面向时空路网疏散的群体行为态势挖掘与演化研究

Accompanied by massive spatio-temporal data, evacuation has become a severe challenge of city emergency response systems. Current evacuation route planning lacks interaction with real-world data and most research overemphasize optimal solutions by mathematical modeling. The evacuation route planning problem has to achieve a balance among precision, reliability and applicability efficiency from the real-world data. Motivated by this, we aim to solve this problem by integrating real spatio-temporal data and road network on time, space and attribute dimensions. We adopt spatio-temporal association rules to mine aggregation association patterns online, and provide qualitative or quantitative analysis on relationship between the aggregate situation and spatio-temporal data. We build a hierarchical Bayesian network structure to describe aggregation behavior space. Based on an active intervention learning method, we explore vulnerable latent variables in evacuation situation. We also explore the aggregation situation evolution and degradation mechanism by probability structure model and related algorithms. Finally, we transfer aggregation situation knowledge to parameters in the route planning model. We will design heuristic algorithms to establish a dynamic route planning scheme that meets the requirements of precision, computational efficiency and applicability. With the effective data integration and information extraction on aggregation situation, large scale evacuation planning will be carried out effectively.

突发事件伴随大量群体行为的时空变化信息，对城市路网疏散体系提出了严峻考验。针对现有疏散模型缺乏对来源数据的审核及实时交互，且过于强调数学求解理论最优的现状，缺乏对模型精准性、可靠性和实用性的关注。我们力求打破真实时空数据与路网疏散模型间的信息壁垒，在时间维、空间维、属性维上实现异构数据关联集成；研究基于时空关联规则提取群体行为模式的理论基础，分析群体事件发展规律与相关数据源参数的定性或定量关系；构建分层贝叶斯网络结构描述群体行为关联特征空间，采用主动扰动学习方法，发现疏散态势中脆弱性隐因素，进而探寻群体行为态势的演化规律和退化机理；最后，建立路径规划计算模型，运用态势知识反馈调节路网模型参数，制定动态路径规划方案实现群体行为最优，兼顾精确度和时空性能方面的要求，使大规模区域内动态疏散路径的精准优化规划成为可能。

当今城市伴随大量实体行为的时空变化信息，对城市管理与服务体系提出了严峻考验。我们力求打破真实时空数据与模型间的信息壁垒，在时间维、空间维、属性维上实现异构数据关联集成。基于时空关联规则提取群体行为模式，我们分析事件发展规律与相关数据源参数的定性及定量关系。项目研究按计划执行，围绕城市数据的多样性及复杂性开展研究，根据预订的技术方案及路线开展研究，设计了有效的城市数据的前期处理方法及疏散路径规划优化算法，并在模拟和实际数据集上进行了验证，同时探索了所设计的模型和算法在实际城市管理与服务领域中的若干应用，经过三年的努力，完成了预期的任务，取得了一定的成果，完成了既定的任务要求。.理论研究上，打破常规路网疏散模型的数学求解理论最优，探索时空异构多维度数据集成、群体行为模式挖掘和态势知识发现。主要研究的内容包括基于时空维度关联的城市实体对象组行为特征表达、群体行为频繁共存模式挖掘以及基于序列间隔可变长模式挖掘的群体行为关联模式发现。在动态网络路径求解模型中，采用基于知识发现的疏散实体主体建模方法。基于群体行为关联模式，构建了态势脆弱性隐式因素立疏散态势演化分析的评价机制，揭示态势的发生、发展及演变规律。进而本项目提供了解决面向真实时空数据知识抽取的路网疏散求解问题框架。在原型系统设计上，结合疏散决策者需要对环境和事态的感知能力，以各类城市应急数据为载体，开展了城市数据智能获取的各类应用研究，为城市管理管理以及决策者提供实时优化的精准数据。.研究成果共计发表论文14篇，包括已发表/录用SCI收录的期刊论文4篇，国际会议论文EI收录3篇，中文大核心期刊论文7篇。参与编著专著一本，科学出版社，2016年3月已正式出版。申请的软著以及专利有：软著1项、专利授权2项；专利在申请5项。