CN109767624B - 一种考虑路段交通流相关性的控制子区划分方法 - Google Patents

Abstract

本发明提供了一种考虑路段交通流相关性的控制子区划分方法，先对路网做抽象处理并建立道路邻接矩阵，然后采用用户均衡模型对路网进行交通分配进而得到各路段的交通流量，用路段交通流量除以路段实际长度得到各路段的拟交通流密度，建立关于路段拟交通流密度的相似度模型，以路段为节点、以相似度值作为各节点间的边权，通过引入边权参数对传统Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，且最终划分的交通控制子区更符合交通控制的需要。所述划分方法使用简单，从宏观上实现了对路网控制子区划分的优化，确保同一控制子区内的交通流具有较好的同质性，便于子区内及子区间的协调控制，理论上提高了路网的最大容量。

Description

一种考虑路段交通流相关性的控制子区划分方法

技术领域

本发明涉及交通路网管理技术领域，特别地，涉及一种考虑路段交通流相关性的控制子区划分方法。

背景技术

根据交通网络的拓扑结构以及交通流的网络分布特征，将庞大且复杂的路网划分成若干各独立的子区，并实现对各个子区内信号的有效控制，是使得整个路网系统变得更加高效、可靠和灵活的关键。

在对交通控制子区进行划分时，目前多是采用交叉口关联度模型，通过结合各种分区算法将交通特性相近的若干个交叉口划分到同一个控制子区内。也有一部分分区算法是以路段为聚类对象，依据一个特定时间内的拥挤特征，利用谱聚类中的归一化分割方法或聚类算法进行路网划分。如李刚奇、马莹莹等运用谱方法进行交通控制小区的划分，王晓轩等运用聚类算法进行交通控制小区的划分。

但是，谱聚类方法存在两个主要缺点：一是划分结果对参数值的敏感度很高；二是需求解矩阵的特征值，对于聚类规模较大的应用，计算和存储的压力较大。另外，基于聚类的交通控制小区划分算法，如k-means算法也存在如下缺点：即需要事先指定待分类数据—聚类数k，而且为了确定一个k值是否合适，用户往往需要选择若干个不同的k值来进行实验；由于有奇异值对象存在，可能会在一定程度上对数据的分布造成扭曲，k-means算法对于噪声敏感且不能解决任意形状的数据聚类问题。

综上所述，现有的交通控制子区的划分方法都具有一定局限性。

对于传统的Newman社团快速划分算法(即社区发现算法)常被用于解决社群划分问题，该算法的目的是将复杂的网络划分成多个“同质”社区，即同一社区内的各个节点间连接很紧密，而不同社区间的连接非常稀疏。由于其目的与交通控制小区的划分目的十分贴近，从某种意义上讲，其实Newman算法也算是一种可被用于划分交通控制小区的有效方法。

发明内容

本发明的目的在于提供一种可规避谱聚类算法的缺陷且更符合实际交通控制需求的交通子区划分方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供了一种考虑路段交通流相关性的控制子区划分方法，包括如下步骤：

步骤1)将道路网络中的路段抽象为点，相邻路段之间的连接关系抽象为边，使得整个区域内的路网被抽象成一个对偶的网络拓扑结构图；

步骤2)建立道路邻接矩阵，设定道路相邻的值为1，反之为0；

步骤3)对路网进行交通分配以得到各路段的交通流量，再通过计算各路段交通流量与对应路段实际长度的比值得到各路段的拟交通流密度；

步骤4)以各路段的拟交通流密度作为参数，建立关于路段拟交通流密度的相似度模型，求取模型值：

式中，d_i表示路段i的拟交通流密度，D_ij表示路段i和路段j间拟交通流密度的相似度水平，且D_ij的值越接近1则表示两条路段的拟交通流密度越相似；

步骤5)引入路段拟交通流密度的相似度值D_ij作为路网的边权，对传统的Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，改进后算法的执行过程如下：

①首先把含有n个节点的路网视为n个社团，即每个节点为一个社团；

②定义n维矩阵E和一维数组A，其中，矩阵E的行数和列数代表网络节点数，数组A中元素的个数等同于网络节点数；

③初始时，矩阵E和数组A中的所有元素e_ij和a_i取值如下：

式中，e_ij表示节点i和节点j的边权在网络总边权中所占的比例，a_i表示与第i个社团中节点相连的边的边权在网络总边权中所占的比例；

④根据贪婪算法的原理，沿着使模块度Q增加最快的方向，依次合并两个有边连接的社团，并计算合并后的Q值增量：

ΔQ＝e_ij+e_ji-2a_ia_j＝2*(e_ij-a_ia_j)

合并后更新相应的元素e_ij；

⑤重复上一步，直至所有节点被合并成一个社团；

⑥在算法执行过程中会生成一个反应路段聚合过程的树状图，将树状图在Q值达到最大的位置处断开，得到最佳的路网划分结果。

优选地，在所述步骤3)的交通分配过程中采用了用户均衡模型。

对于用户均衡模型，其具有两个优点：一是考虑了交通流量在网络中的分布，从而比已有的方法更深入地考虑到了人对路径的选择；二是能够更好的适应各种交通需求的变化情况，满足交通控制对灵活变动的要求。

优选地，在所述步骤3)中利用卫星地图软件或通过实际测量获得所需路段的长度数据。

本发明提供的技术方案至少具有如下有益效果：

1、本发明方法以抽象成节点的路段作为对象，通过对传统Newman算法的改进，并引入路段拟交通流密度的相关性参数作为边权，实现了能够运用于有权交通路网的“社团”(即交通控制子区)划分功能，且划分出的最终结果更加符合实际交通的控制需求。

2、本发明方法划分出的控制子区既能达到空间上的紧凑性，又能结合路网交通流，使得被划分在同一控制子区内的交通流密度相近，可以近似地认为控制子区的内部均为同质交通流，便于控制子区内的协调控制；且可在宏观层面适用于对城市控制子区的划分，实现了控制子区的自动划分，为实现控制子区间的协调控制提供基础。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，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它的附图，其中：

图1是本发明实施例1中建立的关于路网的网络拓扑结构示意图；

图2是本发明实施例1中采用传统Newman算法生成的树状图；

图3是本发明实施例1中采用改进后Newman算法生成的树状图；

图4是本发明实施例1中关于控制子区的划分次数与模块度值Q的变化关系图；

图5是本发明实施例1中采用传统Newman算法得到的控制子区划分结果示意图；

图6是本发明实施例1中采用改进后Newman算法得到的控制子区划分结果示意图；

图7是本发明实施例1中第一次采用k均值聚类算法得到的控制子区划分示意图；

图8是本发明实施例1中第二次采用k均值聚类算法得到的控制子区划分示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1：

一种考虑路段交通流相关性的控制子区划分方法，其特征在于，包括如下步骤：

步骤1)将道路网络中的路段抽象为点，相邻路段之间的连接关系抽象为边，使得整个区域内的路网被抽象成一个对偶的网络拓扑结构图，如图1所示；

步骤2)建立道路邻接矩阵，设定道路相邻的值为1，反之为0；

步骤3)采用用户均衡模型对路网进行交通分配，进而得到各路段的交通流量，通过百度卫星地图测得的各路段的长度数据，用各路段的交通流量除以对应路段的实际长度计算得到各路段的拟交通流密度；

步骤4)以各路段的拟交通流密度作为参数，建立关于路段拟交通流密度的相似度模型，求取模型值：

式中，d_i表示路段i的拟交通流密度，D_ij表示路段i和路段j间拟交通流密度的相似度水平，且D_ij的值越接近1则表示两条路段的拟交通流密度越相似；

步骤5)引入路段拟交通流密度的相似度值D_ij作为路网的边权，对传统的Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，改进后算法的执行过程如下：

①首先把含有n个节点的路网视为n个社团，即每个节点为一个社团；

②定义n维矩阵E和一维数组A，其中，矩阵E的行数和列数代表网络节点数，数组A中元素的个数等同于网络节点数；

③初始时，矩阵E和数组A中的所有元素e_ij和a_i取值如下：

式中，e_ij表示节点i和节点j的边权在网络总边权中所占的比例，a_i表示与第i个社团中节点相连的边的边权在网络总边权中所占的比例；

④根据贪婪算法的原理，沿着使模块度Q增加最快的方向，依次合并两个有边连接的社团，并计算合并后的Q值增量：

ΔQ＝e_ij+e_ji-2a_ia_j＝2*(e_ij-a_ia_j)

合并后更新相应的元素e_ij；

⑤重复上一步，直至所有节点被合并成一个社团；

⑥在算法执行过程中会生成一个反应路段聚合过程的树状图，将树状图在Q值达到最大的位置处断开，得到最佳路网划分结果。

需注意的是，改进后Newman算法的合并原则与传统Newman算法的合并原则保持一致，均是沿着Q值增加最快的方向直至所有节点被合并成一个社团。

采用传统Newman算法生成的树状图参见图2，且对应得到的控制子区划分结果参见图5。采用改进后Newman算法生成的树状图参见图3，且对应得到的控制子区划分结果参见图6。对于传统Newman算法和改进后Newman算法中关于控制子区划分次数与模块度值Q的变化关系参见图4。两次采用k均值聚类算法得到的控制子区划分结果分别参见图7和图8。

对上述三种不同的划分方法进行评价，通过NS_K指标来衡量不同控制子区之间的密度差。NS_K指标通过各控制子区的路段交通流密度来计算控制子区之间的平均密度距离，控制子区A和控制子区B之间的密度差为：

NS_k(A,B)＝Var(A)+Var(B)+(u_A-u_B)²

式中，u_A和Var(A)分别代表控制子区A中路段拟交通流密度的均值和方差，相应地，u_B和Var(B)分别代表控制子区B中路段拟交通流密度的均值和方差。

路网ANS_K指标通过下式计算得到：

NS_k(A,C)＝min{NS_k(A,K)|k∈Neighbor(A)}

式中，k代表与子区A相邻接的子区。

通常情况下，当NS_K<1时，我们认为划分结果是好的。如果大部分控制子区都有较小的方差和NS_K值，而个别的控制子区有较大的方差和NS_K值时，我们也认为这种划分结果是有效的。

上述三种不同划分方法的评价结果如表1中所示。

表1 控制子区划分结果对比表

由表1可知，采用本发明方法划分得到的路网具有较小的ANS_K值，即相比于传统的Newman算法，本发明在控制子区的划分上具有更好的结果。具体地，由于引入了路段交通流的密度特征，使得划分出来的结果更合理且更符合交通网络的特性。另外，由于路段交通流的密度是随着时间变化而不断改变的，因此可以通过获取不同时段的路段交通流密度数据实现对交通路网的动态划分，这有利于在实际应用中取得更好的应用效果。

虽然采用k均值聚类算法得到的路网ANS_K值比本发明方法小，但是在两次k均值聚类算法的随机划分试验中(每次都是随机选取初始聚类中心且两次选取情况不同)，所得的指标均不一样，这是因为k均值聚类算法的结果受初始聚类中心选取的影响大，结果不稳定。而且从图7和图8中还可以明显看出，每个控制子区内的路段在空间上的分布非常零散，难以运用于实际场景中。

综上所述，由于通过本发明方法得到的控制子区划分结果的评价指标小于1，因此本发明提供的控制子区划分方法是有效的且优于传统Newman算法，即使在这方面比不上传统的k均值聚类算法，但由于本发明方法很好地保证了控制子区间的路网连接性以及控制子区内路段的“同质性”，因此有效实现了本发明方法在路网划分中的实际应用。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利保护范围，对于本领域的技术人员来说，本发明可以有各种更改和变化。在本发明的精神和原则之内，凡是利用本发明说明书及附图内容所作的任何改进或等同替换，直接或间接运用在其它相关的技术领域，均应包括在本发明的专利保护范围内。

Claims (3)

1.一种考虑路段交通流相关性的控制子区划分方法，其特征在于，包括如下步骤：

步骤1)将道路网络中的路段抽象为点，相邻路段之间的连接关系抽象为边，使得整个区域内的路网被抽象成一个对偶的网络拓扑结构图；

步骤2)建立道路邻接矩阵，设定道路相邻的值为1，反之为0；

步骤3)对路网进行交通分配以得到各路段的交通流量，再通过计算各路段交通流量与对应路段实际长度的比值得到各路段的拟交通流密度；

步骤4)以各路段的拟交通流密度作为参数，建立关于路段拟交通流密度的相似度模型，求取模型值：

式中，d_i表示路段i的拟交通流密度，D_ij表示路段i和路段j间拟交通流密度的相似度水平，且D_ij的值越接近1则表示两条路段的拟交通流密度越相似；

步骤5)引入路段拟交通流密度的相似度值D_ij作为路网的边权，对传统的Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，改进后算法的执行过程如下：

①首先把含有n个节点的路网视为n个社团，即每个节点为一个社团；

②定义n维矩阵E和一维数组A，其中，矩阵E的行数和列数代表网络节点数，数组A中元素的个数等同于网络节点数；

③初始时，矩阵E和数组A中的所有元素e_ij和a_i取值如下：

式中，e_ij表示节点i和节点j的边权在网络总边权中所占的比例，a_i表示与第i个社团中节点相连的边的边权在网络总边权中所占的比例；

④根据贪婪算法的原理，沿着使模块度Q增加最快的方向，依次合并两个有边连接的社团，并计算合并后的Q值增量：

ΔQ＝e_ij+e_ji-2a_ia_j＝2*(e_ij-a_ia_j)

合并后更新相应的元素e_ij；

⑤重复上一步，直至所有节点被合并成一个社团；

⑥在算法执行过程中会生成一个反应路段聚合过程的树状图，将树状图在Q值达到最大的位置处断开，得到最佳的路网划分结果。

2.根据权利要求1所述的一种考虑路段交通流相关性的控制子区划分方法，其特征在于，在所述步骤3)的交通分配过程中采用了用户均衡模型。

3.根据权利要求1所述的一种考虑路段交通流相关性的控制子区划分方法，其特征在于，在所述步骤3)中利用卫星地图软件或通过实际测量获得所需路段的长度数据。

Images