CN109215343A - 基于社团发现的路网拥堵区域动态识别方法及系统 - Google Patents
基于社团发现的路网拥堵区域动态识别方法及系统 Download PDFInfo
- Publication number
- CN109215343A CN109215343A CN201811100611.8A CN201811100611A CN109215343A CN 109215343 A CN109215343 A CN 109215343A CN 201811100611 A CN201811100611 A CN 201811100611A CN 109215343 A CN109215343 A CN 109215343A
- Authority
- CN
- China
- Prior art keywords
- congestion
- road network
- corporations
- section
- 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
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Abstract
本公开提供了一种基于社团发现的路网拥堵区域动态识别方法及系统,对城市路网构建动态网络拓扑模型;搜索路网中的拥堵源发点;以最小拥堵异质性为目标刻画拥堵区域的扩散,并提取社团结构;合并路网中重叠社团结构;最终确定拥堵区域边界范围,实现不同拥堵水平下拥堵区域的动态识别。本公开能够有效利用卡口数据源所提供的丰富交通状态信息,挖掘交通拥堵时空变化规律即拥堵发生、扩散及消散全过程,实现不同拥堵水平下拥堵区域范围的动态提取。
Description
技术领域
本公开涉及一种基于社团发现的路网拥堵区域动态识别方法及系统。
背景技术
目前,部分区域存在交通拥堵现象,尤其是大中型城市的区域乃至全局性的交通拥堵现象频发,成为各大城市的交通常态。常规的区域交通控制策略多采用静态的交通控制子区划分,缺乏对交通流时空动态特性的分析,难以支持时变的交通拥堵控制决策。故基于海量动态交通数据,深入剖析路网交通状态的演变机理,研究城市路网拥堵区域的动态提取方法显得格外重要。
目前对于研究城市路网拥堵区域的动态提取方法存在各类研究手段,如专利文献CN107749165A提供了一种基于城市道路拥堵指数的计算方法,充分考虑路段车速、极端天气、交通管制等因素的权重,取代以平均速度、车辆数为主要参数的路网交通拥堵指数算法,可使拥堵指数更接近人的拥堵感知度。专利文献CN107742418A提供了一种城市快速路交通拥堵状态及堵点位置自动识别方法,通过分析路段分车道交通特性如车速、占有率、断面交通量、变道行为等,实现交通拥堵水平及堵点位置的分析,快速判断交通事件发生的路段位置和所在车道,有利于制定合理的应对策略,避免二次事故的发生。专利文献CN102968901B提出了一种获取区域拥堵信息的方法及区域拥堵分析装置,根据时间离散化的路段交通流数据信息,获取区域内各路段和拥堵关联路段的拥堵时段信息,进而得到区域拥堵信息。
上述几篇专利文献分别涉及到交通拥堵状态指标的构建、局部位置的交通拥堵识别以及区域拥堵时段信息的获取,但这些研究仍停留在拥堵状态的表征层面上,无法有效刻画拥堵产生的动态过程、准确诠释城市交通的拥堵机理,为后续拥堵控制策略的动态实施提供有力的支持。
综上所述,现有技术对于城市路网拥堵区域的动态识别问题仍存在诸多不足,精准获取区域性的城市交通拥堵范围是本领域技术人员亟待解决的技术问题。
发明内容
本公开为了解决上述问题,提出了一种基于社团发现的路网拥堵区域动态识别方法及系统,本公开能够有效利用卡口数据源所提供的丰富交通状态信息,挖掘交通拥堵时空变化规律即拥堵发生、扩散及消散全过程,实现不同拥堵水平下拥堵区域范围的动态提取。
为了实现上述目的,本公开采用如下技术方案:
一种基于社团发现的路网拥堵区域动态识别方法,包括以下步骤:
(1)根据目标区域路网的拓扑结构建立加权有向图,构建城市路网动态拓扑模型;
(2)利用行程时间比动态标定路网拓扑模型的路段权重,根据道路交通管理模式以及道路交通运行状态的不同,将有向权重简化为无向权重;
(3)将路网拓扑模型中相同日期连续一定时间内的无向权重值进行聚类分析,划分不同的路网状态等级,利用等级范围值对各个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索;
(4)将社团相邻路段中拥堵状态相近的路段逐步纳入社团结构并进行扩散;
(5)分别对属于相同拥堵等级社团和不同拥堵等级中发生重叠的社团结构进行合并;
(6)发布合并后得到的拥堵区域范围的信息。
作为进一步的限定,所述步骤(1)中,将交叉口为拓扑网络中的节点,记为V;相邻交叉口间的路段为拓扑网络中的有向边,记为E,路段本身的交通运行负荷为边的权重,记为W,结合时间,城市路网动态拓扑模型表示为Dt={Vt,Et,Wt}。
作为进一步的限定,所述步骤(2)中,路段eij在第t个观测时间间隔内有向权重为该路段在第t个观测时间间隔内的实际行程时间与该路段在第t个观测时间间隔内自由流状态行程时间的比值。
作为进一步的限定,所述步骤(2)中,根据道路交通管理模式以及道路交通运行状态的不同,分为三个常见场景将有向权重化简为无向权重,用来标定路段整体的交通运行状态,其中:场景1为单向交通,无向权重为路段仅有方向实际行程时间与自由状态下行程时间的比值;场景2为双向交通且出现潮汐交通,无向权重为路段负荷较重方向实际行程时间与自由状态下行程时间的比值;场景3为双向交通且未出现潮汐交通,无向权重为路段两个方向实际行程时间与自由状态下行程时间的比值的平均值。
作为进一步的限定,所述步骤(3)中,采用模糊C均值聚类方法,将路网拓扑模型中相同日期连续一段时间内的无向权重值进行聚类分析,结合实际需求确定路网状态的等级数,并确定每个等级下无向权重的范围,利用各个状态等级范围,对第t个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索。
作为更进一步的限定,初始拥堵节点与初始拥堵社团的定义分别如下:
当前节点与其邻近节点所连的路段有3个或3个以上在同一个拥堵等级范围内,则认定该节点为相应等级的拥堵初始节点;
拥堵初始节点、拥堵初始节点的邻近节点及其所相连的路段共同构成初始拥堵社团。
作为进一步的限定,所述步骤(4)包括:
(4-1)以初始拥堵社团为中心向四周路段扩散,搜索并生成相邻路段集合;
(4-2)将相邻路段集合中每条路段分别纳入初始拥堵社团并计算相应社团内部的无向权重方差值;
(4-3)选取相邻路段集合中方差最小的路段,纳入当前拥堵社团并更新社团结构;
(4-4)以更新后的拥堵社团结构为新的中心,重复执行步骤(4-1)-(4-3),形成方差曲线图,选取方差骤增点为截止条件;
(4-5)对于每个拥堵社团扩散过程,当方差值大于或等于截止条件时,则停止该拥堵社团的扩散。
作为进一步的限定,所述步骤(5)中,相同拥堵等级社团的合并过程包括:搜索相同拥堵等级下发生重叠的社团结构,并计算两两社团之间的重叠程度;按照重叠程度的大小顺序合并社团,直到当前拥堵水平下所有的重叠现象消失,对每个等级都进行合并社团,直至各拥堵水平下的社团组均不存在重叠现象为止。
作为进一步的限定,所述步骤(5)中,不同拥堵等级社团的合并过程包括搜索不同拥堵等级中发生重叠的社团结构,计算并比较重叠社团的模块度,将不同拥堵等级社团结构中重叠部分归为模块度大于设定大小的社团结构,非重叠部分不变,对不同拥堵等级社团组之间重复执行,其中优先从拥堵等级高的社团组之间开始,直至重叠现象消失为止。
一种基于社团发现的路网拥堵区域动态识别系统,运行于处理器或存储器上,被配置为执行以下指令:
(1)根据目标区域路网的拓扑结构建立加权有向图,构建城市路网动态拓扑模型;
(2)利用行程时间比动态标定路网拓扑模型的路段权重,根据道路交通管理模式以及道路交通运行状态的不同,将有向权重简化为无向权重;
(3)将路网拓扑模型中相同日期连续一定时间内的无向权重值进行聚类分析,划分不同的路网状态等级,利用等级范围值对各个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索;
(4)将社团相邻路段中拥堵状态相近的路段逐步纳入社团结构并进行扩散;
(5)分别对属于相同拥堵等级社团和不同拥堵等级中发生重叠的社团结构进行合并;
(6)发布合并后得到的拥堵区域范围的信息。
本公开的工作原理为:对城市路网构建动态网络拓扑模型;搜索路网中的拥堵源发点;以最小拥堵异质性为目标刻画拥堵区域的扩散,并提取社团结构;合并路网中重叠社团结构;最终确定拥堵区域边界范围,实现不同拥堵水平下拥堵区域的动态识别。
通过上述构思,本公开具有以下有益效果为:
(1)利用新颖的城市交通数据源—卡口数据提取行程时间参数,构建一种路段交通状态的量化方法,用于标定路段权重值;结合复杂网络理论与道路网络拓扑结构,构建路网动态拓扑模型,划分不同应用场景对路段进行无向性简化,并基于此提出不同拥堵水平的拥堵区域动态识别方法,为区域性拥堵控制决策提供确切的应用对象。
(2)基于构建的城市路网动态拓扑模型,将复杂网络中社团发现方法与交通拥堵演化机理深入融合,实现拥堵发生全过程包括拥堵发生源、拥堵扩散和拥堵合并的有效刻画以及拥堵区域边界范围的动态识别,突破了常规静态交通控制子区的局限性,表现出良好的动态识别效果,在通勤高峰、节假日等特殊时期效果更为显著。
(3)突破性地将复杂网络中社团结构引入城市路网结构中,结合道路实时动态的交通运行特性对城市路网进行建模,并基于交通拥堵演化机理实现对交通拥堵区域的动态识别,该方法具有准确性高、实时性好、计算便捷等优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本实施例提供的基于社团发现的城市路网拥堵区域动态识别方法的实现流程图。
图2是实施例的实施过程中不同拥堵水平下社团的扩散算法流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
图1示例性给出了本发明的实施例所提供的一种基于社团发现的城市路网拥堵区域动态识别方法的实现流程。
如图1所示,该流程的具体步骤包括:
步骤1:城市路网动态拓扑模型的构建;
步骤2:路网动态拓扑模型的动态赋权与化简;
步骤3:不同拥堵水平下初始社团的发现;
步骤4:不同拥堵水平下社团的扩散;
步骤5:社团结构的合并;
步骤6:拥堵区域范围信息的发布。
在本实施例的步骤1中,将城市路网的拓扑结构构建为加权有向图。其中,交叉口为拓扑网络中的节点,记为V;相邻交叉口间的路段为拓扑网络中的有向边,记为E,路段本身的交通运行负荷为边的权重,记为W。考虑到城市道路基础设施的数量并不是一成不变的,且路网交通状态也处于实时变化中,故城市路网动态拓扑模型可表示为Dt={Vt,Et,Wt}。
在本实施例的步骤2中,鉴于城市交通态势具有典型的时空分布特性,因此采用行程时间比动态标定路网拓扑模型的路段权重,则路段eij在第t个观测时间间隔内有向权重计算公式为:
式中,为路段eij在第t个观测时间间隔内的实际行程时间,m为观测时间间隔内通过路段eij的车辆总数,为第n辆车经过下游交叉口卡口检测器的时刻,为第n辆车经过上游交叉口卡口检测器的时刻;为路段eij在第t个观测时间间隔内自由流状态行程时间,具体获取是对一天6点至24点相同时间间隔内的平均行程时间进行从小到大的排序,取前1/9排序结果的平均值为自由流状态下行程时间。
为进一步化简城市道路动态拓扑模型的复杂性,根据道路交通管理模式以及道路交通运行状态的不同,分为三个常见场景将有向权重化简为无向权重用来标定路段整体的交通运行状态。
场景1为单向交通,为路段仅有方向实际行程时间与自由状态下行程时间的比值;场景2为双向交通且出现潮汐交通,为路段负荷较重方向实际行程时间与自由状态下行程时间的比值;场景3为双向交通且未出现潮汐交通,为路段两个方向实际行程时间与自由状态下行程时间的比值的平均值。此处,路段负荷较重方向的交通量大于或等于双向交通量的2/3,则认定为出现潮汐交通。
在本实施例的步骤3中,采用模糊C均值聚类方法,将路网拓扑模型中相同日期连续5天的无向权重值进行聚类分析,结合实际需求确定路网状态的等级数,据此得到每个等级下的范围。
利用以上各个状态等级范围,对第t个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索。其中初始拥堵节点与初始拥堵社团的定义分别如下:
当前节点与其邻近节点所连的弧(路段)有3个或3个以上在同一个拥堵等级范围内,则认定该节点为相应等级的拥堵初始节点。
拥堵初始节点、拥堵初始节点的邻近节点及其所相连的弧(路段)共同构成初始拥堵社团。
本实施例的步骤4,其本质是在保证社团内部拥堵异质性最小的前提下,将社团相邻路段中拥堵状态相近的路段逐步纳入社团结构。具体实施步骤如图2所示:
在步骤S41中,以初始拥堵社团为中心向四周路段扩散,搜索并生成相邻路段集合;
在步骤S42中,将相邻路段集合中每条路段分别纳入初始拥堵社团并计算相应社团内部的无向权重方差值;
在步骤S43中,选取相邻路段集合中方差最小的路段,纳入当前拥堵社团并更新社团结构;
在步骤S44中,以更新后的拥堵社团结构为新的中心,重复执行上述三个步骤,形成方差曲线图,选取方差骤增点σ2为截止条件;
在步骤S45中,对于每个拥堵社团扩散过程,当方差值大于或等于截止条件时,则停止该拥堵社团的扩散。
在本实施例的步骤5中,社团结构的合并分为两个层面进行。
首先是相同拥堵等级社团的合并:
搜索相同拥堵等级下发生重叠的社团结构,并计算两两社团之间的重叠程度;按照重叠程度的大小顺序合并社团,直到当前拥堵水平下所有的重叠现象消失。对每个拥堵水平下的社团组均执行该合并过程,直至各拥堵水平下的社团组均不存在重叠现象为止。此处,相同拥堵等级下的重叠现象定义为:
其中
其中,均表示在第m拥堵水平下的第p和q个社团结构;Cm表示在第m拥堵水平下的社团组。
其次是不同拥堵等级社团的合并:
搜索不同拥堵等级中发生重叠的社团结构,计算并比较重叠社团的模块度。将不同拥堵等级社团结构中重叠部分归为模块度较大的社团结构,非重叠部分不变。对不同拥堵等级社团组之间重复执行,其中优先从拥堵等级较高的社团组之间开始,直至重叠现象消失为止。其中不同拥堵等级下的重叠现象定义为:
其中
其中,表示在第m拥堵水平下的第p个社团结构;表示在第n拥堵水平下的第q个社团结构;Cm(Cn)表示在第m(n)拥堵水平下的社团组。
社团模块度的计算公式如下:
其中,为第t个观测时间间隔内连接点vi(vj)所有路段无向权重值的和;是第t个观测时间间隔内社团结构内所有路段无向权重值的和;表示点vi和vj是否在同一个社团结构内,如果均在一个社团结构内则等于1,否则为0。
在本实施例的步骤6中,通过本方法获取的动态拥堵区域,可将拥堵区域范围实时发布至道路交通诱导系统中,便于交警及时采取有效控制策略,疏导拥堵区域车辆。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于社团发现的路网拥堵区域动态识别方法,其特征是:包括以下步骤:
(1)根据目标区域路网的拓扑结构建立加权有向图,构建城市路网动态拓扑模型;
(2)利用行程时间比动态标定路网拓扑模型的路段权重,根据道路交通管理模式以及道路交通运行状态的不同,将有向权重简化为无向权重;
(3)将路网拓扑模型中相同日期连续一定时间内的无向权重值进行聚类分析,划分不同的路网状态的等级,利用等级范围值对各个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索;
(4)将社团相邻路段中拥堵状态相近的路段逐步纳入社团结构并进行扩散;
(5)分别对属于相同拥堵等级社团和不同拥堵等级中发生重叠的社团结构进行合并;
(6)发布合并后得到的拥堵区域范围的信息。
2.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(1)中,将交叉口为拓扑网络中的节点,记为V;相邻交叉口间的路段为拓扑网络中的有向边,记为E,路段本身的交通运行负荷为边的权重,记为W,结合时间,城市路网动态拓扑模型表示为Dt={Vt,Et,Wt}。
3.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(2)中,路段eij在第t个观测时间间隔内有向权重为该路段在第t个观测时间间隔内的实际行程时间与该路段在第t个观测时间间隔内自由流状态行程时间的比值。
4.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(2)中,根据道路交通管理模式以及道路交通运行状态的不同,分为三个常见场景将有向权重化简为无向权重,用来标定路段整体的交通运行状态,其中:场景1为单向交通,无向权重为路段仅有方向实际行程时间与自由状态下行程时间的比值;场景2为双向交通且出现潮汐交通,无向权重为路段负荷较重方向实际行程时间与自由状态下行程时间的比值;场景3为双向交通且未出现潮汐交通,无向权重为路段两个方向实际行程时间与自由状态下行程时间的比值的平均值。
5.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(3)中,采用模糊C均值聚类方法,将路网拓扑模型中相同日期连续一段时间内的无向权重值进行聚类分析,结合实际需求确定路网状态的等级数,并确定每个等级下无向权重的范围,利用各个状态等级范围,对第t个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索。
6.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:初始拥堵节点与初始拥堵社团的定义分别如下:
当前节点与其邻近节点所连的路段有3个或3个以上在同一个拥堵等级范围内,则认定该节点为相应等级的拥堵初始节点;
拥堵初始节点、拥堵初始节点的邻近节点及其所相连的路段共同构成初始拥堵社团。
7.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(4)包括:
(4-1)以初始拥堵社团为中心向四周路段扩散,搜索并生成相邻路段集合;
(4-2)将相邻路段集合中每条路段分别纳入初始拥堵社团并计算相应社团内部的无向权重方差值;
(4-3)选取相邻路段集合中方差最小的路段,纳入当前拥堵社团并更新社团结构;
(4-4)以更新后的拥堵社团结构为新的中心,重复执行步骤(4-1)-(4-3),形成方差曲线图,选取方差骤增点为截止条件;
(4-5)对于每个拥堵社团扩散过程,当方差值大于或等于截止条件时,则停止该拥堵社团的扩散。
8.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(5)中,相同拥堵等级社团的合并过程包括:搜索相同拥堵等级下发生重叠的社团结构,并计算两两社团之间的重叠程度;按照重叠程度的大小顺序合并社团,直到当前拥堵水平下所有的重叠现象消失,对每个等级都进行合并社团,直至各拥堵水平下的社团组均不存在重叠现象为止。
9.如权利要求1所述的一种基于社团发现的路网拥堵区域动态识别方法,其特征是:所述步骤(5)中,不同拥堵等级社团的合并过程包括搜索不同拥堵等级中发生重叠的社团结构,计算并比较重叠社团的模块度,将不同拥堵等级社团结构中重叠部分归为模块度大于设定大小的社团结构,非重叠部分不变,对不同拥堵等级社团组之间重复执行,其中优先从拥堵等级高的社团组之间开始,直至重叠现象消失为止。
10.一种基于社团发现的路网拥堵区域动态识别系统,其特征是:运行于处理器或存储器上,被配置为执行以下指令:
(1)根据目标区域路网的拓扑结构建立加权有向图,构建城市路网动态拓扑模型;
(2)利用行程时间比动态标定路网拓扑模型的路段权重,根据道路交通管理模式以及道路交通运行状态的不同,将有向权重简化为无向权重;
(3)将路网拓扑模型中相同日期连续一定时间内的无向权重值进行聚类分析,划分不同的路网状态等级,利用等级范围值对各个观测时间间隔内的路网进行初始拥堵节点与初始拥堵社团的搜索;
(4)将社团相邻路段中拥堵状态相近的路段逐步纳入社团结构并进行扩散;
(5)分别对属于相同拥堵等级社团和不同拥堵等级中发生重叠的社团结构进行合并;
(6)发布合并后得到的拥堵区域范围的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100611.8A CN109215343B (zh) | 2018-09-20 | 2018-09-20 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100611.8A CN109215343B (zh) | 2018-09-20 | 2018-09-20 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109215343A true CN109215343A (zh) | 2019-01-15 |
CN109215343B CN109215343B (zh) | 2020-08-04 |
Family
ID=64984564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811100611.8A Active CN109215343B (zh) | 2018-09-20 | 2018-09-20 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109215343B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910643A (zh) * | 2019-12-03 | 2020-03-24 | 腾讯云计算(北京)有限责任公司 | 一种交通流的管控方法和装置 |
CN110930281A (zh) * | 2019-12-04 | 2020-03-27 | 中南大学 | 一种城市交通流社团结构统计检测的方法及系统 |
CN111341107A (zh) * | 2020-05-18 | 2020-06-26 | 成都信息工程大学 | 一种基于云平台数据的共享式交通控制方法 |
CN111653091A (zh) * | 2020-05-13 | 2020-09-11 | 深圳市山行科技有限公司 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
CN111932888A (zh) * | 2020-08-17 | 2020-11-13 | 山东交通学院 | 防止边界路段排队溢流的区域动态边界控制方法及系统 |
CN112071435A (zh) * | 2020-09-09 | 2020-12-11 | 北京百度网讯科技有限公司 | 无向关系至有向关系转换方法、装置、设备以及存储介质 |
CN114093167A (zh) * | 2021-11-18 | 2022-02-25 | 公安部交通管理科学研究所 | 一种城市重点区域交通路网空间不均衡性测评方法 |
CN115409256A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN105279965A (zh) * | 2015-09-30 | 2016-01-27 | 百度在线网络技术(北京)有限公司 | 一种基于路况的路段合并方法和装置 |
CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
-
2018
- 2018-09-20 CN CN201811100611.8A patent/CN109215343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN105279965A (zh) * | 2015-09-30 | 2016-01-27 | 百度在线网络技术(北京)有限公司 | 一种基于路况的路段合并方法和装置 |
CN108335482A (zh) * | 2017-01-20 | 2018-07-27 | 亚信蓝涛(江苏)数据科技有限公司 | 一种城市交通态势感知方法及可视化方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910643A (zh) * | 2019-12-03 | 2020-03-24 | 腾讯云计算(北京)有限责任公司 | 一种交通流的管控方法和装置 |
CN110930281A (zh) * | 2019-12-04 | 2020-03-27 | 中南大学 | 一种城市交通流社团结构统计检测的方法及系统 |
CN110930281B (zh) * | 2019-12-04 | 2023-10-03 | 中南大学 | 一种城市交通流社团结构统计检测的方法及系统 |
CN111653091A (zh) * | 2020-05-13 | 2020-09-11 | 深圳市山行科技有限公司 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
CN111653091B (zh) * | 2020-05-13 | 2021-06-18 | 深圳市山行科技有限公司 | 一种基于高德数据与浮动车数据的潮汐交通拥堵识别方法 |
CN111341107A (zh) * | 2020-05-18 | 2020-06-26 | 成都信息工程大学 | 一种基于云平台数据的共享式交通控制方法 |
CN111932888A (zh) * | 2020-08-17 | 2020-11-13 | 山东交通学院 | 防止边界路段排队溢流的区域动态边界控制方法及系统 |
CN112071435A (zh) * | 2020-09-09 | 2020-12-11 | 北京百度网讯科技有限公司 | 无向关系至有向关系转换方法、装置、设备以及存储介质 |
CN112071435B (zh) * | 2020-09-09 | 2023-07-18 | 北京百度网讯科技有限公司 | 无向关系至有向关系转换方法、装置、设备以及存储介质 |
CN114093167A (zh) * | 2021-11-18 | 2022-02-25 | 公安部交通管理科学研究所 | 一种城市重点区域交通路网空间不均衡性测评方法 |
CN115409256A (zh) * | 2022-08-24 | 2022-11-29 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
CN115409256B (zh) * | 2022-08-24 | 2023-05-12 | 吉林化工学院 | 基于行程时间预测的拥堵区避让的路径推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109215343B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215343A (zh) | 基于社团发现的路网拥堵区域动态识别方法及系统 | |
CN106297326A (zh) | 基于全息路网潮汐交通流可变车道控制方法 | |
WO2018072240A1 (zh) | 一种路网潮汐交通流可变导向车道控制方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN105825669B (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
EP3631616A1 (en) | Road traffic control system, method, and electronic device | |
CN106652483B (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN110136455A (zh) | 一种交通信号灯配时方法 | |
WO2019109561A1 (zh) | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 | |
CN100547625C (zh) | 一种城市交通中的典型行驶路线分析方法 | |
CN106205156A (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
CN109410577A (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN105046987A (zh) | 一种基于强化学习的路面交通信号灯协调控制方法 | |
CN106530709B (zh) | 一种面向用户的高速公路交通指数发布系统 | |
CN109461314B (zh) | 一种城市智能车道变换方法及智能车道变换系统 | |
CN109859480A (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN106530710B (zh) | 一种面向管理者的高速公路交通指数预测方法和系统 | |
CN105679025A (zh) | 一种基于可变权重混合分布的城市干道行程时间估计方法 | |
CN109583611A (zh) | 基于网约车数据的定制公交站点选址方法 | |
Blečić et al. | Walkability explorer: An evaluation and design support tool for walkability | |
CN109931941A (zh) | 基于路段状态相关性的路径规划方法 | |
CN111915885A (zh) | 一种城市道路交通仿真实验方法及系统 | |
Balta et al. | Traffic signaling optimization for intelligent and green transportation in smart cities | |
CN106682313A (zh) | 一种基于时空二维的视频布局规划方法 | |
Medina et al. | Effects of metered entry volume on an oversaturated network with dynamic signal timing |
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 |