CN108320512A - 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 - Google Patents
基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 Download PDFInfo
- Publication number
- CN108320512A CN108320512A CN201810294785.6A CN201810294785A CN108320512A CN 108320512 A CN108320512 A CN 108320512A CN 201810294785 A CN201810294785 A CN 201810294785A CN 108320512 A CN108320512 A CN 108320512A
- Authority
- CN
- China
- Prior art keywords
- space cell
- space
- similarity
- unit
- scheme
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005303 weighing Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,建立路网拉普拉斯矩阵;计算拉普拉斯矩阵除0以外最小的k个特征值与特征向量,并对特征向量构建起的特征矩阵实施K均值聚类;检验各簇权重w(u,v)差异性是否显著,将差异性显著的类切割为不同空间单元,以迭代方法确定k值以及空间单元的切割方案D0={r1,r2,…,rk};在方案D0的基础上,增设基于空间单元内交通密度相似度的空间单元调整环节;最终得到单元内部交通流密度特征相似性最大、不同单元间差异性最大的宏观交通安全分析单元的选取方案。本发明根据交通流相似性特征高效、稳定地获得宏观交通安全分析单元的选取方案,方案更为合理,能够满足宏观交通安全分析的需求。
Description
技术领域
本发明涉及一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法。
背景技术
宏观层面的交通安全分析涉及到各个空间单位(unit)的交通安全事故的聚集,而忽略特定位置的交通事故。不同的研究单元会直接影响分析结果,为了统计单元内的人口、社会经济等指标,大多宏观交通安全分析都以行政区划、交通分析小区、街道等作为空间单位。
但此类静态的区域划分方法忽略了交通运行特征,研究表明交通流运行状况与交通安全特性具有关联性,有必要将交通流特征纳入空间单元选取的考量因素中。空间单元的选取问题实质上是寻求将具有相似特征的道路交通节点与路段划分到同一子区域中的方法。
基于图论的划分准则正是使划分后的两个子图内部相似度最大,子图之间的相似度最小,满足宏观交通安全空间单元选取的需求。其中基于拉普拉斯(Laplacian)谱分析的方法是求解子区间相似度最小的有效方法。常用的二路谱聚类具有迭代次数多、信息丢失量大的缺陷。
为此,本发明选取多路规范割集准则(Multiway Normalized cut),并根据宏观交通安全分析的目标,定制了空间单元内部相似性以及外部差异性的评价模型,通过迭代优化,选取宏观交通安全分析单元。
发明内容
本发明的目的是提供一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,满足宏观交通安全分析对交通运行特征的分析需求,改进传统静态宏观交通安全分析单元的缺陷,并提高拉普拉斯谱分析的求解准确性,获得交通流特征相似的空间单元选取方案,解决现有技术中存在的常用的二路谱聚类具有迭代次数多、信息丢失量大的缺陷问题。
本发明的技术解决方案是:
一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,包括以下步骤,
S1、建立路网拉普拉斯矩阵;
S2、计算拉普拉斯矩阵除0以外最小的k个特征值与特征向量,并对特征向量构建起的特征矩阵实施K均值聚类;
S3、检验各簇权重w(u,v)差异性是否显著,将差异性显著的类切割为不同空间单元,以迭代方法确定k值以及空间单元的切割方案D0={r1,r2,…,rk};
S4、在方案D0的基础上,增设基于空间单元内交通密度相似度的空间单元调整环节;首先通过箱线图识别出空间单元内交通密度存在显著差异的离群点;其次基于相似度模型循环调整单元选取方案,使得空间单元内部交通流密度特征相似性最大、与外部其他单元差异性最大,划分后的空间单元用于宏观道路安全分析。
进一步地,步骤S4的具体步骤为:
S41、由空间单元内的交叉口以及交叉口间存在的路段构成初始的单元;若存在孤立点,即空间单元内仅包含一个交叉口编号,则将该单元随机合并入邻接的单元内,生成方案D1;
S42、绘制D1各空间单元内的交通密度箱线图,将超出上下四分位数的点作为离群点;此类点影响空间单元内权重w相似性的评价,将其标记,不参与后续评价环节;
S43、根据相似性评价模型,计算各空间单元内除异常点以外的交通密度相似度NS;
S44、若空间单元的交通密度相似度NS(ri)<1,则确认ri作为分析空间;否则,转入步骤S45对ri做进一步处理;
S45、检测ri内节点数量,若Nri<N,则将该空间与其相邻空间逐一合并,并计算合并后的组内相似度,将NS最小的方案确定为ri的合并方案;其中N为阈值;若NA≥Nt,则对ri实施再切割。
进一步地,步骤S43中相似度模型具体为:
其中,ri为待评估空间单元,rj为任一与其相邻的空间单元,Var(r)为空间单元内的交通密度数据方差,u为空间单元内的交通密度数据均值。
进一步地,步骤S45中ri再切割方法具体为:
切割前,从步骤S42生成的箱线图中根据平均值识别出与ri特征最为相似的相邻空间rs;按步骤S1~S3生成空间ri的划分方案D(ri);比较本次ri空间再切割前后,与其特征最相似相邻空间rs的相似度之和,若NS(ri’)+NS(rs’)>NS(ri)+NS(rs),则取消本次切割;否则,对ri实施分割,并逐步实施步骤S4;其中ri’、rs’为经过分割变动的ri与rs。
本发明的有益效果是:该种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,将拉普拉斯谱分析用于宏观道路安全分析单元的选取中,并基于单元内部交通密度的相似性对谱聚类的区域切割方案进行了优化,改进传统静态宏观交通安全分析单元选取的缺陷,同时获得单元内相似性最大、单元间相似性最小的理想方案。本发明根据交通流相似性特征高效、稳定地获得宏观交通安全分析单元的选取方案,方案更为合理,能够满足宏观交通安全分析的需求。
附图说明
图1是本发明实施例基于拉普拉斯谱分析的宏观道路安全分析单元选取方法的流程示意图。
图2是实施例中路网拓扑结构的说明示意图。
图3是实施例中初始分区的说明示意图。
图4是实施例中合并孤立点后的D1示意图。
图5是实施例中D1箱线图。
图6是实施例中最终方案的交通密度箱线图。
图7是实施例中最终空间单元选取方案示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,如图1,包括以下步骤,
S1、建立路网拉普拉斯矩阵。
S2、计算拉普拉斯矩阵除0以外最小的k个特征值与特征向量,并对特征向量构建起的特征矩阵实施K均值聚类。
S3、检验各簇权重w(u,v)差异性是否显著,将差异性显著的类切割为不同空间单元,以迭代方法确定k值以及空间单元的切割方案D0={r1,r2,…,rk}。
S4、在方案D0的基础上,增设基于空间单元内交通密度相似度的空间单元调整环节;首先通过箱线图识别出空间单元内交通密度存在显著差异的离群点;其次基于相似度模型循环调整单元选取方案,使得空间单元内部交通流密度特征相似性最大、与外部其他单元差异性最大,划分后的空间单元可用于宏观道路安全分析。
步骤S4的具体步骤为:
S41、由空间单元内的交叉口以及交叉口间存在的路段构成初始的单元;若存在孤立点,即空间单元内仅包含一个交叉口编号,则将该单元随机合并入邻接的单元内,生成方案D1;。
S42、绘制D1各空间单元内的交通密度箱线图,将超出上下四分位数的点作为离群点;此类点影响空间单元内权重w相似性的评价,将其标记,不参与后续评价环节。
S43、根据相似性评价模型,计算各空间单元内除异常点以外的交通密度相似度NS。步骤S43中相似度模型具体为:
其中,ri为待评估空间单元,rj为任一与其相邻的空间单元,单元间的交通密度差异性NS(ri,rj)的计算公式为:
其中,Nri、Nrj分别为ri、rj内的节点数目交通密度检测节点数,Var(r)为空间单元内的交通密度数据方差,u为空间单元内的交通密度数据均值,p、q分别为ri、rj内的节点序号,d为路段密度;简化获得的相似度模型为:
S44、若空间单元的交通密度相似度NS(ri)<1,则确认ri作为分析空间;否则,转入步骤S45对ri做进一步处理。
S45、检测ri内节点数量,若Nri<N,则将该空间与其相邻空间逐一合并,并计算合并后的组内相似度,将NS最小的方案确定为ri的合并方案;其中N为阈值;若NA≥Nt,则对ri实施再切割。
步骤S45中ri再切割方法具体为:
切割前,从步骤S42生成的箱线图中根据平均值识别出与ri特征最为相似的相邻空间rs;按步骤S1~S3生成空间ri的划分方案D(ri);比较本次ri空间再切割前后,与其特征最相似相邻空间rs的相似度之和,若NS(ri’)+NS(rs’)>NS(ri)+NS(rs),则取消本次切割;否则,对ri实施分割,并逐步实施步骤S4;其中ri’、rs’为经过分割变动的ri与rs。
该种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,将拉普拉斯谱分析用于宏观道路安全分析单元的选取中,并基于单元内部交通密度的相似性对谱聚类的区域切割方案进行了优化,改进传统静态宏观交通安全分析单元选取的缺陷,同时获得单元内相似性最大、单元间相似性最小的理想方案。本发明根据交通流相似性特征高效、稳定地获得宏观交通安全分析单元的选取方案,方案更为合理,能够满足宏观交通安全分析的需求。
以某城市的中心城区路网作为划分区域,路网拓扑结构如图2所示,该区域面积为30.342平方公里,范围内包含99个交叉口并对其编号。从各路段布设的微波车检器获取交通流数据。
S1、将路网内的交叉口作为节点node,交叉口间的路段作为连线edge,路段的密度di,j作为连线的权重值wi,j,即
其中,Vij为交叉口i、j间的路段的日总交通量(辆);lij为交叉口i、j间的路段长度(米);aij为无向图中节点的连接关系表征参数,节点存在连线时取值为1,否则取值为0;构建研究区域的无向图G。
由无向图G计算对应的路网密度拉普拉斯矩阵L,由于拉普拉斯矩阵中所有的行和列和都为0,因此得到矩阵L对角线上的元素λii即为矩阵的度,L如下表所示:
S2、计算拉普拉斯矩阵L的除0以外前k个最小的特征值及其特征向量,其中k的初值为2;根据k个特征值对应的特征向量v1,…,vk构建聚类基础矩阵H=[v1,…,vk],对矩阵H的行向量实施K均值聚类算法,获得k个簇。
S3、运用方差分析检验方法检验k个群组内的交通流密度差异性,若存在显著差异,则进入步骤S3;否则,k=k+1,重复S2。
在该步骤S3内,初步将区域划分为13个单元,如图3所示。
S41、由空间单元内的交叉口以及交叉口间存在的路段构成初始的单元;若存在孤立点,即空间单元内仅包含一个交叉口编号,则将该单元随机合并入邻接的单元内,生成方案D1。
D0中r1为孤立点,将其合并到r10中,并重新编号,生成D1={r1,r2,…,r12},如图4所示。
S42、绘制D1各空间单元内的交通密度箱线图,将超出上下四分位数的点作为离群点;此类点影响空间单元内权重w相似性的评价,将其标记,不参与后续评价环节。
由图5可见,对r1、r5、r7、r8存在的超出上下四分位数的节点进行标记。
S43、根据相似度模型,计算各空间单元内除异常点以外的交通密度相似度;
相似度模型具体为:
其中,ri为待评估空间单元,rj为任一与其相邻的空间单元,单元间的交通密度差异性NS(ri,rj)的计算公式为:
其中,Nri、Nrj分别为ri、rj内的节点数目交通密度检测节点数,Var(r)为空间单元内的交通密度数据方差,u为空间单元内的交通密度数据均值,p、q分别为ri、rj内的节点序号,d为路段密度;简化获得的相似度模型为:
计算12个单元的组内差异NS结果见下表:
S44、若空间单元的交通密度相似度NS(ri)<1,则确认ri作为分析空间;否则,转入步骤S45对ri做进一步处理。
由上表可见,r3、r6、r9、r11需要继续处理。
S45、检测ri内节点数量,若Nri<N,则将该空间与其相邻空间逐一合并,并计算合并后的组内相似度,将NS最小的方案确定为ri的合并方案;其中N为阈值;若NA≥Nt,则对ri实施再切割。
以r3、r11为例。
1)r3交叉口数超过3,将从步骤1起重新构建r3的拉普拉斯矩阵并按流程进行再分割;划分结果为:region3-1包含点23、38、41、83、84,region3-2包含点38与39,因节点数小于3,需要与其他单元合并,最终并入r4。
划分后的组内差异NS(r3’)=0.608<1
2)r11交叉口数小于3,因此需要与其他区域合并,其中73与76节点(密度值27)合并到r9中,74与75节点(密度值7.01)合并到r10中,73与74节点(密度值0.114)为异常点。
检查划分后的组内差异NS(r11)=0.0532<1
经过方案的优化调整,再次衡量各区域之间交通流密度均值方差检验是否显著,检验结果为:
注:显著性量级:‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
结果表明单元间差异性显著,各空间单元交通密度箱线图如图6所示,空间单元选取方案如图7所示。
实施例的基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,通过箱线图识别出空间单元内交通密度存在显著差异的离群点,提高单元内相似度评价的可靠性;基于相似度模型优化单元选取方案。通过循环调整,最终得到单元内部交通流密度特征相似性最大、不同单元间差异性最大的宏观交通安全分析单元的选取方案。
Claims (4)
1.一种基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,包括以下步骤,
S1、建立路网拉普拉斯矩阵;
S2、计算拉普拉斯矩阵除0以外最小的k个特征值与特征向量,并对特征向量构建起的特征矩阵实施K均值聚类;
S3、检验各簇权重w(u,v)差异性是否显著,将差异性显著的类切割为不同空间单元,以迭代方法确定k值以及空间单元的切割方案D0={r1,r2,…,rk};
其特征在于:
S4、在方案D0的基础上,增设基于空间单元内交通密度相似度的空间单元调整环节;首先通过箱线图识别出空间单元内交通密度存在显著差异的离群点;其次基于相似度模型循环调整单元选取方案,使得空间单元内部交通流密度特征相似性最大、与外部其他单元差异性最大,划分后的空间单元用于宏观道路安全分析。
2.如权利要求1所述的基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,其特征在于:步骤S4的具体步骤为:
S41、由空间单元内的交叉口以及交叉口间存在的路段构成初始的单元;若存在孤立点,即空间单元内仅包含一个交叉口编号,则将该单元随机合并入邻接的单元内,生成方案D1;
S42、绘制D1各空间单元内的交通密度箱线图,将超出上下四分位数的点作为离群点;此类点影响空间单元内权重w相似性的评价,将其标记,不参与后续评价环节;
S43、根据相似性评价模型,计算各空间单元内除异常点以外的交通密度相似度NS;
S44、若空间单元的交通密度相似度NS(ri)<1,则确认ri作为分析空间;否则,转入步骤S45对ri做进一步处理;
S45、检测ri内节点数量,若Nri<N,则将该空间与其相邻空间逐一合并,并计算合并后的组内相似度,将NS最小的方案确定为ri的合并方案;其中N为阈值;若NA≥Nt,则对ri实施再切割。
3.如权利要求2所述的基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,其特征在于:步骤S43中相似度模型具体为:
其中,ri为待评估空间单元,rj为任一与其相邻的空间单元,Var(r)为空间单元内的交通密度数据方差,u为空间单元内的交通密度数据均值。
4.如权利要求2所述的基于拉普拉斯谱分析的宏观道路安全分析单元选取方法,其特征在于:步骤S45中ri再切割方法具体为:
切割前,从步骤S42生成的箱线图中根据平均值识别出与ri特征最为相似的相邻空间rs;按步骤S1~S3生成空间ri的划分方案D(ri);比较本次ri空间再切割前后,与其特征最相似相邻空间rs的相似度之和,若NS(ri’)+NS(rs’)>NS(ri)+NS(rs),则取消本次切割;否则,对ri实施分割,并逐步实施步骤S4;其中ri’、rs’为经过分割变动的ri与rs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294785.6A CN108320512B (zh) | 2018-03-30 | 2018-03-30 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294785.6A CN108320512B (zh) | 2018-03-30 | 2018-03-30 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108320512A true CN108320512A (zh) | 2018-07-24 |
CN108320512B CN108320512B (zh) | 2020-12-29 |
Family
ID=62896460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810294785.6A Active CN108320512B (zh) | 2018-03-30 | 2018-03-30 | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320512B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516309A (zh) * | 2021-07-12 | 2021-10-19 | 福州大学 | 一种基于多路切图准则和蚁群优化的od流向聚类方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436345A (zh) * | 2008-12-19 | 2009-05-20 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102722986A (zh) * | 2012-06-28 | 2012-10-10 | 吉林大学 | 城市路网交通控制子区动态划分方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105303450A (zh) * | 2015-11-09 | 2016-02-03 | 北京工业大学 | 基于谱聚类改进交叉的复杂网络社区发现方法 |
CN107180541A (zh) * | 2017-06-01 | 2017-09-19 | 华南理工大学 | 一种交通控制小区的动态调整方法 |
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
-
2018
- 2018-03-30 CN CN201810294785.6A patent/CN108320512B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436345A (zh) * | 2008-12-19 | 2009-05-20 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102722986A (zh) * | 2012-06-28 | 2012-10-10 | 吉林大学 | 城市路网交通控制子区动态划分方法 |
CN102855638A (zh) * | 2012-08-13 | 2013-01-02 | 苏州大学 | 基于谱聚类的车辆异常行为检测方法 |
CN105303450A (zh) * | 2015-11-09 | 2016-02-03 | 北京工业大学 | 基于谱聚类改进交叉的复杂网络社区发现方法 |
CN107180541A (zh) * | 2017-06-01 | 2017-09-19 | 华南理工大学 | 一种交通控制小区的动态调整方法 |
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
Non-Patent Citations (1)
Title |
---|
徐建闽 等: "一种考虑交叉口不同饱和度的路网动态分区方法", 《交通运输工程与信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516309A (zh) * | 2021-07-12 | 2021-10-19 | 福州大学 | 一种基于多路切图准则和蚁群优化的od流向聚类方法 |
CN113516309B (zh) * | 2021-07-12 | 2023-08-11 | 福州大学 | 一种基于多路切图准则和蚁群优化的od流向聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108320512B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Liu et al. | Contextual fuzzy cognitive map for decision support in geographic information systems | |
CN108320511A (zh) | 基于谱聚类的城市道路交通子区划分方法 | |
CN101866143B (zh) | 基于时空特征聚合的道路交通服务水平预测预报方法 | |
Weiss et al. | Road network selection for small-scale maps using an improved centrality-based algorithm | |
CN102879677A (zh) | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
Zhang et al. | Fuzzy evaluation of network vulnerability | |
CN105843829B (zh) | 一种基于分层模型的大数据可信性度量方法 | |
CN111710162B (zh) | 一种城市路网交通运行状况监测方法及系统 | |
Chen et al. | Discrimination and prediction of traffic congestion states of urban road network based on spatio-temporal correlation | |
Rodrigues et al. | Measures in sectorization problems | |
CN104239965A (zh) | 一种基于重叠社团划分的大规模道路网络双层路由方法 | |
AlHalawani et al. | What makes London work like London? | |
CN108320512A (zh) | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 | |
Lentzakis et al. | Time-dependent partitioning of urban traffic network into homogeneous regions | |
CN116129648A (zh) | 一种路网拥堵关键节点识别方法、设备、介质 | |
CN104657429A (zh) | 基于复杂网络的技术驱动型产品创新方法 | |
CN108755309B (zh) | 基于功能的城市道路新建路网的设计方法 | |
CN108182170A (zh) | 基于空间自回归选择模型的电动自行车通勤出行预测方法 | |
Xu et al. | Towards better driver safety: Empowering personal navigation technologies with road safety awareness | |
CN103927432A (zh) | 一种面向设施区位规划的约束空间聚类方法 | |
Withanage et al. | A modified multilevel k-way partitioning algorithm for trip-based road networks | |
CN114880838A (zh) | 一种基于sumo仿真的车辆疏散方案生成与可视化方法 | |
Han et al. | Invulnerability analysis in intelligent transportation system |
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 | ||
CB02 | Change of applicant information |
Address after: 211100 No. 19 Suyuan Avenue, Jiangning Economic and Technological Development Zone, Nanjing City, Jiangsu Province Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |