CN108109375B - 一种基于渗流分析的城市交通网络可靠性预测方法 - Google Patents
一种基于渗流分析的城市交通网络可靠性预测方法 Download PDFInfo
- Publication number
- CN108109375B CN108109375B CN201711390227.1A CN201711390227A CN108109375B CN 108109375 B CN108109375 B CN 108109375B CN 201711390227 A CN201711390227 A CN 201711390227A CN 108109375 B CN108109375 B CN 108109375B
- Authority
- CN
- China
- Prior art keywords
- network
- reliability
- urban traffic
- traffic
- congestion
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 31
- 238000005325 percolation Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 6
- 230000036962 time dependent Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于渗流分析的城市交通网络可靠性预测方法，步骤如下：一：构建历史时期交通流的动态网络；二：计算城市交通动态网络的渗流阈值；三：计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高或低的依据；四：对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性；通过以上步骤，本发明有效分析了历史时期的交通网络可靠性的演化特征和演化机理，能依此预测实时城市交通网络可靠性的演化方向为高可靠运行状态还是低可靠运行状态，为城市交通管理者提供指导或预警；对于解决城市交通拥堵、建设智慧城市具有关键支撑作用。
Description
技术领域
本发明提出一种基于渗流分析的城市交通网络可靠性预测方法，属于交通可靠性技术领域。
背景技术
随着经济水平的不断发展，基础设施的规划和建设领域也逐渐繁荣。一个国家的基础设施建设水平，不仅反映了其本身综合实力的水平，也是实现其国计民生的重要物质保障。因此，如何提高基础设施的管理和服务水平是一个至关重要的问题。从工程领域来看，即是如何提高基础设施的可靠性以满足一定的使用需求。这其中，关键基础设施诸如通讯、电力、能源、交通运输、供水等领域，是关系到国家经济和社会正常运转的最重要的基础设施系统。如何管理和提高关键基础设施的可靠性是实现国家安全与社会保障的重大课题，而其中一个重要前提是预测系统的可靠性状态的演化方向。
以城市交通系统这一关键基础设施为研究对象，对于其可靠性的预测依赖于对于交通拥堵风险的辨识，其中最关键问题在于城市交通系统的状态估计。这方面已有研究主要包括基于模型仿真和基于数据分析的城市交通状态估计方法，特别是基于卡尔曼滤波的方法。早期的交通状态估计主要来源于交通监测数据，然而受成本限制只能在短距离、小范围的区域内设置监测设备，因而进行交通状态评估的数据来源十分有限；之后的研究通过引入流体动力学的相关理论知识，采用动态交通流模型，利用模型参数估计等方法，实现了对较长距离、较大范围内的交通状况进行估计和预测。这些研究大都集中在高速公路的交通状态上，而在城市道路交通层面上，在大数据的背景下，已有研究通过利用不同类型数据的融合理论与方法，基于对历史数据统计分析，实现对拥堵风险进行预警，能够很好地对日常状态下的城市交通系统进行较为准确的可靠性预测。
以上这些方法的局限在于没有从城市交通的网络层面、动态地考虑城市交通系统的可靠性问题。城市交通系统是一个开放的复杂巨系统，在外部因素的影响和内部要素的相互作用下，其特性时时刻刻都在发生非线性的、不确定的变化，采用简单的数理统计方法难以对其在不同状况下的可靠性进行实时评估和预测，因为这些方法难以区分城市交通拥堵路段之间的关联关系，也难以解释城市交通拥堵形成规模的内在机理。复杂性科学是系统科学中的前沿领域，其中尤以复杂网络理论和方法为研究诸如城市交通系统这类复杂网络系统提供了一个新的视角。复杂网络的方法不仅可以描述城市交通系统的结构特性，还能够表示系统内各要素之间的相互功能关系，从而研究系统的动力学过程。这其中，城市交通系统的渗流属性分析是一种有效的分析城市交通网络可靠性变化以及微观单元相互作用变化的手段。
与传统的城市交通网络可靠性预测方法相比，本发明提出的一种基于渗流分析的城市交通网络可靠性预测方法具有如下优点：首先，本方法不仅能够分析城市交通系统的网络拓扑结构对于可靠性的影响，还能够分析其上的动力学行为的变化特征；第二，本方法从网络的角度考虑城市交通系统的可靠性，具有实时敏感又不容易受到极端数据影响的优势；最后，本方法通过挖掘影响城市交通网络可靠性高低的内在机理，不仅能够实时预测日常时期的城市交通网络可靠性，更可以适用于极端条件下的可靠性预警。
发明内容
(一)本发明的目的
本发明的主要目的包括：利用城市交通系统的历史运行数据，结合渗流分析确定城市交通系统在不同时期的拥堵程度变化，并依据拥堵程度将城市交通系统的运行水平区分为高可靠或低可靠的运行状态；通过分析不同运行状态的交通流拥堵子集团(以下简称“拥堵子团”)的微观演化过程，归纳宏观交通演化成高可靠或低可靠运行状态时的不同演化机制。这里的拥堵子团指的是一个边和节点的集合，这个集合中任意两个节点之间至少存在一条由若干交通流处于拥堵状态的边首尾相接形成的拥堵路径；基于归纳的城市交通运行状态演化机制，通过分析实时交通数据中的拥堵子团变化趋势，预测实时交通流是否朝具有较高可靠性的状态演化。
(二)本发明的技术方案
本发明提出的一种基于渗流分析的城市交通网络可靠性预测方法，具体包含以下步骤：
步骤一：基于城市交通网络拓扑结构和历史时期城市交通运行数据，构建历史时期交通流的动态网络；
步骤二：基于构建的历史时期交通流动态网络，运用渗流分析方法计算城市交通动态网络的渗流阈值，并以此作为衡量历史时期城市交通网络可靠性的评价指标；
步骤三：基于不同历史时期的渗流阈值，计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高或低的依据；
步骤四：基于历史时期城市交通网络可靠性的高低，运用渗流分析方法对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性。
通过以上步骤，本发明提出的一种基于渗流分析的城市交通网络可靠性预测方法，有效分析了历史时期的交通网络可靠性的演化特征和演化机理，可以依此预测实时城市交通网络可靠性的演化方向为高可靠运行状态还是低可靠运行状态，为城市交通管理者提供指导或预警；城市交通网络可靠性预测是城市交通系统管理与控制的重要前提，对于解决城市交通拥堵、建设智慧城市具有关键支撑作用。
其中，在步骤一中描述的“基于城市交通网络拓扑结构和历史时期城市交通运行数据，构建历史时期交通流的动态网络”，其具体做法包括以下内容：
(1)构建城市交通系统的拓扑网络：这里以城市交通道路网络为例来说明城市交通系统的拓扑网络构建方法，其它类型的城市交通系统(例如地铁网络系统、公交网络系统等)也可以用类似的方法构建拓扑网络。从实际交通道路网络中抽象出节点和连边，通常将城市道路管理系统划分的各个路段抽象为拓扑网络的连边，将路段与路段之间的连接路口抽象为拓扑网络的节点，则城市道路系统中各个路段之间的连接关系可以用一个拓扑网络来表示。
(2)基于历史交通运行数据，给构建的城市交通系统的拓扑网络中的各连边赋权值：根据城市交通系统中各个路段在测定时刻的运行数据(通常是路段上的平均行车速度或是车流量，这里以平均行车速度为例说明)，可以依据该路段最大限速计算其相对速度值，具体公式为：
其中，i表示当前路段的起点，j表示当前路段的终点，rij(t)表示t时刻当前路段的相对速度值，vij(t)表示t时刻当前路段的实时测定速度值，
表示当前路段的最大限速值。将计算所得的相对速度值作为拓扑网络中当前路段在当前时刻的权值。将各个时刻的权值的城市交通拓扑网络作为一个集合表示，就构成了城市交通的动态网络。这里所谓的动态指的是具有时间属性。
在此步骤中，注意到由于各类因素的影响可能导致某路段在某个时刻的运行数据的缺失，此时需要运用一定的方法对缺失的运行数据进行补偿。具体的补偿方法在交通领域已有公知技术和文献支持，此处不再赘述。之后文中所提的城市交通运行数据，如无特殊说明均指代补偿后的数据。
其中，在步骤二中所描述的“基于构建的历史时期交通流动态网络，运用渗流分析方法计算城市交通动态网络的渗流阈值，并以此作为衡量历史时期城市交通网络可靠性的评价指标”，其具体包括以下内容：
(1)分析城市交通动态网络的渗流过程：每一个时刻，在建立的交通动态网络中，给定一个控制变量，设其为q(t)，则每一条道路分成两种状态：畅通(即rij(t)≥q(t))和拥堵(即rij(t)＜q(t))；将这个交通动态网络中畅通的边保留下来，拥堵的边从网络拓扑中移除，则剩下的网络就是t时刻由各个运行状况良好的连边和节点组成的交通流畅通子集团(以下简称为“畅通子团”)，与拥堵子团类似，这里的畅通子团指的是一个边和节点的集合，这个集合中任意两个节点之间至少存在一条由若干交通流处于畅通状态的边首尾相接形成的畅通路径；通过设置q(t)值从0到1以一定的间隔不断变化，可以观察到畅通子团的不断变化的渗流过程。
(2)根据渗流过程确定城市交通动态网络的渗流阈值：根据渗流理论，在控制变量q(t)从0到1的变化过程中，在某一个特定的值下网络中的次大畅通子团中的尺寸(一般定义为包含的连边或是节点的数量)会达到最大值，此时网络的结构会发生相变，对应的这个特定的q(t)值就是渗流阈值，记为qc(t)。渗流阈值的大小可以有效的衡量当前网络系统的运行状态，渗流阈值越高，说明城市交通网络可靠性越高；反之则越低。
其中，在步骤三中所描述的“基于不同历史时期的渗流阈值，计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高或低的依据”，其具体内容包括：
统计历史时期若干天或者若干天中的某一时段的渗流阈值qc(t)的平均值，然后计算这些渗流阈值均值的距平值。距平值是数理统计分析中一个分析时间序列变化情况的常用参量，可以衡量某一时段的系统状态偏离平均状态的程度。这里的渗流阈值均值的平均值可以当作区分城市交通网络可靠性高低的分界线：如果当天或当天的某一时段的渗流阈值均值高于这一平均值，则距平值为正，意味着该天或该天这一时段的城市交通网络可靠性较高；反之，则距平值为负，可靠性较低。
其中，在步骤四中所描述的“基于历史时期城市交通网络可靠性的高低，运用渗流分析方法对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性”，其具体内容和做法包括：
(1)根据城市交通网络可靠性状态将不同时段的城市交通演化过程分类。
根据步骤三计算的距平值的正负可以将不同历史时期的城市交通系统运行状态的演化过程划分为高可靠演化过程和低可靠演化过程。
(2)分析城市交通网络的拥堵子团的微观演化过程。
依据实际交通需求水平设置判断路段是否拥堵的相对速度水平的标准值Q，如果某一路段的权值rij(t)≥Q，则认为该路段是畅通的；否则，则认为该路段是拥堵的。在此基础上，分析拥堵n元组的数量随时间的演化情况。这里的拥堵n元组指的是由n条同方向的拥堵路段构成的集合。根据实际道路运行情况可以设定适当的阈值N，通过研究分析n≤N的所有拥堵n元组在一天或者一天中某一时段内的数量变化过程，将可以推导出宏观规模的交通网络可靠性下降是如何由微观规模的拥堵单元(即拥堵n元组)合并形成的。根据渗流理论，通常较小规模的拥堵单元有两种合并方式，且这两种合并方式的不同会最终导致系统属性的不同：一种是较小规模的子团具有较高的吸引力，倾向于吸引相似规模的较小拥堵单元进行合并，这意味着较小拥堵单元会逐渐扩大其规模，之后迅速合并产生一个“突变式的”宏观网络规模级别的全局交通拥堵，此时城市交通网络可靠性较低；另一种是较小规模的子团具有较低的吸引力，网络中已经存在的较大的拥堵子团会具备较大的吸引力吸引周围的子团进行合并，而较小的拥堵子团的合并会相对受到抑制，这意味着较大的拥堵子团会缓慢增加其规模，其要产生大规模全局交通拥堵的变化过程相对于前种情形而言是较为缓和，甚至慢于城市交通网络的自恢复过程，以至于实际无法形成全局交通拥堵的情形，此时城市交通网络可靠性较高。这两种情形所对应的拥堵n元组的数量变化是：当n取值较小时，前者会在一段时间内表现为相对于后者的拥堵n元组的数量迅速减少的趋势。这一理论现象在实证交通运行数据中也有验证，如图2所示，为某城市在某一个月的工作日中不同情形下的拥堵2元组平均数量随时间的变化。
(3)预测实时交通运行状态的演化方向。
基于实时交通运行数据，观察实时交通动态网络中拥堵n元组数量随时间的变化，并与历史时期对应的相同时段的高可靠和低可靠的宏观交通状态的拥堵n元组的数量变化曲线数据进行类比分析。如果实时数据中的拥堵n元组数量变化曲线与历史数据中高可靠交通状态的拥堵n元组的变化曲线的相关性高，则预测实时交通状态将在可预测时段内演化得较为可靠；否则，则预测实时交通状态将演化的较为不可靠，需要对此进行预警。其中，分析两组变化曲线的相关性高低为数理统计中分析时间序列领域的公知技术，这里不再赘述。
(三)本发明的优点和功效
与传统的城市交通网络可靠性预测方法相比，本发明提出的一种基于渗流分析的城市交通网络可靠性预测方法具有如下优点：首先，本方法不仅能够分析城市交通系统的网络拓扑结构对于可靠性的影响，还能够分析其上的动力学行为的变化特征；第二，本方法从网络的角度考虑城市交通系统的可靠性，具有实时敏感又不容易受到极端数据影响的优势；最后，本方法通过挖掘影响城市交通网络可靠性高低的内在机理，不仅能够实时预测日常时期的城市交通网络可靠性，更可以适用于极端条件下的可靠性预警。
附图说明
图1为本发明所述方法的流程图。
图2为两类系统状态演化过程代表的拥堵2元组的数量变化图，其中实线代表正距平值天的拥堵2元组平均数量随时间的变化而虚线表示负距平值天的拥堵2元组平均数量随时间的变化。
具体实施方式：
为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图1的方法流程图对一具体实施案例进行详细描述。
本发明一种基于渗流分析的城市交通网络可靠性预测方法，见图1所示，具体包含以下步骤：
步骤一：基于城市交通网络拓扑结构和历史时期城市交通运行数据，构建历史时期交通流的动态网络；
(1)本发明以某城市A为例，基于历史数据建立其动态交通网络。其包含连边数量约为50000、节点数量约为27000。其涵盖的时间跨度为某年某个月的17个工作日。在相应的时间跨度内，拥有测定的(补偿后)每个路段在每一分钟的平均行车速度。
(2)对每个路段每一时刻的平均速度进行归一化处理，即用该时刻的速度值除以该路段的最大限速值，所得结果作为该路段在该时刻的权值。
(3)通过上述(1)和(2)可以构建每个时刻的带权的城市交通拓扑网络，这些不同时刻的带权城市交通拓扑网络的集合构成了城市交通动态网络。
步骤二：基于构建的历史时期交通流动态网络，运用渗流分析方法计算城市交通动态网络的渗流阈值，并以此作为衡量历史时期城市交通网络可靠性的评价指标；
对于每个时刻的带权的城市交通拓扑网络，设置控制变量q(t)的初始值和终值分别为1和0，不断减小q值，每次变化Δq(这里取Δq＝0.01)。每次删除rij(t)＜q(t)的边，并运用基于深度优先遍历的Tarjan算法遍历剩余网络。计算这一个过程中最大畅通子团和次大畅通子团的尺寸。根据渗流理论，当次大畅通子团的尺寸达到该时刻t下的最大值时，网络失去连通功能(即发生相变)，对应的q(t)值就是该时刻t下的渗流阈值qc(t)。在渗流过程中，渗流阈值的大小可以有效的衡量当前城市交通系统的可靠性的高低。渗流阈值越高，说明该时刻t的城市交通网络可靠性越高。
步骤三：基于不同历史时期的渗流阈值，计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高或低的依据；
由上一步骤可计算得到A城市某个月17个工作日下每一时刻的渗流阈值天qc(t)，以天为单位，将当天早上6点到10点之间的qc(t)取平均，得到当天早晨时段的渗流阈值的均值，以
表示。然后计算17个
的距平值。这样计算得到的距平值可以衡量城市交通系统可靠性状态偏离平均状态的程度。这里的渗流阈值均值
的平均值可以当作区分城市交通系统网络可靠性的高低的分界线，如果
高于这一平均值，则距平值为正，意味着该天这一时段的城市交通网络可靠性较高；反之，则距平值为负，可靠性较低。
步骤四：基于历史时期城市交通网络可靠性的高低，运用渗流分析方法对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性；
根据上一步骤计算的距平值的正负可以将不同历史时期的城市交通系统运行状态的演化过程划分为高可靠演化过程和低可靠演化过程。本例中计算17个工作日早晨时段的数据，发现其中有9天具有正平值，另外8天为负距平值。按正负将这两类距平值所对应的天区分成。
依据实际交通需求水平设置判断路段是否拥堵的相对速度水平的标准值Q，如果某一路段的权值rij(t)≥Q，则认为该路段是畅通的；否则，则认为该路段是拥堵的。这里根据A城市的日常运行水平设置Q＝0.5，即相当于最高限速的一半。在此基础上，再根据实际道路运行水平，设置阈值N＝2，即分析所有拥堵2元组的数量随时间的演化情况，如图2所示。这里的拥堵2元组表示由2条同方向的拥堵路段构成的集合，通过分析拥堵2元组在一天中的数量变化过程，将可以推导出宏观规模的交通网络可靠性下降是如何由较小规模的拥堵单元合并形成的。图2为A城市在某一个月的工作日早晨时段中不同情形下的拥堵2元组平均数量随时间的变化，其中实线表示9个正距平值天的拥堵2元组平均数量随时间的变化，虚线表示8个负距平值天的拥堵2元组平均数量随时间的变化。可以看到，大约在早晨7点左右(也是通常早高峰开始时段)，后者开始产生相对于前者的明显下降的趋势。
采用上述方法观察实时交通动态网络中拥堵2元组数量随时间的变化，并与上述时段的高可靠和低可靠的宏观交通状态的拥堵2元组的数量变化曲线数据进行类比分析，对实时城市交通状态的演化方向进行预测。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于渗流分析的城市交通网络可靠性预测方法，其特征在于：它包含以下步骤：
步骤一：基于城市交通网络拓扑结构和历史时期城市交通运行数据，构建历史时期交通流的动态网络；
步骤二：基于构建的历史时期交通流动态网络，运用渗流分析方法计算城市交通动态网络的渗流阈值，并以此作为衡量历史时期城市交通网络可靠性的评价指标；
步骤三：基于不同历史时期的渗流阈值，计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高及低的依据；
步骤四：基于历史时期城市交通网络可靠性的高低，运用渗流分析方法对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性；
在步骤四中所描述的“基于历史时期城市交通网络可靠性的高低，运用渗流分析方法对比历史时期高可靠城市交通运行状态和低可靠交通运行状态中的拥堵子团的演化规律，并依此预测实时城市交通网络可靠性”，具体步骤包括：
(1)根据城市交通网络可靠性状态将不同时段的城市交通演化过程分类；
根据步骤三计算的距平值的正负将不同历史时期的城市交通系统运行状态的演化过程划分为高可靠演化过程和低可靠演化过程；
(2)分析城市交通网络的拥堵子团的微观演化过程；
依据实际交通需求水平设置判断路段是否拥堵的相对速度水平的标准值Q，如果一路段的权值rij(t)≥Q，i表示当前路段的起点，j表示当前路段的终点，rij(t)表示t时刻当前路段的相对速度值，相对速度值作为拓扑网络中当前路段在当前时刻的权值,则认为该路段是畅通的；否则，则认为该路段是拥堵的；在此基础上，分析拥堵n元组的数量随时间的演化情况；这里的拥堵n元组指的是由n条同方向的拥堵路段构成的集合；根据实际道路运行情况设定适当的阈值N，通过研究分析n≤N的所有拥堵n元组在一天及一天中一时段内的数量变化过程，将推导出宏观规模的交通网络可靠性下降是如何由微观规模的拥堵单元即拥堵n元组合并形成的；根据渗流理论，小规模的拥堵单元有两种合并方式，且这两种合并方式的不同会最终导致系统属性的不同：一种是小规模的子团具有高的吸引力，倾向于吸引相似规模的小拥堵单元进行合并，这意味着小拥堵单元会逐渐扩大其规模，之后迅速合并产生一个“突变式的”宏观网络规模级别的全局交通拥堵，此时城市交通网络可靠性低；另一种是小规模的子团具有低的吸引力，网络中已经存在的大的拥堵子团会具备大的吸引力吸引周围的子团进行合并，而小的拥堵子团的合并会相对受到抑制，这意味着大的拥堵子团会缓慢增加其规模，其要产生大规模全局交通拥堵的变化过程相对于前种情形而言是缓和，甚至慢于城市交通网络的自恢复过程，以至于实际无法形成全局交通拥堵的情形，此时城市交通网络可靠性高；这两种情形所对应的拥堵n元组的数量变化是：当n取值小时，前者会在一段时间内表现为相对于后者的拥堵n元组的数量迅速减少的趋势；
(3)预测实时交通运行状态的演化方向；
基于实时交通运行数据，观察实时交通动态网络中拥堵n元组数量随时间的变化，并与历史时期对应的相同时段的高可靠和低可靠的宏观交通状态的拥堵n元组的数量变化曲线数据进行类比分析；如果实时数据中的拥堵n元组数量变化曲线与历史数据中高可靠交通状态的拥堵n元组的变化曲线的相关性高，则预测实时交通状态将在可预测时段内演化得为可靠；否则，则预测实时交通状态将演化得为不可靠，需要对此进行预警。
2.根据权利要求1所述的一种基于渗流分析的城市交通网络可靠性预测方法，其特征在于：
在步骤一中描述的“基于城市交通网络拓扑结构和历史时期城市交通运行数据，构建历史时期交通流的动态网络”，其具体做法包括以下步骤：
(1)构建城市交通系统的拓扑网络：从实际交通道路网络中抽象出节点和连边，将城市道路管理系统划分的各个路段抽象为拓扑网络的连边，将路段与路段之间的连接路口抽象为拓扑网络的节点，则城市道路系统中各个路段之间的连接关系用一个拓扑网络来表示；
(2)基于历史交通运行数据，给构建的城市交通系统的拓扑网络中的各连边赋权值：根据城市交通系统中各个路段在测定时刻的运行数据，依据该路段最大限速计算其相对速度值，具体公式为：
其中，参数i表示当前路段的起点，j表示当前路段的终点，t表示当前时刻；vij(t)表示t时刻当前路段的实时测定速度值，rij(t)表示t时刻当前路段的相对速度值,
表示当前路段的最大限速值；将计算所得的相对速度值作为拓扑网络中当前路段在当前时刻的权值；将各个时刻的权值的城市交通拓扑网络作为一个集合表示，就构成了城市交通的动态网络；该动态指的是具有时间属性；
在此步骤中，由于各类因素的影响导致一路段在一时刻的运行数据的缺失，需要运用一预定的方法对缺失的运行数据进行补偿。
3.根据权利要求1所述的一种基于渗流分析的城市交通网络可靠性预测方法，其特征在于：
在步骤二中所描述的“基于构建的历史时期交通流动态网络，运用渗流分析方法计算城市交通动态网络的渗流阈值，并以此作为衡量历史时期城市交通网络可靠性的评价指标”，其具体包括以下步骤：
(1)分析城市交通动态网络的渗流过程：每一个时刻，在建立的交通动态网络中，给定一个控制变量，设其为q(t)，则每一条道路分成两种状态：畅通即rij(t)≥q(t)和拥堵即rij(t)＜q(t)；将这个交通动态网络中畅通的边保留下来，拥堵的边从网络拓扑中移除，则剩下的网络就是t时刻由各个运行状况良好的连边和节点组成的交通流畅通子集团，简称为“畅通子团”，与拥堵子团类似，这里的畅通子团指的是一个边和节点的集合，这个集合中任意两个节点之间至少存在一条由交通流处于畅通状态的边首尾相接形成的畅通路径；通过设置q(t)值从0到1以一预定的间隔不断变化，观察到畅通子团的不断变化的渗流过程；
(2)根据渗流过程确定城市交通动态网络的渗流阈值：根据渗流理论，在控制变量q(t)从0到1的变化过程中，在一个特定的值下网络中的次大畅通子团中的尺寸会达到最大值，此时网络的结构会发生相变，对应的这个特定的q(t)值就是渗流阈值，记为qc(t)；渗流阈值的大小能有效的衡量当前网络系统的运行状态，渗流阈值越高，说明城市交通网络可靠性越高；反之则越低。
4.根据权利要求1所述的一种基于渗流分析的城市交通网络可靠性预测方法，其特征在于：
在步骤三中所描述的“基于不同历史时期的渗流阈值，计算各时期渗流阈值均值的距平值，并以此作为区分历史时期城市交通网络可靠性为高及低的依据”，具体为：
统计历史时期各天及各天中的一时段的渗流阈值qc(t)的平均值，然后计算这些渗流阈值均值的距平值；距平值是数理统计分析中一个分析时间序列变化情况的常用参量，衡量一时段的系统状态偏离平均状态的程度；这里的渗流阈值均值的平均值当作区分城市交通网络可靠性高低的分界线：如果当天或当天的某一时段的渗流阈值均值高于这一平均值，则距平值为正，意味着该天及该天这一时段的城市交通网络可靠性较高；反之，则距平值为负，可靠性较低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711390227.1A CN108109375B (zh) | 2017-12-21 | 2017-12-21 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711390227.1A CN108109375B (zh) | 2017-12-21 | 2017-12-21 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108109375A CN108109375A (zh) | 2018-06-01 |
| CN108109375B true CN108109375B (zh) | 2020-10-09 |
Family
ID=62210747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711390227.1A Active CN108109375B (zh) | 2017-12-21 | 2017-12-21 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109375B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986464B (zh) * | 2018-07-25 | 2020-09-15 | 泉州装备制造研究所 | 基于加权复杂网络的区域交通信号控制效果评估方法 |
| CN109377750B (zh) * | 2018-09-18 | 2020-10-09 | 北京航空航天大学 | 一种基于渗流分析的交通系统弹性临界点确定方法 |
| CN109376790B (zh) * | 2018-11-01 | 2021-02-23 | 北京航空航天大学 | 一种基于渗流分析的二元分类方法 |
| CN109859480B (zh) * | 2019-04-04 | 2020-12-15 | 浙江工业大学 | 基于复杂网络的拥堵路段建模和评估方法 |
| CN110111576B (zh) * | 2019-05-16 | 2020-10-09 | 北京航空航天大学 | 一种基于时空拥堵子团的城市交通弹性指标的实现方法 |
| CN110232818B (zh) * | 2019-05-16 | 2021-06-18 | 北京航空航天大学 | 一种基于渗流分析的城市交通脆性评估方法 |
| CN110222950B (zh) * | 2019-05-16 | 2021-05-11 | 北京航空航天大学 | 一种城市交通的健康指标体系及评估方法 |
| CN110211378B (zh) * | 2019-05-29 | 2020-10-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通健康指标体系评估方法 |
| CN110705827B (zh) * | 2019-09-04 | 2022-06-10 | 北京航空航天大学 | 一种基于“交通云”的城市交通健康指标的建立方法 |
| CN111081016B (zh) * | 2019-12-18 | 2021-07-06 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通异常识别方法 |
| CN111915884B (zh) * | 2020-06-18 | 2021-09-28 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
| CN112950946B (zh) * | 2021-02-26 | 2022-08-05 | 中冶南方城市建设工程技术有限公司 | 一种市政道路施工期交通拥堵原因判别方法 |
| CN113409576B (zh) * | 2021-06-24 | 2022-01-11 | 北京航空航天大学 | 一种基于贝叶斯网络的交通路网动态预测方法及系统 |
| CN113409580B (zh) * | 2021-06-28 | 2022-05-13 | 北京航空航天大学 | 一种动态交通网络的容量可靠性的确定方法及系统 |
| CN115294773B (zh) * | 2022-09-29 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交专用道优化配置方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514743A (zh) * | 2013-09-28 | 2014-01-15 | 上海电科智能系统股份有限公司 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
| CN106327865A (zh) * | 2016-08-12 | 2017-01-11 | 北京航空航天大学 | 一种基于渗流分析的城市交通可靠性指标及其实现方法 |
| CN106991542A (zh) * | 2017-06-06 | 2017-07-28 | 北京航空航天大学 | 一种基于渗流理论的轨道网络拥挤瓶颈识别方法 |
-
2017
- 2017-12-21 CN CN201711390227.1A patent/CN108109375B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514743A (zh) * | 2013-09-28 | 2014-01-15 | 上海电科智能系统股份有限公司 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
| CN106327865A (zh) * | 2016-08-12 | 2017-01-11 | 北京航空航天大学 | 一种基于渗流分析的城市交通可靠性指标及其实现方法 |
| CN106991542A (zh) * | 2017-06-06 | 2017-07-28 | 北京航空航天大学 | 一种基于渗流理论的轨道网络拥挤瓶颈识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 城市交通拥堵传播规律与消散控制策略研究;高自友;《上海理工大学学报》;20111215;第33卷(第6期);全文 * |
| 基于连通可靠性的城市道路交通离散网络设计问题;许良等;《燕山大学学报》;20070315;第31卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108109375A (zh) | 2018-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108109375B (zh) | 一种基于渗流分析的城市交通网络可靠性预测方法 | |
| CN109377750B (zh) | 一种基于渗流分析的交通系统弹性临界点确定方法 | |
| Celtek et al. | Real-time traffic signal control with swarm optimization methods | |
| CN106327865B (zh) | 一种基于渗流分析的城市交通可靠性指标及其实现方法 | |
| GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
| CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| CN107273273A (zh) | 一种分布式集群硬件故障预警方法及系统 | |
| CN107292023A (zh) | 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法 | |
| CN103810532B (zh) | 优化城市排水系统运行状况的方法 | |
| CN104574968B (zh) | 一种临界交通状态参数的确定方法 | |
| CN101801011A (zh) | 基于信誉评测机制的wsn安全路由方法 | |
| CN110111576A (zh) | 一种基于时空拥堵子团的城市交通弹性指标及其实现方法 | |
| CN112949999A (zh) | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 | |
| CN105069469A (zh) | 一种基于模糊c均值聚类算法和熵理论的数据流检测方法 | |
| Chen et al. | Short-term traffic flow prediction based on data-driven knearest neighbour nonparametric regression | |
| Lu et al. | Leveraging graph neural network with lstm for traffic speed prediction | |
| Li et al. | Quantifying benefits of traffic information provision under stochastic demand and capacity conditions: a multi-day traffic equilibrium approach | |
| Liu et al. | Intelligent traffic flow prediction and analysis based on internet of things and big data | |
| CN109785625B (zh) | 一种城市路网运行状态的“红绿”区域识别和评价方法 | |
| CN107563096A (zh) | 一种基于fcm的内涝建模分析方法 | |
| Rathore et al. | GNN-RL: Dynamic Reward Mechanism for Connected Vehicle Security using Graph Neural Networks and Reinforcement Learning | |
| CN113284354A (zh) | 一种基于强化学习的交通弹性调控方法及系统 | |
| He et al. | An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting. | |
| Fan et al. | Prediction of road congestion diffusion based on dynamic Bayesian networks | |
| CN113420925B (zh) | 一种基于朴素贝叶斯的交通健康预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |