IBI小组采用参数方法研究大流行韧性
新冠肺炎大流行颠覆了世界各地城市的运作. 在灾难规划的大多数情况下，历史事件会影响对未来危机的反应. 虽然世界过去曾经历过病毒爆发, 2019冠状病毒病在全球范围内以及城市生活各个方面的剧变是前所未有的. 各城市在疫情爆发前制定的计划, 企业, 教育设施, 过境机构必须完全重新设计，以包括大流行的抵御能力——这需要迅速实现.
在危机早期，AG平台的计算团队将重点转移到大流行抵御能力上. 由规划师组成, 架构师和程序员, 该团队有能力为建筑环境的设计和操作开发定制的工作流程和参数化设计工具. 在正常情况下, 团队建立参数化模型来帮助设计建筑, 规划交通系统, 制定土地使用计划, 在城市规划和建筑的其他方面. 参数化建模过程可以有效地利用大型数据集和变量的相关性，并可以将灵活性纳入模型.
以下概述了如何建立参数化模型，以支持城市应对COVID-19. 通过开发我们自己的工具, 并使用公开的健康数据, 我们已经能够研究空间和操作解决方案, 把流行病的解决办法留给医生和科学家.
洛杉矶县医疗保健系统
四月初, 我们通过全面考察洛杉矶县的医疗保健系统，并考虑其为支持大量新患者所做的准备，建立了一个参数模型. 我们的模型使用了洛杉矶每家医院的可用地理空间数据, 包括关于可用床位数量的信息, 人员和设备. 它还考虑了附近有体育馆的高中的地点，可以在那里建立临时护理设施. 这些数据与全县每日感染计数有关，并按社区组织.
利用健康计量与评估研究所(IMHE)的COVID-19预测曲线, 我们的模型预测了社区的潜在感染数量, 将感染的百分比与给定半径内的医院联系起来. 我们不能假设每个床位都可用，因为医院仍然有非covid -19患者需要治疗. 因此，可用床位的百分比被包括作为一个变量来测试. 如果有医院满员的话, 该模型将确定是否有机会将更多的病人送到附近的医疗机构. 如果所有的医院都住满了, 该模型将找到最有效的高中体育馆，将其转换为临时护理设施，并在这些空间应该转换时提醒我们.
最后, 我们的模型使我们能够测试无限的场景, 用最佳和最坏感染情况替换IMHE曲线. 很明显，如果我们从整体上考虑医疗设施, 即使在最坏的情况下, 该系统有能力为所有可能需要的人提供护理, 事实已被证明是正确的. 这突出了需要整体思维和广泛访问集中式数据库和模型，以绕过孤岛并做出基于证据的决策. 点击 在这里 观看演示.
有系统地复课
我们下一阶段的建模工作侧重于让孩子重返学校、让父母重返工作岗位的战略方法. 关键的安全问题，以及许多关键工人有学龄儿童的事实，使让关键工人重返工作岗位的努力变得复杂. 一些学校仍然关闭，无法进行课堂教学, 还有一些是通过混合模式运营的, 一些父母无法重返工作岗位.
使用公开可用的数据库, 我们的模型创建了人口普查街区的概况, 包括必要工人居住的地方, 平均家庭规模和孩子的年龄. 这些数据, 结合对全区学校占用率的分析, 使我们能够了解如何安全地将孩子们分配到可用的教室.
我们的模式主要针对15岁及以下的学生, 假设年龄较大的高中生可以在父母上班的时候自主学习. 这一策略也使高中教室有了其他用途, 释放整个学校系统的额外容量. 最终, 我们的模型证明，入住率仅为covid -19前的28%, 重要工作人员的孩子可以安全地返回学校，洛杉矶的每一位重要工作人员都可以重返工作岗位. 点击 在这里 观看演示.
跨建筑类型的距离分析
在办公室等特殊空间遵守物理距离规定, 学校, 医院, 体育场馆, 表演艺术中心提出了一个挑战. 我们的进化算法旨在确保物理距离协议可以在各种高流量空间内遵守，尽管它们具有特殊性.
AG平台回归办公室战略
我们建立了一个距离算法，为我们自己的重返办公室策略提供信息, 它能够在几天内为我们的60多个全球办事处生成布局和座位计划. 以物理距离要求为变量, 随着它们的发展，实现有效的重新优化, 我们的算法还可以在几秒钟内考虑个人空间和主要和次要交通. 当与传统的“手动”座位布局进行测试时, 我们的进化求解器发现了平均4- 5%的额外容量.
学校
办公室模式将员工与固定的办公桌布局联系在一起, 学校模式提供了重新分配课桌的机会. 考虑到学生书桌的容易重复的模块, 我们的进化求解器在物理距离参数内优化了空间布局. 另外, 该模型包括协作模式选项(集群办公桌彼此面对), 或者教学模式(课桌对着教学墙), 伴随着“教师泡沫”, 在不进入学生空间的情况下，给予教师安全活动的空间. 有明确的教学墙, 该算法可以在一分钟内优化整个学校的课桌布局.
各学区现在以不同的方式对待学生在整个上学日的活动, 我们的模型考虑了三种选择:静态的学生舱和动态的老师, w在这里 students remain in the same space and the teachers move around throughout the day; dynamic student pods with static teachers, w在这里 students move in groups between classrooms while the teachers stay in the same space; and status quo, 在那里，老师和每个学生都有自己独特的课程表. 使用学校的日常时间表, 这个模型模拟了学校里的运动, 当学生和/或老师从一个教室移动到另一个教室时，建议路线优化.
医院
我们正在为多伦多一家大型医院的COVID-19运营提供建议, 并围绕回答三个关键问题组织了我们的建模工作:
-
- 每间诊所可容纳多少病人?
- 把病人送到检查室或治疗室的最安全、最有效的途径是什么?
- 有多少人可以安全地占用候诊室?
单独来看，这些问题中的每一个都相对容易建模. 然而，这三个问题需要递归地相互通知，以找到合并(例如.g. 如果走廊过于拥挤，则需要减少诊所的容量)。.
第一个, 我们使用covid -19前的患者访问来生成每位医生和诊所的平均访问时间，并使用一个变量来提高患者之间的清洁时间. 使用这些卷, 我们建立了一个进化求解器，将每个诊所与自己的入口联系起来，并优化路线，以最大限度地减少患者在整个设施中流动时的潜在冲突. 最后, 所有等候区都进行了距离优化，以产生安全的布局，以满足每个诊所所需的数量.
体育馆和演艺中心
对于场馆模型，集群大小大于1. 对历史门票销售的分析提供了特定场馆内按区域划分的平均团体人数比例. 不同的组大小是预先聚类的，有可能在新数据可用时有效地重新校准. 此外，每个座位都与停车场、洗手间和食品和饮料柜台相关联. 我们的模型提供了从停车场到座位的优化路线，并能够计算洗手间和食品服务柜台的潜在占用负荷. 它还具有将座位组和相关服务设施位置导出到售票平台的功能, 允许客户搜索集群服务于他们的集团规模与先进的停车知识, 他们访问的入口和服务地点.
由参数化设计主管监督; 杰森王和计算设计主管， Evangelos Pantazis, IBI对大流行复原力的参数化方法已被北美各地的社区所接受, 最近在 智慧城市跳水. 如果您有兴趣了解更多信息，请联系杰森王 杰森.king@lvyanbo.com.
