基于ARIO模型的汶川地震灾后恢复重建期模拟

基于区域投入产出模型(ARIO),以一个月为时间步长,模拟了汶川地震后四川省各部门产出和需求随重建进程的变化过程。模拟结果表明:汶川地震的完全恢复重建大致需要近9年的时间,灾后36个月时,四川省的当地总产出能力将超过灾前水平。在重建模拟的基础上,评估了灾后实施不同风险管理策略的潜在效益,若最大生产能力在灾后3个月内能够加速达到灾前的150%,则与无加速重建相比,恢复重建期至少可以缩短3年半,证明了灾后加大人力和物力投入对于缩短恢复重建期的作用。提出的重建期模拟方法可以为缩短重建期、合理分配抗灾救灾资源的灾害管理提供技术支撑。

高速公路突发事件恢复重建期交通量预测

为了提升高速公路突发事件应急管理能力,为突发事件恢复与重建施工及路网拥堵状况预判提供依据,提出一种高速公路突发事件恢复重建期路网交通量预测方法,利用扩散卷积和序列到序列学习框架模型,结合预定采样技术捕捉时间序列时空相关性,以高速公路联网收费数据为基础,建立路网交通量分配模型,实现对交通量时间精度下的分配;利用扩散卷积递归神经网络(DCRNN)构建高速公路路网交通量预测模型,运用扩散卷积运算来捕捉交通量的空间相关性,并使用预定采样编码器-解码器结构有效解决交通量的时间依赖问题,模型将交通的空间性建模为有向图上的扩散过程,而不是传统的网格划分;并选取自回归滑动平均模型(ARIMA)模型和机器学习BP神经网络模型对模型的准确性及有效性进行了验证。研究结果表明:将河北省石家庄高速公路路网发生突发事件后15d交通量数据做训练集,后7d数据进行验证,迭代60次时,测算每15min间隔内的路网交通量的模型精度达到0.95。提出的模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)更低,能够有效弥补单一化神经网络预测模型仅能做出时序性预测的不足,可显著提高预测结果的精确性和实用性。