【技术实现步骤摘要】
应急物资选址优化方法、电子设备及可读存储介质
[0001]本专利技术涉及数据挖掘和优化
,尤其涉及一种应急物资选址优化方法
、
电子设备及可读存储介质
。
技术介绍
[0002]随着各种自然灾害频繁发生以及公共卫生事件增多,容易出现应急物资运送不及时,救援点聚集大量灾民等问题
。
因此,应急物资投放点数量及选址尤为重要
。
随着社会的发展进步,国家对于应急管理越来越重视,早在
2009
年就开始制定并执行应急救援规划
。
[0003]近年来针对应急物资方面的研究较多,但针对合理设置应急物资投放点选址数量方面的研究几乎没有
。
在现有的投放点规划研究中,黄李一等人研究了上海新片区共享单车投放位置和数量问题,以现有的单车选址点和初始投放点数量为基础,建立选址点评分模型,通过评分模型来确定选址点,通过优化的蚁群算法对选址点进行求解
。
张白雪等人研究了共享单车投放点选址模型,运用
java
软件随机生成投放点,再利用
Lingo
优化软件对选址模型进行求解
。
在黄李一等人,张白雪等人的研究中,初始投放点根据软件随机生成,通过优化算法和优化软件进行投放点优化,忽略了投放点数量的合理性,同时没有充分考虑到投放点的地理位置和环境
。
[0004]如何解决上述技术问题为本专利技术面临的课题
。
技术实现思路
[0005 ...
【技术保护点】
【技术特征摘要】
1.
应急物资选址优化方法,其特征在于:包括以下步骤:
S1
:获取某市小区和路口的数据;
S2
:计算各行政区域综合人口密度;
S3
:初步规划投放点数量及选址;
S4
:全局靶向优化投放点数量及选址
。2.
根据权利要求1所述的应急物资选址优化方法,其特征在于:所述步骤
S1
包括以下步骤:步骤
1.1
:在链家网站搜索框中搜索某市小区,获取对应内容的网络链接
Url
;步骤
1.2
:利用
Python
工具,引入
request
模块并封装网络链接
Url
,向服务器请求小区相关数据;步骤
1.3
:将该数据中的小区名称,小区栋数,小区户口数,小区人口数所属行政区域分别定义为
title
,
ridgepole
,
account,population,region,
将上述数据封装成
json
类型的数据集
Date_json
,定义
Date_json
=
{title
i
,
ridgepole
i
,
account
i
,
population
i
,
region
j
}
,
1≤i≤Area
n
,
1≤j≤District
n
,其中,
Area
n
是初始小区个数,
District
n
是行政区域个数;步骤
1.4
:通过
jsonpath
解析出
Date_json
中的相关小区数据,解析出的数据定义为
Date_rejson
;步骤
1.5
:打开高德地图网页版,复制地理编码
API
服务网址
Url
;步骤
1.6
:利用
python
工具,引入
request,csv,json
模块,自定义请求函数
request.get()
,返回经纬度结果;步骤
1.7
:获取
Date_rejson
中各小区名称
title
i
,将小区名称导入
python
地图工具箱后,判断各小区能否获得经纬度;若不能,从数据集
Date_rejson
中删除无经纬度的小区,返回步骤
1.7
;若能,则转至步骤
1.8
;步骤
1.8
:在图吧网站上搜索某市路口,将搜索到的路口名称拼装成数据
intersection
m
,
1≤m≤Cross
n
,其中
Cross
n
为路口个数,将该数据导入
python
工具箱后,获得某市路口的经纬度;步骤
1.9
:利用
ArcGIS
工具,将某市小区和路口的经纬度转化成投影坐标,通过网格上的二维坐标来标识位置;步骤
1.10
:对数据进行整合,得到小区信息数据集
W1=
{title
i
,
ridgepole
i
,
account
i
,
population
i
,
x
1i
,
y
1i
,
region
j
}
,
1≤i≤CArea
n
,
1≤j≤District
n
,其中
x
1i
,y
1i
表示第
i
个小区的横纵坐标,
CArea
n
表示清洗后的小区个数,路口信息数集
W2=
{intersection
m
,
x
2m
,
y
2m
}
,
1≤m≤Cross
n
,其中
x
2m
,y
2m
表示路口的横纵坐标
。3.
根据权利要求1所述的应急物资选址优化方法,其特征在于:所述步骤
S2
包括以下步骤:步骤
2.1
:采用极差标准化法对小区栋数
ridgepole
i
,小区户口数
account
i
,小区人口数
population
i
三个聚类特征进行极差标准化处理;步骤
2.2
:设标准化后的重组特征数据集为
W3=
{title
i
,
ridgepole
′
i
,
account
′
i
,
population
′
i
}
,
1≤i≤CArea
n
其中,
ridgepole
′
i
,
account
′
i
,
population
′
i
分别是标准化处理之后的小区栋数
ridgepole
i
,小区户口数
account
i
,小区人口数
population
i
;步骤
2.3
:利用
DBSCAN
密度聚类算法对数据集
W3中的
ridgepole
′
i
,
account
′
i
,
population
′
i
进行聚类分析,设置
DBSCAN
密度聚类算法参数:邻域距离阈值
ε
,
0≤
ε
≤1
,距离为
ε
的邻域样本个数阈值
MinPts
;步骤
2.4
:从数据集
W3中任一未被标记点
p
i
=
{ridgepole
′
i
,
account
′
i
,
population
′
i
}
,未被归为某个簇或被标记为噪声点出发,获取距离该点范围
(
ε
)
内的近邻点;步骤
2.5
:若点
p
i
的近邻点个数小于最小点数
MinPts
,则认为
p
i
为噪声点,返回步骤
2.4
,若点
p
i
的近邻点个数大于最小点数
MinPts
,设点
p
i
为簇内中心点,将簇内中心点
p
i
加入簇内中心点队列
Center
,定义
Center
=
{Center1,
Center2,
…
,
Center
N
}
,共有
N
个簇内中心点,每个簇类中心点
Center
t
(1≤t≤N)
均对应一个临时聚类簇
C
t
,包括点
Center
t
及其近邻点;步骤
2.6
:遍历簇内中心点队列
Center
,获取簇内中心点
Center
q
,
1≤q≤N
在范围
(
ε
)
内的
g
个近邻点
Neighbour
q
=
{N
q1
,
…
N
qc
,
…
,
N
qg
}
,
g≥20,g∈N
+
;步骤
2.7
:判断近邻点
Neighbour
q
中是否存在队列
Center
中的簇内中心;步骤
2.8
:若存在
N
qc
,
1≤c≤g
与另一个簇内中心点
Center
t
重合,则将点
Center
t
的临时聚类簇
C
t
归入点
Center
q
的临时聚类簇
C
q
,返回步骤
2.7
;若不存在,则当前临时聚类簇
C
q
中每一个近邻点都不是队列
Center
中的簇内中心点,该临时聚类簇
C
q
表示为最终聚类簇;步骤
2.9
:重复上述步骤
2.7
和步骤
2.8
,直至所有临时聚类簇均被合并或表示为最终聚类簇;步骤
2.10
:根据某市小区的最优聚类结果,将人口密度最大,中等,最小的小区分别设为
I
型小区,
II
型小区
,III
型小区,人口密度中等的小区是指剔除了人口密度最大和最小的小区后所得到的剩余小区;步骤
2.11
:根据聚类结果,统计各行政区域
I
型,
II
型,
III
型小区...
【专利技术属性】
技术研发人员:赵敏,梅子燕,刘鑫,黄欣,覃文智,
申请(专利权)人:南通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。