انتخاب مکان برای ایستگاه های اورژانس پیش بیمارستانی بر اساس تقاضای فضایی و زمانی واقعی: مطالعه موردی شهر نانجینگ، چین

خلاصه

توسعه سریع اقتصادی و اجتماعی با وقوع بسیاری از مسائل عمده در سراسر جهان همراه بوده است. به طور خاص، تقاضای فزاینده ای برای خدمات پزشکی فوری در میان مردم وجود دارد. به منظور اطمینان از پاسخ به موقع به درخواست های اضطراری، پیکربندی معقول ایستگاه های اضطراری بسیار مهم است. به طور کلی، ایستگاه‌های اورژانس عمدتاً بر اساس توزیع تقاضاهای اضطراری و زمان پاسخگویی توزیع می‌شوند، که با این حال، تأثیرات منفی تقاضاهای اضطراری تصادفی و تأخیرهای ترافیکی را در نظر نمی‌گیرد. در این مطالعه، درخواست‌های کمک‌های اولیه با وضعیت‌های ترافیکی بر اساس مدل پوشش داده‌های بزرگ مکانی-زمانی ترکیب می‌شوند. که تأثیرات منفی تقاضاهای کمک های اولیه تصادفی و زمان تاخیر ترافیک را بر برنامه ریزی ایستگاه های کمک های اولیه پیش بیمارستانی کاهش می دهد. علاوه بر این، دقت مدل انتخاب مکان بهبود می‌یابد، که شرایطی را برآورده می‌کند که تمام درخواست‌های کمک‌های اولیه شبیه‌سازی‌شده به‌طور تصادفی را بتوان در زمان هدف تحت شرایط برنامه‌ریزی و محدودیت‌های ترافیکی واقعی نزدیک کرد. با در نظر گرفتن شهر نانجینگ به عنوان مثال، این مطالعه داده های بزرگ چند منبعی مانند داده های GPS حمل شده با آمبولانس از ژوئن 2018 تا ژوئن 2019، داده های ازدحام ترافیک ثبت شده توسط نقشه Gaode و داده های بررسی امکانات نجات اضطراری را به دست می آورد. بر اساس پردازش و تجزیه و تحلیل این داده‌ها، نشان می‌دهد که درخواست‌های کمک‌های اولیه در شهر نانجینگ با تأخیر زمانی بالا بسیار خاص منطقه است. عوامل مختلف مورد نیاز بر اساس مدل سازی و تجزیه و تحلیل تعیین می شود. و زمان مورد نظر 8 دقیقه توافق شده است. میانگین سرعت وسیله نقلیه در هر جاده محاسبه می شود، همراه با ایجاد یک مدل واقعی شبکه جاده. در این زمینه، زمان عبور از ایستگاه های کمک های اولیه به طور تصادفی به بیمارستان قابل محاسبه است که برای برآوردن شرایط مدل تنظیم شده است تا راه حل به دست آید. در نهایت، چنین راه حلی با توجه به وضعیت کاربری زمین تنظیم و تأیید می شود. نتایج این مطالعه، بر اساس داده‌های بزرگ مکانی-زمانی، انتظار می‌رود ضمن ارائه روش‌های فنی جدید، بینش‌هایی را برای بهبود مدل انتخاب مکان و افزایش کارایی ارائه دهد. زمان انتقال از ایستگاه های کمک های اولیه به طور تصادفی به بیمارستان را می توان محاسبه کرد، که برای برآوردن شرایط مدل تنظیم شده است تا راه حل به دست آید. در نهایت، چنین راه حلی با توجه به وضعیت کاربری زمین تنظیم و تأیید می شود. نتایج این مطالعه، بر اساس داده‌های بزرگ مکانی-زمانی، انتظار می‌رود ضمن ارائه روش‌های فنی جدید، بینش‌هایی را برای بهبود مدل انتخاب مکان و افزایش کارایی ارائه دهد. زمان انتقال از ایستگاه های کمک های اولیه به طور تصادفی به بیمارستان را می توان محاسبه کرد، که برای برآوردن شرایط مدل تنظیم شده است تا راه حل به دست آید. در نهایت، چنین راه حلی با توجه به وضعیت کاربری زمین تنظیم و تأیید می شود. نتایج این مطالعه، بر اساس داده‌های بزرگ مکانی-زمانی، انتظار می‌رود ضمن ارائه روش‌های فنی جدید، بینش‌هایی را برای بهبود مدل انتخاب مکان و افزایش کارایی ارائه دهد.

کلید واژه ها:

اورژانس پیش بیمارستانی ؛ تقاضای مکانی – زمانی ; داده های GPS

1. معرفی

با پیشرفت اقتصاد جهانی و استانداردهای زندگی مردم، تعارض بین بهره برداری از منابع و حفاظت از محیط زیست تشدید شده است. شرایط اضطراری مانند بلایای طبیعی، حوادث و بیماری‌های عفونی به طور مداوم رخ می‌دهد و خسارات اقتصادی هنگفتی را به همراه دارد و تهدیدات جانی جدی را به همراه دارد. به طور خاص، زیان اقتصادی مربوط به شرایط اضطراری به 6٪ از کل تولید ناخالص داخلی در چین رسیده است، که همراه با تقاضای فزاینده عمومی برای تسهیلات اضطراری، اهمیت و فوریت برجسته مدیریت موثر اضطراری شهری را آشکار می کند. شیوع COVID-19 نه تنها ایمنی و دارایی افراد را تهدید می کند، بلکه نظم اقتصادی جهانی را نیز مختل می کند. علاوه بر این، نگرانی به دلیل رکود اقتصادی و عدم تعادل زیرساخت ها گسترش یافته است. اگرچه همه کشورها اقدامات متقابل فعالی انجام داده اند،

مراقبت های پیش بیمارستانی به فعالیت های پزشکی قبل از ورود بیماران به بیمارستان ها از جمله مراقبت در محل و نظارت در حین حمل و نقل اطلاق می شود. این کار باید توسط گروه های اورژانس حرفه ای که مجهز به ابزار ارتباطی، وسایل حمل و نقل و ابزار پزشکی هستند، انجام شود. سیستم مراقبت های پیش بیمارستانی که توسعه آن در کشورهای سراسر جهان بسیار مورد تاکید است، بخشی جدایی ناپذیر از سیستم اورژانس امنیت عمومی شهری و سیستم بهداشت عمومی است. این نه تنها مستقیماً بر خواسته‌های واقعی حفاظت از سلامت و ایمنی افراد تأثیر می‌گذارد، بلکه نماینده مهمی از برابری خدمات عمومی است. زمان پاسخگویی به تماس اورژانسی معیاری حیاتی برای سنجش اثربخشی سیستم مراقبت های پیش بیمارستانی است و علاوه بر این،1 ]. ساخت تأسیسات اضطراری در طول برنامه ریزی شهری، از طریق تخصیص و پیکربندی فضای شهر و به طور خاص استفاده از منابع زمین هدایت و کنترل می شود [ 2 ]. بررسی منطقی بودن انتخاب محل اورژانس برای ایجاد یک شبکه اورژانس پیش بیمارستانی منصفانه و در دسترس ضروری است تا هر بیمار بتواند در مواقعی که نیاز به درمان اورژانسی دارد، کمک به موقع و مؤثر دریافت کند.

2. بررسی ادبیات

در مورد انتخاب مکان ایستگاه های کمک های اولیه و سایر امکانات اضطراری، تحقیقات قبلی در مورد روش های برنامه ریزی اغلب بر اساس تئوری نمودار بود، که در آن هر منطقه تقاضا با یک نقطه در یک شبکه نشان داده می شود و مسئله انتخاب مکان معادل مشکل مربوط به حداقل فاصله یا پوشش کلی مجموعه های چندگانه تا/روی امکانات خاص. برای مدل‌های مقدماتی انتخاب مکان که با مدل پوشش، مدل مرکز p و مدل p-میانگین و مدل اصلاح‌شده آن نشان داده شده‌اند، مرکز جغرافیایی/گرانشی هر منطقه تقاضا برای جایگزینی مجموعه نقاط تقاضا استفاده می‌شود [ 3 ، 4 ، 5 ، 6 ، 7]. به همین ترتیب، انتخاب سایت تنها سطح رو به کاهش پوشش را با افزایش فاصله در نظر می گیرد و اثرات توزیع فضایی خاص تقاضاها در یک منطقه خاص را هنگام انتخاب مکان نادیده می گیرد. بر این اساس بخش قابل توجهی از تقاضاها به ویژه در مورد یک منطقه تقاضای بزرگ در واقع به طور غیر موثر پوشش داده می شود. برآورد پوشش تقاضا از خطاهای بزرگی رنج می برد که منجر به پیکربندی نامناسب ایستگاه در کاربردهای واقعی بسیاری از شهرها می شود.

در طول سال‌های اخیر، اطلاعات مکانی دقیق ارائه شده توسط کاربرد گسترده سیستم اطلاعات جغرافیایی (GIS) و کلان داده، رویکردهای اندازه‌گیری دقیق‌تری را به مردم ارائه می‌دهد و محققان شروع به درک محدودیت‌های داده‌های قبلی و رویکردهای فنی می‌کنند. در چنین شرایطی، توصیف دقیق‌تر و دقیق‌تر متغیرهای زمانی-مکانی تقاضاها به تدریج به کانون تحقیقاتی تبدیل شده است. برخی از محققان تلاش می‌کنند تا متغیر زمانی-مکانی تقاضای کمک‌های اولیه را بر اساس راه‌حل حداقل فاصله در مدل انتخاب مکان ادغام کنند و در نتیجه بر شکست توزیع همگن نقاط منطقه تقاضا برای گرفتن تمایز تقاضاهای اضطراری غلبه کنند. به عنوان مثال، Degal و همکاران. [ 8 ] و چن و همکاران. [ 9]، با کمک GIS، تلاش هایی را برای مش بندی منطقه تحقیقاتی و خلاصه آماری تقاضای اضطراری زمانی-مکانی توسط شبکه ها انجام می دهد، که با این حال نمی تواند تأثیرات توزیع فضایی تصادفی تقاضاها را به طور موثر کاهش دهد. این به این دلیل است که برخی از شبکه ها ممکن است برای چندین ماه هیچ تقاضایی نداشته باشند، و علاوه بر این، شبکه های موجود در گوشه ها نیز برای برآورده کردن محدودیت سطوح پوشش مورد نیاز هستند. سپس، فن [ 10 ] داده کاوی خوشه‌بندی K-means را برای انتخاب مکان مراکز پاسخ اضطراری، که در آن امکانات در مرکز خوشه‌های نقطه داده فعلی ساخته می‌شوند، اعمال می‌کند. ژو [ 11 ] و دوو [ 12] مناطق با تراکم فعالیت اورژانس پزشکی بالا را به نقاط تقاضا، با نقشه برداری از تماس های پزشکی مراقبت های پیش بیمارستانی، ساده می کند و این نقاط تقاضا ترجیحاً در ایستگاه های کمک های اولیه قرار می گیرند. اگرچه می‌توان توزیع تقاضای پیچیده را در یک منطقه خاص از طریق روش‌هایی مانند تخمین چگالی هسته و شبکه عصبی مصنوعی شبیه‌سازی کرد، اما اطمینان از اینکه توزیع به‌دست‌آمده می‌تواند برای مدت طولانی پایدار بماند، دشوار است. علاوه بر این، وقوع فعالیت های فوریت های پزشکی نامشخص است. با توجه به این موضوع، برخی از محققان بیشتر تصادفی بودن درخواست‌های کمک‌های اولیه را در مطالعات خود لحاظ می‌کنند. اخیراً، توصیف دقیق توزیع فضایی تصادفی تقاضاهای کمک های اولیه برای انتخاب مکان به یک هدف کلیدی تبدیل شده است. به عنوان مثال، برالدی و برونی [ 13] یک مدل احتمالی برای بهینه سازی مکان وسیله نقلیه خدمات اضطراری پیشنهاد می کند. با این وجود، آنها پوشش احتمالی تقاضاها را صرفاً با معرفی یک پارامتر تصادفی توصیف می‌کنند و عمیقاً در تأثیرات خاص تصادفی فضایی بر توزیع تقاضا تحقیق نمی‌کنند. سو [ 14] از مدل مخلوط گاوسی (با استفاده از رویکرد خوشه‌بندی نرم) برای تصویر تصادفی فضایی تقاضا استفاده می‌کند. بر اساس داده‌های خدمات اضطراری منطقه سونگ‌جیانگ شانگهای، چین، در سال 2013، او موفق شد تقاضاهای کمک‌های اولیه تصادفی عظیم را به ترکیبی از چندین خوشه توزیع گاوسی تجزیه کند و هر خوشه فقط یک ایستگاه اصلی داشته باشد. یک ایستگاه جایگزین در اصل، منطقه تقاضا با یک نقطه مانند قبل نشان داده می شود که ریشه در راهنمایی کم ارائه شده توسط این تحقیق در مورد انتخاب مکان عملی دارد.

از نظر آمبولانس هایی که زمان را تعقیب می کنند، غفلت از وضعیت مکانی و زمانی ترافیک می تواند کشنده باشد. افزایش روزافزون ترافیک در شهرها ممکن است منجر به تاخیر در ارائه خدمات فوریت های پزشکی و طولانی شدن فاصله واکنش اضطراری شود که زندگی مردم را به شدت تهدید می کند. در مدل‌های قبلی، تقسیم شبکه‌ها یا فاصله خطی نمی‌تواند مسیر واقعی جاده را نشان دهد. خوشبختانه این امر مورد توجه قرار گرفته و برخی از محققین روش محاسبه فاصله مکانی را بر اساس موانع ارائه کرده اند.

در سیستم ترافیک شهری، فاصله خط مستقیم و فاصله واقعی مسیر بین نقطه تقاضا و محل تسهیلات دارای شکاف های بزرگی است. با تعمیق کار تحقیقاتی، مشخص شد که متقاضیان ترجیح می دهند کمترین زمان را به جای کوتاه ترین مسیر انتخاب کنند. بنابراین زمان مصرف باید به عنوان هزینه حمل و نقل در مدل مکان یابی تاسیسات اضطراری وارد شود. با این حال، از آنجایی که به دست آوردن زمان عبور واقعی جاده های خاص، سرعت طراحی برای جاده های مختلف [ 15 ] یا سرعت حرکت وسایل نقلیه [ 16 ، 17 ، 18] دشوار است.] برای تخمین حداقل زمان سفر در اکثر تحقیقات استفاده می شود. به دلیل ازدحام ترافیک شهری، وسایل نقلیه نمی توانند در اکثر مواقع با سرعت طراحی شده حرکت کنند و بنابراین زمان واقعی عبور و مرور بیشتر از همتای طراحی شده است. توسعه فناوری موقعیت‌یابی بی‌سیم و فناوری مخابرات راه دقیق‌تری برای به دست آوردن شرایط ازدحام ترافیک و زمان حمل و نقل مربوطه فراهم می‌کند. اخیراً برخی از مطالعات استفاده از نقشه Gaode یا Baidu Map را برای محاسبه زمان سفر آغاز کرده اند [ 19 ، 20 ، 21 ، 22]، به دست آوردن کمترین زمان حمل و نقل به مرکز اضطراری با حالت های مختلف ترافیک از طریق رابط برنامه ریزی مسیر در API. این روش به اندازه کافی از داده های جاده ارائه شده و به روز شده توسط توسعه دهندگان نقشه برای تخمین زمان سفر با استفاده از داده های سرعت واقعی خودرو در زمان واقعی استفاده می کند.

برای نتیجه گیری، پیشرفت زیادی در پرداختن به موضوع انتخاب مکان اضطراری بر اساس مدل هایی که نیازهای زمانی- مکانی را در نظر می گیرند، حاصل شده است. با این حال، دو کاستی برجسته در این مدل ها وجود دارد. اولین مورد، بررسی ناکافی در مورد تقاضاهای کمک های اولیه تصادفی است. به طور خاص، مدل‌های انتخاب مکان موجود عمدتاً بر اهمیت آماری توزیع فضایی درخواست‌های کمک‌های اولیه تمرکز دارند، که با این حال، تنها توصیفی از داده‌های تاریخی است. در این زمینه، این مدل های انتخاب سایت تضمین نمی شود که همیشه در دوره برنامه ریزی معتبر باشند. اگرچه تلاش‌های خاصی برای گنجاندن عامل تصادفی فضایی در مدل انتخاب مکان انجام شده است، هنوز یک روش شبیه‌سازی تصادفی برای تقاضاهای فضایی وجود ندارد. به طور مشخص، انتظار می رود چنین روشی نه تنها توزیع تقاضا را به طور دقیق توصیف کند، بلکه به طور موثر مدل را بر اساس توصیف بهینه کند. در این زمینه می توان مسئله انتخاب محل اضطراری را بهتر حل کرد. دومین کاستی مدل های موجود به تأثیرات در نظر گرفته نشده مسافت زمانی سفر اشاره دارد. اگرچه مطالعاتی وجود دارد که داده های ترافیکی را از طریق API به دست می آورد و تأثیر شرایط ترافیکی بر دسترسی به امکانات اضطراری را تأیید می کند، عامل ترافیک به طور کمی در روش های انتخاب سایت گنجانده نشده است. دومین کاستی مدل های موجود به تأثیرات در نظر گرفته نشده مسافت زمانی سفر اشاره دارد. اگرچه مطالعاتی وجود دارد که داده های ترافیکی را از طریق API به دست می آورد و تأثیر شرایط ترافیکی بر دسترسی به امکانات اضطراری را تأیید می کند، عامل ترافیک به طور کمی در روش های انتخاب سایت گنجانده نشده است. دومین کاستی مدل های موجود به تأثیرات در نظر گرفته نشده مسافت زمانی سفر اشاره دارد. اگرچه مطالعاتی وجود دارد که داده های ترافیکی را از طریق API به دست می آورد و تأثیر شرایط ترافیکی بر دسترسی به امکانات اضطراری را تأیید می کند، عامل ترافیک به طور کمی در روش های انتخاب سایت گنجانده نشده است.

این مقاله یک مدل پوشش مجموعه ای را برای انتخاب مکان بر اساس داده های بزرگ مکانی-زمانی پیشنهاد می کند. تقاضاهای خدمات اضطراری عظیم شبیه سازی شده که از نظر مکانی تصادفی هستند و وضعیت ترافیک در مدل پوشش مجموعه ادغام شده است، که بر مشکلات در توصیف تقاضاهای خدمات اضطراری، به دلیل توزیع پیچیده آنها غلبه می کند، و همچنین خطاهای ناشی از ایده آل سازی را حذف می کند. وضعیت ترافیک با در نظر گرفتن شهر نانجینگ به عنوان مثال، داده‌های چند منبعی، مانند داده‌های GPS که توسط آمبولانس‌ها حمل می‌شود و همچنین داده‌های ترافیکی بلادرنگ و داده‌های شبکه جاده‌ای که از طریق API باز نقشه Gaode به دست آمده‌اند، در یک پایگاه داده مکانی-زمانی ادغام می‌شوند. . بر اساس این پایگاه داده‌های سالانه خدمات کمک‌های اولیه شهر در سال‌های 2018-2019 در تجزیه و تحلیل خوشه‌بندی قرار می‌گیرد. نتایج شبیه‌سازی تجزیه و تحلیل خوشه‌بندی و سرعت مشخصه جاده‌های شهری شهر نانجینگ در مدل شبکه جاده‌ای واقعی وارد می‌شوند و به مدل مکان‌یابی محدود شده توسط کاربری زمین برنامه‌ریزی‌شده جایگزین می‌شوند. مدل‌ها حل شده‌اند، که می‌توانند راهنمایی در مورد سایر برنامه‌های اضطراری مشابه مانند تأسیسات آتش‌نشانی و آژانس‌های امنیتی عمومی ارائه دهند و در عین حال به بهینه‌سازی مکان‌های اضطراری شهری در زمینه عصر کلان داده کمک کنند. این مقاله به صورت زیر سازماندهی شده است: بخش اول بیان مدل و روش اتخاذ شده است. دوم تجزیه و تحلیل اساسی داده های زمانی- مکانی است. بخش سوم نتایج آزمایش داده ها و اعتبار سنجی را ارائه می دهد. و قسمت آخر نتیجه گیری تحقیق ما را بیان می کند. و به مدل مکان-مجموعه محدود شده توسط کاربری برنامه ریزی شده جایگزین می شود. مدل‌ها حل شده‌اند، که می‌توانند راهنمایی در مورد سایر برنامه‌های اضطراری مشابه مانند تأسیسات آتش‌نشانی و آژانس‌های امنیتی عمومی ارائه دهند و در عین حال به بهینه‌سازی مکان‌های اضطراری شهری در زمینه عصر کلان داده کمک کنند. این مقاله به صورت زیر سازماندهی شده است: بخش اول بیان مدل و روش اتخاذ شده است. دوم تجزیه و تحلیل اساسی داده های زمانی- مکانی است. بخش سوم نتایج آزمایش داده ها و اعتبار سنجی را ارائه می دهد. و قسمت آخر نتیجه گیری تحقیق ما را بیان می کند. و به مدل مکان-مجموعه محدود شده توسط کاربری برنامه ریزی شده جایگزین می شود. مدل‌ها حل شده‌اند، که می‌توانند راهنمایی در مورد سایر برنامه‌های اضطراری مشابه مانند تأسیسات آتش‌نشانی و آژانس‌های امنیتی عمومی ارائه دهند و در عین حال به بهینه‌سازی مکان‌های اضطراری شهری در زمینه عصر کلان داده کمک کنند. این مقاله به صورت زیر سازماندهی شده است: بخش اول بیان مدل و روش اتخاذ شده است. دوم تجزیه و تحلیل اساسی داده های زمانی- مکانی است. بخش سوم نتایج آزمایش داده ها و اعتبار سنجی را ارائه می دهد. و قسمت آخر نتیجه گیری تحقیق ما را بیان می کند. که می تواند راهنمایی در مورد سایر برنامه های اضطراری مشابه مانند امکانات آتش نشانی و آژانس های امنیتی عمومی ارائه دهد و در عین حال به بهینه سازی مکان اضطراری شهری در زمینه عصر داده های بزرگ کمک کند. این مقاله به صورت زیر سازماندهی شده است: بخش اول بیان مدل و روش اتخاذ شده است. دوم تجزیه و تحلیل اساسی داده های زمانی- مکانی است. بخش سوم نتایج آزمایش داده ها و اعتبار سنجی را ارائه می دهد. و قسمت آخر نتیجه گیری تحقیق ما را بیان می کند. که می تواند راهنمایی در مورد سایر برنامه های اضطراری مشابه مانند امکانات آتش نشانی و آژانس های امنیتی عمومی ارائه دهد و در عین حال به بهینه سازی مکان اضطراری شهری در زمینه عصر داده های بزرگ کمک کند. این مقاله به صورت زیر سازماندهی شده است: بخش اول بیان مدل و روش اتخاذ شده است. دوم تجزیه و تحلیل اساسی داده های زمانی- مکانی است. بخش سوم نتایج آزمایش داده ها و اعتبار سنجی را ارائه می دهد. و قسمت آخر نتیجه گیری تحقیق ما را بیان می کند.

3. معرفی مدل و روش

3.1. ست مدل پوشش

مدل پوشش مجموعه، در اصل، مدلی برای حل مکان بهینه نقاط گسسته است. نقاط گسسته عموماً به نقاطی با تقاضاهای شناخته شده اشاره دارند و هدف مدل یافتن راه حلی است که تمام نقاط تقاضای شناخته شده را برآورده کند. در طول فرآیند حل، کمیت و مکان تأسیسات قرار داده شده و همچنین سود اقتصادی به طور جامع در نظر گرفته می شود. بسته به روش حل، مدل پوشش مجموعه به دو نوع مدل پوشش مجموعه و مدل پوشش حداکثر تقسیم می شود. مدل پوشش مجموعه به حداقل هزینه های تاسیسات یا ساخت و ساز نیاز دارد، با این فرض که تمام نقاط تقاضا پوشش داده شده است، در حالی که مدل پوشش حداکثر حداکثر مقدار تقاضا را دنبال می کند که می تواند با قرار دادن مناسب تسهیلات خدماتی برآورده شود. در مورد کمیت ایستگاه خدمات و محدوده خدمات تعریف شده. بزرگترین تفاوت بین مدل پوشش حداکثر و مدل پوشش ست این است که میزان امکانات در نظر گرفته شده است یا خیر. روش اول بر برآورده شدن خواسته ها تاکید می کند، اما روش دوم به کاهش هزینه ها توجه بیشتری دارد.شکل 1 ). با توجه به اینکه برنامه ریزی ایستگاه کمک های اولیه در چین با هدف دستیابی به پوشش کامل شبکه خدمات فوریت های پزشکی در مناطق شهری و حومه ای کل شهر و شرایط واقعی شهر نانجینگ است، در این مقاله از مدل پوشش مجموعه استفاده شده است.

مدل پوشش مکان یکی از مهم ترین مدل های انتخاب مکان برای ایستگاه های واکنش اضطراری است [ 23 ]. تورگاس و همکاران [ 4 ] برای اولین بار از مدل مسئله پوشش مجموعه مکان (LSCP) برای تعیین چیدمان ایستگاه های آتش نشانی، با هدف پوشش دادن تمام اشیاء (نقاط، خطوط و هواپیماها) با نیازهای خدمات اضطراری و در عین حال به حداقل رساندن شرایط اضطراری استفاده کنید. امکانات خدماتی [ 24 ]. مدل پایه در زیر نشان داده شده است:

دقیقه \sum j \in W ایکس j

(1)

س . t : \sum j \in ن من ایکس j \geq 1 ، \forall i \in V

(2)

ایکس j \in {0, 1}, \forall j \in W

(3)

که در آن V مجموعه ای از نقاط تقاضا، W مجموعه ای از ایستگاه های خدمات تاسیسات، i و j نشان دهنده نقاط تقاضا و ایستگاه های خدمات مختلف، N _i تعداد ایستگاه هایی است که نقاط تقاضا i را پوشش می دهند ، و $x_{j}$ یک متغیر bool برای ارزیابی ضرورت ایستگاه j است .

تابع هدف معادله (1) دستیابی به حداقل مقدار ایستگاه های تازه تاسیس است. با توجه به معادله محدودیت (2)، هر نقطه تقاضا توسط حداقل یک ایستگاه پوشش داده می شود. معادله (3) مشخص می کند که متغیر

x_{j}

نوع بول است. معادلات (1)-(3) مدل‌های گسسته‌ای هستند که به ورودی یک سری عناصر تقاضای فضایی (نقاط، خطوط و سطوح) و مجموعه‌های موقعیت بالقوه امکانات نیاز دارند.

x_{j}

یک گره است، و j منعکس کننده این است که آیا این گره برای ساخت یک تسهیلات انتخاب شده است یا نه (برای انتخاب، مقدار 1 است، در غیر این صورت، 0). برنامه‌ریزی تسهیلات با حداقل مقادیر برنامه‌ریزی‌شده در مکان‌های خاص، مدل LSCP را قادر می‌سازد تا هر فضای پیوسته را پوشش دهد، که همچنین نیاز به تعیین مقدار متغیرها، یعنی تقاضا و نقاط نامزد، و حل دارد.

x_{j}

. روش دقیق بهینه سازی انتخاب سایت مدل در زیر ارائه شده است.

3.2. مراحل الگوریتم

چارچوب روشی که مراحل الگوریتم را نشان می دهد در شکل 2 ارائه شده است . ابتدا، اطمینان حاصل کنید که مقادیر متغیر مدل پوشش مجموعه، مکان‌های ایستگاه کاندید با توجه به برنامه‌ریزی کاربری زمین انتخاب شده و در مجموعه M نوشته شده است، تجزیه و تحلیل خوشه‌بندی برای داده‌های خدمات کمک‌های اولیه انجام شده و شبیه‌سازی درخواست‌های کمک‌های اولیه به صورت مجموعه انجام می‌شود. V. سپس یک الگوریتم بهینه سازی بر اساس مدل پوشش سایت بسازید و مدل را حل کنید. مکان‌های برنامه‌ریزی نهایی در مجموعه W جمع‌آوری و نوشته می‌شوند، که نیازمند این است که زمان سفر ایده‌آل از ایستگاه کمک‌های اولیه M تا منطقه تقاضای خدمات V تنظیم شود.

t_{i j}

کمتر از زمان تعیین شده است

t_{s}^{r}

برای هر نقطه تقاضای شبیه سازی شده در زمینه مدل شبکه راه T. مراحل به تفصیل در زیر توضیح داده شده است.

3.2.1. تعیین مقادیر متغیر (امتیاز تقاضا و امتیاز نامزد)

شناسایی نقاط ایستگاه کاندید با توجه به شرایط برنامه ریزی: در حال حاضر، 6 حالت اصلی برای مراقبت های پیش بیمارستانی در چین وجود دارد که به دلیل تفاوت بین شهرها در توسعه اقتصادی و سیستم های اورژانس پزشکی محلی، از جمله مستقل، ساخته شده در بیمارستان، دولتی است. حالت های عملیاتی، وابسته، واحد آتش نشانی و هماهنگی. برای هر حالت، نقاط سایت نامزد، با توجه به شرایط کاربری زمین برنامه‌ریزی‌شده، شناسایی می‌شوند، و مجموعه نقاط کاندید به صورت M تعریف می‌شود. انجام می شود. متعاقباً، شبیه‌سازی مونت کارلو نقاط تقاضا بر اساس نتایج خوشه‌بندی داده‌ها و برازش توزیع گاوسی انجام می‌شود.

به عنوان یک روش رایج مبتنی بر نظریه آمار احتمال، شبیه سازی مونت کارلو، که به عنوان نمونه گیری تصادفی یا روش آزمون آماری نیز نامیده می شود، می تواند برای تخمین احتمال یک رویداد بر اساس احتمال رویداد در تعداد زیادی از موارد استفاده شود. آزمایش. این به ویژه در برآورد ماهیت پویای سیستم های رویدادهای مخاطره آمیز مانند کمک های اولیه خوب عمل می کند و بنابراین قادر به حل مشکلات نامشخص و پیچیده است. عملکرد فرضی آن به شرح زیر است:

Y = F (ایکس 1 ، ایکس 2 ، \dots ایکس n)

(4)

جایی که $(X_{1}, X_{2}, \dots X_{n})$ نشان دهنده احتمال توزیع مکانی هر گروه از نقاط تقاضا در خوشه های نقطه تقاضای شناخته شده در سال 2019 است. به طور کلی استفاده از روش های تحلیلی برای حل توزیع احتمال Y و ویژگی های ریاضی آن دشوار است. روش مونت کارلو از یک مولد اعداد تصادفی برای نمونه‌برداری مستقیم یا غیرمستقیم از مقدار هر گروه از متغیرهای تصادفی استفاده می‌کند و تعداد زیادی نمونه‌برداری تصادفی مستقل و مکرر از متغیرهای تصادفی را برای تولید توزیع احتمال تابع Y انجام می‌دهد (یعنی تقاضای کمک های اولیه شبیه سازی شده) که به وضعیت واقعی نزدیک است. سپس مقادیر نمونه برداری شده به صورت گروه به گروه در تابع مرحله (2) جایگزین می شوند تا نتیجه نهایی به دست آید.

3.2.2. ساخت مدل انتخاب سایت

اکنون می توان مدل را برای آن حل کرد $x_{j}$ و مجموعه ایستگاه های W نهایی برنامه ریزی شده را می توان با جایگزین کردن نقاط تقاضا و ایستگاه کاندید در مدل به دست آورد. از نظر مجموعه ایستگاه های موجود H، رویه پیش فرض این است که مستقیماً آن را بدون تغییر با مجموعه W ادغام کنید. با توجه به قابل پیش بینی بودن تقاضاهای خدمات اورژانس پزشکی، الگوریتم بهینه سازی مدل انتخاب مکان پوشش مجموعه برای تعیین اینکه آیا هر ایستگاه j از مجموعه M باید در مجموعه W گنجانده شود یا خیر ، استفاده می شود و در نتیجه، کمیت ایستگاه و توزیع به حداقل می رسد با حداکثر بهره وری خدمات کمک های اولیه به دست آمده است. الگوریتم در زیر نشان داده شده است:

دقیقه \sum j \in W ایکس j

(5)

س . t : Pr (تی ij \leq تی r س) \geq α

(6)

تی من ج \leq تی r س ، \forall i \in V ، \exists j \in W

(7)

ایکس j \in {0, 1}, \cdot \forall j \in W

(8)

که در آن i برچسب یک نقطه تقاضای شبیه سازی شده تصادفی است، j برچسب ایستگاه کاندید است، V مجموعه مناطق تقاضا، M مجموعه مکان های کاندید جدید، W مجموعه ایستگاه های اضطراری برنامه ریزی شده، H است. مجموعه ایستگاه های موجود، $t_{i j}$ زمان سفر از ایستگاه j به منطقه تقاضای i مطابق با مدل واقعی شبکه جاده T است و $x_{j}$ یک متغیر 0-1 است که اگر سایت جایگزین j باشد برابر با 1 است برابر با 1 و در غیر این صورت 0 است.

تابع هدف (5) مستلزم آن است که مقدار امکانات خدماتی ساخته شده به حداقل برسد. علاوه بر این، تابع هدف (6) یک شرایط محدودیت جهانی است که نیاز به زمان ایده آل سفر از ایستگاه کمک های اولیه تا منطقه تقاضای خدمات دارد.

t_{i j}

کمتر از زمان تعیین شده است

t_{s}^{r}

برای هر نقطه تقاضای شبیه سازی شده در زمینه شبکه جاده مدل T که شامل ترافیک است. محاسبه زمان واقعی سفر

t_{i j}

از ایستگاه کمک های اولیه j تا یک نقطه تقاضای شبیه سازی شده تصادفی i در محدوده تحقیقاتی به مقادیر فاصله و سرعت وسیله نقلیه نیاز دارد. در اینجا، ابتدا مختصات نقاط تقاضای تصادفی، و ایستگاه های کمک های اولیه نامزد و فعلی تعریف شده در بخش 3.1 را به یک سیستم مختصات یکپارچه و سپس پایگاه داده زمانی- مکانی تبدیل می کنیم. در همین حال، با کمک برنامه برنامه ریزی مسیر بر اساس الگوریتم Dijkstra، کوتاه ترین مسیر بین دو نقطه عنصر در نمودار وزنی (یعنی شبکه جاده T) محاسبه می شود که بر سرعت مشخصه حمل و نقل جاده مربوطه تقسیم می شود. زمان سفر را که به ماتریس زمان تبدیل می شود، بدست می دهد

t_{i j}

. لازم است که بیش از 97 درصد از خدمات اورژانس معیار حداکثر زمان سفر (با در نظر گرفتن خطاها،

α

به طور مصنوعی به عنوان 97٪ مشخص شده است. این مقاله با در نظر گرفتن شهر نانجینگ به عنوان مثال، روش‌های اندازه‌گیری دقیق‌تری را برای هر متغیر در معادلات مدل ارائه می‌کند، زیرا بر اساس نقاط تقاضای واقعی رویدادهای خدمات اضطراری و داده‌های شبکه جاده است. بنابراین، این مطالعه می‌تواند با دقت بیشتری ویژگی‌های زمانی-مکانی رویدادهای خدمات کمک‌های اولیه را به تصویر بکشد و در نهایت تصمیم‌های بهینه‌تری برای انتخاب مکان ایجاد کند. بخش بعدی منابع داده به دست آمده در شهر نانجینگ را شرح می دهد.

4. منابع داده

4.1. حوزه تحقیقاتی

حالت فعلی مراقبت های پیش بیمارستانی در شهر نانجینگ، مرکز استان جیانگ سو، در دسته حالت وابسته قرار می گیرد، به این معنی که ایستگاه های کمک های اولیه توسط بیمارستان های عمومی و خدمات بهداشتی اجتماعی یا بیمارستان های شهرستان پشتیبانی می شوند.

بر اساس تجزیه و تحلیل یک پرسشنامه نظرسنجی، در مجموع 52 (یعنی مقدار H) ایستگاه کمک های اولیه در شهر نانجینگ تا ژوئن 2019 در دسترس است. تخصیص این ایستگاه های عملیاتی یک الگوی کلی با تراکم بالاتر در مرکز را نشان می دهد. منطقه شهری و تراکم کمتر در مناطق یا شهرهای جدید بیرونی. به طور خاص، تراکم آشکارا در مناطقی مانند Xuanwu، Gulou، Qinhuai، Yuhuatai، Jianye، Qixia و Pukou بیشتر است. شکل 3) .). طبق مقررات نانجینگ خدمات فوریت های پزشکی پیش بیمارستانی، مناطق شهری باید به ایستگاه هایی در شعاع عمل آمبولانس 3 تا 5 کیلومتری مجهز شوند، مناطقی با جمعیت متراکم باید با حداقل یک ایستگاه به ازای هر 200000 شهروند اختصاص داده شود و هر یک تعیین شده باشد. شهر یا منطقه فرعی باید ایستگاه داشته باشد. این یک روش تخمینی برای پوشش خدمات اضطراری در مناطق مختلف ارائه می دهد. نرخ های پوشش برای شعاع سرویس 3 و 5 کیلومتر به ترتیب 32 و 49 درصد است.

4.2. منابع داده و پردازش

4.2.1. داده های GPS آمبولانس ها

آمبولانس یک ابزار مهم حمل و نقل برای گروه ها و خدمات پزشکی در مواقع اضطراری است و دستگاه GPS نصب شده بر روی آن مسیر حرکت و وضعیت آن را در مدت زمان معین ثبت می کند که اطلاعاتی از موقعیت های تصادفات و پایگاه های کمک های اولیه را ارائه می دهد. داده‌های GPS آمبولانس‌های شهر نانجینگ در بازه زمانی 1 ژوئن 2018 تا 1 ژوئن 2019 تحت کمک مرکز اورژانس نانجینگ به‌دست می‌آیند. در مجموع، 99598 رکورد معتبر است، از جمله اطلاعات مهم مانند موقعیت های تماس اضطراری، موقعیت های آمبولانس پاسخگو، و زمان پاسخ ( شکل 3).). داده ها شامل 85332 رکورد از اطلاعات بیمار است که مربوط به نرخ خدمات 85.7٪ است. تعداد کل پاسخ‌های مبتنی بر ایستگاه و پاسخ‌های خالی 67802 است که 79.5 درصد را شامل می‌شود و مابقی برای پاسخ‌های انتقال بین بیمارستانی است و خارج از محدوده این مطالعه است. داده های ویژگی با استفاده از نرم افزار PostGIS پردازش و فضایی می شوند و فیلدهای ویژگی پس از پردازش شامل شماره پلاک آمبولانس، زمان حرکت، زمان رسیدن به سایت، طول و عرض جغرافیایی سایت و نام مکان مورد نظر و طول و عرض های جغرافیایی آن می باشد. .). مشاهده می شود که تقاضاهای خدمات فوریت های پزشکی در شهر نانجینگ از نظر توزیع فضایی بسیار ناهمگون است و با تاخیر سری از نقطه نظر زمانی مشخص می شود که ضرورت شبیه سازی خوشه بندی منطقه تقاضا و به دست آوردن سرعت مشخصه حمل و نقل در مدل ما

(1) با توجه به تجزیه و تحلیل خودهمبستگی کل منطقه پس از تجسم فضایی، ضریب Moran’s I دارای مقدار 0.28 و z، مقدار 3.60 است که نشان دهنده وجود مناطق خوشه ای با تقاضای بالا و همبستگی مثبت فضایی برجسته است. و ویژگی های تمرکز توزیع تقاضای خدمات کمک های اولیه به طور کلی، توزیع تقاضای ناهمگون منطقه شهری مرکزی، با تقاضاهای شدیداً بالا و محیطی ناحیه شهری تازه در حال ظهور با تقاضاهای نسبتاً کم را مشخص می کند. علاوه بر این، تجزیه و تحلیل تجسم فاصله خدمات OD (اصلی-مقصد) از نقطه تقاضای کمک های اولیه تا ایستگاه کمک های اولیه در نرم افزار ArcGIS تمایز منطقه ای درخواست های خدمات کمک های اولیه را تایید می کند. پایگاه‌های کمک‌های اولیه در مناطق مرکزی شهری به یکدیگر نزدیک هستند، که منجر به همپوشانی شدید مناطق خدماتی بین ایستگاه‌های همسایه و در نتیجه شعاع خدمات کوتاه برای هر ایستگاه می‌شود. این نشان می دهد که چندین ایستگاه معمولاً برای یک موقعیت فردی در دسترس هستند، بدون مرز مشخصی از منطقه خدمات (شکل 4 ). مناطق بیرونی حومه دارای تراکم نسبتاً کمی از ایستگاه های کمک های اولیه هستند که در نتیجه دارای منطقه خدماتی بزرگ در هر ایستگاه هستند. همانطور که در شکل 4 نشان داده شده است، مسیرهای اضطراری به نقاط منفرد همگرا می شوند . در مناطق حومه شهر، تقاضاهای اورژانسی در ناحیه لیوهه عمدتاً به بیمارستان مردمی لیوهه، آنهایی که در منطقه گائوچون در ایستگاه بیمارستان مردمی گائوچون هستند و مواردی که در منطقه لیشویی در بیمارستان مردمی لیشوئی هستند، متکی است. قوانین مشابهی برای ایستگاه دانگبا ناحیه گائوچون، ایستگاه لینچیائو بیمارستان مرکزی پوکو و ایستگاه فرعی بیمارستان میشان نیز صادق است. آمار کمی نشان می دهد که میانگین فاصله پاسخگویی برای خدمات کمک های اولیه 3.8 کیلومتر است در حالی که احتمال اوج آن بین 3 تا 4 کیلومتر است. موارد با فواصل پاسخ بیش از 4 کیلومتر 37.3٪ را تشکیل می دهند که کسری قابل توجهی است.شکل 5 ).

(2) با توجه به تفاوت زمانی بین زمان حرکت آمبولانس و زمان رسیدن به محل، میانگین زمان سفر آمبولانس 14.6 دقیقه است. آمار فضایی موارد با تأخیر جدی با زمان سفر بیش از 20 دقیقه نشان می‌دهد که توزیع نقاط تقاضا با تأخیر بالا عموماً با نقاط تقاضای کلی خدمات مطابقت دارد، که بنابراین نشان می‌دهد که تأخیر پاسخ یک موضوع سیستماتیک در سطح شهر است. اگرچه منطقه مرکزی شهری از تراکم ایستگاه کمک‌های اولیه بالایی برخوردار است، اما به دلیل راندمان پایین ترافیک، از تأخیر در پاسخگویی رنج می‌برد. برعکس، منطقه اطراف حومه به دلیل تراکم کم ایستگاه های کمک های اولیه و در نتیجه مسافت طولانی، مستعد تاخیر خدمات فوریت های پزشکی است. با توجه به میانگین زمان سفر در واحد مسافت (شکل 6 )، زمان سفر مصرف شده در همان مسافت بسیار متفاوت است و زمان پاسخگویی آمبولانس ها در ساعات شلوغی بیشتر از زمان های غیر شلوغ است. اینها نشان می دهد که زمان سفر آمبولانس ها به شدت توسط کارایی ترافیک محدود می شود و بنابراین به دست آوردن سرعت جاده مشخصه شهر نانجینگ از طریق API نقشه Gaode برای تخمین زمان پاسخ آمبولانس ضروری است.

4.2.2. به دست آوردن داده های ترافیک در زمان واقعی از طریق Gaode Map Open API

خاطرنشان می‌شود که محاسبه دقیق‌تر هزینه‌های حمل‌ونقل به ارزیابی دقیق‌تر کارایی و قابلیت خدمات پزشکی، در طول بررسی دسترسی به خدمات اضطراری کمک می‌کند. بنابراین، از طریق تجزیه و تحلیل داده های بزرگ در مورد حمل و نقل، تراکم جاده ها به منظور برنامه ریزی منطقی تر در بهینه سازی انتخاب مکان در این مطالعه معرفی می شود. نقشه Gaode اطلاعات سفر خودروهای شناور صنعت حمل و نقل و بیش از 700 میلیون کاربر این برنامه را ارائه می دهد و در 40 شهر چین از جمله نانجینگ در دسترس است. داده‌های وضعیت ترافیک جاده‌ها در تمام سطوح در منطقه تحقیقاتی از طریق OpenAPI وب سرویس Gaode درخواست و به‌دست می‌آیند، به طور خاص شامل نام جاده، هندسه مختصات جغرافیایی جاده، سرعت جاده، وضعیت تراکم و غیره. ایده کلی را می توان به صورت زیر خلاصه کرد: برای شروع، داده ها برای پارامترهای مدل از طریق API وضعیت ترافیک Gaode درخواست می شوند. از آنجایی که لازم است منطقه درخواست مستطیل باشد، ابتدا شبکه راه های شهری هنگام بدست آوردن مدل واقعی شبکه جاده ای به چندین واحد تقسیم می شود. سپس نرم افزار کسب وضعیت ترافیک اجرا می شود و اطلاعات اصلی ترافیک در طول و عرض جغرافیایی اجرا می شود. محدوده هر واحد استخراج و وارد پایگاه داده می شود. در نهایت، واحدها در شبکه جاده های منطقه ای واقعی ادغام می شوند و داده های اصلی از قبل پردازش شده و به اطلاعات ترافیک موثر مرتبط می شوند. علاوه بر این، تنظیم شده است که نرم‌افزار جمع‌آوری پایگاه اطلاعات ترافیک به‌طور خودکار به مدت 28 روز متوالی در فاصله زمانی یک ساعت (3600 ثانیه) اجرا شود. که به پردازش دسته ای هوشمند داده های جریان و در نتیجه اکتساب خودکار، پیش پردازش، فضایی سازی و ذخیره (در قالب فایل شکل) داده های وضعیت ترافیک در سطح شهر و ایجاد پایگاه داده زمانی-مکانی وضعیت ترافیک می رسد. پس از کاهش ابعاد، سرعت مشخصه هر جاده استخراج و ترسیم می شود. آمار تمام داده های ترافیکی شهر نانجینگ از 28 می تا 10 ژوئن 2019، ارائه شده توسط Gaode Web API نشان می دهد که شاخص تاخیر ترافیک روزانه نانجینگ در سطح شهر حدود 1.55 است و میانگین سرعت روزانه حدود 28.29 کیلومتر در ساعت است. در ساعات شلوغی، شاخص تأخیر ازدحام به 1.81 افزایش می یابد و سرعت متوسط به 24.21 کیلومتر در ساعت کاهش می یابد. منطقه در حدود 5 کیلومتری منطقه مرکزی شهری با ترافیک کلی کند (مداخل) و حضور محلی ترافیک بدون انسداد مشخص می شود. این در حالی است که در منطقه دورتر از محدوده شهری، تردد در اکثر جاده ها روان است، ضمن اینکه برخی مقاطع جاده ای پرتراکم در محورهای مرکزی این منطقه و جاده های اصلی بین منطقه ای وجود دارد. ازدحام ترافیک شهری نانجینگ به یک بیماری تبدیل شده است و به شدت بر واکنش اضطراری و نجات تأثیر می گذارد.

5. تحلیل عاملی و نتایج

5.1. تعیین $t_{s}^{r}$

t_{s}^{r}

به زمان پاسخگویی هدف برای خدمات کمک های اولیه در شهر نانجینگ اشاره دارد و معمولاً به عنوان زمان مصرف بین تماس اضطراری و رسیدن آمبولانس به محل درخواست، متشکل از زمان پاسخگویی به تماس اضطراری، پاسخ کارکنان، و مسافرت آمبولانس بنابراین، قبل از تعیین زمان هدف، ابتدا باید ویژگی‌های زمانی فعلی خدمات فوریت‌های پزشکی در شهرهای نانجینگ را با استفاده از داده‌های GPS آمبولانس‌ها تجزیه و تحلیل کرد. طبق آمار مرکز اورژانس نانجینگ، میانگین زمان پاسخگویی تماس اضطراری فعلی 1 دقیقه و میانگین زمان پاسخگویی کارکنان 3 دقیقه است. تجزیه و تحلیل داده های GPS آمبولانس میانگین زمان سفر 14.6 دقیقه را نشان می دهد. بنابراین، میانگین کل زمان پاسخ 18.6 دقیقه با میانگین 17.03 دقیقه است.25 ، 26 ، 27 ]. این مقاله بر برنامه‌ریزی و انتخاب مکان ایستگاه‌های کمک‌های اولیه محدود به زمان پاسخ اضطراری تاکید می‌کند تا زمان صرف شده توسط فرآیند انتقال بیماران به بیمارستان‌ها برای خدمات اورژانس پزشکی پس از پاسخ به تماس اورژانس و ارسال آمبولانس کاهش یابد. در حال حاضر، میانگین زمان پاسخگویی به تماس اضطراری برای کشورهای توسعه یافته بین 8 تا 12 دقیقه است [ 28 ، 29 ، 30]] که بر اساس آن زمان پاسخ اضطراری هدف 12 دقیقه نیز با در نظر گرفتن بیماری و کلان شهر تعیین شده است. با توجه به واقعیت فعلی مراقبت های پیش بیمارستانی شهر نانجینگ (یعنی میانگین زمان پاسخگویی تماس اورژانسی 1 دقیقه و میانگین زمان پاسخگویی کارکنان 3 دقیقه)، زمان سفر آمبولانس

t_{s}^{r}

در این مقاله 8 دقیقه را هدف قرار می دهد و این هدف زمانی برای برنامه ریزی شبکه ایستگاه کمک های اولیه شهر نانجینگ استفاده می شود.

5.2. نتایج پس از جایگزینی داده ها در مدل ایجاد شد

5.2.1. انتخاب مکان های ایستگاه های کاندید بر اساس برنامه ریزی کاربری زمین و نوشتن مکان های انتخابی در مجموعه M

حالت مراقبت پیش بیمارستانی در شهر نانجینگ در دسته حالت وابسته قرار می گیرد، به عنوان مثال، بیمارستان ها در ساخت مشترک ایستگاه های اورژانس مربوطه خود مشارکت دارند. بر اساس برنامه‌ریزی مراکز درمانی و بهداشت عمومی نانجینگ، در مجموع 2083 سایت به عنوان نامزد از سه نوع کاربری زمین، از جمله بیمارستان‌های عمومی (A5)، مراکز خدمات بهداشت عمومی محلی (Aa) و ایستگاه‌های خدمات بهداشت عمومی محلی انتخاب شده‌اند. Rc) ( شکل 7 ).

5.2.2. تجزیه و تحلیل خوشه ای برای داده های خدمات کمک های اولیه و شبیه سازی تقاضای کمک های اولیه

تجزیه و تحلیل خوشه‌بندی K-means برای تقاضای خدمات کمک‌های اولیه در نقاط فضایی-زمانی n در سال‌های 2018-2019، با تعداد خوشه K انجام شده است. میانگین مختصات جانبی و عمودی نقاط هر خوشه نسبت به مرکز خوشه μو کوواریانس COV محاسبه شده و تابع آزمون توزیع نرمال را برآورده می کند. شبیه‌سازی مونت کارلو نقاط تقاضا، بر اساس نتایج خوشه‌بندی و برازش توزیع گاوسی داده‌ها برای سال 2019، برای تولید چندین نقطه تقاضای تصادفی، به منظور محاسبه سطح اطمینان انجام شده است. لازم به ذکر است که خوشه بندی K-means به ورودی خوشه شماره K نیاز دارد (در این مقاله، 200). فرآیند خوشه‌بندی عمدتاً شامل سه مرحله است: اول، K نقاط اولیه تصادفی به عنوان مرکز خوشه‌ها در نظر گرفته می‌شوند. سپس با توجه به فاصله تا مرکز، داده های موجود در مجموعه داده به هر خوشه تخصیص داده می شود و مقدار متوسط داده های هر خوشه محاسبه شده و به عنوان مرکز جدید در نظر گرفته می شود. در نهایت، مرحله قبل تکرار می شود تا زمانی که همه خوشه ها بدون تغییر باقی بمانند.شکل 8 ).

5.2.3. ساخت مدل شبکه راه و محاسبه ماتریس حداقل زمان $t_{i j}$

مجموعه داده های شبکه جاده ای بر اساس Shapefile پردازش شده به عنوان مدل شبکه ترافیکی ساخته و استفاده می شودفرمت فایل شبکه جاده، پس از پردازش توپولوژیکی مانند شکستن تقاطع و ادغام رابط. مجموعه داده ها شامل بخش های جاده و تقاطع ها است. بخش جاده عنصر خطی برای شبکه جاده است و با قوس در ArcGIS نشان داده می شود. هر بخش جاده دارای ویژگی هایی مانند سرعت وسیله نقلیه ازدحام (کیلومتر در ساعت)، میانگین سرعت وسیله نقلیه (کیلومتر در ساعت)، زمان سفر در مورد سرعت متوسط وسیله نقلیه (ها) و طول (کیلومتر) است. تقاطع های جاده ها توسط گره ها در ArcGIS نشان داده شده و با جدول دستورالعمل تراش در تقاطع های جاده ترکیب می شوند. بنابراین، آنها می توانند واقعاً سناریوهای ترافیکی واقعی مانند انتظار برای چراغ قرمز، بدون انحراف مستقیم، بدون انحراف به چپ و رانندگی از طریق یک پل هوایی را تقلید کنند. در ArcGIS زمان مورد نیاز برای هر بخش جاده محاسبه می شود. با توجه به شبکه جاده واقعی و سرعت مشخصه مربوطه. در این تحقیق، سرعت مشخصه به میانگین واقعی زمان سفر اشاره دارد. داده‌های سرعت خودرو بین دو هفته متوالی در دوره تحقیق مقایسه می‌شوند، و نتایج محاسبه کوواریانس نشان می‌دهد که منحنی‌های توزیع برای سرعت‌های متوسط در یک ساعت مشخص می‌توانند به خوبی برازش شوند، با ضریب همبستگی 0.973. بنابراین، به جرات می توان گفت که داده های دو هفته مورد استفاده در این تحقیق به صورت دوره ای معرف هستند. و نتایج محاسبه کوواریانس نشان می‌دهد که منحنی‌های توزیع برای سرعت‌های متوسط در یک ساعت مشخص می‌توانند به خوبی با ضریب همبستگی 0.973 برازش شوند. بنابراین، به جرات می توان گفت که داده های دو هفته مورد استفاده در این تحقیق به صورت دوره ای معرف هستند. و نتایج محاسبه کوواریانس نشان می‌دهد که منحنی‌های توزیع برای سرعت‌های متوسط در یک ساعت مشخص می‌توانند به خوبی با ضریب همبستگی 0.973 برازش شوند. بنابراین، به جرات می توان گفت که داده های دو هفته مورد استفاده در این تحقیق به صورت دوره ای معرف هستند.

5.2.4. جمع آوری سایت های برنامه ریزی نهایی و نوشتن آنها در مجموعه W

52 سایت موجود از مجموعه H مستقیماً به مجموعه W اضافه شده است . از طریق الگوریتم ارائه شده در بخش اول این مقاله، محاسبه برای تعیین اینکه آیا هر ایستگاه j در مجموعه M باید در مجموعه W گنجانده شود یا خیر، انجام می شود . عوامل واقعی شهر نانجینگ یکی پس از دیگری در معادله محدودیت شرایط جهانی جایگزین می شوند. همانطور که در بالا اشاره شد،

t_{s}^{r}

8 دقیقه تنظیم شده است و α 0.97 است. برای هر نقطه تقاضای تصادفی شبیه سازی شده j که توسط خوشه بندی ایجاد می شود، لازم است که زمان سفر به ایستگاه i در مجموعه M (به اضافه ماتریس زمان OD t ) کمتر از 8 دقیقه باشد. بر این اساس، کمترین مقدار ایستگاه

x_{j}

و توزیع j با حداکثر کارایی پاسخ اضطراری را می توان به دست آورد.

5.2.5. محاسبات تکراری در Matlab

نتایج نشان می دهد که در تکرار 120 راه حل بهینه به دست می آید ( شکل 9 و شکل 10 ). مقدار بهینه ایستگاه های ساخته شده 134 است. پس از نگاشت نتایج به فضا، 52 تاسیسات موجود را می توان به سادگی شناسایی کرد و 82 سایت بالقوه ایستگاه را می توان از دیگر نقاط کاندید انتخاب کرد.

5.2.6. بررسی و تنظیم نتایج شبیه سازی شده

ابتدا، کاربری زمین مربوط به محل سایت ایستگاه برنامه ریزی شده باید روشن شود. تنظیم دقیق طبق ترتیب اولویت زیر انجام می شود، بیمارستان های عمومی (A5) > مراکز خدمات بهداشت عمومی جامعه (Aa) > ایستگاه های بهداشت عمومی جامعه (Rc)، برای تسهیل اجرای برنامه ریزی.

برنامه ریزی نهایی تخصیص در شکل 11 نشان داده شده است . این برنامه ریزی شامل 136 ایستگاه اضطراری است که 48 ایستگاه رزرو شده، 88 ایستگاه تازه تاسیس و 8 ایستگاه تعدیل شده است. در مجموع 99 ایستگاه عمدتاً به مناطق شهری مرکزی خدمات می دهند در حالی که 37 ایستگاه دیگر به مناطق حومه شهر خدمات رسانی می کنند. با برنامه ریزی انجام شده، میزان پوشش شعاع سرویس 3 کیلومتری از 32 درصد به 63 درصد و شعاع 5 کیلومتری از 49 درصد به 95 درصد افزایش می یابد. هر شهر در منطقه حومه شهر حداقل یک پایگاه اورژانس دارد. میانگین زمان پاسخ از 18.6 دقیقه به 12 دقیقه کاهش یافته است.

6. بحث

(1): بهینه سازی سایت های تسهیلات اضطراری یک موضوع تحقیقاتی کلاسیک در زمینه جغرافیا بوده است. در مقایسه با مدل سنتی، مدل پوشش مجموعه مکان بهینه نشان داده شده است که تا حد زیادی پوشش را بهبود می‌بخشد و زمان پاسخ اضطراری را به طور موثر کوتاه می‌کند. این امر وجود کاستی های آشکار را هنگام توزیع ایستگاه های اورژانس پیش بیمارستانی در شهر نانجینگ تأیید می کند. به طور خاص، امکانات اورژانس کنونی به دلیل تخصیص ناکافی و نامتوازن منابع پزشکی در ولسوالی های مختلف، از برآوردن نیازهای اضطراری فاصله زیادی دارد. منابع پزشکی بسیار متمرکز در ناحیه گولو و ژوان وو با هدف طرح توسعه چند مرکزی نانجینگ “یک مرکز و سه شهر فرعی” در تضاد است. علاوه بر این، تخصیص نامتوازن منابع اضطراری نیز در هر منطقه وجود دارد. به عنوان مثال، منابع اضطراری در مناطق Xuanwu و Gulou عمدتاً به ترتیب در جنوب و شرق دریاچه Xuanwu متمرکز هستند.
(2): پارامتر هدف زمانی در مدل پیشنهادی با توجه به تحلیل داده‌های موجود و وضعیت واقعی شهر نانجینگ با ارجاع به الزامات شهرهای دیگر در چین و سایر کشورها انتخاب شده است. در آینده، با بهبود بیشتر قوانین کمک‌های اولیه و تسهیلات مختلف حمایتی، دولت ممکن است بتواند زمان پاسخگویی به تماس اضطراری را بیشتر کوتاه کند. علاوه بر این، زمان پاسخ اضطراری و زمان پاسخ پرسنل ممکن است با مدیریت استاندارد ارتقا یافته به تدریج کاهش یابد. علاوه بر این، هزینه ترافیک بر اساس مدل شبکه راه ممکن است در نتیجه بازسازی و گسترش جاده تغییر کند. بنابراین، تنظیم و به روز رسانی عوامل پویا در مدل به موقع بسیار مهم است. بر این اساس، داده‌های ترافیکی در مدت زمان طولانی‌تری برای مشاهده تغییرات سرعت خودرو در فصول و ماه‌های مختلف جمع‌آوری می‌شود، که به دستیابی به عوامل هزینه زمانی دقیق‌تر کمک می‌کند که می‌تواند در مدل جایگزین شود. علاوه بر این، داده های اضطراری در سال 2020 را می توان به دست آورد و برای مقایسه و تأیید بیشتر در مدل پیشنهادی جایگزین کرد.

7. نتیجه گیری

دیجیتالی شدن در عصر جدید در تمام جنبه های زندگی شهری، حمل و نقل و مراقبت های پزشکی نفوذ کرده است. توسعه داده های بزرگ مکانی-زمانی فرصت های جدیدی برای بهینه سازی انتخاب مکان اضطراری فراهم می کند. این مطالعه ابتدا مدل پایه انتخاب مکان اضطراری را بر اساس شرایط ترافیکی واقعی و روش شبیه‌سازی تقاضاهای فضایی تصادفی معرفی می‌کند. پس از آن، پیشنهاد می‌شود که این تقاضاهای فضایی تصادفی باید بر اساس داده‌های واقعی پردازش شوند، همراه با استفاده از روش خوشه‌بندی K-means برای توصیف و شبیه‌سازی کمی ویژگی‌های توزیع تقاضاهای اضطراری. بر این اساس، یک الگوریتم بهینه‌سازی که سرعت واقعی شبکه جاده‌ای را در مدل پوشش مجموعه ادغام می‌کند، ایجاد می‌شود. که به زمان کوتاه تری نسبت به همتای هدف از نقطه تقاضای شبیه سازی شده تا ایستگاه اضطراری با سرعت واقعی کمک می کند. در تجزیه و تحلیل عملی، داده‌های کمک‌های اولیه شهر نانجینگ از 1 ژوئن 2018 تا 1 ژوئن 2019 ابتدا از نظر ویژگی‌های مکانی-زمانی آن‌ها مورد تجزیه و تحلیل قرار می‌گیرد و به دنبال آن عوامل مختلف لازم بر اساس تحلیل مدل‌سازی تعیین می‌شوند. در نهایت، مدل تحت محدودیت های کاربری زمین، با زمان هدف توافق شده 8 دقیقه حل می شود. این مقاله تلاش می‌کند تا مدل پوشش مجموعه مکان را با داده‌های بزرگ زمانی-مکانی در برنامه‌ریزی شهری اعمال کند تا یک مدل جدید برای انتخاب مکان امکانات خدمات اضطراری ارائه دهد که تصادفی بودن رویدادهای خدمات اضطراری و موقعیت‌های ترافیکی را در بر می‌گیرد. قبلاً در تحقیقات نادیده گرفته شده بود. در دسترس بودن خدمات اورژانس و داده‌های بزرگ فضایی و زمانی ترافیک، مبنای داده‌های دقیق‌تری را برای مدل فراهم می‌کند، که برای انتخاب مکان امکانات مراقبت‌های پیش بیمارستانی که به دقت و به‌موقع بالا نیاز دارد، حیاتی است. این تحقیق به مرکز اورژانس نانجینگ سفارش داده شد و نتیجه تحقیق از “برنامه ریزی چیدمان ایستگاه کمک های اولیه نانجینگ” که یک برنامه ریزی قانونی است که از سال 2019 توسط دولت محلی اجرا شده است، پشتیبانی نظری کرد. روش مورد استفاده در این تحقیق یک دیجیتالی ارائه می دهد. چشم انداز قانون ذاتی شهری و شاخه جدیدی از نوسازی تسهیلات اضطراری که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. که برای انتخاب مکان امکانات مراقبت های پیش بیمارستانی که نیاز به دقت و به موقع بودن بالایی دارد، حیاتی است. این تحقیق به مرکز اورژانس نانجینگ سفارش داده شد و نتیجه تحقیق از “برنامه ریزی چیدمان ایستگاه کمک های اولیه نانجینگ” که یک برنامه ریزی قانونی است که از سال 2019 توسط دولت محلی اجرا شده است، پشتیبانی نظری کرد. روش مورد استفاده در این تحقیق یک دیجیتالی ارائه می دهد. چشم انداز قانون ذاتی شهری و شاخه جدیدی از نوسازی تسهیلات اضطراری که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. که برای انتخاب مکان امکانات مراقبت های پیش بیمارستانی که نیاز به دقت و به موقع بودن بالایی دارد، حیاتی است. این تحقیق به مرکز اورژانس نانجینگ سفارش داده شد و نتیجه تحقیق از “برنامه ریزی چیدمان ایستگاه کمک های اولیه نانجینگ” که یک برنامه ریزی قانونی است که از سال 2019 توسط دولت محلی اجرا شده است، پشتیبانی نظری کرد. روش مورد استفاده در این تحقیق یک دیجیتالی ارائه می دهد. چشم انداز قانون ذاتی شهری و شاخه جدیدی از نوسازی تسهیلات اضطراری که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. و نتیجه تحقیق پشتیبانی نظری از “برنامه ریزی چیدمان ایستگاه کمک های اولیه نانجینگ” را ارائه کرد که یک برنامه ریزی قانونی است که توسط دولت محلی از سال 2019 اجرا شده است. روش استفاده شده در این تحقیق دیدگاه دیجیتالی از حقوق ذاتی شهری و شاخه جدیدی از تمدید تسهیلات اضطراری که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. و نتیجه تحقیق پشتیبانی نظری از “برنامه ریزی چیدمان ایستگاه کمک های اولیه نانجینگ” را ارائه کرد که یک برنامه ریزی قانونی است که توسط دولت محلی از سال 2019 اجرا شده است. روش استفاده شده در این تحقیق دیدگاه دیجیتالی از حقوق ذاتی شهری و شاخه جدیدی از تمدید تسهیلات اضطراری که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. روش مورد استفاده در این تحقیق دیدگاه دیجیتالی از قانون ذاتی شهری و شاخه جدیدی از نوسازی تسهیلات اضطراری را ارائه می دهد که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد. روش مورد استفاده در این تحقیق دیدگاه دیجیتالی از قانون ذاتی شهری و شاخه جدیدی از نوسازی تسهیلات اضطراری را ارائه می دهد که می تواند آموخته و رایج شود. علاوه بر این، این مطالعه همچنین یک دیدگاه دیجیتالی برای کاوش در نظم ذاتی شهرها و اصلاح روش برنامه‌ریزی چیدمان مرسوم ارائه می‌دهد.

منابع

یانگ، XH; Ren, YR تحقیق در مورد طرح شبکه خدمات پزشکی اورژانس شهری. چانه. جی. هاسپ. مدیریت 1994 ، 10 ، 673-677. [ Google Scholar ]
لین، WP؛ Yan, Z. اصلاح نظام پزشکی و بهداشت و برنامه ریزی امکانات پزشکی و بهداشتی شهری. طرح شهری. 2006 ، 30 ، 47-50. [ Google Scholar ]
آدنسو دیاز، بی. رودریگز، اف. یک جستجوی اکتشافی ساده برای MCLP: کاربرد برای مکان پایگاه های آمبولانس در یک منطقه روستایی. امگا 1997 ، 25 ، 181-187. [ Google Scholar ] [ CrossRef ]
تورگاس، سی. سواین، آر. ریول، سی. برگمن، ال. محل تأسیسات خدمات اضطراری. اپراتور Res. 1971 ، 19 ، 1363-1373. [ Google Scholar ] [ CrossRef ]
کلیسا، آر. ReVelle, C. مشکل مکان پوشش حداکثر. پاپ Reg. علمی دانشیار 1974 ، 32 ، 101-118. [ Google Scholar ] [ CrossRef ]
موری، AT; O’Kelly، ME ارزیابی خطای نمایش در مدل‌سازی پوشش مبتنی بر نقطه. جی. جئوگر. سیستم 2002 ، 4 ، 171-191. [ Google Scholar ] [ CrossRef ]
پیت، ای. Pusponegoro، A. مراقبت های پیش بیمارستانی در اندونزی. ظهور. پزشکی J. 2005 ، 22 ، 144-147. [ Google Scholar ] [ CrossRef ]
دگل، دی. ویشه، ال. راچوبا، اس. Werners, B. تخصیص آمبولانس وابسته به زمان با در نظر گرفتن پوشش تجربی مورد نیاز مبتنی بر داده. مدیریت مراقبت های بهداشتی. علمی 2015 ، 18 ، 444-458. [ Google Scholar ] [ CrossRef ]
چن، AY; لو، TY; ما، MHM؛ Sun، WZ پیش‌بینی تقاضا با استفاده از تجزیه و تحلیل داده‌ها برای تخصیص قبلی آمبولانس‌ها. IEEE J. Biomed. سلامتی. 2016 ، 20 ، 1178-1187. [ Google Scholar ] [ CrossRef ]
فن، ب. روش کاوش خوشه‌بندی فضایی برای مسئله مکان‌یابی مرکز پاسخ اضطراری. جی. مناگ. علمی 2008 ، 11 ، 20-28، 30-32. [ Google Scholar ]
ژو، YN; لو، ایکس. دای، ز. شن، اچ. زو، QZ; Luo, L. روش برنامه ریزی و مطالعه تجربی سایت اورژانس. تصمیم سیاست سلامت چین 2016 ، 9 ، 69-73. [ Google Scholar ]
دو، QZ; ژانگ، WW; زو، HD؛ خو، جی. چن، ام.اف. لی، سی. Duan، WQ; مدل کمک‌های اولیه پیش بیمارستانی Miao، JG غیریکنواخت و نسبتاً پایدار بر اساس داده‌های بزرگ فضایی. محاسبه کنید. تکنولوژی Appl. 2018 ، 044 ، 130–133. [ Google Scholar ]
برالدی، پ. برونی، ME یک مدل احتمالی اعمال شده برای مکان یابی وسایل نقلیه خدمات اضطراری. یورو جی. اوپر. Res. 2009 ، 196 ، 323-331. [ Google Scholar ] [ CrossRef ]
سو، کیو. یانگ، کیو. برنامه ریزی مکان آمبولانس وانگ، QG با در نظر گرفتن تصادفی فضایی تقاضا. چانه. جی. مناگ. علمی 2019 ، 27 ، 110–119. [ Google Scholar ]
نی، ج. وانگ، جی. روی، ی. کیان، تی. وانگ، جی. یک روش حوضه آبریز شناور دو مرحله ای افزایش یافته برای اندازه گیری دسترسی فضایی به مراکز مراقبت مسکونی در نانجینگ. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2015 ، 12 ، 14490-14504. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تائو، ز. چنگ، ی. دای، تی. روزنبرگ، MW بهینه‌سازی فضایی مکان‌های مراکز مراقبت مسکونی در پکن، چین: حداکثر برابری در دسترسی. بین المللی J. Health Geogr. 2014 ، 13 ، 33. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چن، جی. ژو، اس. لیو، ال. شیائو، ال. Song, G. تأثیر ازدحام ترافیک بر دسترسی زمانی-مکانی خدمات پزشکی اورژانس – گوانگژو را به عنوان مثال در نظر بگیرید. Prog. Geogr. علمی 2016 ، 35 ، 431-439. [ Google Scholar ] [ CrossRef ]
شیا، تی. آهنگ، X. ژانگ، اچ. آهنگ، X. کاناسوجی، اچ. Shibasaki, R. اندازه گیری دسترسی مکانی-زمانی به خدمات پزشکی اورژانس از طریق داده های بزرگ GPS. Health Place 2019 ، 56 ، 53–62. [ Google Scholar ] [ CrossRef ]
چنگ، جی. زنگ، ایکس. دوان، ال. لو، ایکس. سان، اچ. جیانگ، تی. Li، Y. تجزیه و تحلیل تفاوت فضایی برای دسترسی به بیمارستان های سطح بالا بر اساس زمان سفر در شنژن، چین. Habitat Int. 2016 ، 53 ، 485-494. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، اف. Xu, Y. برآورد ماتریس زمان سفر OD توسط Google Maps API: پیاده‌سازی، مزایا و مفاهیم. ان GIS 2011 ، 17 ، 199-209. [ Google Scholar ] [ CrossRef ]
گو، دبلیو. وانگ، ایکس. مک گرگور، SE بهینه سازی مکان های مراقبت های بهداشتی پیشگیرانه. بین المللی J. Health Geogr. 2010 ، 9 ، 17. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
تائو، ز. یائو، ز. کنگ، اچ. دوان، اف. لی، جی. دسترسی فضایی به خدمات مراقبت های بهداشتی در شنژن، چین: بهبود روش حوضه آبریز شناور چند مرحله ای با تخمین زمان سفر از طریق API های نقشه آنلاین. سرویس بهداشتی BMC Res. 2018 ، 18 ، 345. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
موری، AT; تانگ، دی. Kim, K. بهبود مدل‌های مکان پوشش کلاسیک. بین المللی Reg. علمی Rev. 2010 , 33 , 115-133. [ Google Scholar ] [ CrossRef ]
ReVelle, C. بررسی، گسترش و پیش‌بینی در مدل‌های مکان‌یابی خدمات اضطراری. یورو جی. اوپر. Res. 1989 ، 40 ، 58-69. [ Google Scholar ] [ CrossRef ]
لیو، جی. هائو، YH; وو، QH; دونگ، ایکس. خو، جی. وو، زی؛ چن، اچ پی؛ Sun، YH مقایسه بین المللی حالت اورژانس پیش بیمارستانی و آموزش شغلی پرسنل اورژانس. چانه. منبع سلامت 2013 ، 16 ، 30-32. [ Google Scholar ]
ژانگ، ق. تائو، اچ. Gui, L. بررسی و چشم انداز توسعه ملی و بین المللی خدمات فوریت های پزشکی سیستم. J. Nurs. Adm. 2004 , 4 , 23-25. [ Google Scholar ]
اداره کل شورای دولتی اطلاعیه اداره کل شورای دولتی در زمینه ارسال طرح ساخت سیستم درمان پزشکی برای فوریت های بهداشت عمومی وزارت بهداشت (کمیسیون توسعه و اصلاح شماره 82 [2003]) . دفتر کل شورای دولتی: پکن، چین، 2003.
چن، KH گزارش بررسی سیستم خدمات اضطراری اروپا. چانه. بیمارستان 2006 ، 10 ، 79-81. [ Google Scholar ]
سان، ام. پیشرفت خدمات پزشکی اورژانس آمریکا. چانه. بیمارستان مدیریت 1987 ، 7 ، 53-55. [ Google Scholar ]
شورای قانونگذاری هنگ کنگ شورای قانونگذاری منطقه اداره ویژه هنگ کنگ جمهوری خلق چین ؛ کاغذ LC شماره CB(2)114/00-01; شورای قانونگذاری هنگ کنگ: هنگ کنگ، چین، 2000.

شکل 1. نمودارهای شماتیک مدل پوشش مجموعه و مدل پوشش حداکثر.

شکل 2. چارچوب روش.

شکل 3. نقشه ایستگاه های اورژانس پیش بیمارستانی در نانجینگ.

شکل 4. نقشه محدوده خدمات هر پایگاه کمک های اولیه (شکل سمت راست نشان دهنده ایستگاه های کمک های اولیه، دایره های آبی نیاز خدمات این ایستگاه و دایره های سبز رنگ سایر ایستگاه ها هستند).

شکل 5. توزیع فاصله پاسخ کمک های اولیه.

شکل 6. زمان مصرف شده در مقابل فاصله پاسخ.

شکل 7. مجموعه سایت کاندید M.

شکل 8. K-به معنی نتایج خوشه بندی است.

شکل 9. نتایج انتخاب سایت.

شکل 10. محاسبات تکراری در Matlab.

شکل 11. طرح نهایی ایستگاه های کمک های اولیه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. بررسی ادبیات

3. معرفی مدل و روش

3.1. ست مدل پوشش

3.2. مراحل الگوریتم

3.2.1. تعیین مقادیر متغیر (امتیاز تقاضا و امتیاز نامزد)

3.2.2. ساخت مدل انتخاب سایت

4. منابع داده

4.1. حوزه تحقیقاتی

4.2. منابع داده و پردازش

4.2.1. داده های GPS آمبولانس ها

4.2.2. به دست آوردن داده های ترافیک در زمان واقعی از طریق Gaode Map Open API

5. تحلیل عاملی و نتایج

5.1. تعیین تیrستیس�

5.2. نتایج پس از جایگزینی داده ها در مدل ایجاد شد

5.2.1. انتخاب مکان های ایستگاه های کاندید بر اساس برنامه ریزی کاربری زمین و نوشتن مکان های انتخابی در مجموعه M

5.2.2. تجزیه و تحلیل خوشه ای برای داده های خدمات کمک های اولیه و شبیه سازی تقاضای کمک های اولیه

5.2.3. ساخت مدل شبکه راه و محاسبه ماتریس حداقل زمان تیمن جتیمن�

5.2.4. جمع آوری سایت های برنامه ریزی نهایی و نوشتن آنها در مجموعه W

5.2.5. محاسبات تکراری در Matlab

5.2.6. بررسی و تنظیم نتایج شبیه سازی شده

6. بحث

7. نتیجه گیری

منابع

قبلینقشه برداری دریاچه های یخبندان با استفاده از تصاویر ماهواره ای PlanetScope و یادگیری عمیق

بعدیمسیریابی سه بعدی تخلیه آتش در داخل ساختمان

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

5.1. تعیین $t_{s}^{r}$

5.2.3. ساخت مدل شبکه راه و محاسبه ماتریس حداقل زمان $t_{i j}$

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب