CN105160889A - 一种城市内涝情景下路网交通流的多源点协同疏导方法 - Google Patents

Abstract

本发明公开了一种城市内涝情景下路网交通流的多源点协同疏导方法，本发明用于对内涝多发型城市的多个内涝积水点周边拥堵交通流进行同步协调疏导。本发明的优点在于：将目前基于单个疏散源点的疏导方法进行了拓展，构建了基于遗传算法的城市多内涝积水点的联合疏导方法，将多个内涝积水点产生的不同方向的拥堵交通流进行有机地协调和统一的调度，在消除多个内涝积水点产生的拥堵交通流之间的冲突的基础上，最大程度地提高城市道路系统的运行效率。

Description

一种城市内涝情景下路网交通流的多源点协同疏导方法

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种城市内涝情景下路网交通流的多源点协同疏导方法。

背景技术

随着我国城市化进程的加快，各大城市内涝情况日益严峻。内涝积水严重阻碍道路交通，甚至引发道路安全事故。因大规模降雨引起的城市内涝灾害往往有多个内涝积水点，每一个黑点都能造成局部地区的交通拥堵，其相当于一个疏散源，交通管理部门需要将其尽快疏导到周边的道路上。然而，不同的疏散源之间可能会相距较近，如果不进行合理的协同疏导，来自不同疏散源的拥堵交通流之间会产生非常严重的冲突。目前涉及城市区域范围的交通疏导方法多数只考虑了单个疏散源点(或事故点)且疏散源点(或事故点)与安全终点之间方向非常明确的情况。因此，已有的方法不适用于城市内涝情景下的多源点交通流的协同疏导。

发明内容

为了克服上述现有技术的不足，本发明提供了一种城市内涝积水点多源协同疏导方法，用于进行暴雨内涝情景下拥堵交通的快速、协同疏导。

为了实现上述目的，本发明所采用的技术方案是：

一种城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，对多个内涝积水点产生的不同方向的拥堵交通流进行有机地协调和统一的调度，最大程度地提高城市道路系统的运行效率，包括以下步骤：

S1.以每个内涝积水点的空间位置为中心，利用arcgis内置的工具生成每个内涝积水点影响范围的泰森多边形，每个泰森多边形为一个疏导子区；

S2.利用广度优先搜索算法，对路段内涝风险进行等级判定，是以内涝积水点所在的一条或几条路段进行逐级扩展搜索，内涝积水点为最高风险等级，依次搜索相邻的各个路段，并赋上相应的风险等级值；

S3.根据k则最短路径算法，计算各疏导子区内每个起始点对之间绕过内涝积水点的k条最短路径，形成局部疏导路径候选集；

S4.对候选路径集中的各个疏导路径进行染色体编码，基于遗传算法并顾及交通OD需求，进行内涝积水点多源疏导路径的协同优化。

本发明是对“基于voronoi图的疏导子区域划分、基于广度优先搜索的道路风险等级评价、基于k则最短路径的局部疏导路径候选集构建、基于遗传算法的多点协同疏导优化”进行了系统的整合，构建城市内涝积水点多源协同疏导方法，实现对城市内涝时多个内涝积水点周边交通拥堵的协同疏导，并从全局上消除多个源点不同方向交通流之间的冲突，提高路网系统的整体疏导效率。

优选地，所述步骤S1是将每个内涝积水点作为对周边交通产生影响的源头，采用arcgis软件内置的voronoi图生成方法，按照最邻近原则划分平面——泰森多边形，使每个内涝积水点与它的最近邻区域相关联，以此划分每个内涝积水点的影响范围，并作为后续交通疏导的子区。

优选地，步骤S2进行路段内涝风险等级判定的方法具体为：以内涝积水点所在的一条或几条路段开始对疏导子区域内的路网进行广度优先搜索，从内涝积水点开始往周边1阶、2阶、3阶至n阶路段逐级扩展直到搜索到该疏导子区的边界；内涝积水点的风险等级最高，每往下扩展一级，风险等级便降一级。

优选地，基于k则最短路径算法构建疏导子区内的局部疏导路径候选集的算法中，疏导子区内道路网络的拓扑连通关系需要进行快速重建；重建的方法为：

根据道路的风险等级越高，其可达性越低的原则，若是从高风险路段i到低风险路段j，则连通关系arc[i][j]＝1；否则arc[i][j]＝0，以此重建疏导子区域内部道路网络的拓扑连通关系。

优选地，步骤S4中利用全局优化方法——遗传算法来进行多个疏导源点之间的协同疏导；遗传算法适应度函数选择整个疏导系统的平均疏导完成时间，即被疏导车辆在经过路段上的通行时间之和的平均值即为适应度函数的值；

其中，每一个路段行程时间t_ij为：

$t_{ij}=t_{ij}^0\×(1+\mathrm{\α}\×{\left(\frac{q}{c}\right)}^{\mathrm{\β}})$

其中，t为实际通过该路段所需要的时间，t₀为路段自由行驶时间，q为当时通过该路段的交通流量，单位pcu/h，c为路段的实际通行能力，单位pcu/h，α、β为模型待定参数。

与现有技术相比，本发明的有益效果是：本发明的方法能够对多个内涝积水点产生的拥堵交通流进行合理有效的协同疏导，并顾及交通OD(起讫点)需求以及内涝积水造成的道路风险，可以有效的解决目前各大城市因城市内涝造成的偶发性交通拥堵的有效疏导问题。

附图说明

图1为本发明公开方法的流程图。

图2为对广州市核心区路网进行基于voronoi图的疏导子区划分结果。

图3为基于广度优先搜索的道路风险等级评价流程示意图。

图4为基于k则最短路径的局部疏导路径候选集构建流程示意图。

图5为基于遗传算法的多点协同疏导优化流程图。

具体实施方式

下面结合附图对本发明进一步说明。

本发明的技术流程如附图1所示，包括基于voronoi图的疏导子区划分、基于广度优先搜索的道路内涝风险等级评价、基于k则最短路径的局部疏导路径候选集构建、基于遗传算法的多点协同疏导优化四个步骤。

S1.基于voronoi图的疏导子区划分：

用于进行交通疏导子区域的划分，每一个子区域为一个内涝积水点的主要影响范围。

步骤11、将从外部获取的内涝积水监测数据叠加到地图上，得到城市内涝点的空间位置；

步骤12、以空间上分布的内涝积水点为基础，调用ARCGIS软件中voronoi图的生成方法，生成以各个内涝积水点为中心的泰森多边形。

每一个泰森多边形为一个内涝积水点的主要影响范围，以此划分交通疏导子区域。

S2.基于广度优先搜索的道路内涝风险等级评价：

用于道路被内涝积水淹没时，评价从内涝积水区开始逐渐蔓延到周边各条道路的风险等级。

由于内涝积水点主要分布在路段上，为了使用广度优先搜索算法，需要对道路网络做一步预处理。考虑每一个疏导子区q，将所有包含在子区q中的道路抽取出来，并将每一条路段看作一个节点，用路段之间的连通关系表达节点之间的连通关系，以此构建子图G_q。子图G_q的初始状态是其中所有顶点均未访问，在子图G_q中选择内涝积水点q所在的路段i作为初始点，则基于广度优先搜索的道路内涝风险等级评价的基本步骤如下：

步骤21、从子图G_q中的顶点i出发，访问之；并将其访问标志置为已被访问，即visited[i]＝1，且风险等级置为0，即danger[i]＝0；

步骤22、依次访问顶点i的各个未被访问过的邻接点j，将i的全部邻接点j都访问到，且danger[j]＝danger[i]+1；

步骤23、分别从这些邻接点j出发，依次访问它们的未被访问过的邻接点，并同时更新visited及danger数组的值，且使“先被访问的顶点的邻接点”先于“后被访问的顶点的邻接点”被访问，直到图中所有已被访问过的顶点的邻接点都被访问到。

依此类推，直到图G_q中所有顶点都被访问完为止，最终danger数组中的值即为沿内涝积水点中心扩展的各条路段的内涝风险等级初始值，则内涝风险等级的修正值为一个较大的常数N-danger[i]。

S3.基于k则最短路径的局部疏导路径候选集构建流程示意图：

用于在每一个疏导子区中构建局部疏导路径的候选集，其具体流程如下：

S31)由疏导子区内的路段内涝风险等级构建新的路段拓扑连通关系

道路的风险等级越高，其可达性越低。若是从高风险路段i到低风险路段j，则连通关系arc[i][j]＝1；否则arc[i][j]＝0，以此构建疏导子区域内部道路网络的拓扑连通关系。

S32)计算每一对OD(起讫点)间的前k条最短路径

基于重构后的道路网络连通矩阵，采用经典的最短路径算法(如迪杰斯特拉算法，dijkstra)，以路段长度为权值，求每一OD对的最短路径p₀。

以此为基础，在求得前h条路径之后，计算p_h+1的过程如下：从路径p_h上第一个不与上一条最短路径p_h-1重合的节点(记做“被偏离节点”)开始到目标节点D的前一个节点为止的节点v_i记为偏离节点集合。计算v_i到D之间的最短路径，然后将该最短路径与当前路径p_h上从O到v_i的路径拼接在一起构成p_h+1的一条候选路径，并将其存储在候选路径集合中。从候选路径集合中选择路径长度最小的一条路径作为p_h+1，并将其放入结果列表中。不断重复上述过程，直到得到k条路径为止。

因此，每一个OD对之间得到一个k条最短路径的候选疏导路径集合。

S4.基于遗传算法的多点协同疏导优化

S41)候选路段的染色体编码

本发明以遗传算法为基础，通过不断的迭代优化实现整个疏导系统中多个疏导源点之间疏导路径及疏导交通流的均衡分配，最终达到协同疏导优化的效果。

设x₁，x₂，x₃，…，x_n为O点，y₁，y₂，y₃，…，y_m为D点，则一共有m*n组OD对，每一组OD(x_i，y_j)中的可选疏导路径为该OD对之间的前k条最短路径集合。采用实数型编码方式，每一个OD对之间的前k条最短路径集合编号为{0,1,2…,k-1}；则染色体的表现形式S为：

S_i＝01120…i,0≤i<k

因此，一条完整的染色体是由多个OD对之间的染色体片段构成：

S＝S₁∪S₂∪...∪S_n

S42)适应度函数

适应度函数选择整个疏导系统的平均疏导完成时间。每一个路段行程时间函数为BRP函数：

$t_{ij}=t_{ij}^0\&times;(1+\mathrm{\&alpha;}\&times;{\left(\frac{q}{c}\right)}^{\mathrm{\&beta;}})$

其中，t为实际通过该路段所需要的时间，t₀为路段自由行驶时间，q为当时通过该路段的交通量，单位pcu/h，c为路段的实际通行能力，单位pcu/h，α、β为模型待定参数，建议取值分别为0.15,4。

被疏导车辆在经过路段上的通行时间之和的平均值即为适应度函数的值。

一次疏导路径分配过程结束后，统计一次疏导系统的平均疏导时间，以此作为该染色体的适应的适应度函数值。

S43)染色体选择、交叉、变异操作

采用轮盘赌的形式选择进入交叉和变异操作的染色体，交叉算子采用多点交叉算子，即在每个疏导小区候选路径所在染色体片段里随机选择一个位置作为交叉点，变异则采用随机概率变异。其中基于轮盘赌的选择操作主要步骤如下：

步骤431、计算出群体中每个个体的适应度f(i＝1，2，…，M)，M为种群大小；

步骤432、计算出每个个体被遗传到下一代群体中的概率；

$P\left(S_i\right)=\frac{f\left(S_i\right)}{\underset{j=1}{\overset{j=M}{\&Sigma;}}f\left(S_i\right)}$

步骤433、计算出每个个体的累积概率；

$q\left(S_i\right)=\underset{j=1}{\overset{i}{\&Sigma;}}P\left(S_i\right)$

步骤434、在[0，1]区间内产生一个均匀分布的伪随机数r；

步骤435、若r<q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]<r≤q[k]成立；

步骤436、重复(434)、(435)共M次，选出M个个体进入到交叉和变异操作中。

S44)算法结束条件

所有染色体的交叉、变异操作结束之后，返回步骤S42)，继续进行新一轮的适应度函数值评价，直至第n次迭代结束后其适应度函数值与前一代的适应度函数值绝对值只差小于0.01结束。

基于以上特点，本发明公布的一种城市内涝情景下路网交通流的多源点协同疏导方法在当前我国城市内涝日益严重的情形下可以为道路交通的快速协同疏导提供有力的方法与技术支持，亦可为数字城市和智慧城市的发展增加助力。

以上所述实施例仅表达了本发明可能的实施方式，其描述较为具体和详尽，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，对多个内涝积水点产生的不同方向的拥堵交通流进行有机地协调和统一的调度，最大程度地提高城市道路系统的运行效率，包括以下步骤：

S1.以每个内涝积水点的空间位置为中心，利用arcgis内置的工具生成每个内涝积水点影响范围的泰森多边形，每个泰森多边形为一个疏导子区；

S2.利用广度优先搜索算法，对路段内涝风险进行等级判定，是以内涝积水点所在的一条或几条路段进行逐级扩展搜索，内涝积水点为最高风险等级，依次搜索相邻的各个路段，并赋上相应的风险等级值；

S3.根据k则最短路径算法，计算各疏导子区内每个起始点对之间绕过内涝积水点的k条最短路径，形成局部疏导路径候选集；

S4.对候选路径集中的各个疏导路径进行染色体编码，基于遗传算法并顾及交通OD需求，进行内涝积水点多源疏导路径的协同优化。

2.根据权利要求1所述的城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，所述步骤S1是将每个内涝积水点作为对周边交通产生影响的源头，采用arcgis软件内置的voronoi图生成方法，按照最邻近原则划分平面——泰森多边形，使每个内涝积水点与它的最近邻区域相关联，以此划分每个内涝积水点的影响范围，并作为后续交通疏导的子区。

3.根据权利要求1所述的城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，步骤S2进行路段内涝风险等级判定的方法具体为：以内涝积水点所在的一条或几条路段开始对疏导子区域内的路网进行广度优先搜索，从内涝积水点开始往周边1阶、2阶、3阶至n阶路段逐级扩展直到搜索到该疏导子区的边界；内涝积水点的风险等级最高，每往下扩展一级，风险等级便降一级。

4.根据权利要求1所述的城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，基于k则最短路径算法构建疏导子区内的局部疏导路径候选集的算法中，疏导子区内道路网络的拓扑连通关系需要进行快速重建；重建的方法为：

根据道路的风险等级越高，其可达性越低的原则，若是从高风险路段i到低风险路段j，则连通关系arc[i][j]＝1；否则arc[i][j]＝0，以此重建疏导子区域内部道路网络的拓扑连通关系。

5.根据权利要求1所述的城市内涝情景下路网交通流的多源点协同疏导方法，其特征在于，步骤S4中利用全局优化方法——遗传算法来进行多个疏导源点之间的协同疏导；遗传算法适应度函数选择整个疏导系统的平均疏导完成时间，即被疏导车辆在经过路段上的通行时间之和的平均值即为适应度函数的值；

其中，每一个路段行程时间t_ij为：

$t_{ij}=t_{ij}^0\&times;(1+\mathrm{\&alpha;}\&times;{\left(\frac{q}{c}\right)}^{\mathrm{\&beta;}})$

其中，t为实际通过该路段所需要的时间，t₀为路段自由行驶时间，q为当时通过该路段的交通流量，单位pcu/h，c为路段的实际通行能力，单位pcu/h，α、β为模型待定参数。