CN109766642A - 一种自演化交通路网拓扑建模方法 - Google Patents

Abstract

本发明公开了一种自演化交通路网拓扑建模方法，包括：步骤一、建立交通路网模型，所述交通路网模型以节点的度和邻接矩阵表示；步骤二、计算交通路网模型中的预测交通流量；步骤三、建立自演化交通路网模型，所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新。本发明对图论和复杂网络理论中的度的定义进行了修改，使得其可运用于实际交通路网的拓扑建模，并用以表征路网交叉口重要程度；并运用马尔可夫模型计算预测交通流量，结合各节点维护的邻接矩阵实现节点的度的自演化更新，从而完成交通路网的自演化拓扑建模。

Description

一种自演化交通路网拓扑建模方法

技术领域

本发明涉及交通管理技术领域，尤其是一种自演化交通路网拓扑建模方法。

背景技术

在城市交通路网中，交叉口是最为重要的部分，大多数的交通拥堵发生在交叉口，对路网进行拓扑建模，利用图论和复杂网络理论，将城市交通路网中的交叉口抽象为节点，道路抽象为连接交叉口的边，采用度对交叉口的重要程度进行描述，对区域交通控制有着重要的意义。

发明内容

本发明所要解决的技术问题是：提供一种自演化交通路网拓扑建模方法，使得交通路网中的交叉口节点的重要程度随着交通流的改变而自适应更新变化，从而实现交通路网的自演化拓扑建模。

本发明采用的技术方案如下：

一种自演化交通路网拓扑建模方法，包括：

步骤一、建立交通路网模型，所述交通路网模型以节点的度和邻接矩阵表示；

步骤二、计算交通路网模型中的预测交通流量；

步骤三、建立自演化交通路网模型，所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新。

进一步，所述节点的度为节点的出度和节点的入度之和；所述节点的出度表示流出节点的交通流量的和；所述节点的入度表示流入节点的交通流量的和。

进一步，所述邻接矩阵为基于节点的流入交通流量和节点的各邻接节点的流入交通流量进行表示。

进一步，步骤二所述计算交通路网模型中的预测交通流量的方法为：

(1)将历史交通流量以时间序列进行表示；

(2)利用阈值法将交通流量归属到不同的交通流状态；

(3)通过统计交通流状态在不同时间段出现的次数及其经过采样时间间隔转移到另一交通流状态的次数，计算一步转移概率和一步转移矩阵；

(4)根据一步转移概率和一步转移矩阵计算经过采样时间间隔的预测交通流量。

进一步，所述将历史交通流量以时间序列进行表示为：X(t),t∈{T_s,2T_s,…,nT_s}，其中，T_s为采样间隔时间，X(t)代表时间为t时的交通流量。

进一步，所述利用阈值法将交通流量归属到不同的交通流状态的方法为：提取时间序列中历史交通流量的最大值和最小值，选取合适的交通流量间隔将交通流量划分为k个交通流状态，并记录交通流状态对应的交通流量阈值ω_k，则交通流状态集合表示为：S＝{s₁,s₂,…,s_k}。

进一步，所述通过统计交通流状态在不同时间段出现的次数及其经过采样时间间隔T_s转移到另一交通流状态的次数，计算一步转移概率和一步转移矩阵的方法为：

统计历史交通流量中的交通流状态s_i,i∈{1,2,…，k}在不同时间段出现的次数c_i，以及交通流状态s_i经过采样时间间隔T_s转移到交通流状态s_j，j∈{1,2,…，k}的次数c_ij；

则一步转移概率可表示为：

进一步得到的一步转移矩阵：

其中k为交通流状态个数。

进一步，步骤三所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新的方法为：

(1)交通路网模型中各节点根据预测交通流量更新邻接矩阵：更新节点a₀的预测交通流量；然后向节点的邻接节点广播节点的预测交通流量，同时节点接收其邻接节点的广播值，更新节点各邻接节点的预测交通流量；

(2)更新完邻接矩阵中的各节点的预测交通流量后，重新计算节点的度。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明对图论和复杂网络理论中的度的定义进行了修改，使得其可运用于实际交通路网的拓扑建模，并用以表征路网交叉口重要程度；并运用马尔可夫模型计算预测交通流量，结合各节点维护的邻接矩阵实现节点的度的自演化更新，从而完成交通路网的自演化拓扑建模。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的自演化交通路网拓扑建模方法的流程框图。

图2为单交叉口交通路网示意图。

图3为双交叉口交通路网示意图。

图4为9个节点的交叉口交通路网示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本实施例提供的一种自演化交通路网拓扑建模方法，如图1所示，包括：

步骤一、建立交通路网模型，所述交通路网模型以节点的度和邻接矩阵表示；

步骤二、计算交通路网模型中的预测交通流量；

步骤三、建立自演化交通路网模型，所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新。

具体地，

1、建立交通路网模型，所述交通路网模型以节点的度和邻接矩阵表示；

一个交叉口经过的交通流量越大，说明该交叉口的重要度越高，对该交叉口进行控制的需求也越大。由此，在有向图T中，定义节点的度为节点的出度和节点的入度之和；所述节点的出度表示节点的流出交通流量的和；所述节点的入度表示节点的流入交通流量的和。其中节点流入和流出的交通流量(车流量)q表示在规定的时间内，通过某一路段检测点的车辆总数，如下式所示：

其中，T_s为采样间隔时间；N表示检测器在T_s时间内检测到的通过车辆总数。

由此，在单交叉口路网中，如图2所示，定义节点A的入度为：

定义节点A的出度为：

则，节点A的度为：

而在城市交通路网中，相邻节点间交通流量存在某种联系：在不考虑相邻节点之间存在其它出入口的情况下，车辆驶出一个交叉口必定会进入其相邻交叉口，因此可以假设一个交叉口的入道口的流入交通流量为其相邻交叉口相同道路的流出交通流量。如图3所示，节点A和B为相邻节点，各节点都在交叉口入道口设置检测器，检测流入交通流量，而其流出交通流量则由相邻交叉口给出，例如对于节点A，c点为交叉口入道口，其交通流量由检测器α检测得出；d点为交叉口出道口，根据假设其交通流量等于e点交通流量，而e点交通流量可由检测器β检测得出。

由此，如图4所示，选取交通路网中的某一节点a₀，其邻接节点分别为a₁、a₂、a₃、a₄。邻接矩阵基于节点的流入交通流量和节点的各邻接节点的流入交通流量进行表示，可以定义节点a₀的邻接矩阵Q₀：

其中，a_0j，j∈{1，2,3，4}表示节点a₀的流入交通流量；a_ij，i,j∈{1,2,3,4}表示节点a₀各邻接节点的流入交通流量。

由此可得，节点a₀的入度为：

节点a₀的出度为：

节点a₀的度为：

2、计算交通路网模型中的预测交通流量；本实施例基于马尔可夫模型计算交通路网模型中的预测交通流量：

(1)将历史交通流量以时间序列进行表示：X(t),t∈{T_s,2T_s，…，nT_s}，其中，T_s为采样间隔时间，X(t)代表时间为t时的交通流量；

(2)利用阈值法将交通流量归属到不同的状态：

提取时间序列中历史交通流量的最大值和最小值，选取合适的交通流量间隔将交通流量划分为k个交通流状态，并记录交通流状态对应的交通流量阈值ω_k，则交通流状态集合表示为：S＝{s₁，s₂，…，s_k}；

(3)通过统计交通流状态在不同时间段出现的次数及其经过采样时间间隔转移到另一交通流状态的次数，计算一步转移概率和一步转移矩阵：

统计历史交通流量中的交通流状态s_i，i∈{1,2，…,k}在不同时间段出现的次数c_i，以及交通流状态s_i经过采样时间间隔T_s转移到交通流状态s_j,j∈{1,2,…,k}的次数c_ij；

则一步转移概率可表示为：

进一步得到的一步转移矩阵：

其中k为交通流状态个数；

(4)根据一步转移概率和一步转移矩阵计算经过采样时间间隔的预测交通流量：

以t＝T₀为预测交通流量的起始时间，则节点的某一检测器在T₀时间检测到的交通流量表示为Y(T₀)；通过将交通流量Y(T₀)与各交通流状态对应的交通流量阈值ω_k进行比较，将其划分到交通流状态

根据一步转移概率和一步转移矩阵，令P_im＝maxP_ij，即可计算得到当前交通流状态i∈{1,2,…,k}最有可能转移到交通流状态m∈{1,2,…,k}，则经过采样间隔时间T_s后的预测交通流量为交通流状态对应的交通流量阈值ω_m，可表示为：Y(T₀+T_s)＝ω_m,m∈{1,2,…,k}。

3、建立自演化交通路网模型，所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新：

(1)交通路网模型中各节点根据预测交通流量更新邻接矩阵：

更新节点a₀的预测交通流量：将以t＝T₀的预测交通流量的起始时间经过采样间隔时间T_s后的预测交通流量(即，Y(T₀+T_s)＝ω_m,m∈{1,2,…,k})，输入节点a₀的邻接矩阵，更新邻接矩阵Q₀中的a_0j,j∈{1,2,3,4}；

然后向节点的邻接节点广播节点的预测交通流量，同时节点接收其邻接节点的广播值，更新节点各邻接节点的预测交通流量：

节点a₀接收节点a₁的广播值，更新邻接矩阵Q₀中的a_1j,j∈{1,2,3,4}；

节点a₀接收节点a₂的广播值，更新邻接矩阵Q₀中的a_2j,j∈{1,2,3,4}；

节点a₀接收节点a₃的广播值，更新邻接矩阵Q₀中的a_3j,j∈{1,2,3,4}；

节点a₀接收节点a₄的广播值，更新邻接矩阵Q₀中的a_4j，j∈{1，2，3，4}；

(2)更新完邻接矩阵Q₀中的各节点的预测交通流量后，重新计算节点的度。通过上述过程更新节点a₀的度和邻接矩阵，同理在交通路网模型中的其他节点也如上述过程进行更新，从而实现整个交通路网的自演化拓扑建模。

本发明的工作原理是：对图论和复杂网络理论中的度的定义进行了修改，使得其可运用于实际交通路网的拓扑建模，并用以表征路网交叉口重要程度；由于交通流在时间和空间上的不确定性和非线性特征，因此各交叉口节点的度也具有时变特征，当前时刻某一节点的度与下一时刻的可能不相同，在高峰时期和非高峰时期节点的度也不尽相同。由此，通过计算预测交通流量，结合各节点维护的邻接矩阵实现节点的度的自演化更新，从而完成交通路网的自演化拓扑建模。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种自演化交通路网拓扑建模方法，其特征在于，包括：

步骤一、建立交通路网模型，所述交通路网模型以节点的度和邻接矩阵表示；

步骤二、计算交通路网模型中的预测交通流量；

步骤三、建立自演化交通路网模型，所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新。

2.如权利要求1所述的自演化交通路网拓扑建模方法，其特征在于，所述节点的度为节点的出度和节点的入度之和；所述节点的出度表示流出节点的交通流量的和；所述节点的入度表示流入节点的交通流量的和。

3.如权利要求1所述的自演化交通路网拓扑建模方法，其特征在于，所述邻接矩阵为基于节点的流入交通流量和节点的各邻接节点的流入交通流量进行表示。

4.如权利要求1所述的自演化交通路网拓扑建模方法，其特征在于，步骤二所述计算交通路网模型中的预测交通流量的方法为：

(1)将历史交通流量以时间序列进行表示；

(2)利用阈值法将交通流量归属到不同的交通流状态；

(3)通过统计交通流状态在不同时间段出现的次数及其经过采样时间间隔转移到另一交通流状态的次数，计算一步转移概率和一步转移矩阵；

(4)根据一步转移概率和一步转移矩阵计算经过采样时间间隔的预测交通流量。

5.如权利要求4所述的自演化交通路网拓扑建模方法，其特征在于，所述将历史交通流量以时间序列进行表示为：X(t)，t∈{T_s，2T_s，...，nT_s}，其中，T_s为采样间隔时间，X(t)代表时间为t时的交通流量。

6.如权利要求4所述的自演化交通路网拓扑建模方法，其特征在于，所述利用阈值法将交通流量归属到不同的交通流状态的方法为：提取时间序列中历史交通流量的最大值和最小值，选取合适的交通流量间隔将交通流量划分为k个交通流状态，并记录交通流状态对应的交通流量阈值ω_k，则交通流状态集合表示为：S＝{s₁，s₂，...，s_k}。

7.如权利要求4所述的自演化交通路网拓扑建模方法，其特征在于，所述通过统计交通流状态在不同时间段出现的次数及其经过采样时间间隔T_s转移到另一交通流状态的次数，计算一步转移概率和一步转移矩阵的方法为：

统计历史交通流量中的交通流状态s_i，i∈{1，2，...，k}在不同时间段出现的次数c_i，以及交通流状态s_i经过采样时间间隔T_s转移到交通流状态s_j，j∈{1，2，...，k}的次数c_ij；

则一步转移概率可表示为：

进一步得到的一步转移矩阵：

其中k为交通流状态个数。

8.如权利要求4所述的自演化交通路网拓扑建模方法，其特征在于，步骤三所述自演化交通路网模型的节点的度和邻接矩阵根据预测交通流量进行更新的方法为：

(1)交通路网模型中各节点根据预测交通流量更新邻接矩阵：更新节点a₀的预测交通流量；然后向节点的邻接节点广播节点的预测交通流量，同时节点接收其邻接节点的广播值，更新节点各邻接节点的预测交通流量；

(2)更新完邻接矩阵中的各节点的预测交通流量后，重新计算节点的度。