CN108062860A - 基于拥塞传播分析的道路瓶颈识别方法及其系统 - Google Patents
基于拥塞传播分析的道路瓶颈识别方法及其系统 Download PDFInfo
- Publication number
- CN108062860A CN108062860A CN201810040761.8A CN201810040761A CN108062860A CN 108062860 A CN108062860 A CN 108062860A CN 201810040761 A CN201810040761 A CN 201810040761A CN 108062860 A CN108062860 A CN 108062860A
- Authority
- CN
- China
- Prior art keywords
- congestion
- section
- node
- tree
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000644 propagated effect Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 20
- 238000012163 sequencing technique Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000005055 memory storage Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于拥塞传播分析的道路瓶颈识别方法及其系统,该方法包括确定道路的拥塞路段,记录拥塞时间;形成多组交通拥塞相关联的拥塞路段对,并进行排序;删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对;构建树形结构的有向图;分解有向图,最大化树的有向边数目,形成交通拥塞树;对交通拥塞树的每个顶点进行权重分配;根据Markov模型分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率;计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。本发明实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
Description
技术领域
本发明涉及智能交通的技术领域,更具体地说是指基于拥塞传播分析的道路瓶颈识别方法及其系统。
背景技术
城市交通是衡量城市文明的重要标志,是城市生活的命脉。随着社会经济的高速发展,城市化进程的加快,城市交通需求的迅速增长,交通问题已经成为城市发展过程中亟待解决的问题。其中,交通拥塞作为交通问题最显著的表现形式,直接导致了交通事故、驾驶时间浪费、运营成本上升、空气污染等重要问题,这也使得交通拥塞成为制约城市经济和社会发展的关键。
城市道路的拥塞现象日益严重,而拥塞现象的产生常常是由交通瓶颈而引发的,瓶颈路段交通状态的不断恶化会蔓延到其他相邻路段并导致这些路段的拥塞。而且随着交通拥塞在城市交通网络中的传播,在特定条件下会导致整个交通网络的拥塞,进而影响交通网络的整体运行效率。因此,在城市道路网络规划中,识别交通网络中由于路网拓扑规划不合理、不同路段通行能力与道路容量不匹配、交通控制方案(如红绿灯协调管理)不合理等原因引起的交通瓶颈,可以为交通设施改善方案提供依据并采取相应措施缓解交通堵塞。
针对城市道路交通瓶颈识别的方法研究,目前比较前沿的方法有以下两种:一是基于道路车辆平均速度在交通瓶颈处上下流的差异识别方法,该方法利用路段的空间关系,将城市路段分为多个长度相同的部分,比较各部分路段车辆平均速度的差异,并识别出车辆平均速度下降最多的路段作为交通瓶颈;二是将城市道路网络中首先发生拥塞的路段视作交通瓶颈,该方法统计城市道路各路段拥塞的起止时间,比较各路段拥塞的时间先后关系,并将各路段中首先发生拥塞的路段当作交通瓶颈,从而实现城市道路网络中交通瓶颈的识别。
但是,上述两种方法仅能够利用交通拥塞的空间关系或者时间关系,并未能综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,因此只能识别出单一路段或者特定区域内的交通瓶颈,而在面对城市交通环境中路网结构复杂的场景时,则无法直接用于整个城市范围内交通瓶颈的识别。
因此,有必要设计一种新的道路瓶颈识别方法,实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
发明内容
本发明的目的在于克服现有技术的缺陷,提供基于拥塞传播分析的道路瓶颈识别方法及其系统。
为实现上述目的,本发明采用以下技术方案:基于拥塞传播分析的道路瓶颈识别方法,所述方法包括:
确定道路的拥塞路段,记录拥塞时间;
将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序;
删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列;
以形成拥塞路段对序列为基础,构建树形结构的有向图;
分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树;
对交通拥塞树的每个顶点进行权重分配;
根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重;
根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
其进一步技术方案为:确定道路的拥塞路段,记录拥塞时间的步骤,包括以下具体步骤:
获取道路的探测数据;
确定交通拥塞的车辆平均速度门限;
提取探测数据内车辆的平均车速;
获取平均车速高于平均速度门限的路段,形成拥塞路段;
记录拥塞路段的拥塞时间。
其进一步技术方案为:将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并对拥塞路段对内的第一路段按照拥塞时间进行排序的步骤,包括以下具体步骤:
根据城市区域路网拓扑结构确定最大距离门限;
提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对;
根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度;
根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限;
删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对;
根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
其进一步技术方案为:以形成拥塞路段对序列为基础,构建树形结构的有向图的步骤,包括以下具体步骤:
初始化一个空集合G以及空集合S,将空集合S作为集合G的子集;
输入一组拥塞路段对,并将所述拥塞路段对加入集合S中;
输入下一组拥塞路段对,根据此拥塞路段对的两条路段以及集合G的子集S内存储的路段情况,对集合G进行更新处理;
判断此拥塞路段对是否为最后一组拥塞路段对;
若是,则输出集合G,形成有向图;
若否,则返回所述输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中的步骤。
其进一步技术方案为:输入下一组拥塞路段对,根据此拥塞路段对的两条路段相对于集合G的子集S内存储的路段情况,对集合G进行更新处理的步骤,包括以下具体步骤:
输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中;
若此拥塞路段对中两条路段有且仅有一条路段在集合G的一个子集S中,则将此拥塞路段对加入集合G的一个子集S中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若此拥塞路段对中两条路段不是有且仅有一条路段在集合G的一个子集S中,则判断此拥塞路段对中两条路段是否其中一条路段在集合G的一个子集S中,另一条路段在集合G的另一个子集S'中;
若是,则将子集S与子集S'合并后加入到集合G中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若否,则判断此拥塞路段对中两条路段是否均不在集合G的任意一个子集S中;
若此拥塞路段对中两条路段均不在集合G的任意一个子集S中,则初始化新的子集S”,将此拥塞路段加入到子集S”中,并将子集S”加入到集合G中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若此拥塞路段对中两条路段不是均不在集合G的任意一个子集S中,则删除此拥塞路段对,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤。
其进一步技术方案为:分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树的步骤,包括以下具体步骤:
将有向图用邻接矩阵表示;
初始化一个队列,初始化一个集合A;
将有向图中一个节点加入队列,记此节点作为有向图内树的根节点,并对此节点进行标记;
判断队列是否为空;
若队列不为空,获取队列内的队尾节点;
输入有向图中另一个节点;
判断此节点是否与队尾节点相连且不在队列中;
若否,返回所述输入有向图中另一个节点的步骤;
若是,将此节点加入队列中,并标记此节点,将此节点与队尾节点连接的边加入到集合A中;
判断此节点是否为有向图中最后一个节点;
若否,返回所述输入有向图中另一个节点的步骤;
若是,则将队尾节点从队列中删除,并返回判断队列是否为空的步骤;
若队列为空,则输出集合A;
判断有向图中输入的树的根节点是否为有向图中最后一个节点;
若有向图中输入的树的根节点不是有向图中最后一个节点,则返回初始化一个队列,初始化一个集合A的步骤;
若有向图中输入的树的根节点是有向图中最后一个节点,则判断此有向图是否为最后一个有向图;
若是,则进入对交通拥塞树的每个顶点进行权重分配的步骤;
若否,返回将有向图用邻接矩阵表示的步骤。
其进一步技术方案为:根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈的步骤,包括以下具体步骤:
获取交通拥塞树中所有出度为0的节点;
将出度为0的节点的顶点权重分别乘以出度为0的节点所连接的有向边的权重,并将乘值分别加到出度为0的节点对应父节点的顶点权重中;
删除出度为0的节点及出度为0的节点所对应的连接到父节点的有向边;
判断此交通拥塞树中是否只剩下一个节点;
若否,则返回获取交通拥塞树中所有出度为0的节点的步骤;
若是,则输出此交通拥塞树中所有节点的权重;
判断此交通拥塞树是否为最后一个交通拥塞树;
若否,则返回获取交通拥塞树中所有出度为0的节点的步骤;
若是,则删除交通拥塞树内各节点权重中的传播路径相同的重复项,将剩余的节点权重相加,形成各交通拥塞树的各节点的传播权重;
将各节点传播权重与顶点权重相加,形成各节点的综合权重;
选取各节点的综合权重最大的节点,形成交通拥塞瓶颈。
本发明还提供了基于拥塞传播分析的道路瓶颈识别系统,包括拥塞路段确认单元、排序单元、路段对删除单元、有向图构建单元、拥塞树形成单元、分配单元、概率分析单元以及瓶颈确定单元;
所述拥塞路段确认单元,用于确定道路的拥塞路段,记录拥塞时间;
所述排序单元,用于将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序;
所述路段对删除单元,用于删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列;
所述有向图构建单元,用于以形成拥塞路段对序列为基础,构建树形结构的有向图;
所述拥塞树形成单元,用于分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树;
所述分配单元,用于对交通拥塞树的每个顶点进行权重分配;
所述概率分析单元,用于根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重;
所述瓶颈确定单元,用于根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
其进一步技术方案为:所述拥塞路段确认单元包括数据获取模块、车速门限获取模块、车速提取模块、拥塞路段形成模块以及时间记录模块;
所述数据获取模块,用于获取道路的探测数据;
所述车速门限获取模块,用于确定交通拥塞的车辆平均速度门限;
所述车速提取模块,用于提取探测数据内车辆的平均车速;
所述拥塞路段形成模块,用于获取平均车速高于平均速度门限的路段,形成拥塞路段;
所述时间记录模块,用于记录拥塞路段的拥塞时间。
其进一步技术方案为:所述排序单元包括距离门限确定模块、待定提取模块、拥塞传播速度计算模块、置信区间确定模块、路段对删除模块以及时间排序模块;
所述距离门限确定模块,用于根据城市区域路网拓扑结构确定最大距离门限;
所述待定提取模块,用于提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对;
所述拥塞传播速度计算模块,用于根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度;
所述置信区间确定模块,用于根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限;
所述路段对删除模块,用于删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对;
所述时间排序模块,用于根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
本发明与现有技术相比的有益效果是:本发明的基于拥塞传播分析的道路瓶颈识别方法,通过利用道路数据确定拥塞路段,根据拥塞路段形成多组交通拥塞相关联的拥塞路段对,利用有向图、分解后的交通拥塞树以及Markov模型的概率分析算法确定交通拥塞瓶颈,实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于拥塞传播分析的道路瓶颈识别方法的流程图;
图2为本发明具体实施例提供的台北市区各传感线圈探测路段的顶点权重和传播权重的分布图;
图3为本发明具体实施例提供的台北市城市区域内的交通瓶颈识别结果的分布图;
图4为本发明具体实施例提供的基于拥塞传播分析的道路瓶颈识别系统的结构框图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
如图1~4所示的具体实施例,本实施例提供的基于拥塞传播分析的道路瓶颈识别方法,可以运用在城市路网中的道路瓶颈识别以及网络规划方面,实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
如图1所示,本实施例提供了基于拥塞传播分析的道路瓶颈识别方法,该方法包括:
S1、确定道路的拥塞路段,记录拥塞时间;
S2、将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序;
S3、删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列;
S4、以形成拥塞路段对序列为基础,构建树形结构的有向图;
S5、分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树;
S6、对交通拥塞树的每个顶点进行权重分配;
S7、根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重;
S8、根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
更进一步地,对于上述的S1步骤,确定道路的拥塞路段,记录拥塞时间的步骤,包括以下具体步骤:
S11、获取道路的探测数据;
S12、确定交通拥塞的车辆平均速度门限;
S13、提取探测数据内车辆的平均车速;
S14、获取平均车速高于平均速度门限的路段,形成拥塞路段;
S15、记录拥塞路段的拥塞时间。
对于上述的S11步骤,探测数据可以为探测线圈采样到的数据或者其他道路上的传感器数据。
而对于上述的S12步骤至S14步骤,在其他实施例中,还可以根据具体应用场景和感应设备的不同,也可以利用其他标准判断一个路段是否拥塞,例如车道占有率、车辆经过一个路段所需时间、车流量等,当车道占有率超过该道路的设定值时或者车辆经过一个路段所需时间大于设定值或车流量大于设定值,均可认为该路段为拥塞路段,依据具体情况而定,可灵活变通。
更进一步地,在某些实施例中,对于上述的S2步骤,将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并对拥塞路段对内的第一路段按照拥塞时间进行排序的步骤,包括以下具体步骤:
S21、根据城市区域路网拓扑结构确定最大距离门限;
S22、提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对;
S23、根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度;
S24、根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限;
S25、删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对;
S26、根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
根据交通拥塞相关联的定义,确定交通拥塞的最大距离门限Ts以及拥塞传播速度门限Tsp,并且根据确定的门限将拥塞路段连接为多组交通拥塞相关联的拥塞路段对,其中拥塞路段对中第二条拥塞路段拥塞时间晚于第一条拥塞路段的拥塞时间,在一个区域的道路网络中可能存在多对上述路段,按照上述拥塞路段对中第一条路段的拥塞时间先后排序,将得到的所有拥塞路段对进行排列。
根据城市道路交通拥塞相关的定义进行拥塞路段对的获取,能够更好地利用城市中路段间交通拥塞的时空关系和因果关系来获得城市路网中拥塞相关的拥塞路段对。
对于上述的S22步骤,待定拥塞路段对中第二条路段拥塞时间晚于第一条路段拥塞时间,表明拥塞有可能是由第一条路段传播到第二条路段上,在一个区域的道路网络中可能存在多对上述路段,利用拥塞时间间隔找出所有的待定拥塞路段对。
上述的S3步骤,设定频率主要是针对城市道路的不同网络结构确定出现频率的标准值,低于该标准值的路段对则需要删除。
更进一步地,在某些实施例中,对于上述的S4步骤,以形成拥塞路段对序列为基础,构建树形结构的有向图的步骤,包括以下具体步骤:
S41、初始化一个空集合G以及空集合S,将空集合S作为集合G的子集;
S42、输入一组拥塞路段对,并将所述拥塞路段对加入集合S中;
S43、输入下一组拥塞路段对,根据此拥塞路段对的两条路段以及集合G的子集S内存储的路段情况,对集合G进行更新处理;
S44、判断此拥塞路段对是否为最后一组拥塞路段对;
S45、若是,则输出集合G,形成有向图;
若否,则返回S43步骤。
另外,在某些实施例中,对于上述的S43步骤,输入下一组拥塞路段对,根据此拥塞路段对的两条路段相对于集合G的子集S内存储的路段情况,对集合G进行更新处理的步骤,包括以下具体步骤:
S431、输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中;
S432、若此拥塞路段对中两条路段有且仅有一条路段在集合G的一个子集S中,则将此拥塞路段对加入集合G的一个子集S中,并进入S44步骤;
S433、若此拥塞路段对中两条路段不是有且仅有一条路段在集合G的一个子集S中,则判断此拥塞路段对中两条路段是否其中一条路段在集合G的一个子集S中,另一条路段在集合G的另一个子集S'中;
S434、若是,则将子集S与子集S'合并后加入到集合G中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
S435、若否,则判断此拥塞路段对中两条路段是否均不在集合G的任意一个子集S中;
S436、若此拥塞路段对中两条路段均不在集合G的任意一个子集S中,则初始化新的子集S”,将此拥塞路段加入到子集S”中,并将子集S”加入到集合G中,并进入S44步骤;
S437、若此拥塞路段对中两条路段不是均不在集合G的任意一个子集S中,则删除此拥塞路段对,并进入S44步骤。
对于上述的S41步骤至S45步骤,用有向图的一条有向边表示一条拥塞路段对,该有向边的第一个顶点代表对应拥塞路段对的第一个路段,第二个顶点代表对应拥塞路段对的第二个路段,有向边由第一个顶点指向第二个顶点,对应每一个拥塞路段对唯一地建立一个有向边。在建立有向图时先放入拥塞路段对序列的第一个拥塞路段对的有向边,再依次加入对应于其他拥塞路段对的有向边,如果后加入拥塞路段对的有向边的一个或两个顶点(即所代表的路段)在前面加入的有向边形成的图中已经存在,则将后加入的有向边与图中的顶点直接连接起来,如果一个有向边在有向边形成的图中已经被加入,则将该有向边删除,这样形成的有向图可能包含多个互不相连的子图。
更进一步地,在某些实施例中,上述的S5步骤,分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树的步骤,包括以下具体步骤:
S50、将有向图用邻接矩阵表示;
S51、初始化一个队列,初始化一个集合A;
S52、将有向图中一个节点加入队列,记此节点作为有向图内树的根节点,并对此节点进行标记;
S53、判断队列是否为空;
S54、若队列不为空,获取队列内的队尾节点;
S55、输入有向图中另一个节点;
S56、判断此节点是否与队尾节点相连且不在队列中;
若否,返回S55步骤;
S57、若是,将此节点加入队列中,并标记此节点,将此节点与队尾节点连接的边加入到集合A中;
S58、判断此节点是否为有向图中最后一个节点;
若否,返回S56步骤;
S59、若是,则将队尾节点从队列中删除,并返回判断队列是否为空的步骤;
S501、若队列为空,则输出集合A;
S502、判断有向图中输入的树的根节点是否为有向图中最后一个节点;
若有向图中输入的树的根节点不是有向图中最后一个节点,则返回S51步骤;
S503、若有向图中输入的树的根节点是有向图中最后一个节点,则判断此有向图是否为最后一个有向图;
若是,则进入S6步骤;
若否,返回S50步骤。
对于上述的S5步骤,具体是用广度优先搜索算法将上述有向图分解为一个或者多个最大生成树。其中每个树包含的有向边的数目都被最大化,该树形结构即为交通拥塞树。不同树包含的有向边可以重叠。每个树都有一个根节点,表示拥塞由根节点产生逐步传播到其他节点。
上述的S4步骤至S5步骤,利用建立交通拥塞树和交通拥塞有向图的方法来识别城市道路候选交通瓶颈,不仅能够得到离散时间下的拥塞相关的路段对,而且能够得到连续时间下的拥塞相关的路段对,普适性更强。此外,通过计算各路段的拥塞消耗来识别道路候选交通瓶颈,能够量化各路段拥塞对整个城市区域的影响,为有效地限制交通拥塞在城市路网中的传播提供建议。
对于上述的S7步骤,利用Markov模型的概率分析方法分析出交通拥塞从交通拥塞树中一个顶点(即一个路段)传播到另外一个相邻顶点的概率,并将该概率值作为连接这两个顶点的有向边的权重;利用Markov模型识别出城市里各区域候选交通瓶颈中最重要的交通瓶颈,能够量化多条路段交通拥塞之间的传播概率,而且能够得到多条路段之间交通拥塞的定量影响关系,更真实的反映实际场景,从而识别出对城市各区域内对交通拥塞影响最大的交通瓶颈。
更进一步地,在某些实施例中,上述的S8步骤,根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈的步骤,包括以下具体步骤:
S81、获取交通拥塞树中所有出度为0的节点;
S82、将出度为0的节点的顶点权重分别乘以出度为0的节点所连接的有向边的权重,并将乘值分别加到出度为0的节点对应父节点的顶点权重中;
S83、删除出度为0的节点及出度为0的节点所对应的连接到父节点的有向边;
S84、判断此交通拥塞树中是否只剩下一个节点;
若否,则返回S81步骤;
S85、若是,则输出此交通拥塞树中所有节点的权重;
S86、判断此交通拥塞树是否为最后一个交通拥塞树;
若否,则返回S81步骤;
S87、若是,则删除交通拥塞树内各节点权重中的传播路径相同的重复项,将剩余的节点权重相加,形成各交通拥塞树的各节点的传播权重;
S88、将各节点传播权重与顶点权重相加,形成各节点的综合权重;
S89、选取各节点的综合权重最大的节点,形成交通拥塞瓶颈。
对于上述的S8步骤,根据交通拥塞树,利用顶点的权重以及有向边的权重给每个顶点计算出一个综合权重,该综合权重代表了每个顶点所代表路段的发生拥塞的成本,包括了本路段发生拥塞的成本及拥塞传播到其他路段所引起的成本。根据此综合权重确定城市区域内的交通拥塞瓶颈。
对于上述的S84步骤,此步骤中的节点为原交通拥塞树的根节点。
对于上述的S87步骤,具体是综合各树中所有节点的权重,为避免重复计算,删除各节点权重中的传播路径相同的重复项,将剩余的权重相加,即为各节点所得的传播权重。
利用对交通拥塞传播的分析实现城市道路交通瓶颈识别,可用于城市道路规划及交通堵塞的缓解,提高城市交通运行效率。
举个例子,如图2和图3所示,获取台湾省台北市城市区域的道路探测线圈数据,在整个城市区域共有153个探测线圈,每个线圈都安置在一条路段上,共有2013年4月1日到4月10日,从17:00到22:00的探测线圈数据,采样频率为每分钟一次;利用以上交通数据,首先计算得到了台北市区各传感线圈探测路段的顶点权重和传播权重,其结果如图2所示;在此基础上,本发明识别出台北市城市区域内的交通瓶颈其结果如图3所示;具体地,在台湾台北市城市区域共有153个探测线圈,每个线圈安置在一个城市路段上。利用本方法,首先,利用输入的探测线圈车辆平均速度数据确定发生交通拥塞的路段及其拥塞时间;然后,确定交通拥塞的最大距离门限Ts以及拥塞传播速度门限Tsp,并且根据确定的门限,将得到的拥塞路段连接为多组交通拥塞相关联的拥塞路段对,并删除其中出现频率较低的拥塞路段对;其次,将所有拥塞路段对连接为多个有向图;然后得到有向图中所有最大生成树,并根据得到的最大生成树的结构计算城市区域中各节点的综合权重,识别出各区域候选交通瓶颈。
如图2所示,根据台北市交通数据,计算得到了台北市区各传感线圈探测路段的顶点权重和传播权重,其中传播权重以及顶点权重的两者之和,即为所求综合权重。
如图3所示,选取综合权重最大的5条路段作为台北城市区域交通瓶颈,按照综合权重大小依次为路段48,路段50,路段125,路段121以及路段132,其中路段48,路段50位于台北市区东北部,路段125,路段121以及路段132均位于台北市区西部区域。
上述的基于拥塞传播分析的道路瓶颈识别方法,通过利用道路数据确定拥塞路段,根据拥塞路段形成多组交通拥塞相关联的拥塞路段对,利用有向图、分解后的交通拥塞树以及Markov模型的概率分析算法确定交通拥塞瓶颈,实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
如图4所示,本实施例还提供了基于拥塞传播分析的道路瓶颈识别系统,其包括拥塞路段确认单元1、排序单元2、路段对删除单元3、有向图构建单元4、拥塞树形成单元5、分配单元6、概率分析单元7以及瓶颈确定单元8。
拥塞路段确认单元1,用于确定道路的拥塞路段,记录拥塞时间。
排序单元2,用于将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序。
路段对删除单元3,用于删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列。
有向图构建单元4,用于以形成拥塞路段对序列为基础,构建树形结构的有向图。
拥塞树形成单元5,用于分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树。
分配单元6,用于对交通拥塞树的每个顶点进行权重分配。
概率分析单元7,用于根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重。
瓶颈确定单元8,用于根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
更进一步地,在某些实施例中,上述的拥塞路段确认单元1包括数据获取模块、车速门限获取模块、车速提取模块、拥塞路段形成模块以及时间记录模块。
数据获取模块,用于获取道路的探测数据。该探测数据可以为探测线圈采样到的数据或者其他道路上的传感器数据。
车速门限获取模块,用于确定交通拥塞的车辆平均速度门限。
车速提取模块,用于提取探测数据内车辆的平均车速。
拥塞路段形成模块,用于获取平均车速高于平均速度门限的路段,形成拥塞路段。
时间记录模块,用于记录拥塞路段的拥塞时间。
在其他实施例中,拥塞路段确认单元1还可以根据具体应用场景和感应设备的不同,也可以利用其他标准判断一个路段是否拥塞,例如车道占有率、车辆经过一个路段所需时间、车流量等,当车道占有率超过该道路的设定值时或者车辆经过一个路段所需时间大于设定值或车流量大于设定值,均可认为该路段为拥塞路段,依据具体情况而定,可灵活变通。
更进一步地,在某些实施例中,上述的排序单元2包括距离门限确定模块、待定提取模块、拥塞传播速度计算模块、置信区间确定模块、路段对删除模块以及时间排序模块。
距离门限确定模块,用于根据城市区域路网拓扑结构确定最大距离门限。
待定提取模块,用于提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对。
拥塞传播速度计算模块,用于根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度。
置信区间确定模块,用于根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限。
路段对删除模块,用于删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对。
时间排序模块,用于根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
根据交通拥塞相关联的定义,确定交通拥塞的最大距离门限Ts以及拥塞传播速度门限Tsp,并且根据确定的门限将拥塞路段连接为多组交通拥塞相关联的拥塞路段对,其中拥塞路段对中第二条拥塞路段拥塞时间晚于第一条拥塞路段的拥塞时间,在一个区域的道路网络中可能存在多对上述路段,按照上述拥塞路段对中第一条路段的拥塞时间先后排序,将得到的所有拥塞路段对进行排列。
根据城市道路交通拥塞相关的定义进行拥塞路段对的获取,能够更好地利用城市中路段间交通拥塞的时空关系和因果关系来获得城市路网中拥塞相关的拥塞路段对。
对于上述的待定提取模块,待定拥塞路段对中第二条路段拥塞时间晚于第一条路段拥塞时间,表明拥塞有可能是由第一条路段传播到第二条路段上,在一个区域的道路网络中可能存在多对上述路段,利用拥塞时间间隔找出所有的待定拥塞路段对。
另外,在某些实施例中,上述的有向图构建单元4包括集合初始化模块、路段对输入模块、更新处理模块以及第一判断模块。
集合初始化模块,用于初始化一个空集合G以及空集合S,将空集合S作为集合G的子集。
路段对输入模块,用于输入一组拥塞路段对,并将所述拥塞路段对加入集合S中。
更新处理模块,用于输入下一组拥塞路段对,根据此拥塞路段对的两条路段以及集合G的子集S内存储的路段情况,对集合G进行更新处理。
第一判断模块,用于判断此拥塞路段对是否为最后一组拥塞路段对;若是,则输出集合G,形成有向图。
另外,对于上述的更新处理模块包括第一判断子模块、加入子模块、第二判断子模块、合并子模块、第三判断子模块、新子集处理子模块以及删除子模块。
第一判断子模块,用于输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中。
加入子模块,用于若此拥塞路段对中两条路段有且仅有一条路段在集合G的一个子集S中,则将此拥塞路段对加入集合G的一个子集S中。
第二判断子模块,用于若此拥塞路段对中两条路段不是有且仅有一条路段在集合G的一个子集S中,则判断此拥塞路段对中两条路段是否其中一条路段在集合G的一个子集S中,另一条路段在集合G的另一个子集S'中。
合并子模块,用于若是,则将子集S与子集S'合并后加入到集合G中。
第三判断子模块,用于若否,则判断此拥塞路段对中两条路段是否均不在集合G的任意一个子集S中。
新子集处理子模块,用于若此拥塞路段对中两条路段均不在集合G的任意一个子集S中,则初始化新的子集S”,将此拥塞路段加入到子集S”中,并将子集S”加入到集合G中。
删除子模块,用于若此拥塞路段对中两条路段不是均不在集合G的任意一个子集S中,则删除此拥塞路段对。
用有向图的一条有向边表示一条拥塞路段对,该有向边的第一个顶点代表对应拥塞路段对的第一个路段,第二个顶点代表对应拥塞路段对的第二个路段,有向边由第一个顶点指向第二个顶点,对应每一个拥塞路段对唯一地建立一个有向边。在建立有向图时先放入拥塞路段对序列的第一个拥塞路段对的有向边,再依次加入对应于其他拥塞路段对的有向边,如果后加入拥塞路段对的有向边的一个或两个顶点(即所代表的路段)在前面加入的有向边形成的图中已经存在,则将后加入的有向边与图中的顶点直接连接起来,如果一个有向边在有向边形成的图中已经被加入,则将该有向边删除,这样形成的有向图可能包含多个互不相连的子图。
更进一步地,在某些实施例中,拥塞树形成单元5包括矩阵表示模块、列队初始化模块、节点加入模块、第二判断模块、队尾节点获取模块、节点输入模块、第三判断模块、标记模块、第四判断模块、节点删除模块、第五判断模块以及第六判断模块。
矩阵表示模块,用于将有向图用邻接矩阵表示。
列队初始化模块,用于初始化一个队列,初始化一个集合A。
节点加入模块,用于将有向图中一个节点加入队列,记此节点作为有向图内树的根节点,并对此节点进行标记。
第二判断模块,用于判断队列是否为空,若队列为空,则输出集合A。
队尾节点获取模块,用于若队列不为空,获取队列内的队尾节点。
节点输入模块,用于输入有向图中另一个节点。
第三判断模块,用于判断此节点是否与队尾节点相连且不在队列中,
标记模块,用于若是,将此节点加入队列中,并标记此节点,将此节点与队尾节点连接的边加入到集合A中。
第四判断模块,用于判断此节点是否为有向图中最后一个节点。
点删除模块,用于若是,则将队尾节点从队列中删除。
第五判断模块,用于判断有向图中输入的树的根节点是否为有向图中最后一个节点。
第六判断模块,用于若有向图中输入的树的根节点是有向图中最后一个节点,则判断此有向图是否为最后一个有向图。
用广度优先搜索算法将上述有向图分解为一个或者多个最大生成树。其中每个树包含的有向边的数目都被最大化,该树形结构即为交通拥塞树。不同树包含的有向边可以重叠。每个树都有一个根节点,表示拥塞由根节点产生逐步传播到其他节点。
利用建立交通拥塞树和交通拥塞有向图的方法来识别城市道路候选交通瓶颈,不仅能够得到离散时间下的拥塞相关的路段对,而且能够得到连续时间下的拥塞相关的路段对,普适性更强。此外,通过计算各路段的拥塞消耗来识别道路候选交通瓶颈,能够量化各路段拥塞对整个城市区域的影响,为有效地限制交通拥塞在城市路网中的传播提供建议。
对于上述的概率分析单元7,利用Markov模型的概率分析方法分析出交通拥塞从交通拥塞树中一个顶点(即一个路段)传播到另外一个相邻顶点的概率,并将该概率值作为连接这两个顶点的有向边的权重;利用Markov模型识别出城市里各区域候选交通瓶颈中最重要的交通瓶颈,能够量化多条路段交通拥塞之间的传播概率,而且能够得到多条路段之间交通拥塞的定量影响关系,更真实的反映实际场景,从而识别出对城市各区域内对交通拥塞影响最大的交通瓶颈。
更进一步地,在某些实施例中,上述的瓶颈确定单元8包括零出度节点获取模块、乘积模块、有向边删除模块、第七判断模块、权重输出模块、第八判断模块、传播权重形成模块、加权模块以及选取模块。
零出度节点获取模块,用于获取交通拥塞树中所有出度为0的节点。
乘积模块,用于将出度为0的节点的顶点权重分别乘以出度为0的节点所连接的有向边的权重,并将乘值分别加到出度为0的节点对应父节点的顶点权重中。
有向边删除模块,用于删除出度为0的节点及出度为0的节点所对应的连接到父节点的有向边。
第七判断模块,用于判断此交通拥塞树中是否只剩下一个节点,该节点为原交通拥塞树的根节点。
权重输出模块,用于若是,则输出此交通拥塞树中所有节点的权重。
第八判断模块,用于判断此交通拥塞树是否为最后一个交通拥塞树。
传播权重形成模块,用于若是,则删除交通拥塞树内各节点权重中的传播路径相同的重复项,将剩余的节点权重相加,形成各交通拥塞树的各节点的传播权重。
加权模块,用于将各节点传播权重与顶点权重相加,形成各节点的综合权重。
选取模块,用于选取各节点的综合权重最大的节点,形成交通拥塞瓶颈。
根据交通拥塞树,利用顶点的权重以及有向边的权重给每个顶点计算出一个综合权重,该综合权重代表了每个顶点所代表路段的发生拥塞的成本,包括了本路段发生拥塞的成本及拥塞传播到其他路段所引起的成本。根据此综合权重确定城市区域内的交通拥塞瓶颈。
利用对交通拥塞传播的分析实现城市道路交通瓶颈识别,可用于城市道路规划及交通堵塞的缓解,提高城市交通运行效率。
举个例子,如图2和图3所示,获取台湾省台北市城市区域的道路探测线圈数据,在整个城市区域共有153个探测线圈,每个线圈都安置在一条路段上,共有2013年4月1日到4月10日,从17:00到22:00的探测线圈数据,采样频率为每分钟一次;利用以上交通数据,首先计算得到了台北市区各传感线圈探测路段的顶点权重和传播权重,其结果如图2所示;在此基础上,本发明识别出台北市城市区域内的交通瓶颈其结果如图3所示;具体地,在台湾台北市城市区域共有153个探测线圈,每个线圈安置在一个城市路段上。利用本方法,首先,利用输入的探测线圈车辆平均速度数据确定发生交通拥塞的路段及其拥塞时间;然后,确定交通拥塞的最大距离门限Ts以及拥塞传播速度门限Tsp,并且根据确定的门限,将得到的拥塞路段连接为多组交通拥塞相关联的拥塞路段对,并删除其中出现频率较低的拥塞路段对;其次,将所有拥塞路段对连接为多个有向图;然后得到有向图中所有最大生成树,并根据得到的最大生成树的结构计算城市区域中各节点的综合权重,识别出各区域候选交通瓶颈。
如图2所示,根据台北市交通数据,计算得到了台北市区各传感线圈探测路段的顶点权重和传播权重,其中传播权重以及顶点权重的两者之和,即为所求综合权重。
如图3所示,选取综合权重最大的5条路段作为台北城市区域交通瓶颈,按照综合权重大小依次为路段48,路段50,路段125,路段121以及路段132,其中路段48,路段50位于台北市区东北部,路段125,路段121以及路段132均位于台北市区西部区域。
上述的基于拥塞传播分析的道路瓶颈识别系统,通过利用道路数据确定拥塞路段,根据拥塞路段形成多组交通拥塞相关联的拥塞路段对,利用有向图、分解后的交通拥塞树以及Markov模型的概率分析算法确定交通拥塞瓶颈,实现综合考虑交通拥塞在城市路网中传播的时空关系和因果关系,且能识别城市网络中交通瓶颈,适应城市复杂路网拓扑场景下的交通瓶颈识别需求。
上述仅以实施例来进一步说明本发明的技术内容,以便于读者更容易理解,但不代表本发明的实施方式仅限于此,任何依本发明所做的技术延伸或再创造,均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于拥塞传播分析的道路瓶颈识别方法,其特征在于,所述方法包括:
确定道路的拥塞路段,记录拥塞时间;
将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序;
删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列;
以形成拥塞路段对序列为基础,构建树形结构的有向图;
分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树;
对交通拥塞树的每个顶点进行权重分配;
根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重;
根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
2.根据权利要求1所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,确定道路的拥塞路段,记录拥塞时间的步骤,包括以下具体步骤:
获取道路的探测数据;
确定交通拥塞的车辆平均速度门限;
提取探测数据内车辆的平均车速;
获取平均车速高于平均速度门限的路段,形成拥塞路段;
记录拥塞路段的拥塞时间。
3.根据权利要求1所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并对拥塞路段对内的第一路段按照拥塞时间进行排序的步骤,包括以下具体步骤:
根据城市区域路网拓扑结构确定最大距离门限;
提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对;
根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度;
根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限;
删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对;
根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
4.根据权利要求1所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,以形成拥塞路段对序列为基础,构建树形结构的有向图的步骤,包括以下具体步骤:
初始化一个空集合G以及空集合S,将空集合S作为集合G的子集;
输入一组拥塞路段对,并将所述拥塞路段对加入集合S中;
输入下一组拥塞路段对,根据此拥塞路段对的两条路段以及集合G的子集S内存储的路段情况,对集合G进行更新处理;
判断此拥塞路段对是否为最后一组拥塞路段对;
若是,则输出集合G,形成有向图;
若否,则返回所述输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中的步骤。
5.根据权利要求4所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,输入下一组拥塞路段对,根据此拥塞路段对的两条路段相对于集合G的子集S内存储的路段情况,对集合G进行更新处理的步骤,包括以下具体步骤:
输入下一组拥塞路段对,判断此拥塞路段对中两条路段是否有且仅有一条路段在集合G的一个子集S中;
若此拥塞路段对中两条路段有且仅有一条路段在集合G的一个子集S中,则将此拥塞路段对加入集合G的一个子集S中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若此拥塞路段对中两条路段不是有且仅有一条路段在集合G的一个子集S中,则判断此拥塞路段对中两条路段是否其中一条路段在集合G的一个子集S中,另一条路段在集合G的另一个子集S'中;
若是,则将子集S与子集S'合并后加入到集合G中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若否,则判断此拥塞路段对中两条路段是否均不在集合G的任意一个子集S中;
若此拥塞路段对中两条路段均不在集合G的任意一个子集S中,则初始化新的子集S”,将此拥塞路段加入到子集S”中,并将子集S”加入到集合G中,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤;
若此拥塞路段对中两条路段不是均不在集合G的任意一个子集S中,则删除此拥塞路段对,并进入判断此拥塞路段对是否为最后一组拥塞路段对的步骤。
6.根据权利要求1所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树的步骤,包括以下具体步骤:
将有向图用邻接矩阵表示;
初始化一个队列,初始化一个集合A;
将有向图中一个节点加入队列,记此节点作为有向图内树的根节点,并对此节点进行标记;
判断队列是否为空;
若队列不为空,获取队列内的队尾节点;
输入有向图中另一个节点;
判断此节点是否与队尾节点相连且不在队列中;
若否,返回所述输入有向图中另一个节点的步骤;
若是,将此节点加入队列中,并标记此节点,将此节点与队尾节点连接的边加入到集合A中;
判断此节点是否为有向图中最后一个节点;
若否,返回所述输入有向图中另一个节点的步骤;
若是,则将队尾节点从队列中删除,并返回判断队列是否为空的步骤;
若队列为空,则输出集合A;
判断有向图中输入的树的根节点是否为有向图中最后一个节点;
若有向图中输入的树的根节点不是有向图中最后一个节点,则返回初始化一个队列,初始化一个集合A的步骤;
若有向图中输入的树的根节点是有向图中最后一个节点,则判断此有向图是否为最后一个有向图;
若是,则进入对交通拥塞树的每个顶点进行权重分配的步骤;
若否,返回将有向图用邻接矩阵表示的步骤。
7.根据权利要求1至6任一项所述的基于拥塞传播分析的道路瓶颈识别方法,其特征在于,根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈的步骤,包括以下具体步骤:
获取交通拥塞树中所有出度为0的节点;
将出度为0的节点的顶点权重分别乘以出度为0的节点所连接的有向边的权重,并将乘值分别加到出度为0的节点对应父节点的顶点权重中;
删除出度为0的节点及出度为0的节点所对应的连接到父节点的有向边;
判断此交通拥塞树中是否只剩下一个节点;
若否,则返回获取交通拥塞树中所有出度为0的节点的步骤;
若是,则输出此交通拥塞树中所有节点的权重;
判断此交通拥塞树是否为最后一个交通拥塞树;
若否,则返回获取交通拥塞树中所有出度为0的节点的步骤;
若是,则删除交通拥塞树内各节点权重中的传播路径相同的重复项,将剩余的节点权重相加,形成各交通拥塞树的各节点的传播权重;
将各节点传播权重与顶点权重相加,形成各节点的综合权重;
选取各节点的综合权重最大的节点,形成交通拥塞瓶颈。
8.基于拥塞传播分析的道路瓶颈识别系统,其特征在于,包括拥塞路段确认单元、排序单元、路段对删除单元、有向图构建单元、拥塞树形成单元、分配单元、概率分析单元以及瓶颈确定单元;
所述拥塞路段确认单元,用于确定道路的拥塞路段,记录拥塞时间;
所述排序单元,用于将拥塞路段连接形成多组交通拥塞相关联的拥塞路段对,并根据拥塞路段对内的第一路段的拥塞时间进行多组拥塞路段对的排序;
所述路段对删除单元,用于删除排序后的拥塞路段对中出现频率不满足设定频率的拥塞路段对,形成拥塞路段对序列;
所述有向图构建单元,用于以形成拥塞路段对序列为基础,构建树形结构的有向图;
所述拥塞树形成单元,用于分解有向图,获取树,并最大化树的有向边数目,形成交通拥塞树;
所述分配单元,用于对交通拥塞树的每个顶点进行权重分配;
所述概率分析单元,用于根据Markov模型的概率分析算法分析交通拥塞树中一个顶点传播至另一个相邻顶点的概率,形成连接两个顶点的有向边的权重;
所述瓶颈确定单元,用于根据顶点的权重以及连接两个顶点的有向边的权重,计算交通拥塞树中每个顶点的综合权重值,根据综合权重确定交通拥塞瓶颈。
9.根据权利要求8所述的基于拥塞传播分析的道路瓶颈识别系统,其特征在于,所述拥塞路段确认单元包括数据获取模块、车速门限获取模块、车速提取模块、拥塞路段形成模块以及时间记录模块;
所述数据获取模块,用于获取道路的探测数据;
所述车速门限获取模块,用于确定交通拥塞的车辆平均速度门限;
所述车速提取模块,用于提取探测数据内车辆的平均车速;
所述拥塞路段形成模块,用于获取平均车速高于平均速度门限的路段,形成拥塞路段;
所述时间记录模块,用于记录拥塞路段的拥塞时间。
10.根据权利要求8所述的基于拥塞传播分析的道路瓶颈识别系统,其特征在于,所述排序单元包括距离门限确定模块、待定提取模块、拥塞传播速度计算模块、置信区间确定模块、路段对删除模块以及时间排序模块;
所述距离门限确定模块,用于根据城市区域路网拓扑结构确定最大距离门限;
所述待定提取模块,用于提取拥塞路段中每两条路段之间拥塞时间间隔小于最大距离门限的拥塞路段对,形成待定拥塞路段对;
所述拥塞传播速度计算模块,用于根据待定拥塞路段对内每两条路段之间的相隔距离以及拥塞时间的间隔,计算各待定拥塞路段对的拥塞传播速度;
所述置信区间确定模块,用于根据拥塞传播速度确定拥塞传播速度的频率分布情况,并确定一个置信区间,形成拥塞传播速度门限;
所述路段对删除模块,用于删除待定拥塞路段对中拥塞传播速度在拥塞传播速度门限之外的待定拥塞路段对,形成多组拥塞路段对;
所述时间排序模块,用于根据各拥塞路段对中第一条路段的拥塞时间先后顺序,对多组拥塞路段对进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040761.8A CN108062860B (zh) | 2018-01-16 | 2018-01-16 | 基于拥塞传播分析的道路瓶颈识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810040761.8A CN108062860B (zh) | 2018-01-16 | 2018-01-16 | 基于拥塞传播分析的道路瓶颈识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108062860A true CN108062860A (zh) | 2018-05-22 |
CN108062860B CN108062860B (zh) | 2020-12-15 |
Family
ID=62141099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810040761.8A Active CN108062860B (zh) | 2018-01-16 | 2018-01-16 | 基于拥塞传播分析的道路瓶颈识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062860B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109637141A (zh) * | 2019-01-14 | 2019-04-16 | 杭州电子科技大学 | 一种基于宽度优先搜索的动态配时交通信号灯控制方法 |
CN109741603A (zh) * | 2019-01-24 | 2019-05-10 | 杭州远眺科技有限公司 | 一种基于排队长度计算相邻交叉口间拥堵传播率的方法 |
CN110276553A (zh) * | 2019-06-24 | 2019-09-24 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN111046123A (zh) * | 2019-12-13 | 2020-04-21 | 广州浩宁智能设备有限公司 | 一种交通换乘有向图生成方法及系统 |
CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
WO2023279603A1 (zh) * | 2021-07-09 | 2023-01-12 | 阿波罗智联(北京)科技有限公司 | 路网交通瓶颈的识别方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
CN101923777A (zh) * | 2009-06-12 | 2010-12-22 | 深圳市融创天下科技发展有限公司 | 一种通过电子眼视频自动判断交通拥堵等级的方法 |
CN104091460A (zh) * | 2014-06-25 | 2014-10-08 | 中国安全生产科学研究院 | 一种用于树状结构网的疏散控制方法及系统 |
CN105006167A (zh) * | 2014-04-18 | 2015-10-28 | 杭州远眺科技有限公司 | 一种交通拥堵传播路径的研究方法 |
US9330565B2 (en) * | 2013-09-18 | 2016-05-03 | Iteris, Inc. | Traffic bottleneck detection and classification on a transportation network graph |
CN106781464A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况测试方法 |
-
2018
- 2018-01-16 CN CN201810040761.8A patent/CN108062860B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923777A (zh) * | 2009-06-12 | 2010-12-22 | 深圳市融创天下科技发展有限公司 | 一种通过电子眼视频自动判断交通拥堵等级的方法 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
US9330565B2 (en) * | 2013-09-18 | 2016-05-03 | Iteris, Inc. | Traffic bottleneck detection and classification on a transportation network graph |
CN105006167A (zh) * | 2014-04-18 | 2015-10-28 | 杭州远眺科技有限公司 | 一种交通拥堵传播路径的研究方法 |
CN104091460A (zh) * | 2014-06-25 | 2014-10-08 | 中国安全生产科学研究院 | 一种用于树状结构网的疏散控制方法及系统 |
CN106781464A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况测试方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109637141A (zh) * | 2019-01-14 | 2019-04-16 | 杭州电子科技大学 | 一种基于宽度优先搜索的动态配时交通信号灯控制方法 |
CN109741603A (zh) * | 2019-01-24 | 2019-05-10 | 杭州远眺科技有限公司 | 一种基于排队长度计算相邻交叉口间拥堵传播率的方法 |
CN110276553A (zh) * | 2019-06-24 | 2019-09-24 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN110276553B (zh) * | 2019-06-24 | 2021-08-17 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN111046123A (zh) * | 2019-12-13 | 2020-04-21 | 广州浩宁智能设备有限公司 | 一种交通换乘有向图生成方法及系统 |
CN111046123B (zh) * | 2019-12-13 | 2024-01-12 | 广州浩宁智能设备有限公司 | 一种交通换乘有向图生成方法及系统 |
CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
CN113361051B (zh) * | 2021-06-02 | 2023-03-14 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
WO2023279603A1 (zh) * | 2021-07-09 | 2023-01-12 | 阿波罗智联(北京)科技有限公司 | 路网交通瓶颈的识别方法、装置及电子设备 |
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108062860B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062860A (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
CN108629974B (zh) | 顾及城市道路交通网络特征的交通运行指数建立方法 | |
CN110135092A (zh) | 基于半局部中心性的复杂加权交通网关键节点识别方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
CN105303839B (zh) | 潜在拥堵道路交叉点的预测方法和装置 | |
CN114093168B (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
CN100468481C (zh) | 城市交通行程时间智能化分析系统 | |
CN110222873A (zh) | 一种基于大数据的地铁站客流量预测方法 | |
CN103701122B (zh) | 基于关联矩阵与回路矩阵的电网拓扑分析系统及其方法 | |
CN109358582A (zh) | 基于大数据的大采高综采工作面多设备协同作业控制方法 | |
CN104112366B (zh) | 基于隐语义模型的交通信号优化方法 | |
CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN109360421A (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
CN109002959A (zh) | 一种基于大数据的危化品运输风险预测系统 | |
CN108694516A (zh) | 一种基于大数据的危化品运输风险预测方法 | |
Keyarsalan et al. | Designing an intelligent ontological system for traffic light control in isolated intersections | |
CN108694517A (zh) | 一种基于大数据的危化品运输风险因素的统计和分析方法 | |
CN108510110A (zh) | 一种基于知识图谱的水位趋势分析方法 | |
CN113554869B (zh) | 一种基于多特征融合的道路封闭检测方法 | |
CN114331206A (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN113065690A (zh) | 一种交通预测方法及装置 | |
Liu | Fuzzy cognitive maps: Analysis and extensions | |
CN115691140B (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Abdelgawad et al. | Assessment of self-learning adaptive traffic signal control on congested urban areas: independent versus coordinated perspectives |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180604 Address after: 518000 49, 1016, Yunfeng Road, Queshan mountain, peak area, Longhua District, Shenzhen, Guangdong, China, 1016 Applicant after: Shenzhen Dai Sheng Intelligent Technology Co., Ltd. Address before: 36, New South Wales Road, Applicant before: Mao Guoqiang Applicant before: Ouyang Yigang |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |