CN108109382B - 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 - Google Patents
基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 Download PDFInfo
- Publication number
- CN108109382B CN108109382B CN201810113548.5A CN201810113548A CN108109382B CN 108109382 B CN108109382 B CN 108109382B CN 201810113548 A CN201810113548 A CN 201810113548A CN 108109382 B CN108109382 B CN 108109382B
- Authority
- CN
- China
- Prior art keywords
- congestion
- network
- sensor
- intersection
- node
- 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
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通状况预测领域,涉及一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法,该方法中的复合网络是由两个或两个以上子网和子网间连边构成的,子网是构成复合网络的独立的网络,复合网络包括路口网络和传感器网络,传感器网络以每个路口的交通传感器为节点,传感器之间关系为连边,路口网络以路口为节点,根据路口之间是否可达建立连边,在路口网络的基础上,给出拥堵指数、拥堵点、拥堵线路和拥堵区域的定义,该方法基于上述网络结构进行计算,具体方法步骤为先定义拥堵指数Ti、拥堵点、拥堵线路和拥堵区域,再量化拥堵等级,最后进行拥堵点、拥堵线和拥堵区域分析计算,该方法设计构思巧妙,操作性和实用性好,市场前景广阔。
Description
技术领域:
本发明属于交通状况预测领域,涉及一种交通拥堵状况的预测方法,特别是一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法。
背景技术:
随着经济的飞速发展,私家车保有量大大增加,城市道路拥堵问题日益严峻,为城市交通畅通运行保障带来了巨大挑战,也对人们的生活出行造成很大的影响。交通控制管理中心依靠智能交通系统(Intelligent Transportation System,ITS)及时处理事故,保障道路畅通。ITS通过监控道路和车辆状态获取交通数据,为交通部门提供分析结果,有效的缓解了道路拥堵问题。其中,通过对历史数据的分析,获得城市不同位置的拥堵时段对ITS的构建有着重要作用,当不同路口的拥堵时段、时长能够分析出来,相关部门也就可以根据分析结果对道路行驶规则进行改进,但是该方法缺乏可靠的交通拥堵传播模型,难以实现大面积、精准化的交通拥堵分析,也无法支撑高效率的交通拥堵预测,只能够实现小范围面积内的拥堵预测分析,现有技术中,专利号为201610976252.7的中国专利公开了一种基于交通拥堵传播模型的交通拥堵预测方法及系统,通过车辆的历史轨迹计算出车辆在通过第一路段的通行速度:根据通行速度计算出车辆行驶阈值,若当前车辆的瞬时行驶速度小于车辆行驶阈值,则判定发生交通拥堵,将每月中交通拥堵次数大于一定次数的路段判定为常发性交通拥堵路段,根据常发性交通拥堵路段生成拥堵子图,根据所有连接路段同时发生交通拥堵的概率,对拥堵子图进行标定后生成交通拥堵概率图模型后对交通拥堵情况进行预测,能够实现根据多源轨迹大数据提取准确的道路交通状态,从而完成城市交通拥堵传播分析,但是该方法需要建立极为复杂的模型,计算和处理过程繁琐,并且需要通过获得大量交通数据为基础,这些数据不仅包括每一辆车精确地的形式轨迹数据和行驶速度数据,因此操作性和实用性较差,难以有效实施,因此,本发明提出一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法,将路网分解为路口网络和传感器网络。将数据量大且数据之间关系复杂的交通数据加载到传感器网络中后,从网络的空间角度出发,对数据进行统计分析,由此每个时刻会形成一个网络。任意一个时段内,会生成若干个网络,基于这些网络,本文提出一种拥堵点、拥堵线路以及拥堵区域的发现方法。该方法可读性强且易于实现。计算方法灵活,实现了不同长短时间段的拥堵分析,满足了对于一天中各个时间段进行分析的需求。
发明内容:
本发明的目的在于克服现有技术存在的缺陷,寻求设计一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法,该方法基于复合网络理论,构建一种路口网络和传感器网络的复合网络,能够准确计算城市交通网络中的拥堵点、拥堵线、拥堵区域,为交通部门规划交通路线、改善交通状况提供参考。
为了实现上述目的,本发明所述的基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法中的复合网络是由两个或两个以上子网和子网间连边构成的,子网是构成复合网络的独立的网络,本发明中的复合网络包括两个网络,即路口网络和传感器网络,传感器网络以每个路口的交通传感器为节点,传感器之间关系为连边,路口网络以路口为节点,根据路口之间是否可达建立连边,在路口网络的基础上,给出拥堵指数、拥堵点、拥堵线路和拥堵区域的定义,所述的基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法具体按照如下步骤进行:
S1、定义拥堵指数Ti、拥堵点、拥堵线路和拥堵区域
(1)拥堵指数Ti:Ti是节点i的综合交通指数,Ti是对于节点i 的交通状态评价指标,本发明利用平均速度和时间占有率来进行计算;该指标衡量了传感器网络中某个节点的拥堵程度,Ti的值越大表示节点i的拥堵程度越高,计算公式如下:
Ti=β*Jv+γ*Jo (1)
当节点i和j之间有边相连时,αij=1,反之,αij=0,Ti是节点i的综合交通指数,道路的拥堵状态可以通过平均速度和时间占有率两个指标进行衡量;
Jv是平均速度拥堵指数,是本周期断面速度,vf是路段自由流速度,道路的级别不同,路段的自由流速度也不相同,城市道路vf取 80km/h,高速路或者快速路vf取100km/h,Jo是时间占有率指数,其中是本周期断面时间占有率,omax为路段在饱和状态下对应的时间占有率,节点的交通指数计算如下,其中β和γ是权重系数,
(2)拥堵点:即拥堵路口,当节点i的拥堵指数Ci>e,,节点 i处于拥堵状态,e是可调整的指定的拥堵指数阈值;
(3)拥堵线路:指在路网中,由两个以上的拥堵点构成一条拥堵线路;
(4)拥堵区域:指在公路网中,通过拥堵区域算法找出的堵点集合,是若干条拥堵线路的一个并集;
S2、量化拥堵等级
根据S1中定义的拥堵点、拥堵线路、拥堵区域,将拥堵等级进行划分,拥堵等级的划分标准并不固定,下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法,根据拥堵评价指标的不同,拥堵等级的范围会存在变动,级别分类和物理意义如表1所示,
表1拥堵等级划分表
拥堵级别 | 拥堵指数范围 | 物理含义 |
一级 | [0,0.2) | 畅通 |
二级 | [0.2,0.4) | 基本畅通 |
三级 | [0.4,0.6) | 轻度拥堵 |
四级 | [0.6,0.8) | 中度拥堵 |
五级 | [0.8,1.0) | 重度堵塞 |
(1)对拥堵点的拥堵等级划分如下:根据单个节点的拥堵指数属性的值,根据上表的范围划分,将节点状态进行划分,并得到不同程度拥堵点集合;
(2)对堵线的拥堵等级划分如下:不同堵线由若干个拥堵点组成,堵线有长有短,通过定义堵线拥堵指数来评价一条堵线的整体的拥堵状态,拥堵指数如下:
其中P是某条堵线中c的拥堵点集合,T(i)代表节点i的拥堵指数,最后根据各个堵线的Pc值对堵线进行分级;
(3)对拥堵路口的等级划分如下:城市路网每个路口周围一般均匀分布着3个以上传感器,提出路口拥堵指数CrC如下:
其中,M是目标路口对应的传感器分布节点集合,CrC是路口拥堵指数,根据CrC值对应表一能够对路口的拥堵等级进行分级,对拥堵点、拥堵线路、拥堵区域进行拥堵等级划分,用以区分不同的拥堵点、拥堵线路、拥堵区域的重要程度;
S3、实现与拥堵发现算法
(1)建立路口网络与传感器网络的映射关系
为了实现传感器与路口、道路间的对应关系,传感器网络以物理设备为节点,物理设备包括有设置在路口的传感器,主要用以采集包括平均速度、时间占有率、过车数在内的交通数据,基于这些实时交通数据,来计算传感器节点的拥堵指数,传感器节点之间的有向边代表设备之间能够直达,在建立传感器网络的基础上,进一步构建路口网络,以路口为节点,若路口之间存在可达关系则建立无向边,形成传感器道路复合网络,即在传感器节点和路口节点间增加连边,建立传感器和路口的映射关系,具体建立思路如下:
假设有r1、r2两个路口,每个路口有8个传感器,传感器之间已经按照车流方向建立传感器网络;路口间也按照路口邻近关系建立了网络;在构建传感器道路复合网络时,在路口集合和传感器集合建立映射关系,在传感器与路口之间建立一对多或一对一关系,即{s11,s12,s13,s14,s15,s16,s17,s18}→{r1};若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况,对于拥堵线路和拥堵区域的计算采用与拥堵路口相同的计算方式,只要通过拥堵线路或者区域的传感器找到相应的路口即可;
(2)拥堵点分析计算
每一个时间段会生成一个传感器网络,通过连续多个传感器网络的加载运算,对节点上相关属性进行计算,根据拥堵阈值得到拥堵点集,下面将给出拥堵点的发现算法:
首先定义下面符号,G:表示传感器网络;D:表示数据集;C:表示周期,表示要分析的时间间隔,若要分析高峰期的数据,周期即为天,若要分析每个周日,周期即为周,若要分析每年国庆节,则周期即为年;T:表示时间段,如要分析早高峰,T即表示7点到9点;α:表示拥堵状态阈值;
(3)拥堵点集合P分析计算
以定义的G,D,T,α为基础,来计算出拥堵点的集合P,拥堵点的计算方法按照如下步骤进行:
步骤一、设初始周期C标号i=1,再从D中读取第i周期数据;得到第i周期数据di,并计算T时间段内交通拥堵指标统计数据集pi,包括总流量、平均流量、占有率、平均占有率和平均速度;
步骤二、将步骤一中的pi数据加载到网络G,生成新网络Gi,再标记第i周期数据为已读,i=i+1,加载所有的Gj,0≤j≤i-1,最后得到为网络G',其中,网络中的节点拥堵指标公式(1)进行计算,得到网络G'中所有节点的拥堵指数;
对于G'中每一节点若拥堵指数大于拥堵阈值α,则将节点存入拥堵点集P;
(4)拥堵点、拥堵线和拥堵区域分析计算
拥堵线、拥堵区域分析计算的方法基于上述拥堵点中定义的传感器网络G'和拥堵点集P,来获取拥堵线路集合L和拥堵区域Q,具体计算步骤如下:
步骤一、首先标记拥堵点集P中每一拥堵点均未搜索,定义生成树T=Φ,依次从拥堵点集P中读取一个未标记的拥堵点i,以节点i为根建立一棵树Ti,Ti称为以i为根的拥堵线路生成树,简称拥堵树;
步骤二、调用Search_Neighbors(i,G',Ti)函数,采用深度优先搜索的方式,获取节点i的子树Ti,将Ti加入到T中,并将i为已搜索节点;
当拥堵点集合中所有节点均已设置为已搜索后,建立一个指针列表 PT指向T中每一棵树的树根,对于T中每一棵树中的每一个非叶节点 s,从所有树中找出叶节点s,加入指针使叶节点s指向非叶节点s,若非叶节点s为根,则删除PT中指向s的指针;其中,Search_Neighbors函数用以实现给定一个节点递归搜索其拥堵的邻居节点,并将拥堵的邻居节点插入以i为根的树中,Search_Neighbors 算法中对于s拥堵的邻居节点,无论之前该节点是否搜索过都先插入到队列中,用以为后续在发现拥堵区域过程中使得不同拥堵线路上存在公共的拥堵点,从而能够合并形成拥堵区域;
步骤三、按照步骤二中的指针列表中的每一指针指向的树为根,从根到叶的路径的集合即为拥堵线路集L;在树集T中,每一个树即为拥堵区域,将拥堵区域并入Q;
步骤四、基于传感器道路复合网,拥堵传感器集合为M= {M1,M2,…,Mn},通过传感器路网与路网的映射关系,通过堵线发现算法获取拥堵线路L和拥堵拥堵区域Q,L和Q都是M的子集,根据传感器道路映射关系得到拥堵道路集S={S1,S2,…,Sl},其中 {Mi,…,Mj}→{Sk};基于拥堵道路集S和拥堵区域发现算法,找到拥堵区域集A={A1,A2,…,An},其中,拥堵区域即为多条拥堵线路的合并。
上述拥堵线路、拥堵区域的发现方法是在考虑节点空间位置的基础上设计的一种方法,把找出的拥堵点划分成若干条拥堵线路和若干个拥堵区域。
本发明与现有技术相比,取得的有益效果如下:
1、所建立的模型较简单,计算数据量较少,处理过程简洁明了,操作性和实用性好,便于有效实施;
2、将路网分解为路口网络和传感器网络,将数据量大且数据之间关系复杂的交通数据加载到传感器网络中,从网络的空间角度出发,对数据进行统计分析,由此每个时刻会形成一个网络,基于这些网络进行计算,预测结果准确;
3、该预测方法设整体计构思巧妙,所需基础设备易获得,预测过程简单,应用环境友好,市场前景广阔。
附图说明:
图1为本发明涉及的传感器道路映射示意图。
具体实施方式:
下面通过实施例并结合附图对本发明做进一步说明。
实施例1:
本实施例所述的基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法具体按照如下步骤进行:
S1、定义拥堵指数Ti、拥堵点、拥堵线路和拥堵区域
(2)拥堵指数Ti:Ti是节点i的综合交通指数,Ti是对于节点i 的交通状态评价指标,本实施例利用平均速度和时间占有率来进行计算;该指标衡量了传感器网络中某个节点的拥堵程度,Ti的值越大表示节点i的拥堵程度越高,计算公式如下:
Ti=β*Jv+γ*Jo (1)
当节点i和j之间有边相连时,αij=1,反之,αij=0,Ti是节点i的综合交通指数,道路的拥堵状态可以通过平均速度和时间占有率两个指标进行衡量;
Jv是平均速度拥堵指数,是本周期断面速度,vf是路段自由流速度,道路的级别不同,路段的自由流速度也不相同,城市道路vf取 80km/h,高速路或者快速路vf取100km/h,Jo是时间占有率指数,其中是本周期断面时间占有率,omax为路段在饱和状态下对应的时间占有率,节点的交通指数计算如下,其中β和γ是权重系数,
(2)拥堵点:即拥堵路口,当节点i的拥堵指数Ci>e,,节点 i处于拥堵状态,e是可调整的指定的拥堵指数阈值;
(3)拥堵线路:指在路网中,由两个以上的拥堵点构成一条拥堵线路;
(4)拥堵区域:指在公路网中,通过拥堵区域算法找出的堵点集合,是若干条拥堵线路的一个并集;
S2、量化拥堵等级
根据S1中定义的拥堵点、拥堵线路、拥堵区域,将拥堵等级进行划分,拥堵等级的划分标准并不固定,下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法,根据拥堵评价指标的不同,拥堵等级的范围会存在变动,级别分类和物理意义如表1所示,
表1拥堵等级划分表
拥堵级别 | 拥堵指数范围 | 物理含义 |
一级 | [0,0.2) | 畅通 |
二级 | [0.2,0.4) | 基本畅通 |
三级 | [0.4,0.6) | 轻度拥堵 |
四级 | [0<sup>.</sup>6,0<sup>.</sup>8) | 中度拥堵 |
五级 | [0.8,1.0) | 重度堵塞 |
(1)对拥堵点的拥堵等级划分如下:根据单个节点的拥堵指数属性的值,根据上表的范围划分,将节点状态进行划分,并得到不同程度拥堵点集合;
(2)对堵线的拥堵等级划分如下:不同堵线由若干个拥堵点组成,堵线有长有短,通过定义堵线拥堵指数来评价一条堵线的整体的拥堵状态,拥堵指数如下:
其中P是某条堵线中c的拥堵点集合,T(i)代表节点i的拥堵指数,最后根据各个堵线的Pc值对堵线进行分级;
(3)对拥堵路口的等级划分如下:城市路网每个路口周围一般均匀分布着3个以上传感器,提出路口拥堵指数CrC如下:
其中,M是目标路口对应的传感器分布节点集合,CrC是路口拥堵指数,根据CrC值对应表一能够对路口的拥堵等级进行分级,对拥堵点、拥堵线路、拥堵区域进行拥堵等级划分,用以区分不同的拥堵点、拥堵线路、拥堵区域的重要程度;
S3、实现与拥堵发现算法
(1)建立路口网络与传感器网络的映射关系
为了实现传感器与路口、道路间的对应关系,传感器网络以物理设备为节点,物理设备包括有设置在路口的传感器,主要用以采集包括平均速度、时间占有率、过车数在内的交通数据,基于这些实时交通数据,来计算传感器节点的拥堵指数,传感器节点之间的有向边代表设备之间能够直达,在建立传感器网络的基础上,进一步构建路口网络,以路口为节点,若路口之间存在可达关系则建立无向边,形成传感器道路复合网络,即在传感器节点和路口节点间增加连边,建立传感器和路口的映射关系,具体建立思路如下:
如图1中所示,假设有r1、r2两个路口,每个路口有8个传感器,传感器之间已经按照车流方向建立传感器网络;路口间也按照路口邻近关系建立了网络;在构建传感器道路复合网络时,在路口集合和传感器集合建立映射关系,在传感器与路口之间建立一对多或一对一关系,如图1中路口{s11,s12,s13,s14,s15,s16,s17,s18}→{r1};若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况,对于拥堵线路和拥堵区域的计算采用与拥堵路口相同的计算方式,只要通过拥堵线路或者区域的传感器找到相应的路口即可;
(2)拥堵点分析计算
每一个时间段会生成一个传感器网络,通过连续多个传感器网络的加载运算,对节点上相关属性进行计算,根据拥堵阈值得到拥堵点集,下面将给出拥堵点的发现算法:
首先定义下面符号,G:表示传感器网络;D:表示数据集;C:表示周期,表示要分析的时间间隔,若要分析高峰期的数据,周期即为天,若要分析每个周日,周期即为周,若要分析每年国庆节,则周期即为年;T:表示时间段,如要分析早高峰,T即表示7点到9点;α:表示拥堵状态阈值;
以定义的G,D,T,α为基础,来计算出拥堵点的集合P,拥堵点的计算方法按照如下步骤进行:
步骤一、设初始周期C标号i=1,再从D中读取第i周期数据;得到第i周期数据di,并计算T时间段内交通拥堵指标统计数据集pi,包括总流量、平均流量、占有率、平均占有率和平均速度;
步骤二、将步骤一中的pi数据加载到网络G,生成新网络Gi,再标记第i周期数据为已读,i=i+1,加载所有的Gj,0≤j≤i-1,最后得到为网络G',其中,网络中的节点拥堵指标公式(1)进行计算,得到网络G'中所有节点的拥堵指数;
对于G'中每一节点若拥堵指数大于拥堵阈值α,则将节点存入拥堵点集P;
(3)拥堵点、拥堵线和拥堵区域分析计算
拥堵线、拥堵区域分析计算的方法基于上述拥堵点中定义的传感器网络G'和拥堵点集P,来获取拥堵线路集合L和拥堵区域Q,具体计算步骤如下:
步骤一、首先标记拥堵点集P中每一拥堵点均未搜索,定义生成树T=Φ,依次从拥堵点集P中读取一个未标记的拥堵点i,以节点i为根建立一棵树Ti,Ti称为以i为根的拥堵线路生成树,简称拥堵树;
步骤二、调用Search_Neighbors(i,G',Ti)函数,采用深度优先搜索的方式,获取节点i的子树Ti,将Ti加入到T中,并将i为已搜索节点;当拥堵点集合中所有节点均已设置为已搜索后,建立一个指针列表PT指向T中每一棵树的树根,对于T中每一棵树中的每一个非叶节点s,从所有树中找出叶节点s,加入指针使叶节点s指向非叶节点 s,若非叶节点s为根,则删除PT中指向s的指针;其中, Search_Neighbors函数用以实现给定一个节点递归搜索其拥堵的邻居节点,并将拥堵的邻居节点插入以i为根的树中,Search_Neighbors 算法中对于s拥堵的邻居节点,无论之前该节点是否搜索过都先插入到队列中,用以为后续在发现拥堵区域过程中使得不同拥堵线路上存在公共的拥堵点,从而能够合并形成拥堵区域;
步骤三、按照步骤二中的指针列表中的每一指针指向的树为根,从根到叶的路径的集合即为拥堵线路集L;在树集T中,每一个树即为拥堵区域,将拥堵区域并入Q;
步骤四、基于传感器道路复合网,拥堵传感器集合为M= {M1,M2,…,Mn},通过传感器路网与路网的映射关系,通过堵线发现算法获取拥堵线路L和拥堵拥堵区域Q,L和Q都是M的子集,根据传感器道路映射关系得到拥堵道路集S={S1,S2,…,Sl},其中 {Mi,…,Mj}→{Sk};基于拥堵道路集S和拥堵区域发现算法,找到拥堵区域集A={A1,A2,…,An},其中,拥堵区域即为多条拥堵线路的合并。
上述拥堵线路、拥堵区域的发现方法是在考虑节点空间位置的基础上设计的一种方法,把找出的拥堵点划分成若干条拥堵线路和若干个拥堵区域。
Claims (1)
1.一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法,其特征在于复合网络是由两个以上子网和子网间连边构成的,子网是构成复合网络的独立的网络,其中的复合网络包括两个网络,即路口网络和传感器网络,传感器网络以每个路口的交通传感器为节点,传感器之间关系为连边,路口网络以路口为节点,根据路口之间是否可达建立连边,在路口网络的基础上,给出拥堵指数、拥堵点、拥堵线路和拥堵区域的定义,该方法具体按照如下步骤进行:
S1、定义拥堵指数Ti、拥堵点、拥堵线路和拥堵区域
(1)拥堵指数Ti:Ti是节点i的综合交通指数,Ti是对于节点i的交通状态评价指标,利用平均速度和时间占有率来进行计算;该指标衡量了传感器网络中某个节点的拥堵程度,Ti的值越大表示节点i的拥堵程度越高,计算公式如下:
Ti=β*Jv+γ*Jo (1)
当节点i和j之间有边相连时,αij=1,反之,αij=0,Ti是节点i的综合交通指数,道路的拥堵状态可以通过平均速度和时间占有率两个指标进行衡量;
Jv是平均速度拥堵指数,是本周期断面速度,vf是路段自由流速度,道路的级别不同,路段的自由流速度也不相同,城市道路vf取80km/h,高速路或者快速路vf取100km/h,Jo是时间占有率指数,其中是本周期断面时间占有率,omax为路段在饱和状态下对应的时间占有率,节点的交通指数计算如下,其中β和γ是权重系数,
(2)拥堵点:即拥堵路口,当节点i的拥堵指数Ci>e,节点i处于拥堵状态,e是可调整的指定的拥堵指数阈值;
(3)拥堵线路:指在路网中,由两个以上的拥堵点构成一条拥堵线路;
(4)拥堵区域:指在公路网中,通过拥堵区域算法找出的堵点集合,是若干条拥堵线路的一个并集;
S2、量化拥堵等级
根据S1中定义的拥堵点、拥堵线路、拥堵区域,将拥堵等级进行划分,拥堵等级的划分标准并不固定,下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法,根据拥堵评价指标的不同,拥堵等级的范围会存在变动;
其中,拥堵级别为一级时,拥堵指数范围为[0,0.2),物理含义为畅通;拥堵级别为二级时,拥堵指数范围为[0.2,0.4),物理含义为基本畅通;拥堵级别为三级时,拥堵指数范围为[0.4,0.6),物理含义为轻度拥堵;拥堵级别为四级时,拥堵指数范围为[0.6,0.8),物理含义为中度拥堵;拥堵级别为五级时,拥堵指数范围为[0.8,1.0),物理含义为重度堵塞;
(1)对拥堵点的拥堵等级划分如下:根据单个节点的拥堵指数属性的值,根据上表的范围划分,将节点状态进行划分,并得到不同程度拥堵点集合;
(2)对堵线的拥堵等级划分如下:不同堵线由若干个拥堵点组成,堵线有长有短,通过定义堵线拥堵指数来评价一条堵线的整体的拥堵状态,拥堵指数如下:
其中P是某条堵线中c的拥堵点集合,T(i)代表节点i的拥堵指数,最后根据各个堵线的Pc值对堵线进行分级;
(3)对拥堵路口的等级划分如下:城市路网每个路口周围一般均匀分布着3个以上传感器,提出路口拥堵指数CrC如下:
其中,M是目标路口对应的传感器分布节点集合,CrC是路口拥堵指数,根据CrC值对应表一能够对路口的拥堵等级进行分级,对拥堵点、拥堵线路、拥堵区域进行拥堵等级划分,用以区分不同的拥堵点、拥堵线路、拥堵区域的重要程度;
S3、实现与拥堵发现算法
(1)建立路口网络与传感器网络的映射关系
为了实现传感器与路口、道路间的对应关系,传感器网络以物理设备为节点,物理设备包括有设置在路口的传感器,主要用以采集包括平均速度、时间占有率、过车数在内的交通数据,基于这些实时交通数据,来计算传感器节点的拥堵指数,传感器节点之间的有向边代表设备之间能够直达,在建立传感器网络的基础上,进一步构建路口网络,以路口为节点,若路口之间存在可达关系则建立无向边,形成传感器道路复合网络,即在传感器节点和路口节点间增加连边,建立传感器和路口的映射关系,具体建立思路如下:
假设有r1、r2两个路口,每个路口有8个传感器,传感器之间已经按照车流方向建立传感器网络;路口间也按照路口邻近关系建立了网络;在构建传感器道路复合网络时,在路口集合和传感器集合建立映射关系,在传感器与路口之间建立一对多或一对一关系,即{s11,s12,s13,s14,s15,s16,s17,s18}→{r1};若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况,对于拥堵线路和拥堵区域的计算采用与拥堵路口相同的计算方式,只要通过拥堵线路或者区域的传感器找到相应的路口即可;
(2)拥堵点分析计算
每一个时间段会生成一个传感器网络,通过连续多个传感器网络的加载运算,对节点上相关属性进行计算,根据拥堵阈值得到拥堵点集,下面将给出拥堵点的发现算法:
首先定义下面符号,G:表示传感器网络;D:表示数据集;C:表示周期,表示要分析的时间间隔,若要分析高峰期的数据,周期即为天,若要分析每个周日,周期即为周,若要分析每年国庆节,则周期即为年;T:表示时间段,如要分析早高峰,T即表示7点到9点;α:表示拥堵状态阈值;
(3)拥堵点集合P分析计算
以定义的G,D,T,α为基础,来计算出拥堵点的集合P,拥堵点的计算方法按照如下步骤进行:
步骤一、设初始周期C标号i=1,再从D中读取第i周期数据;得到第i周期数据di,并计算T时间段内交通拥堵指标统计数据集pi,包括总流量、平均流量、占有率、平均占有率和平均速度;
步骤二、将步骤一中的pi数据加载到网络G,生成新网络Gi,再标记第i周期数据为已读,i=i+1,加载所有的Gj,0≤j≤i-1,最后得到为网络G',其中,网络中的节点拥堵指标公式(1)进行计算,得到网络G'中所有节点的拥堵指数;
对于G'中每一节点若拥堵指数大于拥堵阈值α,则将节点存入拥堵点集P;
(4)拥堵点、拥堵线和拥堵区域分析计算
拥堵线、拥堵区域分析计算的方法基于上述拥堵点中定义的传感器网络G'和拥堵点集P,来获取拥堵线路集合L和拥堵区域Q,具体计算步骤如下:
步骤一、首先标记拥堵点集P中每一拥堵点均未搜索,定义生成树T=Φ,依次从拥堵点集P中读取一个未标记的拥堵点i,以节点i为根建立一棵树Ti,Ti称为以i为根的拥堵线路生成树,简称拥堵树;
步骤二、调用Search_Neighbors(i,G',Ti)函数,采用深度优先搜索的方式,获取节点i的子树Ti,将Ti加入到T中,并将i为已搜索节点;
当拥堵点集合中所有节点均已设置为已搜索后,建立一个指针列表PT指向T中每一棵树的树根,对于T中每一棵树中的每一个非叶节点s,从所有树中找出叶节点s,加入指针使叶节点s指向非叶节点s,若非叶节点s为根,则删除PT中指向s的指针;其中,Search_Neighbors函数用以实现给定一个节点递归搜索其拥堵的邻居节点,并将拥堵的邻居节点插入以i为根的树中,Search_Neighbors算法中对于s拥堵的邻居节点,无论之前该节点是否搜索过都先插入到队列中,用以为后续在发现拥堵区域过程中使得不同拥堵线路上存在公共的拥堵点,从而能够合并形成拥堵区域;
步骤三、按照步骤二中的指针列表中的每一指针指向的树为根,从根到叶的路径的集合即为拥堵线路集L;在树集T中,每一个树即为拥堵区域,将拥堵区域并入Q;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113548.5A CN108109382B (zh) | 2018-02-05 | 2018-02-05 | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113548.5A CN108109382B (zh) | 2018-02-05 | 2018-02-05 | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109382A CN108109382A (zh) | 2018-06-01 |
CN108109382B true CN108109382B (zh) | 2020-08-04 |
Family
ID=62221010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113548.5A Active CN108109382B (zh) | 2018-02-05 | 2018-02-05 | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109382B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108806256A (zh) * | 2018-07-03 | 2018-11-13 | 北京百度网讯科技有限公司 | 交通拥堵的检测方法、装置及检测设备 |
CN108806257B (zh) * | 2018-07-04 | 2020-11-10 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN109754597B (zh) * | 2018-08-02 | 2021-10-08 | 银江股份有限公司 | 一种城市道路区域拥堵调控策略推荐系统及方法 |
CN109360420B (zh) * | 2018-11-21 | 2021-03-16 | 青岛大学 | 一种公共交通大数据处理系统与方法 |
CN109492116B (zh) * | 2018-11-27 | 2021-08-27 | 杭州中奥科技有限公司 | 人物关系网络构建的方法及装置 |
US10880362B2 (en) | 2018-12-03 | 2020-12-29 | Intel Corporation | Virtual electrical networks |
CN109712394A (zh) * | 2019-01-15 | 2019-05-03 | 青岛大学 | 一种拥堵区域发现方法 |
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 |
CN109785625B (zh) * | 2019-02-18 | 2020-09-08 | 北京航空航天大学 | 一种城市路网运行状态的“红绿”区域识别和评价方法 |
CN110782656B (zh) * | 2019-04-15 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
CN110489799B (zh) * | 2019-07-18 | 2022-08-16 | 讯飞智元信息科技有限公司 | 交通拥堵仿真处理方法及相关装置 |
CN113160545B (zh) * | 2020-01-22 | 2024-06-11 | 阿里巴巴集团控股有限公司 | 路网数据处理方法、装置与设备 |
CN111260947B (zh) * | 2020-02-20 | 2020-10-30 | 北京航空航天大学 | 一种基于洪泛算法的路网可达范围分析方法 |
CN111508094B (zh) * | 2020-06-30 | 2020-09-22 | 之江实验室 | 一种基于etc门架与卡口通行数据的高速公路拥堵发现方法 |
CN114333326B (zh) * | 2022-01-12 | 2023-10-10 | 北京百度网讯科技有限公司 | 一种路口拥堵检测方法、装置及电子设备 |
CN115527366B (zh) * | 2022-09-09 | 2023-07-25 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
CN117692260B (zh) * | 2024-02-04 | 2024-04-12 | 深圳市众泰兄弟科技发展有限公司 | 基于数据分析的网络异常行为识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739824A (zh) * | 2009-11-12 | 2010-06-16 | 上海第二工业大学 | 基于数据融合技术的交通状况估计方法 |
CN102594509A (zh) * | 2012-03-02 | 2012-07-18 | 杭州电子科技大学 | 基于节点分级策略的无线传感器网络编码数据采集方法 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9054973B2 (en) * | 2007-04-25 | 2015-06-09 | Broadcom Corporation | Method and system for Ethernet congestion management |
-
2018
- 2018-02-05 CN CN201810113548.5A patent/CN108109382B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739824A (zh) * | 2009-11-12 | 2010-06-16 | 上海第二工业大学 | 基于数据融合技术的交通状况估计方法 |
CN102594509A (zh) * | 2012-03-02 | 2012-07-18 | 杭州电子科技大学 | 基于节点分级策略的无线传感器网络编码数据采集方法 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
Non-Patent Citations (3)
Title |
---|
"Complex network modeling for mechanisms of red tide occurence";Xiangjun Du et.al;《Ecological Modelling》;20170615;正文全文 * |
"基于攻击策略的城市群复合交通网络脆弱性研究";李成兵 等;《公路交通科技》;20170315;正文全文 * |
"青岛市公交线路网络复杂性分析";孙仁诚 等;《复杂系统与复杂性科学》;20090930;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108109382A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
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 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN108320506B (zh) | 一种基于复合网络的拥堵时段的发现方法 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN109859468A (zh) | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 | |
CN102956023B (zh) | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
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 | |
CN109615851B (zh) | 一种在群智感知系统中基于关键路段的感知节点选取方法 | |
CN109345434B (zh) | 一种开放式小区内外部道路设计安全评价的方法 | |
CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN109754598A (zh) | 一种拥堵组团识别方法及系统 | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
CN106530685A (zh) | 一种交通数据短时预测方法及装置 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
CN115062682A (zh) | 目标功能区标识方法、装置、存储介质及设备 | |
CN113743204B (zh) | 一种基于感知需求的高速公路传感设备选型及优化布局方法 | |
CN107066501A (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 |
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 |