CN108364465B - 基于宏观基本图的城市路网控制子区的动态划分方法 - Google Patents

Abstract

本发明涉及城市路网划分方法，具体为基于宏观基本图的城市路网控制子区的动态划分方法，解决现有划分方法缺乏理论支撑，指标的阈值不科学，划分不系统，目标不全面，不能实时调整的问题，方案：1）初始化计算机；2）选取影响因素，采集基本数据；3）依照路网拓扑结构、交通信息数据，计算相邻路段之间的关系，建立权值矩阵；4）从局部表征路段间相似性，建立相似性矩阵；5）对路网进行初始划分；6）更新编号，合并小子区。优点：以路网内各路段的基本数据为基础，充分考虑相邻路段间的相互影响因素，有充分的理论基础支撑，能够实时调整，目标明确且划分更为合理。

Description

基于宏观基本图的城市路网控制子区的动态划分方法

技术领域

本发明涉及城市路网划分方法，具体为基于宏观基本图的城市路网控制子区的动态划分方法。

背景技术

机动车的飞速增长，交通密度日益增大，交通堵塞已经逐渐从点到面变成了区域性的重要的交通问题，先前有的理论已经很好地说明划分子区边界控制能够大幅度缓解大范围交通堵塞问题，作为分区控制的重要奠基，动态地分析影响因素对车辆通行能力的影响大小，既科学又合理地建立一种城市路网控制子区动态划分方法日益重要。

现代路网结构极其复杂，交叉口数目众多，对整个区域或者大型路网实行协调控制不具备合理性，而且效率低，第一交通运行特性每时每刻发生着变化，方案必须进行实时修改以及调整；其次路网中不同级配的路段交通特性保留有差异性，局部最优方案可能在全路网中不适用；于是，需要将城市交通路网按一定影响路网的因素划分为多个小控制子区，交通状态在时刻发生着变化，路网内的控制子区划分结果也随之发生改变，这样使得路网运行效率得到了很大的改善。

本着提升交通控制系统的适应交通流快速变化的能力，城市路网控制子区的划分必须具备以下几个特性：准确性、动态性、迅速性。但是目前的城市路网控制子区动态划分也保留一些缺陷：1.控制子区动态划分方法易于脱离交通控制系统理论体系，很多情况下，重点考虑半饱和情况下的信号交叉口，容易忽视其他状态下的信号交叉口；2.路网控制子区划分方法中考虑的影响因素缺乏理论支撑，这些性能指标仅仅研究相邻两条路段之间的相关性，不能充分涉及到多条相邻路段，同时确定的划分指标的阈值不具充分的科学性；3.路网控制子区划分不具备系统性，划分目标不全面，很难随着交通变化堵塞情况变化的实时性而迅速调整。

因此，设计一种能够结合交通控制系统理论体系，充分考虑相邻各条路段之间的相关性，以及影响路网效率的各项因素，对路网控制子区进行科学、系统、全面、实时的划分方法对提高路网交通通行效率是十分有益的。

发明内容

本发明解决目前现有的交通控制系统划分子区方法脱离交通控制系统理论体系，忽视其他状态下的信号交叉口，路网控制子区划分方法缺乏理论支撑，划分指标的阈值不具充分的科学性，子区划分不具备系统性，划分目标不全面，很难随交通变化堵塞情况实时调整的问题，提供一种克服上述缺陷的基于宏观基本图的城市路网控制子区的动态划分方法。

本发明是通过以下操作步骤实现的：基于宏观基本图的城市路网控制子区的动态划分方法，包括以下操作步骤：

1)、初始化交通控制计算机：

1.1)、利用VISSIM软件基于现实环境，依照路网基础资料，选取合适的待分区路网，设该路网为A路网，连接两相邻信号控制灯的道路为路段，路网内共有n条路段；

1.2)、将路网A内的每条路段排序：边使得顶点与顶点相连接，它们构成的集合是图；顶点代表的是待研究的物体，边代表的为两物体间的特定关联；在图论中，通常运用二元组G＝(V,E)来代表图，假设选定路网A中路段与路段间相连的总边数为m，在此路网中，节点集合V＝(v₁,v₂,...,v_n)代表所有相邻信号控制灯间的路段的集合，矩阵E＝(e)_n×n表示路网内所有路段之间权值的集合，表征它们的特定关系；在只考虑路网A中的拓扑结构的情况下，当两路段空间相邻时，它们之间的权值为1，反之为0；进而利用阿拉伯数字1、2、...、n将每条路段排序；

2)、选取影响路网交通情况的因素，将微波雷达检测器布置在每条路段中间，采集路网内每条路段的基本数据：

2.1)、将微波雷达检测器布置在每条路段中间，获取的每条路段的基本数据包括：路段长度、车道数量、绿信比、周期时长；

2.2)、将选定A路网内的进口和出口区分，并将流量检测器安置在每个进口和出口处；

2.3)、将路网A中全部进口排序编号，R＝{R₁,R₂,...,R_a},并将路网中全部出口排序编号，S＝{S₁,S₂,...,S_b}，R_a表示第a个进口，S_b表示第b个出口；

2.4)、监控流量并统计数据，Δt为采集周期时长，统计出全部的时间节点，T-interval{t₀,t₁,...,t_i,...}，这里，t_i＝t_i-1+Δt；将每个时间节点的车流量统计，组成集合：R_i-Entrance{R_0i,...,R_ni,...,R_ai}，S_i-Exit{S_0i,...,S_ni,...,S_bi}，其中，R_ni代表着第n个进口在t_i-1与t_i之间的累积车辆数，S_ni代表着第个n出口在t_i-1与t_i之间的累积车辆数；

2.5)、通过观察路网内车流量，在车流量低峰时段着手获取数据，计算出t₀时刻路网内的总车辆数N₀，N₀的计算公式如下所示：

2.6)、将获取的数据进行适当处理，采集有效的信息数据，标记为O_i＝(N_i,G_i)这里，N_i代表着时间节点i内路网A中的总车辆数，G_i代表着时间节点i；N_i的计算公式如下：

其中，上述步骤2.5)已经给出初始值N₀，于是对应的路网内车辆总数集合为N_i-veh{N₀,N₁,...,N_i,...}；

2.7)、在每一个采集周期内，依照每条路段的车辆数、车道数量，在该周期内，计算位于路网A中的平均交通密度，计算公式如下：

其中，d_i代表第i个采集周期内A路网中的平均交通密度；N_i表示的是t_i时刻A路网内的车辆总数；l(i)是A路网内路段i的路段长度；li(i)表示路段i的车道数量；

3)、依照选定路网的拓扑结构、交通信息数据，计算相邻路段之间的相邻关系，并建立权值矩阵：

3.1)依据每条路段在路网A中的拓扑结构，由于路网中总的路段数目为n，因此建立一个n×n阶的邻接矩阵(adjacent)，当仅考虑路段间拓扑结构时，若任意路段i与路段j空间上相邻，adjacent(i,j)＝1，否则为0；邻接矩阵的表示公式如下：

3.2)、在一个特定采集时段Δt内，综合考虑交通影响因素对宏观基本图MFD的影响强弱，更新邻接矩阵模型；若邻接矩阵adjacent(i,j)＝0，则任意路段i、j间的相邻关系为0，若adjacent(i,j)＝1，则更新后的权值计算模型如下：

e(i,j)＝exp(-1.3·|d_i-d_j|^3)+exp(-20|gr(i)-gr(j)|)+0.3exp(-0.3|sp(i)-sp(j)|)+0.05exp(-|li(i)-li(j)|)

，其中，d为交通密度，gr(i)表示的为车辆从任意路段i驶向路段j方向上的绿信比，gr(j)表示的为车辆从任意路段j驶向路段i方向上的绿信比，sp(i)表示的为车辆从任意路段i驶向路段j方向时对应交叉口的周期时长，sp(j)表示的为车辆从任意路段j驶向路段i方向时对应交叉口的周期时长；

3.3)、依照步骤2.1)中在检测器中采集到的绿信比、车道数量、路段长度、周期时长数据与检测器获得的对应车辆数，计算得出路网A中的各路段间的相邻关系，建立权值矩阵(e)_n×n；

4)、以局部来表征路段之间的相似性，并建立路段间的相似性矩阵：

4.1)、在选定路网A内，任意相邻路段i与路段j间相关特性的计算公式如下：P(i,j)＝e(i,j)+e[N(i)∩N(j)]+e(G[N(i)∩N(j)])，其中，e(i,j)代表着路段i与路段j间的权值，e[N(i)∩N(j)]代表的是与路段i和路段j相连的公共路段与它们各自间的权值总和，e(G[N(i)∩N(j)])代表的为与路段i和路段j相连的公共路段彼此之间的权值总和；若该路网内路段i与j在空间上不是相邻关系，则它们的相关特性为0；

4.2)、基于相关特性，选定路网A中的任意相邻路段i与路段j间局部相似性的计算公式如下：

其中，max{e}代表的是当路网中任意相邻路段i与j在理想情况下即交通特性零差异时，它们之间的权值；e[N(i)∪N(j)]代表着不考虑i、j间的权值e(i,j)，i、j路段与各自相邻路段之间的权值之和；e(G[N(i)∪N(j)])是指不考虑i、j间的权值e(i,j)，路段i与j各自相邻路段组成的并集内各元素间的权值之和；若该路网内路段i与j在空间上不是相邻关系，则它们的局部相似性Lsim(i,j)＝0；

4.3)、结合局部相似性特点，路网中路段间的相似性计算模型如下：

4.4)、根据步骤3)中建立的权值矩阵模型，即可得出相似性矩阵(SimilarityMatric,SM)SM＝{sim_ij}，这里，sim_ij代表着路段i、j间的相似性大小,表征着路段i与j的特定关系；

5)、将选定路网A进行初始划分，将整个路网划分成了许多小控制子区，将每个控制子区作为一个单位，为各个子区均分配唯一的编号：

5.1)、利用步骤4.3)计算得出的路段间相似性，按照由大到小的顺序将相似性值排列，取出第一个相似性值对应的两相邻路段；

5.2)、若此对路段没有被分配控制子区时，将该对路段划入同一控制子区内，并赋予相同的子区编号，跳到步骤5.4)；

5.3)、若此两路段中不存在两者均没有分配控制子区的情况，即取出的相似性值对应的两相邻路段中至少有一条路段已经赋予子区编号时，则舍弃此对路段，跳到步骤5.4)；

5.4)、若此相似性值大于最小的相似性值，则取出下一个相似性值对应的两相邻路段，返回步骤5.2)；否则，初始划分结束，具有相同编号的路段处于一个控制子区；

5.5)、进行控制子区边缘调整：

5.5.1)、当寻找完毕所有路段，找到路网中剩余的未分配到控制子区编号的x条路段，并将它们的序号组成集合b＝{v_k,v_z,...,v_y}，其中，1≤k＜z＜···＜y≤n，令c＝1；

5.5.2)、取出b集合中第c个序号所代表的路段，寻找与该路段相似性最大的路段所在的子区，并将它分配到此控制子区，赋予与该控制子区相同的编号；

5.5.3)、若c＜x，则c＝c+1，并返回步骤5.5.2)；否则，子区边缘调整结束；

6)、更新编号，运用Fast-Newman快速算法，利用模块度最大化理论，选出任意两小子区合并后模块度值增量ΔQ最大的对应编号，将该两小子区合并，将它们的编号更新为相同编号，并更新相似性矩阵；重复步骤，直到合并成一个区域；在每次合并时，计算路网的Q值，其中最大Q值对应的分区即最好的划分效果，从而完成最终的城市路网控制子区动态划分。

本发明的划分方法步骤3.2)中，d为交通密度，此因素严重影响着MFD图的形状，因此在其差异上立方；gr(i)表示的为车辆从任意路段i驶向路段j方向上的绿信比，gr(j)表示的为车辆从任意路段j驶向路段i方向上的绿信比，绿信比通常为小于1的数，且两个相邻路段(方向)所占有的绿信比通常之间的差异更加小于1，但此影响因素对宏观基本图散点图影响强烈，因此将其差异扩大20倍，充分运用exp(-x)函数，此时绿信比差异能够于0到l之间剧烈波动，两路段的绿信比差异越小，其值就更加接近1；sp(i)表示的为车辆从任意路段i驶向路段j方向时对应交叉口的周期时长，sp(j)表示的为车辆从任意路段j驶向路段i方向时对应交叉口的周期时长，此因素对宏观基本图形状影响微弱，周期间差异有几十秒时，MFD形状才会有较显著改变，因此在其周期差值外乘以0.3，充分利用exp(-x)函数再外乘以0.3，将其波动范围控制于0～0.3之间，两相邻路段间信号周期时长差异越微弱，其值越接近O.3；li代表着车道数量，由于其对宏观基本图的波动影响微弱，于是在exp(-x)函数外乘以0.05，将其变化范围同样控制在0到0.05之间，车道数量差异越微弱，其值越接近0.05。此权值计算模型的建立以及各参数的确定为本发明方法的核心，决定着相邻两条路段之间的相似性，从而影响控制子区的初始划分。

本发明的划分方法步骤6)中，运用Fast-Newman快速算法，利用模块度最大化理论，进行控制子区的编号更新所采用的归一化公式、模块度定义公式、模块度变化值公式，以及将小的控制子区进行合并均为本领域的技术人员所熟知的方法和公式，再次不做赘述也是清楚并且能够实现的。

本发明具有以下优点：采用了初始划分与深层次划分两步，使得划分结果更加准确；较全面地考虑路网的影响因素，合理地构建权值矩阵，在确定相似性模型时，时间复杂度降低，提高了划分控制子区的迅速性。

附图说明

图1为本发明划分方法的控制子区初始划分流程框图；

图2为本发明划分方法的控制子区编号更新流程框图。

具体实施方式

下面结合附图对本发明进行细致的叙述：如图1所示，本发明所叙述的基于宏观基本图的城市路网控制子区的动态划分方法是随着交通拥堵程度的实时改变，将路网内路段先形成初始划分子区，再完成进一步细致的划分。根据提供的交通数据，计算机能够自动选取适合的划分方式，进而展开对路网子区的动态划分。本发明描述的基于宏观基本图的城市路网控制子区的动态划分方法，包括以下操作步骤：

1)、初始化交通控制计算机：

1.1)、利用VISSIM软件基于现实环境，依照路网基础资料，选取合适的待分区路网，设该路网为A路网，连接两相邻信号控制灯的道路为路段，路网内共有n条路段；

1.2)、将路网A内的每条路段排序：边使得顶点与顶点相连接，它们构成的集合是图；顶点代表的是待研究的物体，边代表的为两物体间的特定关联；在图论中，通常运用二元组G＝(V,E)来代表图，假设选定路网A中路段与路段间相连的总边数为m，在此路网中，节点集合V＝(v₁,v₂,...,v_n)代表所有相邻信号控制灯间的路段的集合，矩阵E＝(e)_n×n表示路网内所有路段之间权值的集合，表征它们的特定关系；在只考虑路网A中的拓扑结构的情况下，当两路段空间相邻时，它们之间的权值为1，反之为0；进而利用阿拉伯数字1、2、...、n将每条路段排序；

2)、选取影响路网交通情况的因素，将微波雷达检测器布置在每条路段中间，采集路网内每条路段的基本数据：

2.1)、将微波雷达检测器布置在每条路段中间，获取的每条路段的基本数据包括：路段长度、车道数量、绿信比、周期时长；

2.2)、将选定A路网内的进口和出口区分，并将流量检测器安置在每个进口和出口处；

2.3)、将路网A中全部进口排序编号，R＝{R₁,R₂,...,R_a},并将路网中全部出口排序编号，S＝{S₁,S₂,...,S_b}，R_a表示第a个进口，S_b表示第b个出口；

2.4)、监控流量并统计数据，Δt为采集周期时长，统计出全部的时间节点，T-interval{t₀,t₁,...,t_i,...}，这里，t_i＝t_i-1+Δt；将每个时间节点的车流量统计，组成集合：R_i-Entrance{R_0i,...,R_ni,...,R_ai}，S_i-Exit{S_0i,...,S_ni,...,S_bi}，其中，R_ni代表着第n个进口在t_i-1与t_i之间的累积车辆数，S_ni代表着第个n出口在t_i-1与t_i之间的累积车辆数；

2.5)、通过观察路网内车流量，在车流量低峰时段着手获取数据，计算出t₀时刻路网内的总车辆数N₀，N₀的计算公式如下所示：

2.6)、将获取的数据进行适当处理，采集有效的信息数据，标记为O_i＝(N_i,G_i)这里，N_i代表着时间节点i内路网A中的总车辆数，G_i代表着时间节点i；N_i的计算公式如下：

其中，上述步骤2.5)已经给出初始值N₀，于是对应的路网内车辆总数集合为N_i-veh{N₀,N₁,...,N_i,...}；

2.7)、在每一个采集周期内，依照每条路段的车辆数、车道数量，在该周期内，计算位于路网A中的平均交通密度，计算公式如下：

其中，d_i代表第i个采集周期内A路网中的平均交通密度；N_i表示的是t_i时刻A路网内的车辆总数；l(i)是A路网内路段i的路段长度；li(i)表示路段i的车道数量；

3)、依照选定路网的拓扑结构、交通信息数据，计算相邻路段之间的相邻关系，并建立权值矩阵：

3.1)依据每条路段在路网A中的拓扑结构，由于路网中总的路段数目为n，因此建立一个n×n阶的邻接矩阵(adjacent)，当仅考虑路段间拓扑结构时，若任意路段i与路段j空间上相邻，adjacent(i,j)＝1，否则为0；邻接矩阵的表示公式如下：

3.2)、在一个特定采集时段Δt内，综合考虑交通影响因素对宏观基本图MFD的影响强弱，更新邻接矩阵模型；若邻接矩阵adjacent(i,j)＝0，则任意路段i、j间的相邻关系为0，若adjacent(i,j)＝1，则更新后的权值计算模型如下：

e(i,j)＝exp(-1.3·|d_i-d_j|^3)+exp(-20|gr(i)-gr(j)|)+0.3exp(-0.3|sp(i)-sp(j)|)+0.05exp(-|li(i)-li(j)|)

，其中，d为交通密度，gr(i)表示的为车辆从任意路段i驶向路段j方向上的绿信比，gr(j)表示的为车辆从任意路段j驶向路段i方向上的绿信比，sp(i)表示的为车辆从任意路段i驶向路段j方向时对应交叉口的周期时长，sp(j)表示的为车辆从任意路段j驶向路段i方向时对应交叉口的周期时长；

3.3)、依照步骤2.1)中在检测器中采集到的绿信比、车道数量、路段长度、周期时长数据与检测器获得的对应车辆数，计算得出路网A中的各路段间的相邻关系，建立权值矩阵(e)_n×n；

4)、以局部来表征路段之间的相似性，并建立路段间的相似性矩阵：

4.1)、在选定路网A内，任意相邻路段i与路段j间相关特性的计算公式如下：P(i,j)＝e(i,j)+e[N(i)∩N(j)]+e(G[N(i)∩N(j)])，其中，e(i,j)代表着路段i与路段j间的权值，e[N(i)∩N(j)]代表的是与路段i和路段j相连的公共路段与它们各自间的权值总和，e(G[N(i)∩N(j)])代表的为与路段i和路段j相连的公共路段彼此之间的权值总和；若该路网内路段i与j在空间上不是相邻关系，则它们的相关特性为0；

4.2)、基于相关特性，选定路网A中的任意相邻路段i与路段j间局部相似性的计算公式如下：

其中，max{e}代表的是当路网中任意相邻路段i与j在理想情况下即交通特性零差异时，它们之间的权值；e[N(i)∪N(j)]代表着不考虑i、j间的权值e(i,j)，i、j路段与各自相邻路段之间的权值之和；e(G[N(i)∪N(j)])是指不考虑i、j间的权值e(i,j)，路段i与j各自相邻路段组成的并集内各元素间的权值之和；若该路网内路段i与j在空间上不是相邻关系，则它们的局部相似性Lsim(i,j)＝0；

4.3)、结合局部相似性特点，路网中路段间的相似性计算模型如下：

4.4)、根据步骤3)中建立的权值矩阵模型，即可得出相似性矩阵(SimilarityMatric,SM)SM＝{sim_ij}，这里，sim_ij代表着路段i、j间的相似性大小,表征着路段i与j的特定关系；

5)、将选定路网A进行初始划分，将整个路网划分成了许多小控制子区，将每个控制子区作为一个单位，为各个子区均分配唯一的编号：

5.1)、利用步骤4.3)计算得出的路段间相似性，按照由大到小的顺序将相似性值排列，取出第一个相似性值对应的两相邻路段；

5.2)、若此对路段没有被分配控制子区时，将该对路段划入同一控制子区内，并赋予相同的子区编号，跳到步骤5.4)；

5.3)、若此两路段中不存在两者均没有分配控制子区的情况，即取出的相似性值对应的两相邻路段中至少有一条路段已经赋予子区编号时，则舍弃此对路段，跳到步骤5.4)；

5.4)、若此相似性值大于最小的相似性值，则取出下一个相似性值对应的两相邻路段，返回步骤5.2)；否则，初始划分结束，具有相同编号的路段处于一个控制子区；

5.5)、进行控制子区边缘调整：

5.5.1)、当寻找完毕所有路段，找到路网中剩余的未分配到控制子区编号的x条路段，并将它们的序号组成集合b＝{v_k,v_z,...,v_y}，其中，1≤k＜z＜···＜y≤n，令c＝1；

5.5.2)、取出b集合中第c个序号所代表的路段，寻找与该路段相似性最大的路段所在的子区，并将它分配到此控制子区，赋予与该控制子区相同的编号；

5.5.3)、若c＜x，则c＝c+1，并返回步骤5.5.2)；否则，子区边缘调整结束；

6)、更新编号，运用Fast-Newman快速算法，利用模块度最大化理论，选出任意两小子区合并后模块度值增量ΔQ最大的对应编号，将该两小子区合并，将它们的编号更新为相同编号，并更新相似性矩阵；重复步骤，直到合并成一个区域；在每次合并时，计算路网的Q值，其中最大Q值对应的分区即最好的划分效果，从而完成最终的城市路网控制子区动态划分。

本领域的技术人员在了解了上述划分方法之后，运用计算机语言编写相应的控制和划分程序是可以实现的，因此在本申请的内容中不做描述。

Claims (1)

1.一种基于宏观基本图的城市路网控制子区的动态划分方法，包括以下操作步骤：

1)、初始化交通控制计算机：

1.1)、利用VISSIM软件基于现实环境，依照路网基础资料，选取合适的待分区路网，设该路网为A路网，连接两相邻信号控制灯的道路为路段，路网内共有n条路段；

1.2)、将路网A内的每条路段排序：边使得顶点与顶点相连接，它们构成的集合是图；顶点代表的是待研究的物体，边代表的为两物体间的特定关联；在图论中，通常运用二元组G＝(V,E)来代表图，假设选定路网A中路段与路段间相连的总边数为m，在此路网中，节点集合V＝(v₁,...,v_i,v_j,...,v_n)代表所有相邻信号控制灯间的路段的集合，矩阵E＝(e)_n×n表示路网内所有路段之间权值的集合，表征它们的特定关系；在只考虑路网A中的拓扑结构的情况下，当两路段空间相邻时，它们之间的权值为1，反之为0；进而利用阿拉伯数字1、…、i、j、…,n将每条路段排序；

2)、选取影响路网交通情况的因素，将微波雷达检测器布置在每条路段中间，采集路网内每条路段的基本数据：

2.1)、将微波雷达检测器布置在每条路段中间，获取的每条路段的基本数据包括：路段长度、车道数量、绿信比、周期时长；

2.2)、将选定A路网内的进口和出口区分，并将流量检测器安置在每个进口和出口处；

2.3)、将路网A中全部进口排序编号，R＝{R₁,R₂,...,R_a},并将路网中全部出口排序编号，S＝{S₁,S₂,...,S_b}，R_a表示第a个进口，S_b表示第b个出口；

2.4)、监控流量并统计数据，Δt为采集周期时长，统计出全部的时间节点，T-interval{t₀,t₁,...,t_x,...}，这里，t_x＝t_x-1+Δt；将每个时间节点的车流量统计，组成集合：R_x-Entrance{R_1x,R_2x,...,R_ax}，S_x-Exit{S_1x,S_2x,...,S_bx}，其中，R_ax代表着第a个进口在t_x-1与t_x之间的累积车辆数，S_bx代表着第个b出口在t_x-1与t_x之间的累积车辆数；

2.5)、通过观察路网内车流量，在车流量低峰时段着手获取数据，计算出t₀时刻路网内的总车辆数N₀，N₀的计算公式如下所示：

2.6)、将获取的数据进行适当处理，采集全部时间节点内路网的总车辆数，在时间节点t_x内路网A中总车辆数N_x的计算公式如下：

其中，上述步骤2.5)已经给出初始值N₀，于是对应的路网内车辆总数集合为N_x-veh{N₀,N₁,...,N_x,...}；

2.7)、在每一个采集周期Δt内，依照每条路段的车辆数、车道数量，在该周期内，计算位于路网A中的平均交通密度，计算公式如下：

其中，d_xA代表时间节点t_x内A路网中的平均交通密度；l(i)是A路网内路段i的路段长度；li(i)表示路段i的车道数量；

3)、依照选定路网的拓扑结构、交通信息数据，计算相邻路段之间的相邻关系，并建立权值矩阵：

3.1)依据每条路段在路网A中的拓扑结构，由于路网中总的路段数目为n，因此建立一个n×n阶的邻接矩阵(adjacent)，当仅考虑路段间拓扑结构时，若任意路段i与路段j空间上相邻，adjacent(i,j)＝1，否则为0；邻接矩阵的表示公式如下：

3.2)、在采集周期Δt内，综合考虑交通影响因素对宏观基本图MFD的影响强弱，更新邻接矩阵模型；若邻接矩阵adjacent(i,j)＝0，则任意路段i、j间的相邻关系为0，若adjacent(i,j)＝1，则更新后的权值计算模型如下：

e(i,j)＝exp(-1.3·|d_i-d_j|^3)+exp(-20|gr(i)-gr(j)|)+0.3exp(-0.3|sp(i)-sp(j)|)+0.05exp(-|li(i)-li(j)|)，

其中，d_i、d_j分别表示路段i、j的交通密度，gr(i)表示的为车辆从任意路段i驶向路段j方向上的绿信比，gr(j)表示的为车辆从任意路段j驶向路段i方向上的绿信比，sp(i)表示的为车辆从任意路段i驶向路段j方向时对应交叉口的周期时长，sp(j)表示的为车辆从任意路段j驶向路段i方向时对应交叉口的周期时长；

3.3)、依照步骤2.1)中在微波雷达检测器中采集到的绿信比、车道数量、路段长度、周期时长数据与步骤2.2)中流量检测器获得的对应车辆数，计算得出路网A中的各路段间的相邻关系，建立权值矩阵E＝(e)_n×n；

4)、以局部来表征路段之间的相似性，并建立路段间的相似性矩阵：

4.1)、在选定路网A内，任意相邻路段i与路段j间相关特性的计算公式如下：P(i,j)＝e(i,j)+e[N(i)∩N(j)]+e(G[N(i)∩N(j)])，其中，e(i,j)代表着路段i与路段j间的权值，e[N(i)∩N(j)]代表的是与路段i和路段j相连的公共路段与它们各自间的权值总和，e(G[N(i)∩N(j)])代表的为与路段i和路段j相连的公共路段彼此之间的权值总和；若该路网内路段i与j在空间上不是相邻关系，则它们的相关特性为0；

4.2)、基于相关特性，选定路网A中的任意相邻路段i与路段j间局部相似性的计算公式如下：

其中，max{e}代表的是当路网中任意相邻路段i与j在理想情况下即交通特性零差异时，它们之间的权值；e[N(i)∪N(j)]代表着不考虑i、j间的权值e(i,j)，i、j路段与各自相邻路段之间的权值之和；e(G[N(i)∪N(j)])是指不考虑i、j间的权值e(i,j)，路段i与j各自相邻路段组成的并集内各元素间的权值之和；若该路网内路段i与j在空间上不是相邻关系，则它们的局部相似性Lsim(i,j)＝0；

4.3)、结合局部相似性特点，路网中路段间的相似性计算模型如下：

4.4)、根据步骤3)中建立的权值矩阵模型，即可得出相似性矩阵(Similarity Matric,SM)SM＝{sim(i,j)}，这里，sim(i,j)代表着路段i、j间的相似性大小,表征着路段i与j的特定关系；

5)、将选定路网A进行初始划分，将整个路网划分成了许多控制子区，将每个控制子区作为一个单位，为各个子区均分配唯一的编号：

5.1)、利用步骤4.3)计算得出的路段间相似性，按照由大到小的顺序将相似性值排列，取出第一个相似性值对应的两相邻路段；

5.2)、若此对路段没有被分配控制子区时，将该对路段划入同一控制子区内，并赋予相同的子区编号，跳到步骤5.4)；

5.3)、若此两路段中不存在两者均没有分配控制子区的情况，即取出的相似性值对应的两相邻路段中至少有一条路段已经赋予子区编号时，则舍弃此对路段，跳到步骤5.4)；

5.4)、若此相似性值大于最小的相似性值，则取出下一个相似性值对应的两相邻路段，返回步骤5.2)；否则，初始划分结束，具有相同编号的路段处于一个控制子区；

5.5)、进行控制子区边缘调整：

5.5.1)、当寻找完毕所有路段，找到路网中剩余的未分配到控制子区编号的h条路段，并将它们的序号组成集合f＝{v_k,v_z,...,v_y}，其中，1≤k＜z＜···＜y≤n，令c＝1；

5.5.2)、取出f集合中第c个序号所代表的路段，寻找与该路段相似性最大的路段所在的子区，并将它分配到此控制子区，赋予与该控制子区相同的编号；

5.5.3)、若c＜h，则c＝c+1，并返回步骤5.5.2)；否则，子区边缘调整结束；

6)、更新编号，运用Fast-Newman快速算法，利用模块度最大化理论，选出任意两小子区合并后模块度值增量ΔQ最大的对应编号，将该两小子区合并，将它们的编号更新为相同编号，并更新相似性矩阵；重复步骤，直到合并成一个区域；在每次合并时，计算路网的Q值，其中最大Q值对应的分区即最好的划分效果，从而完成最终的城市路网控制子区动态划分。

Images