 一种带容量限制的疾病预防控制疾控设施配置方法 |
CN115271800A (zh) * | 2022-07-19 | 2022-11-01 | 安徽师范大学 | 一种自适应的城市核酸检测点布局方法及*** |
CN115169764A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
CN115545566A (zh) * | 2022-11-25 | 2022-12-30 | 北京建筑大学 | 服务设施可达性的评估方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
城市公共服务设施可达性评估及布局优化研究;周敏;《山西建筑》;第41卷(第2期);第15-16页 * |
基于排队论的全员核酸检测点优化设置;凌婷婷 等;《太原学报学院(自然科学版)》;第40卷(第1期);第65-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116108996A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413905B (zh) | 获取道路线形的方法、装置、设备及存储介质 | |
CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** | |
US20130090904A1 (en) | Traffic Sensor Management | |
CN111160728A (zh) | 一种路桥养护决策优化方法及装置 | |
JP5697810B2 (ja) | プローブデータ処理装置及びプローブデータ処理方法及びプログラム及びプローブデータ処理システム | |
CN110689055B (zh) | 一种顾及格网单元属性分级的跨尺度统计指标空间化方法 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和*** | |
CN112348344A (zh) | 一种公共交通可达指数计算方法 | |
CN116108996B (zh) | 采样点布局优化方法、***、智能终端及存储介质 | |
CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
CN112000716B (zh) | 航线推送方法、***、电子设备和存储介质 | |
CN115482655B (zh) | 一种基于偏最小二乘Kriging模型的路径诱导方法 | |
CN109344247B (zh) | 用于输出信息的方法和装置 | |
CN115545566A (zh) | 服务设施可达性的评估方法、装置、电子设备和存储介质 | |
CN114512001B (zh) | 区域交通监测方法、装置、电子设备、介质及程序产品 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
CN114881430A (zh) | 一种基于网络地图服务的社区生活便利度评价方法 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN114493953A (zh) | 一种异地患者就医的影响因素的分析方法 | |
CN116030616A (zh) | 一种利用大数据进行交通量预测的方法及装置 | |
CN109784993B (zh) | 一种基于大数据的用户轨迹智能精准预测*** | |
CN111861040A (zh) | 公交线路的优化调整方法及装置、设备、存储介质 | |
CN115184366B (zh) | 一种基于众包数据的路面病害检测及结算方法 | |
CN112822045B (zh) | 基于多特征混合神经网络的内容传播热区预测方法 |
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 |