2.研究技术与方法 Study Methods
本研究采用位置集覆盖问题 （LSCP） 作为其基础优化框架。LSCP 模型因其在应急设施规划中的适用性而得到认可，一直是应急站位置研究开创性工作的基石（Murray 等人，2010 年）。LSCP 由 Toregas 等人 （1971） 率先提出，最初用于优化消防站位置，重点是实现完整的空间覆盖。在急救需求拓扑（包括点、线或面）不同的场景中，该模型旨在确定获得全面空间覆盖所需的最小设施点数量。
在本研究中，提出了一种基于时空大数据框架的高级院前急救设施布局模型。该模型将空间随机模拟急救需求和实时交通状况的大量数据集合并到集体覆盖优化模型中。这种集成缓解了复杂的情况，解决了以前紧急需求分配中固有的不确定性，并消除了理想化交通假设引起的错误。此外，该模型还描绘了三类约束：空间约束、时间约束和覆盖率约束（表 1）。基于遗传算法的结果布局用作应急设施放置的优化解决方案。
相应地，我们提出了一种基于时空大数据并与 ArcGIS 集成以进行空间分析和可视化的多目标集覆盖位置选择模型。该模型表述如下：让正在考虑的潜在新地点集表示为 M，最终规划的地点集用 W 表示。对于一组现有的站点 H，默认假设是保留这些站点而不进行修改，直接将它们合并到集合 W 中。利用急救需求的预测性质，集合覆盖位置选择优化算法计算 M 中每个候选站点 j 是否包含到最终集合 W 中。在指定请求点和潜在地点后，可以将这些参数输入到模型中，该模型使用遗传算法来解决xj.这将产生一组最小化的站点，从而最大限度地提高应急响应的效率。实现此目的的算法步骤详细说明如下：
3.研究技术与方法 Study area and Methods
图 1.南京院前急救模式的现状。
图 2.南京市院前急救设施的分发。
本研究与南京市急救中心合作，访问了 99,598 条唯一可识别的调度记录，其中 85,140 条包含患者信息，抢救有效率为 85.7%。这些记录可以根据应急响应的空间起点和目的地分为三种类型：（1） 从急救站发起的响应，（2） 医院间转移，以及 （3） 来自运输中空车的响应。具体来说，58,667 次响应来自急救站，占应急响应总数的 68.9%。此外，还有 17,530 次院际转移，占紧急病例总数的 20.5%，8,943 次响应由运输中的空车执行，占整体紧急需求的 10.5%。
本研究利用了通过高德地图的 OPEN API 访问的实时交通数据。API 的交通状况 HTTP 接口根据用户输入返回请求的交通状况，并提供包含空间和时间属性的广泛数据集。为了处理这些大量的流量数据，该研究采用了流预处理方法。高德地图 OPEN API 的参数被配置为专注于特定的矩形城市单元。最初，城市景观被划分为这些单元。然后运行数据收集程序，在每个单元的经纬度边界内提取原始交通数据，然后将其导入专用数据库。然后，将这些单独的单元汇总在一起，以构建一个全面的区域道路网络。原始数据经过预处理以隔离相关的流量信息。此外，还设置了一个计时器，以在多天和多时间间隔内自动执行数据收集程序。这有助于对流数据进行智能批处理，并确保在指定时间范围内捕获相关的城市交通指标。从这些数据中，提取特征速度作为各个路段的代表性指标，然后将其纳入分析框架。
4.使用多源数据集成优化南京市急救设施的配置
图 3.南京市当前急救需求空间分布.
在随机空间需求条件下，急救需求空间分布的精确表征对于优化定位急救设施至关重要。通过从多个角度分析南京市的真实需求数据（图 3），我们确定急救需求的空间分布表现出很强的规律性。
图 4.南京市急救需求核密度的三维示意图。
图 5.南京市急救需求核密度的三维示意图。
紧急援助需求主要集中在江南市主城区，其次是江北新区的核心区。少数高需求区位于外围城市地区的焦点（图 4、图 5）。
为了提高预测急救需求空间分布的准确性，必须根据 2016 年 6 月至 2017 年 5 月收集的数据的 K-means 聚类分析生成空间随机需求预测集 V。如图 6 所示，当 K 为 170 时，会出现这个拐点。聚类后，后续步骤包括计算 X 和 Y 坐标的平均值对于每个相对于其质心的聚类，以及关联的协方差矩阵 COV。检验证实这些数据与高斯分布假设一致。使用聚类和高斯拟合的结果，采用蒙特卡洛模拟来生成空间随机需求出现点。因此，该模拟有助于计算置信水平，如图 7 所示。
图 6.K-SSE 曲线。
图 7.K-means 聚类结果。
在评估紧急服务的有效性时，我们在南京指定了两个交通拥堵高峰时段：8：00–9：00 和 17：00–18：00。拥堵指标来自这些间隔期间道路上记录的平均速度，以 24 小时平均速度作为比较基线。随后的空间分析（封装这些变量）确定服务覆盖区域并阐明交通拥堵对应急响应效率的影响。我们发现，南京的大部分地区在高峰和平均交通条件下都能实现低于 15 分钟的响应（表 3、表 4）。然而，外围城市地区表现出对服务延迟和更大的覆盖盲点的更大敏感性（图 8、图 9）。利用发达国家普遍存在的 6-10 分钟应急响应时间的参考标准，我们发现南京的大部分地区，包括近端和远端，都无法满足这一标准（表 5），从而凸显了不加选择的资源分配的低效率。结合这些实证见解并符合监管规定，我们为南京市制定了 12 分钟的最终目标应急响应时间。该数字根据 1 分钟的平均调度延迟和 3 分钟的应急人员动员窗口进行调整，为救护车设定了 8 分钟的目标运输时间。南京市院前急救站的布局优化基于这个调整后的时间框架。
图 8.在 15 分钟间隔内没有拥堵的区域的空间核密度估计。
图 9.在 15 分钟间隔内平均交通条件下的区域的空间核密度估计。
根据南京市全市土地利用规划框架的综合土地利用地图，总共确定了 2,083 个潜在地块。这些主要分为三种类型：综合医院、具有社区医疗保健综合功能的社区服务中心和具有基本社区医疗保健服务的基层社区服务中心。这些图构成了未来紧急医疗服务扩展的候选集 M，如图 10 所示。
图 10.候选站点集 M。
现有的 52 个位点集（称为 H）无需修改即可直接整合到 W 中。将每个候选位点 j 包含在 W 内的集合 M 中的决定是基于具有预定因子的复合方程做出的。如前所述，设置为 8 分钟，ɑ 设置为 0.95。对于通过聚类生成的任何随机请求点 i，如果 M 中到站点 j 的行驶时间小于 8 分钟（包含时间矩阵 t），则通过遗传算法求解优化问题，以最少的站点数 x 最大化应急响应效率j及其分布。场地布局建立了分层优先级，综合医院 （A5） 优先于社区卫生服务中心 （Aa），而社区卫生服务中心又优先于基本社区卫生服务站 （Rc）。这种分层结构旨在确保整体计划的可行性和可实施性。
图 12.目标选址模型解决方案的结果。
图 13.南京市院前急救站的规划布局。
在 ArcGIS 中分析选址结果，以评估服务区并根据随机需求计算 8 分钟覆盖率。分析表明，在平均流量条件下，8 分钟需求覆盖率可以达到 98.10%，即使在流量高峰情况下也能达到 95.61%。这种改善主要是由于场地密度的增加，这减少了外围地区的拥堵，而显着的拥堵影响仅限于少数路段。表 6、表 7 显示了每个地区在平均和高峰交通条件下的 12 分钟紧急服务覆盖预测，反映了新布局计划的有效覆盖。这些结果验证了该模型的实际有效性，并揭示了紧急服务覆盖范围的地区差异以及潜在的优化方向。
如图 14 所示，整体空间分布格局相似，场地密度的增加减少了外围地区拥堵的影响，尽管只有少数路段受到显著影响。在不同地区，平均交通条件下的需求覆盖率显著提高。虽然在交通高峰条件下收缩效应仍然存在，但与优化前的布局相比，拥塞的影响已大大减弱。
图 14.规划的应急站服务覆盖图。
5.结论
本文以南京市为例，收集了大量数据，揭示了应急服务时空需求的以下特征：（1）应急需求在空间上表现出热点稳定性，在中心城区和城镇中心的核心区域发生率较高。（2）南京市平均应急响应时间为 18.6 min，明显低于国家标准。大多数紧急需求可以在 15 分钟内得到满足;但是，偏远城市地区的响应时间更容易出现延迟，并且可能存在更大的服务盲点。相比之下，中心城区和郊区的响应时间主要受交通拥堵的影响。基于这些观测结果，构建了基于时空大数据的集合覆盖位置模型。该模型引入了三种类型的约束：空间约束、时间约束和覆盖约束，根据紧急需求的特点进行定制。空间约束使用基于 K-means 聚类的蒙特卡洛模拟方法将复杂分布分解为时空聚类，从而评估在不同地理位置发生紧急需求的概率。时间约束用于确定从预测请求点到候选地点的实际行驶时间矩阵。覆盖率约束规定有效需求覆盖率必须达到 95%。该模型要求在规划条件和实际交通时间限制下，可以在 8 分钟的路线时间内（12 分钟的总应急响应时间）达到 95% 的模拟应急需求。院前急救站的位置使用遗传算法进行优化。结果表明：高峰和平均交通条件下的应急需求覆盖率分别从 15 min 的 76.92 % 和 83.18 % 提高到 12 min 的 95.61 % 和 98.10 %。这些结果表明，新布局显著提高了实际应用的有效性。本文提出的方法解决了以前被忽视的紧急事件和交通状况的随机性，为提高应急站规划和选址模型的效率和有效性提供了创新策略。布局结果已应用于《南京市院前医疗急救站布局规划》。
微信公众号后台回复
加群：加入全球华人OR|AI|DS社区硕博微信学术群
资料：免费获得大量运筹学相关学习资料
人才库：加入运筹精英人才库，获得独家职位推荐
电子书：免费获取平台小编独家创作的优化理论、运筹实践和数据科学电子书，持续更新中ing...
加入我们：加入「运筹OR帷幄」，参与内容创作平台运营
知识星球：加入「运筹OR帷幄」数据算法社区，免费参与每周「领读计划」、「行业inTalk」、「OR会客厅」等直播活动，与数百位签约大V进行在线交流
文章须知
文章作者：GISer last
责任编辑：Shutian Li
微信编辑：疑疑
文章转载自『GISer last』公众号，原文链接： 【文献学习】顶刊JAG：南京市院前应急设施布局优化——基于多源大数据的时空分析
关注我们
FOLLOW US
