CN105303839A - 潜在拥堵道路交叉点的预测方法和装置 - Google Patents

Abstract

本发明提供了一种潜在拥堵道路交叉点的预测方法和装置，涉及智能交通领域，解决了无法便捷、准确、快速、低成本、可靠稳定的对存在较高拥堵可能性的道路交叉点进行预测的问题。该方法包括：生成目标区域的道路和交叉点的SHP数据；基于所述SHP数据，以路段为顶点，拓扑结点为连接边，生成表明路段之间连通关系的路网拓扑对偶图；基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；评估所属社区数量大于过滤门限的交叉点的熵，依据评估得到的熵值，确定潜在拥堵道路交叉点。本发明提供的技术方案适用于对道路交叉点进行便捷、准确、快速的拥堵预测。

Description

潜在拥堵道路交叉点的预测方法和装置

技术领域

本发明涉及智能交通领域，尤其涉及一种潜在拥堵道路交叉点的预测方法和装置。

背景技术

道路是一个城市中最重要的基础设施之一，也是人类从事各项社会活动的地理依托。然而，随着城市人口和交通工具的日益增长，交通拥堵现象逐渐成为制约城市发展的一个瓶颈。道路上的交叉点是交通流量汇聚和疏散的关键节点，也是发生拥堵的主要因素，如何对存在较高拥堵可能的交叉点进行预测，以提高道路的运营和统筹能力，是目前交通部门、以及整个国家和社会所需要关注和迫切解决的问题。

目前该领域的大量方法都是针对独立要素的属性进行分析，以评价单个路段或交叉点的脆弱性来进行拥堵预测的，这些方法所使用的要素属性数据包括背景区域的人口分布密度和出行需求，以及一些交通工具或关键站点的监测信息，然而，这些数据往往存在精度较低、获取难度较大的问题，而且由于忽略了道路网络的拓扑结构，使得分析的可靠性大打折扣。后来，一些学者发现了道路网络的拓扑结构中存在着明显的社区网络特征，转而通过研究整个道路系统的健壮性来间接评估整个道路体系通行能力受到交通拥堵的影响，他们中有不少获得了令人满意的效果。这些方法的普遍思路是将路段抽象为边，将地理区域或道路交叉点抽象为顶点，然后抽取道路拓扑关系二维矩阵中表征网络联通程度的指标。这种“路段为边的对偶图”的抽象虽然一定程度上缓减了上述问题，但却削弱了道路交叉点在疏通交通流量上的核心角色，也忽略了路段之间的相互作用和拥堵现象的传染性。为了解决这一弊端，近年来有少量的研究提出“路段为顶点的对偶图”的思路，并发现了路段的连通性与交通流量有较强的相关性，较典型的成果如Jiang等人于2008年在国际期刊《JournalofStatisticalMechanics:TheoryandExperiment》上发表的“Self-organizednaturalroadsforpredictingtrafficflow:Asensitivitystudy”，然而该方法建立在“交通流向是顺着道路Stroke(具有相同方向的邻接路段元素被看成连在一起，构成一个stroke。这里的方向相同是指连接于同一结点的弧段在该点处方向的偏差角小于某个预设的阈值，在视觉感受上方向一致)走向”的理想化假设的前提之下，不符合真实的道路通行情况，而且也未提及有说服力的指标来定量化判定存在较高拥堵可能的路段节点。后来Duan等人针对该方法的问题，于2013年在国际期刊《Computers,EnvironmentandUrbanSystems》上发表了“Structuralrobustnessofcityroadnetworksbasedoncommunity”，但其所使用的方法在对道路路段进行聚团时，存在不确定性，而且没有考虑交通流量从交叉点过渡时的阻碍因素；另外，其评价的对象和构建的指标面向的是整个道路网络结构，而非单个道路元素，因此，也不适用于微观视角下的道路交叉点的抗拥堵能力分析。

总之，目前没有相关的文献或公开的方法，能够在充分尊重道路拓扑结构、路段关联性和交叉点阻滞因素的前提下，利用有效的微观指标预测道路上存在较高拥堵可能的交叉点。

发明内容

本发明提供了一种潜在拥堵道路交叉点的预测方法和装置，利用道路网络数据解决了无法便捷、准确、快速、低成本、可靠稳定的对存在较高拥堵可能性的道路交叉点进行预测的问题。

本发明提供了一种潜在拥堵道路交叉点的预测方法，包括：

对目标区域的道路的SHP数据进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点的SHP数据；

基于所述道路和交叉点的SHP数据，以路段为顶点，拓扑结点为连接边，生成表明路段之间连通关系的路网拓扑对偶图；

基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；

评估所属社区数量大于过滤门限的交叉点的熵；

依据评估得到的熵值，确定潜在拥堵道路交叉点。

优选的，该方法还包括：

设置过滤门限，该过滤门限为大于1的整数。

优选的，对目标区域的道路的SHP数据进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点的SHP数据的步骤包括：

生成路段信息，所述路段信息至少包含以下项目：

道路编号，方向，等级，路段左右交叉点的编号属性；

生成交叉点信息，所述交叉点信息至少包含以下项目：

编号，X、Y空间坐标的属性。

优选的，基于所述道路和交叉点的SHP数据，生成表明路段之间连通关系的路网拓扑对偶图的步骤包括：

根据路段的等级信息，构造以下公式(1)所示的路段等级差异过渡权重矩阵，表明邻接路段的过渡权重；

$l\_weight(a,b)=1-\mathrm{\β}\frac{\left|\right|a-b\left|\right|}{{\mathrm{level}}_{max}}---\left(1\right),$

其中，a和b表示等级编号，level_max表示等级数，β∈(0,1]，表示权重调节参数，用来限定等级过渡的变化幅度；

基于以下公式(2)构造路网拓扑对偶图G：

G＝(V,E)(2)，

其中，路段的集合表示为G的顶点集合V＝{v₁,v₂,...,v_n}，路段关系的集合表示为G的边集合E＝{e₁,e₂,...,e_m}；

根据所述路网拓扑对偶图，通过以下公式(3)获取连通关系矩阵中的元素r_ij：

$r_{ij}=\left\{\begin{array}{cc}l\_weight\left(level\right(v_i),level\left(v_j\right))& (v_i,v_j)\∈E\\ 0& (v_i,v_j)\∉E\end{array}\right.---\left(3\right),$

其中，level(v_i)表示路段v_i的等级，(v_i,v_j)表示一对待验证关系的路段组合。

优选的，基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区，具体为：

聚团过程利用“模块化增益”这个指标作为目标函数进行迭代优化，每次迭代针对所有的节点计算其划分到相邻社区中的增益，若大于0，则将其划分到相邻社区，否则，保持其原有的归属性，直到整个过程无法使该值持续提升为止，每次迭代的步骤包括：

根据公式(4)计算所述路网拓扑对偶图的模块化值Q：

$Q=\frac{1}{2m}{\mathrm{\Σ}}_{i,j}\[r_{ij}-\frac{k_i{k}_j}{2m}\]\mathrm{\δ}(c_i,c_j)---\left(4\right),$

其中，k_i表示与路段v_i发生连接关系的所有其他路段的边权重之和，即k_i＝∑_jr_ij，

c_i表示路段v_i归属的社区，

m表示道路拓扑网络中所有的边权重之和，即

δ(u,v)函数所表示的意义如公式(5)所示：

$\mathrm{\δ}(u,v)=\left\{\begin{array}{cc}1& u=v\\ 0& u\≠v\end{array}\right.---\left(5\right),$

根据公式(6)计算模块化增益：

${\mathrm{\ΔQ}}_i=\[\frac{{\Σ}_{in}+k_{i,in}}{2m}-{\left(\frac{{\Σ}_{tot}+k_i}{2m}\right)}^2\]-\[\frac{{\Σ}_{in}}{2m}-{\left(\frac{{\Σ}_{tot}}{2m}\right)}^2-{\left(\frac{k_i}{2m}\right)}^2\]---\left(6\right),$

其中，ΔQ_i表示将v_i加入到社区C所引起的模块化值的变动；∑_in表示该社区内部连接的权重总和，∑_tot表示所有与该社区连接的边权重总和；k_i,in表示社区C内与v_i连接的边权重之和。

优选的，评估所属社区数量大于过滤门限的交叉点的熵的步骤包括：

筛选得到所属社区数量大于过滤门限的交叉点；

根据公式(7)计算筛选得到的各交叉点的熵：

$H_t=-\underset{i=1}{\overset{\mathrm{\λ}}{\Σ}}{p}_i{\log }_2{p}_i---\left(7\right),$

其中，H_t表示交叉点t的熵，λ表示连接到当前交叉点t的路段所属社区的种类数，p_i表示连接到t的所有路段中，属于第i个社区的路段概率。

优选的，依据评估得到的熵值，确定潜在拥堵道路交叉点的步骤包括：

设定门槛阈值α,α∈(0,1)；

将满足公式(8)的交叉点抽取出来，作为潜在拥堵道路交叉点：

$H_t\≥-{\mathrm{\αlog}}_2\frac{1}{{\mathrm{\λ}}_{max}}---\left(8\right),$

其中，λ_max表示目标区域的所有交叉点中具有最高连接路段的个数，是该区域的道路交叉点信息熵的理论最高值。

优选的，依据评估得到的熵值，确定潜在拥堵道路交叉点的步骤之后，还包括：

将确定的潜在拥堵道路交叉点输出或发出告警。

本发明还提供了一种潜在拥堵道路交叉点的预测装置，包括：

预处理模块，用于生成的目标区域的道路和交叉点的SHP数据；

路网拓扑对偶图生成模块，用于基于所述道路和交叉点的SHP数据，生成以路段为顶点，拓扑结点为边的路段拓扑对偶图，该路网拓扑对偶图表明路段之间的连通关系；

聚团模块，用于在所述路网拓扑对偶图的基础上，对路段进行社区化聚团，得到多个社区；

熵计算模块，用于评估所属社区数量大于过滤门限的交叉点的熵；

预测结果确定模块，用于依据评估得到的熵值，确定潜在拥堵道路交叉点。

本发明提供了一种潜在拥堵道路交叉点的预测方法和装置，包括：生成目标区域的道路和交叉点的SHP数据；基于所述SHP数据，以路段为顶点，拓扑结点为连接边，生成路段拓扑对偶图，该路网拓扑对偶图表明路段之间的连通关系；基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；评估所属社区数量大于过滤门限的交叉点的熵，依据评估得到的熵值，确定潜在拥堵道路交叉点。解决了无法便捷、准确、快速、低成本、可靠稳定的对存在较高拥堵可能性的道路交叉点进行预测的问题。

参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。

附图说明

并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。

图1为本发明的实施例一提供的一种潜在拥堵道路交叉点的预测方法的流程图；

图2为图1所示步骤101中道路数据预处理示例的原始的道路示例图；

图3为图1所示步骤101中道路数据预处理示例的处理后的路段和对应交叉点的示例图；

图4为本发明的实施例二提供的一种潜在拥堵道路交叉点的预测装置的结构示意图。

具体实施方式

目前没有相关的文献或公开的方法，能够在充分尊重道路拓扑结构、路段关联性和交叉点阻滞因素的前提下，利用有效的微观指标预测道路上存在较高拥堵可能的交叉点。

为了解决上述问题，本发明的实施例提供了一种潜在拥堵道路交叉点的预测方法和装置，构建“路段为顶点”的道路拓扑对偶图，将社区发现和物理上的概念理论引入区域化的道路网络中，不仅能够解决目标问题，而且所需的数据和用户交互成本较低，运行的结果也较为稳定。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

为了更好的对本发明的实施例所提供的技术方案进行阐述，首先对如下概念进行说明：

SHP数据：shapefile的简称，是ESRI公司开发的一种空间数据开放格式，该格式的空间图形要素和对应的二维属性通过索引文件进行管理。

同名双线合并：是道路数据的一种简化处理，对于名字相同且判别为平行的双线路段，选择两条道路的中心线为最终的简化路段，随之需要对道路的拓扑连接关系进行更改。

下面结合附图，对本发明的实施例一进行说明。

本发明实施例提供了一种潜在拥堵道路交叉点的预测方法，使用该方法对目标区域的潜在拥堵道路交叉点进行预测的流程如图1所示，包括：

步骤101、对目标区域的道路的SHP数据进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点的SHP数据；

本步骤中，对目标区域的道路的SHP数据进行预处，对路段进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点SHP数据(如图2和图3所示)。其中，图2图示了原始道路示意图。图3图示了处理后的路段和对应交叉点的节点。处理后得到的道路的SHP数据至少包括道路编号、方向、等级和路段左右交叉点的编号属性，交叉点的SHP数据至少包含编号和X、Y空间坐标的属性，这样，可以通过道路编号找到与其发生关系的交叉点，反之亦然。路段等级可以按照国家标准《CJJ37-2012城市道路工程设计规范》的规定，根据道路的使用任务、功能划分为4级，即快速路(0)、主干路(1)、次干路(2)和支路(3)；也可以根据实际需求、路况疏导目标等划分道路等级，本发明的实施例对此不作限定。

步骤102、基于所述道路和交叉点的SHP数据，以路段为顶点，拓扑结点为边，生成表明路段之间连通关系的路网拓扑对偶图；

本步骤中，基于路段的等级和交叉点信息，生成带权重的路网拓扑对偶图。

路段的拓扑交叉点和等级，对于确定路段之间的关系具有举足轻重的作用。交叉点包含了路段的连通信息，而交叉点所连接的路段的等级差异能够反映其抗拥堵的能力，在真实世界中，同样的交通量在相似等级的道路上过渡时，往往更容易引起拥堵的传递。用社区发现的理论来解释，即等级相差较小的连接路段，具有更强的关联性，而等级相差较大的路段，则具有较低的关联性。基于该原则，本发明的实施例中设计了公式(1)所示的路段等级差异过渡权重矩阵。

$l\_weight(a,b)=1-\mathrm{\β}\frac{\left|\right|a-b\left|\right|}{{\mathrm{level}}_{max}}---\left(1\right)$

上式中，a和b表示等级编号，level_max表示等级数，β∈(0,1]，表示权重调节参数，用来限定等级过渡的变化幅度。若β＝1，按照“CJJ37-2012”的标准，l_weight(1,2)＝0.75表示邻接路段的等级为1(主干道)和2(次干道)时，它们的过渡权重为0.75。

已经有很多研究表明，道路网络和社会网络具有很强的相似性，因此，可以用社会网络的指标，对道路网络的路段关联性进行模拟。本发明实施例中假设道路网络中的每个路段是一个社会角色，路段与路段之间的连通关系是社会网络中角色之间的联系，于是，在l_weight的基础上，可以将路网关系表达为一个路网拓扑对偶图G＝(V,E)，其中，路段的集合表示为G的顶点集合V＝{v₁,v₂,...,v_n}，路段关系的集合表示为G的边集合E＝{e₁,e₂,...,e_m}。若连通关系用邻接矩阵R(G)表达，则每个元素的值用公式(2)获得。

$r_{ij}=\left\{\begin{array}{cc}l\_weight\left(level\right(v_i),level(v_j\left)\right)& (v_i,v_j)\∈E\\ 0& (v_i,v_j)\∉E\end{array}\right.---\left(2\right)$

上式中，level(v_i)表示路段v_i的等级，(v_i,v_j)表示一对待验证关系的路段组合。为了简化计算，假设真实世界的抽象不考虑道路的方向，则R(G)是一个n×n的对称矩阵，且对角线上的元素值为0。

此外，在路网拓扑对偶图中可以根据实际情况增加其他道路阻抗因素的考虑，如路口交通灯的阻碍因素。

步骤103、基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；

本步骤中，基于路网拓扑对偶图，对路段进行社区化聚团。

该步骤引入了社区发现理论中的模块化(Modularity)思维。模块化用于评估一个社区聚团的质量和效果，若一个社区发现的结果具有较高的模块化，则表示策略和性能较好，而模块化的概念也可以引入到道路网络的分析中，其值用公式(3)进行计算。

$Q=\frac{1}{2m}{\mathrm{\Σ}}_{i,j}\[r_{ij}-\frac{k_i{k}_j}{2m}\]\mathrm{\δ}(c_i,c_j)---\left(3\right)$

上式中，k_i表示与路段v_i发生连接关系的所有其他路段的边权重之和，即k_i＝∑_jr_ij；c_i表示路段v_i归属的社区；m表示道路拓扑网络中所有的边权重之和，即δ(u,v)函数所表示的意义如公式(4)所示。

$\mathrm{\δ}(u,v)=\left\{\begin{array}{cc}1& u=v\\ 0& u\≠v\end{array}\right.---\left(4\right)$

在上述社区模块化计算的基础上，本发明实施例在抽象为社区网络的道路网络上，利用“模块化增益”这个指标作为目标函数进行迭代优化。每次迭代针对所有的节点计算其划分到相邻社区中的增益，若大于0，则将其划分到相邻社区，否则，保持其原有的归属性，直到整个过程无法使该值持续提升为止。模块化增益通过公式(5)进行求算。

${\mathrm{\ΔQ}}_i=\[\frac{{\Σ}_{in}+k_{i,in}}{2m}-{\left(\frac{{\Σ}_{tot}+k_i}{2m}\right)}^2\]-\[\frac{{\Σ}_{in}}{2m}-{\left(\frac{{\Σ}_{tot}}{2m}\right)}^2-{\left(\frac{k_i}{2m}\right)}^2\]---\left(5\right)$

上式中，ΔQ_i表示将v_i加入到社区C所引起的模块化值的变动；∑_in表示该社区内部连接的权重总和，∑_tot表示所有与该社区连接的边权重总和；k_i,in表示社区C内与v_i连接的边权重之和。

该方法的优势在于：1)不需要用户输入额外的参数(如划分的社区数)，是一种完全自适应的方法；2)初始化值对结果没有影响，是一种较稳定的方法；3)考虑了边权重的影响。而这些特点，非常适用于预测道路拥堵路段的应用要求，而且能够规避该领域的现有方法在稳定性、自动化和权重细节考虑上的不足。利用上述方法进行路段的社区聚团，使得具有较弱连通性的路段被剖分，而具有较强连接关系的路段被划分为一个社区。

在完成对路段的社区化聚团后，即可进行交叉点识别，具体方法如下：

步骤104、评估所属社区数量大于过滤门限的交叉点的熵；

本步骤中，基于步骤103的推理，先进行初筛，挑选那些连接路段的所属社区个数为1个以上的交叉点。针对这些交叉点，引入物理中的熵的概念，通过公式(6)计算得出其信息量。该值的原始意义是能够衡量一个系统的混乱程度，在本发明中反映了交叉点的抗拥堵能力，交叉点的熵越高，表明越容易发生拥堵，越低，表示越不容易发生拥堵。

$H_t=-\underset{i=1}{\overset{\mathrm{\λ}}{\Σ}}{p}_i{\log }_2{p}_i---\left(6\right)$

上式中，H_t表示交叉点t的熵；λ表示连接到当前交叉点t的路段所属社区的种类数；p_i表示连接到t的所有路段中，属于第i个社区的路段概率。从公式(6)看出，那些连接路段的所属社区个数为1的交叉点，表示与其相关的路段具有较强的内聚性，熵值为0，即解释了为什么要在计算熵值之前，先进行初筛，这样可以减少很多不必要的计算。

步骤105、依据评估得到的熵值，确定潜在拥堵道路交叉点；

本步骤中，可以设置阈值α，将满足公式(7)的交叉点抽取出来，作为最终的输出结果。

$H_t\≥-{\mathrm{\αlog}}_2\frac{1}{{\mathrm{\λ}}_{max}}---\left(7\right)$

上式中，α∈(0,1)，对于拥堵交叉点的预测，经验上一般取大于0.5的小数；λ_max表示目标区域的所有交叉点中，具有最高连接路段的个数。是理论上该区域的道路交叉点信息熵的最高值，因此通过限制α的取值，可以在可控范围内获得具有较高拥堵可能性的交叉点。以社区发现的理论解释，这类节点往往是该节点连接的路段所属社区所能沟通的唯一“桥梁，所有与其发生关系的路段的交通流量都必须经过该点，因此更容易发生拥堵；反之，在同一个社区，其内部的点到点的路径有多种选择，若其中单个路段拥堵，还可以有其他的路径选择，因此，其具有更强的抗拥堵的能力。

步骤106、将确定的潜在拥堵道路交叉点输出或发出告警。

本步骤中，将确定的潜在拥堵道路交叉点输出，亦可发出告警，本发明的实施例对具体的输出方式不作限定。

下面结合附图，对本发明的实施例二进行说明。

本发明实施例提供了一种潜在拥堵道路交叉点的预测装置，其结构如图4所示，包括：

预处理模块401，用于生成的目标区域的道路和交叉点的SHP数据；

路网拓扑对偶图生成模块402，用于基于所述SHP数据，生成以路段为顶点，拓扑结点为边的路段拓扑对偶图，该路网拓扑对偶图表明路段之间的连通关系；

聚团模块403，用于基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；

熵计算模块404，用于评估所属社区数量大于过滤门限的交叉点的熵；

预测结果确定模块405，用于依据评估得到的熵值，确定潜在拥堵道路交叉点。

上述潜在拥堵道路交叉点的预测装置可集成于具有运算能力的设备中，由该设备完成相应功能。

本发明的实施例提供了一种潜在拥堵道路交叉点的预测方法和装置。包括：生成目标区域的SHP道路路段和交叉点数据；基于所述SHP数据，以路段为顶点，拓扑结点为连接边，生成路段拓扑对偶图，该路网拓扑对偶图表明路段之间的连通关系；基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；评估所属社区数量大于过滤门限的交叉点的熵，依据评估得到的熵值，确定潜在拥堵道路交叉点。实现了便捷、准确、快速、低成本、可靠稳定的道路交叉点的拥堵预测。

本发明的实施例提供的技术方案，在充分考虑了数据成本、计算成本、方法适应性和稳定性四个方面的基础上，实现了针对区域道路网络的潜在拥堵交叉点的预测：在数据成本方面，不需要大量的数据收集工作，只通过目前较容易获取的道路网络数据即可完成所有的计算，数据成本相比传统方法降低了很多。在计算成本方面，由于引用了社区发现中的快速算法，因此适用于处理大规模的数据，其社区化的思路也容易在大平台上实现并行化处理。在适应性方面，尊重了道路的拓扑结构，路段之间的关联性，以及交叉点的阻碍因素，相比传统的方法，具有更强的科学性，也更适应于解决现实的城市问题。在稳定性方面，涉及到的计算流程和公式，没有过多的用户输入，在对路段进行社区聚团时的初始化设置过程也不影响最终的结果，因此具有很高的鲁棒性。

上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种潜在拥堵道路交叉点的预测方法，其特征在于，包括：

对目标区域的道路的SHP数据进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点的SHP数据；

基于所述道路和交叉点的SHP数据，以路段为顶点，拓扑结点为连接边，生成表明路段之间连通关系的路网拓扑对偶图；

基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区；

评估所属社区数量大于过滤门限的交叉点的熵；

依据评估得到的熵值，确定潜在拥堵道路交叉点。

2.根据权利要求1所述的潜在拥堵道路交叉点的预测方法，其特征在于，该方法还包括：

设置过滤门限，该过滤门限为大于1的整数。

3.根据权利要求1或2所述的潜在拥堵道路交叉点的预测方法，其特征在于，对目标区域的道路的SHP数据进行同名双线合并、拓扑检查、以及属性完备性处理，并基于道路拓扑结点生成路段交叉点的SHP数据的步骤包括：

生成路段信息，所述路段信息至少包含以下项目：

道路编号，方向，等级，路段左右交叉点的编号属性；

生成交叉点信息，所述交叉点信息至少包含以下项目：

编号，X、Y空间坐标的属性。

4.根据权利要求3所述的潜在拥堵道路交叉点的预测方法，其特征在于，基于所述道路和交叉点的SHP数据，生成表明路段之间连通关系的路网拓扑对偶图的步骤包括：

根据路段的等级信息，构造以下公式(1)所示的路段等级差异过渡权重矩阵，表明邻接路段的过渡权重；

$l\_weight(a,b)=1-\mathrm{\β}\frac{\left|\right|a-b\left|\right|}{{\mathrm{level}}_{\max }}---\left(1\right),$

其中，a和b表示等级编号，level_max表示等级数，β∈(0,1]，表示权重调节参数，用来限定等级过渡的变化幅度；

基于以下公式(2)构造路网拓扑对偶图G：

G＝(V,E)(2)，

其中，路段的集合表示为G的顶点集合V＝{v₁,v₂,...,v_n}，路段关系的集合表示为G的边集合E＝{e₁,e₂,...,e_m}；

根据所述路网拓扑对偶图，通过以下公式(3)获取连通关系矩阵中的元素r_ij：

$r_{ij}=\left\{\begin{array}{cc}l\_weight\left(level\right(v_i),level(v_j\left)\right)& (v_i,v_j)\∈E\\ 0& (v_i,v_j)\∉E\end{array}\right.---\left(3\right),$

其中，level(v_i)表示路段v_i的等级，(v_i,v_j)表示一对待验证关系的路段组合。

5.根据权利要求4所述的潜在拥堵道路交叉点的预测方法，其特征在于，基于所述路网拓扑对偶图，对路段进行社区化聚团，得到多个社区，具体为：

聚团过程利用“模块化增益”这个指标作为目标函数进行迭代优化，每次迭代针对所有的节点计算其划分到相邻社区中的增益，若大于0，则将其划分到相邻社区，否则，保持其原有的归属性，直到整个过程无法使该值持续提升为止，每次迭代的步骤包括：

根据公式(4)计算所述路网拓扑对偶图的模块化值Q：

$Q=\frac{1}{2m}{\mathrm{\Σ}}_{i,j}\[r_{ij}-\frac{k_i{k}_j}{2m}\]\mathrm{\δ}(c_i,c_j)---\left(4\right),$

其中，k_i表示与路段v_i发生连接关系的所有其他路段的边权重之和，即k_i＝∑_jr_ij，

c_i表示路段v_i归属的社区，

m表示道路拓扑网络中所有的边权重之和，即

δ(u,v)函数所表示的意义如公式(5)所示：

$\mathrm{\δ}(u,v)=\left\{\begin{array}{cc}1& u=v\\ 0& u\≠v\end{array}\right.---\left(5\right),$

根据公式(6)计算模块化增益：

${\mathrm{\ΔQ}}_i=\[\frac{{\mathrm{\Σ}}_{in}+k_{i,in}}{2m}-{\left(\frac{{\mathrm{\Σ}}_{tot}+k_i}{2m}\right)}^2\]-\[\frac{{\mathrm{\Σ}}_{in}}{2m}-{\left(\frac{{\mathrm{\Σ}}_{tot}}{2m}\right)}^2-{\left(\frac{k_i}{2m}\right)}^2\]---\left(6\right),$

其中，ΔQ_i表示将v_i加入到社区C所引起的模块化值的变动；∑_in表示该社区内部连接的权重总和，∑_tot表示所有与该社区连接的边权重总和；k_i,in表示社区C内与v_i连接的边权重之和。

6.根据权利要求5所述的潜在拥堵道路交叉点的预测方法，其特征在于，评估所属社区数量大于过滤门限的交叉点的熵的步骤包括：

筛选得到所属社区数量大于过滤门限的交叉点；

根据公式(7)计算筛选得到的各交叉点的熵：

$H_t=-\underset{i=1}{\overset{\mathrm{\λ}}{\Σ}}{p}_i{\log }_2{p}_i---\left(7\right),$

其中，H_t表示交叉点t的熵，λ表示连接到当前交叉点t的路段所属社区的种类数，p_i表示连接到t的所有路段中，属于第i个社区的路段概率。

7.根据权利要求6所述的潜在拥堵道路交叉点的预测方法，其特征在于，依据评估得到的熵值，确定潜在拥堵道路交叉点的步骤包括：

设定门槛阈值α,α∈(0,1)；

将满足公式(8)的交叉点抽取出来，作为潜在拥堵道路交叉点：

$H_t\≥-{\mathrm{\αlog}}_2\frac{1}{{\mathrm{\λ}}_{max}}---\left(8\right),$

其中，λ_max表示目标区域的所有交叉点中具有最高连接路段的个数，是该区域的道路交叉点信息熵的理论最高值。

8.根据权利要求7所述的潜在拥堵道路交叉点的预测方法，其特征在于，依据评估得到的熵值，确定潜在拥堵道路交叉点的步骤之后，还包括：

将确定的潜在拥堵道路交叉点输出或发出告警。

9.一种潜在拥堵道路交叉点的预测装置，其特征在于，包括：

预处理模块，用于生成的目标区域的道路和交叉点的SHP数据；

路网拓扑对偶图生成模块，用于基于所述道路和交叉点的SHP数据，生成以路段为顶点，拓扑结点为边的路段拓扑对偶图，该路网拓扑对偶图表明路段之间的连通关系；

聚团模块，用于在所述路网拓扑对偶图的基础上，对路段进行社区化聚团，得到多个社区；

熵计算模块，用于评估所属社区数量大于过滤门限的交叉点的熵；

预测结果确定模块，用于依据评估得到的熵值，确定潜在拥堵道路交叉点。