本课题最关键的问题在于网络Voronoi算法的设计，目前学术界内比较成型的仅有Okabe博士带领的团队设计的ArcGIS组件SANET，除此之外无论是算法上还是成品软件上都是少之又少。因此在算法的设计上几乎没有任何可以参考的项目和文档，只能依靠网络Voronoi图本身的定义来自行设计算法，这是整个课题最大的难点。

本文将自行设计一种网络Voronoi图生成算法并进行实验测试，最终对算法进行评估。Voronoi图是GIS空间分析中十分重要的工具，是基于距离/邻近性分析的基本方法之一。普通的基于欧氏距离的Voronoi图在范围较小且路网密度较大的地方会出现不可忽视的偏差。除此之外，网络Voronoi图还有简单解决有向问题，易于解决三维空间问题等相对于基于平面空间分析的普通Voronoi图的优势。并且由于目前相关工具非常匮乏，所以本文主要关注网络Voronoi图的生成。最后会使用Visual Studio中的Python Profiling组件对算法进行分析和评估。

综上所述，网络Voronoi图在处理网络上事件和一些特殊条件下的事件时对比平面Voronoi图有着非常明显的优势，且市场上相关工具十分短缺，因此我们有必要设计一种简单易懂的的网络Voronoi算法来补充这方面研究的空白。

在介绍了两种其他学者研究的网络Voronoi生成算法之后，我们根据网络Voronoi图的定义，自行设计了一种基于网络Voronoi的算法，该算法包括笔者独立设计的网络空间数据结构，以及多源最短路径算法，线段分割算法，图输出算法以及等等。

这个网络Voronoi图的生成算法思想上十分直观，并且进行功能扩充以追加更多的约束条件，可与一些人类学现象过程进行结合，以此模拟1.4中谈论的内容。该算法很好地完成了预设的任务，成功制作了一个朴素的网络Voronoi图并进行了相关实验，分割了出了合格的网络泰森多边形。随后的算法评估发现，该算法耗费的时间主要取决于多源Dijkstra算法的深度，要处理的网络空间越繁琐，换句话说，要处理的网络空间包含的节点和边越多，算法耗费的时间越长，所以这个算法这个问题上还有待优化。由于该算法使用的python networkx处理模块，并且将shp这种高级数据结构的文件转换成了graph图这种低级数据结构的文件，使得程序冗余度非常高，这也是非常需要改进的地方。