Spatial optimization of mega-city fire station distribution based on Point of Interest data: A case study within the 5th Ring Road in Beijing
XU Zhibang1, 2, , ZHOU Liang1, 2, 3, *, , LAN Ting4, WANG Zhonghui1, 2, SUN Li1, 2, WU Rongwei5
1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China2. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring , Lanzhou 730070, China3. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China4. School of Geographical Science, Fujian Normal university, Fuzhou 350007, China5. Xinjiang Institute of Ecology and Geography, CAS, Urumqi 830011, China
Sound spatial distribution of fire stations is important for urban development and for ensuring urban safety. Based on kernel density analysis and the SAVEE model, and taking into account different types of point of interest (POI) such as flammable and explosive and crowd fragility fire risk factors, 443410 POIs and road network were used to identify the fire risk zones in the downtown area of Beijing. Using the location-allocation fire station spatial optimization model, this study proposed adjustment plans. The main conclusions are as follows: (1) According to the fire risk ranking result, the top 10% fire risk areas are mainly concentrated in the CBD area Sanlitun, Beijing Antique Market Shuangjing, Wangfujing, and Nanluoguxiang-Yonghegong, among others. (2) The coverage rate (within 5 minute response) of the existing fire stations reached 96.46% for all 443,410 POIs, and the overall coverage was good, while some fire risk factors were covered with insufficient response in the northwestern and southwestern parts of the study area (Century City-Minzhuang area), and some fire station coverage area was too large. (3) Considering high fire risk areas, important fire risk factors, POI overall coverage rate, and individual fire station coverage area standards, the analysis by multiple iterations results in the final need of adding 15 new fire stations. With these additions, every performance indicator can be significantly improved and the demand of fire protection in the study area can be fully met.
Keywords:Point of Interest (POI) data
;
urban safety
;
fire station
;
spatial optimization
;
Beijing
XUZhibang, ZHOULiang, LANTing, WANGZhonghui, SUNLi, WURongwei. Spatial optimization of mega-city fire station distribution based on Point of Interest data: A case study within the 5th Ring Road in Beijing[J]. Progress in Geography, 2018, 37(4): 535-546 https://doi.org/10.18306/dlkxjz.2018.04.009
在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路。可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试。POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示。每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等。POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015)。POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供。POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域。然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少。纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等。对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等。在国内,研究消防站选址和空间优化的文章还较少。传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究。
(1) SAVEE模型。该模型是美国德州农工大学STARR实验室开发的一种用于评价环境空间价值的计算方法。该方法能体现不同性质因子的影响,应用于多角度价值的综合评价(陈韶阳等, 2012),并已在资源规划、森林管理等领域得到较好的应用(Loh et al, 1994, 1998)。SAVEE算法针对不同因子的性质和影响过程提供了不同的标准化方程,对于积极因子来说,标准化方程为式(1),其中0≤V≤1;对于消极因子来说,标准化方程为式(2),其中-1≤V≤0;式(1)和(2)中的V为标准化价值,x为自变量,A为x的边界值,x≤|A|,V∝X表示自变量与价值量呈正相关,V∝1/X表示自变量与价值量呈负相关。使用标准化方程计算不同因子的标准化价值后,借助迭加方程(式(3))进行两两迭加运算,直到所有因子都参与运算为止。
(1)
(2)
(3)
式中: 和 分别代表因子a和因子b的标准化价值; 指因子a和因子b迭加后的标准化价值。
(2) 位置—分配模型(Location-Allocation Model,L-A模型)。该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用。“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高。目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗。最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点)。最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题。最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低。
While geocoding returns coordinates for a full or partial address, the converse process of reverse geocoding maps coordinates to a set of candidate place identifiers such as addresses or toponyms. For example, numerous Web APIs map geographic point coordinates, e.g., from a user smartphone, to an ordered set of nearby Places Of Interest (POI). Typically, these services return theknearest POI within a certain radius and measure distance to order the results. Reverse geocoding is a crucial task for many applications and research questions as it translates between spatial and platial views on geographic location. What makes this process difficult is the uncertainty of the queried location and of the point features used to represent places. Even if both could be determined with a high level of accuracy, it would still be unclear how to map a smartphone GPS fix to one of many possible places in a multi-story building or a shopping mall. In this work, we break up the dependency on space alone by introducing time as a second variable for reverse geocoding. We mine the geosocial behavior of users of online location-based social networks to extract temporal semantic signatures. In analogy to the notion of scale distortion in cartography, we present a model that uses these signatures to distort the location of POI relative to the query location and time, thereby reordering the set of potentially matching places. We demonstrate the strengths of our method by evaluating it against a purely spatial baseline by determining the Mean Reciprocal Rank and the normalized Discounted Cumulative Gain. Our method performs substantially better than said baseline.
[27]
Menezes RC, Pizzolato ND.2014.
locating public schools in fast expanding areas: Application of the capacitated p-median and maximal covering location models
One of the most essential public services in urban areas is fire protection and response. It also happens to be one of the most costly. As urban areas grow, develop and change, it is important to plan services accordingly, both in terms of safety as well as being fiscally responsible. This paper discusses strategic planning goals and objectives in fire protection and response, and details modeling approaches to support fire station siting. A case study examining a fire service system for a city in California is used to illustrate the importance of strategic planning and system re-evaluation when expanding services.
[29]
Plane DR, Hendrick TE.1977.
Mathematical programming and the location of fire companies for the Denver fire department
An operations research study of fire company location in Denver, Colorado, has been conducted, resulting in recommendations that may reduce annual costs by more than one million dollars without a substantial change in the level of fire-suppression capability. One development resulting from this study is a hierarchical objective function for the set-covering problem; this objective function permits the simultaneous minimization of the number of fire stations and the maximization of the number of existing fire stations within the minimum total number of stations. This paper includes discussions of the use of mathematical programming, station configuration information models, the synergism of judgment and analysis, and the action that resulted from the recommendations.
[30]
Reilly JM, Mirchandani PB.1985.
Development and application of a fire station placement model
This paper describes the development and application of a fire station placement model. The model is formulated as a mathematical programming model which locates p sites out of m candidate sites such that some function of the travel times of the first and second arriving fire units is maximized subject to several constraints. Among these constraints are limitations in the maximum allowable travel time to points in a region, requirements that certain sites be included or excluded, and a specification that a given number of existing sites be included.The model uses as an objective function a utility function based on the subjective preferences of fire department officials to travel times of the first and second arriving fire units. A modification of the Teitz and Bart “node substitution” heuristic is used to find the solution to the model.The model is applied to fire station locational decisions in Albany, NY. The model was run a number of times to provide insights into how some strategic decisions might be made.
[31]
Yang LL, Jones BF, YangS-H.2007.
A fuzzy multi-objective programming for optimization of fire station locations through genetic algorithms
Location of fire stations is an important factor in its fire protection capability. This paper aims to determine the optimal location of fire station facilities. The proposed method is the combination of a fuzzy multi-objective programming and a genetic algorithm. The original fuzzy multiple objectives are appropriately converted to a single unified ‘min–max’ goal, which makes it easy to apply a genetic algorithm for the problem solving. Compared with the existing methods of fire station location our approach has three distinguish features: (1) considering fuzzy nature of a decision maker (DM) in the location optimization model; (2) fully considering the demands for the facilities from the areas with various fire risk categories; (3) being more understandable and practical to DM. The case study was based on the data collected from the Derbyshire fire and rescue service and used to illustrate the application of the method for the optimization of fire station locations.
Study on scenic-oriented optimal site selection of tourist service center based on the POI network data: A case of intelligent tourism of Zhongshan Scenic, Nanjing
基于空间句法、核密度估计和皮尔森相关分析等方法,以北京城市中心区为例,结合空间句法轴线模型与百度POI(Points of Interest)数据,探讨服务业区位选择的交通网络指向规律。结果表明:1北京城市中心区的交通网络总体呈现"东优西劣、北优南劣、西南最劣"的空间格局,高层级网络则呈现"中心环状集聚—外围多极分布"的分布模式。2与高穿行度交通网络相比,高整合度交通网络的区位指向性更强,在不同尺度均更易诱发服务业的集聚。3总体而言,服务业区位选择的交通网络指向性明显,但不同类型服务业的区位指向程度依据研究尺度的不同具有显著差异,并据此将25类主要服务业划分为街区指向型、街道指向型、双重指向型和无指向型四类。本文对探索服务业集聚发展规律、提高服务业和交通网络规划的科学性具有参考意义,并可为北京城市中心区服务业存量优化提供决策依据。
[Shen TY, ZhouL, Wang LW, et al.2015.
Traffic network point of services location choice: A case study of the Central City Area of Beijing
基于空间句法、核密度估计和皮尔森相关分析等方法,以北京城市中心区为例,结合空间句法轴线模型与百度POI(Points of Interest)数据,探讨服务业区位选择的交通网络指向规律。结果表明:1北京城市中心区的交通网络总体呈现"东优西劣、北优南劣、西南最劣"的空间格局,高层级网络则呈现"中心环状集聚—外围多极分布"的分布模式。2与高穿行度交通网络相比,高整合度交通网络的区位指向性更强,在不同尺度均更易诱发服务业的集聚。3总体而言,服务业区位选择的交通网络指向性明显,但不同类型服务业的区位指向程度依据研究尺度的不同具有显著差异,并据此将25类主要服务业划分为街区指向型、街道指向型、双重指向型和无指向型四类。本文对探索服务业集聚发展规律、提高服务业和交通网络规划的科学性具有参考意义,并可为北京城市中心区服务业存量优化提供决策依据。
From the text: The purpose of this paper is to determine where to locate fire-station facilities. The decision of where to locate depends upon a set of tangible and intangible criteria that are unique to a given problem. Thus, the traditional models that incorporate only travel or travel distances are no longer appropriate. This paper presents a multiple criteria modeling approach, via integer goal programming, to the fire-station location problem that involves conflicting objectives.
[16]
ChevalierP, ThomasI, GeraetsD, et al.2012.
Locating fire stations: An integrated approach for Belgium
This paper illustrates the potential of a decision-support system developed for Belgium by a consortium of universities and a private firm, in the framework of a public call made by the Ministry of the Interior. The system is designed to provide the Belgian emergency management administration with a complete decision-aid tool for the location of fire stations. The originality of the project is that it includes a risk-modeling approach developed at a national scale. This analysis involves a multiscale GIS that includes a thorough representation of the physical, human and economic spatial realities, a risk-modeling approach, an adequate optimal location and allocation model (taking into account both queuing and staffing problems). The final result is an interactive operational tool for defining locations, equipment allocations, staffing, response times, the cost/efficiency trade-off, etc. This flexible tool can be used in an assessment as well as a prospective context. It has been used to draw a national reorganization plan for fire stations that started being implemented in 2010.
This study combines AHP and GIS to provide decision makers with a model to ensure optimal site location(s) for fire stations selected. The roles of AHP and GIS in determining optimal locations are explained, criteria for site selection are outlined, and case study results for finding the optimal fire station locations in Istanbul, Turkey are included. The city of Istanbul has about 13 million residents and is the largest and most populated city in Turkey. The rapid and constant growth of Istanbul has resulted in the increased number of fire related cases. Fire incidents tend to increase year by year in parallel with city expansion, population and hazardous material facilities. Istanbul has seen a rise in reported fire incidents from 12 769 in 1994 to 30 089 in 2009 according to the interim report of Istanbul Metropolitan Municipality Department of Fire Brigade. The average response time was approximately 7 min 3 s in 2009. The goal of this study is to propose optimal sites for new fire station creation to allow the Fire Brigade in Istanbul to reduce the average response time to 5 min or less. After determining the necessity of suggesting additional fire stations, the following steps are taken into account: six criteria are considered in this analysis. They are: High Population Density (HPD); Proximity to Main Roads (PMR); Distance from Existing Fire Stations (DEF); Distance from Hazardous Material Facilities (DHM); Wooden Building Density (WBD); and Distance from the Areas Subjected to Earthquake Risk (DER). DHM criterion, with the weight of 40%, is the most important criterion in this analysis. The remaining criteria have a weight range from 9% to 16%. Moreover, the following steps are performed: representation of criterion map layers in GIS environment; classification of raster datasets; calculating the result raster map (suitability map for potential fire stations); and offering a model that supports decision makers in selecting fire station sites. The existing 35 fire stations are used and 17 fire stations are newly suggested in the study area.
[19]
HabibiK, LotfiS, Koohsari MJ.2008.
Spatial analysis of urban fire station locations by integrating AHP model and IO logic using GIS (a case study of zone 6 of Tehran)
This study tried to integrate Analytical Hierarchy Process model and Index Overlay logic in GIS to present a model for fire station location planning. A comprehensive GIS-based fire station location study can be the central component for a master plan for the station locations. This plan can show both the efficiency and deficiency of current fire station coverage for a specified travel time and provide a model for future fire station location. The model is applied to the zone of 6 of Tehran. The existed stations are located in the southern part which a large area of the North and North West is out of emergency aid. Also these sites have other location problems as they have access only to one sided road. The results of this research introducing two sites which are most appropriated for the establishing the two new stations. The major advantages of the new proposed sites are: Accessibility to two sided road, setting in the most populated area of the zone and the high potential for interventions.
[20]
Harper PR, Shahani AK, Gallagher JE, et al.2005.
Planning health services with explicit geographical considerations: A stochastic location-allocation approach
This paper is concerned with modeling for planning health services when geographical considerations in the location of services and in the locations of patients who need services are important. Examples of geographical distribution and organization of health services are the location of hospital outpatient departments within a city, and the provision of hospital-based specialist services, such as cardiac and dental surgery, across a region. Important issues in the provision of services include the location of the service centers, service capacities, geographical distribution of patients, and ease of access to the health services. This paper describes the development of a discrete-event geographical location llocation simulation model for evaluating various options for the provision of services. Real-life case studies will illustrate the practical importance of the modeling approach.
With the prevalence of GPS-enabled smart phones, Location Based Social Network (LBSN) has emerged and become a hot research topic during the past few years. As one of the most important components in LBSN, Points-of-Interests (POIs) has been extensively studied by both academia and industry, yielding POI recommendations to enhance user experience in exploring the city. In conventional methods, rating vectors for both users and POIs are utilized for similarity calculation, which might yield inaccuracy due to the differences of user biases. In our opinion, the rating values themselves do not give exact preferences of users, however the numeric order of ratings given by a user within a certain period provides a hint of preference order of POIs by such user. Firstly, we propose an approach to model users preference by employing utility theory. Secondly, We devise a collection-wise learning method over partial orders through an effective stochastic gradient descent algorithm. We test our model on two real world datasets, i.e., Yelp and TripAdvisor, by comparing with some state-of-the-art approaches including PMF and several user preference modeling methods. In terms of MAP and Recall, we averagely achieve 15% improvement with regard to the baseline methods. The results show the significance of comparative choice in a certain time window and show its superiority to the existing methods.
[23]
Li XP, Zhao ZX, Zhu XY, et al.2011.
Covering models and optimization techniques for emergency response facility location and planning: a review
With emergencies being, unfortunately, part of our lives, it is crucial to efficiently plan and allocate emergency response facilities that deliver effective and timely relief to people most in need. Emergency Medical Services (EMS) allocation problems deal with locating EMS facilities among potential sites to provide efficient and effective services over a wide area with spatially distributed demands. It is often problematic due to the intrinsic complexity of these problems. This paper reviews covering models and optimization techniques for emergency response facility location and planning in the literature from the past few decades, while emphasizing recent developments. We introduce several typical covering models and their extensions ordered from simple to complex, including Location Set Covering Problem (LSCP), Maximal Covering Location Problem (MCLP), Double Standard Model (DSM), Maximum Expected Covering Location Problem (MEXCLP), and Maximum Availability Location Problem (MALP) models. In addition, recent developments on hypercube queuing models, dynamic allocation models, gradual covering models, and cooperative covering models are also presented in this paper. The corresponding optimization techniques to solve these models, including heuristic algorithms, simulation, and exact methods, are summarized.
[24]
Loh DK, Holtfrerich DR, Van Stipdonk S E P.1998.
Automated construction of rulebases for forest resource planning
In recent years the application of geographic information systems (GIS) has moved from highly specialized areas to general use. This trend stimulates the need for easy-to-use GIS based tools. In forest resource management, expert systems to support resource planning is one such tool. The STARR LAB in a cooperative project with the USDA Forest Service has developed the Rulebase Toolkit to expedite the process of developing rulebases to support Forest Service district-specific resource planning tasks. The design concept of the Rulebase Toolkit is that the complexity of integrating GIS, database management systems and expert systems should be hidden from an ordinary resource manager. This can be done by providing templates through the graphical user interface of the Toolkit. The templates provide transparent links to the GIS and underlying databases. A set of pre-defined spatial functions and database query functions are also built into those templates. With such utilities, the resource manager, as a rulebase developer, can simply point and click to define parameters, conditions and weights of the `IF THEN' rules based on the underlying spatial data layers and the database tables. Once all the heuristic rules are defined, the construction of the rulebase is then automated by the system. There are three types of rules supported by the Rulebase Toolkit. Score rules assign a quantitative weight to the relevant decision based on the truth of the facts involved within the condition(s) of a heuristic rule. Query rules retrieve data from the database related to a pertinent spatial data layer. Spatial rules process all needed spatial manipulation to generate spatially oriented facts for use by the score rules. The current implementation of the Rulebase Toolkit supports only a limited set of spatial functions such as calculating slopes and aspects or generating buffers and calculating distances. To make this toolkit more useful, a more comprehensive and generalized framework should be re-engineered.
[25]
Loh DK, Hsieh Y TC, Choo YK, et al.1994.
Integration of a rule-based expert system with GIS through a relational database management system for forest resource management
The USDA Forest Service and Texas A&M University have jointly developed an integrated software package to assist district level personnel in project planning. It is called INFORMS-TX (Integrated Forest Resource Management System for National Forests in Texas). One of the main thrusts of INFORMS-TX is the integration of a rule-based expert system with a commercial geographic information system (GIS) through the use of a relational database management system (RDBMS). The rule-bases are developed in CLIPS, an expert system shell designed by NASA (National Aeronautics and Space Administration). ARC/INFO from ESRI (Environmental Systems Research Institute) is the GIS component and ORACLE is the choice for RDBMS. This system allows forest personnel to access ARC/INFO procedures to query and define a project area in a user friendly environment. Heuristic rule-bases can then be selected and applied to pertinent spatial data layers such as compartments or forest stands of the project area. The results generated by the rule-bases are stored in the database and are used to assist in silvicultural decision making. This software integration greatly enhances the use of geographically oriented resource data and knowledge accumulated from Forest Service experts to assist in project planning, alternative development and environmental assessment.
Where is also about time: A location-distortion model to improve reverse geocoding using behavior-driven temporal semantic signatures
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
locating public schools in fast expanding areas: Application of the capacitated p-median and maximal covering location models
1
2014
... (2) 位置—分配模型(Location-Allocation Model,L-A模型).该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用.“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高.目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗.最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点).最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题.最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低. ...
Optimising the spatial location of urban fire stations
2
2013
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
... (2) 位置—分配模型(Location-Allocation Model,L-A模型).该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用.“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高.目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗.最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点).最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题.最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低. ...
Mathematical programming and the location of fire companies for the Denver fire department
1
1977
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Development and application of a fire station placement model
2
1985
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
... )和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
A fuzzy multi-objective programming for optimization of fire station locations through genetic algorithms
1
2007
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
消防站布局优化的计算机方法
1
2003
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
消防站布局优化的计算机方法
1
2003
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
城市消防站空间布局优化研究[D]
1
2007
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
城市消防站空间布局优化研究[D]
1
2007
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于SAVEE方法的海岛空间价值评价: 以南沙群岛为例
1
2012
... (1) SAVEE模型.该模型是美国德州农工大学STARR实验室开发的一种用于评价环境空间价值的计算方法.该方法能体现不同性质因子的影响,应用于多角度价值的综合评价(陈韶阳等, 2012),并已在资源规划、森林管理等领域得到较好的应用(Loh et al, 1994, 1998).SAVEE算法针对不同因子的性质和影响过程提供了不同的标准化方程,对于积极因子来说,标准化方程为式(1),其中0≤V≤1;对于消极因子来说,标准化方程为式(2),其中-1≤V≤0;式(1)和(2)中的V为标准化价值,x为自变量,A为x的边界值,x≤|A|,V∝X表示自变量与价值量呈正相关,V∝1/X表示自变量与价值量呈负相关.使用标准化方程计算不同因子的标准化价值后,借助迭加方程(式(3))进行两两迭加运算,直到所有因子都参与运算为止. ...
基于SAVEE方法的海岛空间价值评价: 以南沙群岛为例
1
2012
... (1) SAVEE模型.该模型是美国德州农工大学STARR实验室开发的一种用于评价环境空间价值的计算方法.该方法能体现不同性质因子的影响,应用于多角度价值的综合评价(陈韶阳等, 2012),并已在资源规划、森林管理等领域得到较好的应用(Loh et al, 1994, 1998).SAVEE算法针对不同因子的性质和影响过程提供了不同的标准化方程,对于积极因子来说,标准化方程为式(1),其中0≤V≤1;对于消极因子来说,标准化方程为式(2),其中-1≤V≤0;式(1)和(2)中的V为标准化价值,x为自变量,A为x的边界值,x≤|A|,V∝X表示自变量与价值量呈正相关,V∝1/X表示自变量与价值量呈负相关.使用标准化方程计算不同因子的标准化价值后,借助迭加方程(式(3))进行两两迭加运算,直到所有因子都参与运算为止. ...
基于POI数据的广州零售商业中心热点识别与业态集聚特征分析
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于POI数据的广州零售商业中心热点识别与业态集聚特征分析
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于POI数据的城市功能区定量识别及其可视化
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于POI数据的城市功能区定量识别及其可视化
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于POI网络信息的景区最优游客接待中心选址研究: 以南京钟山景区智慧旅游为例
1
2014
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于POI网络信息的景区最优游客接待中心选址研究: 以南京钟山景区智慧旅游为例
1
2014
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
服务业区位选择的交通网络指向研究: 以北京城市中心区为例
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
服务业区位选择的交通网络指向研究: 以北京城市中心区为例
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
高铁站点周边商务空间的影响因素与发展建议: 基于沪宁沿线POI数据的实证
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
高铁站点周边商务空间的影响因素与发展建议: 基于沪宁沿线POI数据的实证
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于电子地图兴趣点的城市建成区边界识别方法
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于电子地图兴趣点的城市建成区边界识别方法
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于DBSCAN空间聚类的广州市区餐饮集群识别及空间特征分析
1
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
顾及地理网络特征的城市消防站布局渐进优化
1
2005
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
顾及地理网络特征的城市消防站布局渐进优化
1
2005
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
基于空间分析的城市火灾风险评估与应用: 以西安为例
2
2016
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
A multi-objective model for locating fire stations
1
1998
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Locating fire stations: An integrated approach for Belgium
1
2012
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Location-allocation problems
1
1963
... (2) 位置—分配模型(Location-Allocation Model,L-A模型).该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用.“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高.目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗.最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点).最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题.最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低. ...
Multi-criteria site selection for fire services: The interaction with analytic hierarchy process and geographic information systems
1
2010
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Spatial analysis of urban fire station locations by integrating AHP model and IO logic using GIS (a case study of zone 6 of Tehran)
1
2008
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Planning health services with explicit geographical considerations: A stochastic location-allocation approach
1
2005
... (2) 位置—分配模型(Location-Allocation Model,L-A模型).该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用.“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高.目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗.最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点).最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题.最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低. ...
1
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Learning recency based comparative choice towards point-of-interest recommendation
1
2015
... 在数据科学高速发展的“大数据”背景下,新的数据源与地理空间分析提供了解决问题的新思路.可采用POI(Point of Interest)位置数据结合相应的空间分析方法来进行新的尝试.POI数据是位置大数据中最有效和容易获取的一种,它是将真实的地理实体,如学校、工厂、超市等以空间位置点的形式来表示.每个POI点数据的属性包括表示地理实体的名称、经纬度坐标和街道地址信息等.POI数据的分布模式、分布密度在基础设施规划、城市空间、应急救援分析中具有重要的意义(Li et al, 2015; McKenzie et al , 2015).POI数据具有数据量大、更新快、现势性强等特点,主要由Google、百度等互联网地图服务商提供.POI数据是当下城市空间研究领域中绝佳的选择,已被广泛应用于城市与城市群边界识别(许泽宁等, 2016)、城市功能区识别(陈蔚珊等, 2016; 池娇等, 2016; 杨帆等, 2016)、旅游规划(杜兰等, 2014)和城市服务业区位选择(沈体雁等, 2015; 索超等; 2015)等领域.然而,POI数据在城市安全领域的研究中尚鲜有使用,在城市消防站点布局方面的探索研究更少.纵观国内外的研究,对于消防站选址和空间优化问题,学者们所关注的一是选址的目标,如应急响应时间最小和对潜在需求点的最大程度可达(Helly, 1975; Reilly et al, 1985),有的还综合考虑了行车费用、政策等因素建立了多目标数学规划模型(Badri et al, 1998; Yang et al, 2007);二是关注选址的模型方法:如层次分析法(AHP)和GIS技术结合(Habibi et al, 2008; Erden et al, 2010),“位置—分配”模型等.对于后者,学者们又进行了不同的尝试,如LSCP(Location Set Covering Problem)(Plane et al, 1977),MCLP(Maximal Coverage Location Problem)(Chevalier et al, 2012; Murray, 2013)和P中位(P-median Problem)(Reilly et al, 1985)等.在国内,研究消防站选址和空间优化的文章还较少.传统的消防站选址和责任区划分采用服务半径法,即以5分钟消防响应时间内消防车达到的最远距离为半径构建圆形缓冲区并以此确定消防站服务区;(陈驰等(2003))以平均消防行车距离最小为选址原则,将责任区抽象为多个“结点”,实现多个消防站的整体布局优化;(俞艳等(2005))使用Voronoi图结合网络分析来对城市消防站进行渐进式优化;(陈鸿(2007))使用“位置—分配”模型研究了消防站的空间布局问题;(张刚(2016))从城市的火灾发生风险与城市消防力量2个方面进行了评估研究. ...
Covering models and optimization techniques for emergency response facility location and planning: a review
1
2011
... (2) 位置—分配模型(Location-Allocation Model,L-A模型).该模型是实现公共设施最适配置的有效方法之一(Cooper, 1963),已在教育设施(Menezes et al, 2014)、医疗设施(Harper et al, 2005)、应急设施(Li et al, 2011)、消防站(Murray, 2013)等服务场所的选址中得到了良好的应用.“位置—分配”模型的基本原理为:在给定请求点和已有设施点的情况下,从指定的候选设施点中依据特定的优化算法挑选出一定个数的设施选址,以实现算法设定的优化方式,比如设施的可达性最高、服务范围最广或使用效率最高.目前“位置—分配”模型中常用的算法有多种,本文主要使用了其中的3种:最大化覆盖范围、最小化设施点数和最小化阻抗.最大化覆盖范围是定位设施点以使尽可能多的请求点被分配到所求解的设施点的阻抗中断内,该算法能保证所定位出的消防站(设施点)在一定时间(阻抗)范围内覆盖最多的设施场所(请求点).最小化设施点数是定位设施点以在设施点的阻抗中断内使尽可能多的请求点被分配到所求解的设施点,此外还要使覆盖请求点的设施点的数量最小化,也就是说该算法能保证消防站在一定时间范围内覆盖最多设施场所的同时,使总的消防站数目最少,此算法在最大化覆盖范围的基础上考虑了消防站的建设总成本问题.最小化阻抗算法也称P中位数问题,它将设施点设置在适当的位置,以使请求点与设施点的解之间的所有加权成本之和最小,对于消防站而言,该算法保证每个消防站对其覆盖区域内所有场所的总可达成本最低. ...
Automated construction of rulebases for forest resource planning
1
1998
... (1) SAVEE模型.该模型是美国德州农工大学STARR实验室开发的一种用于评价环境空间价值的计算方法.该方法能体现不同性质因子的影响,应用于多角度价值的综合评价(陈韶阳等, 2012),并已在资源规划、森林管理等领域得到较好的应用(Loh et al, 1994, 1998).SAVEE算法针对不同因子的性质和影响过程提供了不同的标准化方程,对于积极因子来说,标准化方程为式(1),其中0≤V≤1;对于消极因子来说,标准化方程为式(2),其中-1≤V≤0;式(1)和(2)中的V为标准化价值,x为自变量,A为x的边界值,x≤|A|,V∝X表示自变量与价值量呈正相关,V∝1/X表示自变量与价值量呈负相关.使用标准化方程计算不同因子的标准化价值后,借助迭加方程(式(3))进行两两迭加运算,直到所有因子都参与运算为止. ...
Integration of a rule-based expert system with GIS through a relational database management system for forest resource management
1
1994
... (1) SAVEE模型.该模型是美国德州农工大学STARR实验室开发的一种用于评价环境空间价值的计算方法.该方法能体现不同性质因子的影响,应用于多角度价值的综合评价(陈韶阳等, 2012),并已在资源规划、森林管理等领域得到较好的应用(Loh et al, 1994, 1998).SAVEE算法针对不同因子的性质和影响过程提供了不同的标准化方程,对于积极因子来说,标准化方程为式(1),其中0≤V≤1;对于消极因子来说,标准化方程为式(2),其中-1≤V≤0;式(1)和(2)中的V为标准化价值,x为自变量,A为x的边界值,x≤|A|,V∝X表示自变量与价值量呈正相关,V∝1/X表示自变量与价值量呈负相关.使用标准化方程计算不同因子的标准化价值后,借助迭加方程(式(3))进行两两迭加运算,直到所有因子都参与运算为止. ...