CN109859480A - 基于复杂网络的拥堵路段建模和评估方法 - Google Patents
基于复杂网络的拥堵路段建模和评估方法 Download PDFInfo
- Publication number
- CN109859480A CN109859480A CN201910270135.2A CN201910270135A CN109859480A CN 109859480 A CN109859480 A CN 109859480A CN 201910270135 A CN201910270135 A CN 201910270135A CN 109859480 A CN109859480 A CN 109859480A
- Authority
- CN
- China
- Prior art keywords
- network
- section
- road
- traffic
- node
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于复杂网络的拥堵路段建模和评估方法,本发明针对交通网络的拥堵现象,结合复杂网络的方法对传统的交通路网研究进行创新,在具有时变性的交通路网中,以自定义权重密度和邻居密度来优化交通网络量化方法,结合逾渗理论和复杂网络理论来评估交通网络的通行效率。本发明利用复杂网络理论可以将交通网络的研究简化,直观地描述拥堵现象,深入地分析路网的拓扑结构并探究交通流性质,从而为现代交通路网研究提供不同的方法和视角;复杂网络与逾渗理论相结合可以拓宽交通网络研究的领域,创建新颖的方法,为交通问题的解决提供理论依据,并起到指导作用。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及基于复杂网络的拥堵路段建模和评估方法。
背景技术
随着城市经济的快速发展,机动车保有量呈现快速增加的状态,而不断增加的城市道路始终无法承载大量的交通流,导致城市正常的交通出行严重受阻,交通拥堵频发。特别是在大城市,交通拥堵已经成为常态。交通拥堵以及随之而来的环境污染及能源短缺等问题已经成为影响城市发展和市民生活水平的重大问题。
作为现代城市交通管理的一个极其重要的手段之一,对瓶颈路段的识别和管理将在一定程度上决定着城市道路车辆运行的效率。然而车辆在过饱和交通状态下的通行效率极低,能源消耗极大,这样就制约了城市的发展,因此我们要在现有交通流模型的基础上进行路网分析,结合更为合理的逾渗理论来实现瓶颈路段的识别,给交通管制提供一定的指导作用,以达到对关键拥堵路段的识别和通行效率的优化。
城市交通是一个非常复杂的系统,涉及到路网结构和车辆的运行等各个部分,若是考虑其中的所有因素,这样不方便我们直接对其进行研究。我们需要结合交通流模型,对路网和车辆进行分析和研究。复杂网络模型是一种计算简便,易于理解且能够对交通中的大部分特性进行描述的经典模型。其还具有易于扩展的特性,我们可以在该模型的基础上利用权重密度和邻居密度来分析拥堵的传播性,以及引进物理学的逾渗理论,以达到对关键拥堵路段的识别和通行效率的优化。
以交通流建模方式来解决城市网络的拥堵问题近几年来逐渐成为研究者们的研究热点,且取得了相应的成果。基于复杂网络的交通拥堵研究也逐渐受到各学者的青睐和关注。Albert等人提出了一种与节点的有效介数结合的微观拥堵模型,并利用真实的交通数据来识别实际路网中的拥堵热点。Takahiro Ezaki等人发现了交通拥堵的自发性变化,通过控制节点的有效和失效来研究拥堵节点如何影响整个路网,最后发现临界情况并挖掘出导致路网拥堵的瓶颈路段。Qi等人同样利用交通流数据来研究路网里的瓶颈路段是如何变化和转移的。这些以实际数据为基础的研究为我们理解城市交通系统提供了很好的见解和思路。
发明内容
本发明为克服上述的不足之处,目的在于提供基于复杂网络的拥堵路段建模和评估方法,本发明针对交通网络的拥堵现象,结合复杂网络的方法对传统的交通路网研究进行创新,在具有时变性的交通路网中,以自定义权重密度和邻居密度来优化交通网络量化方法,结合逾渗理论和复杂网络理论来评估交通网络的通行效率。
本发明是通过以下技术方案达到上述目的:基于复杂网络的拥堵路段建模和评估方法,包括如下步骤:
(1)以地理信息数据为基础的原始法建立路网模型;
(2)对原生交通数据进行异常数据清洗、路段匹配、数据融合和均值计算,将道路的平均行车速度作为模型中对应路段的权重;
(3)利用权重密度和邻居密度指标优化交通网络建模方法;
(4)在复杂网络的基础上,利用逾渗理论量化评估拥堵路段交通路网状态。
作为优选,所述的地理信息数据包括路口信号机位置的经度和纬度,路段的起点路口和终点路口;在建立路网模型的过程中,通过路口的信号机点位来确定每个路口的经纬度,通过道路的起点路口和终点路口确立路口与路口之间的连接关系;接着,采用原始法进行构建,以所有路口作为节点,以所有道路作为连边。
作为优选,所述步骤(2)设计权重时,首先需要对道路与切分的线段进行数据匹配,将道路所包含的线段和速度数据中的线段进行匹配融合;其次,在速度数据中,对每个线段的速度数据进行处理,一方面是时间戳的筛选、清洗和处理,将24小时的时间跨度筛选为6点至23点的时间范围;另一方面,将单位时间间隔从秒计算至小时,对单位小时内的所有数据进行均值计算;最后,将线段整合为整个道路,对与道路相匹配的所有线段进行均值计算,以此作为路段的权重。
作为优选,所述在步骤(3)中,利用权重密度实现对交通网络建模方法的优化和改进;在加权有向的网络中定义权重密度的概念,以此量化交通网络的权重分布稀疏程度,即:
其中,nij代表了连边i→j的邻居连边数量(包括连边i→j和连边j→i);代表了连边i→j和连边j→i的权重之和;Γi是节点i的所有邻居节点集合,Γi是节点j的所有邻居节点集合。
作为优选,所述在步骤(3)中,利用邻居密度实现对交通网络建模方法的优化和改进;以邻居密度量化交通网络路段之间的相关性,即:
其中,Lij代表了连边i→j的邻居连边数,一部分是以节点i为终点的邻居连边数,另一部分是以节点j为起点的邻居连边数,邻居连边不包括连边i→j和j→i。
作为优选,所述在步骤(4)中,将物理学的逾渗理论与复杂网络结合,量化评估拥堵路段交通路网,具体如下:
(A)在加权有向网络中,定义阈值q并确定连边规则去除不满足权重条件的路段;
(B)在q约束下的交通网络中,利用深度搜索算法对网络进行强连通子图的划分;将网络分割成若干个独立的集团,集团内节点的数量代表了集团的规模大小;
(C)遍历阈值q,在强连通子图的划分结果中提取规模最大的集团和次级大集团;将集团规模随阈值q的变化进行统计处理,并获取次级大集团突变的临界阈值点qc,以此作为交通网络的最大通行效率。
作为优选,所述连边规则的公式如下所示:
其中,rij(t)定义为路段i→j当前速度与该路段最大限制速度的比值,也就是速率比或者相对速度;路段最大限制速度是指一天当中该路段的最大行车速度;eij代表了路段i→j有效与否,1代表路段i→j有效、可通达,0代表路段i→j失效、断开;变量q是一个可调参量,规定在rij≥q时,路段处于有效状态,保留路段所有的状态信息,且路段是可通达的;在rij<q时,路段处于失效状态,该路段不可通达。
作为优选,所述的深度搜索算法对网络进行强连通子图的划分具体为:在给定时间段和给定阈值下的路网中选取任意一个节点,通过深度搜索来挖掘该节点能够达到的最远节点,且保证每个节点都只能到达一次;然后将原本的路径进行反转,原本的终点作为起点,再次通过DFS算法进行搜索路径,判断该终点能否以一定路径到达原来的起点;如果可以,则这两个节点在一个连通子图内,反之则不是。
本发明的有益效果在于:本发明利用复杂网络理论可以将交通网络的研究简化,直观地描述拥堵现象,深入地分析路网的拓扑结构并探究交通流性质,从而为现代交通路网研究提供不同的方法和视角;复杂网络与逾渗理论相结合可以拓宽交通网络研究的领域,创建新颖的方法,为交通问题的解决提供理论依据,并起到指导作用。
附图说明
图1是本发明的逾渗理论应用流程示意图;
图2是本发明的路网模型图;
图3是本发明的自定义指标示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1所示,基于复杂网络的拥堵路段建模和评估方法,包括如下步骤:
步骤一,在建立模型的方法上,本发明采用的是以地理数据为基础的原始法。收集到的数据内容主要包括路口信号机位置的经度和纬度,路段的起点路口和终点路口。在建立基本路网的过程中,本发明通过路口的信号机点位来确定每个路口的经纬度,通过道路的起点路口和终点路口确立路口与路口之间的连接关系。接着,网络模型采用原始法进行构建,以所有路口作为节点,以所有道路作为连边。
步骤二,如图2所示的模型中,我们引入路段的权重。首先需要对道路与切分的线段进行数据匹配,将道路所包含的线段和速度数据中的线段进行匹配融合。其次,在速度数据中,对每个线段的速度数据进行处理,一方面是时间戳的筛选、清洗和处理,将24小时的时间跨度筛选为6点至23点的时间范围;另一方面,将单位时间间隔从秒计算至小时,对单位小时内的所有数据进行均值计算。最后,将线段整合为整个道路,对与道路相匹配的所有线段进行均值计算,以此作为路段的权重。
步骤三,优化交通网络量化方法,以应用于拥堵现象的分析。本发明提出了两种自定义指标来优化量化方法。一方面,提出权重密度的定义来量化交通网络的权重分布稀疏程度。另一方面,提出邻居密度的概念来量化路段之间的相关性。
在路网中,一条路段的权重与其相邻路段的权重进行均值计算,即是权重密度的定义。权重密度的定义公式如下所示:
nij代表了连边i→j的邻居连边数量(包括连边i→j和连边j→i)。代表了连边i→j和连边j→i的权重之和。Γi是节点i的所有邻居节点集合,Γi是节点j的所有邻居节点集合。ρij是对称的,即ρij=ρji。在图3中,本发明以连边1→2的权重密度ρ12为例子。由图可知,连边1→2的邻居连边一共有8条,邻居权重的计算为由于对称性,n12与n21相等。
在量化路段之间的相关性方面,提出了邻居密度的概念。邻居密度是指一条连边的相应邻居连边的平均权重密度。邻居密度不具有对称性,即在路网模型中,路段是有向的,且交通流具有传递性。本发明考虑交通流对邻居路段的传递。从出度和入度的角度来分析,连边i→j的邻居密度计算需要考虑的是以j为起点,其邻居节点(不包括节点i)为终点的连边权重,以及以i为终点,其邻居节点(不包括节点j)为起点的连边权重。边的数量即为i的入度和j的出度之和。邻居密度的定义公式如下所示:
Lij代表了连边i→j的邻居连边数,其包含两部分,一部分是以节点i为终点的邻居连边数,另一部分是以节点j为起点的邻居连边数,这些邻居连边都不包括连边i→j和j→i。同样在图3中,本实施例以和为例,由定义可知和
步骤四,本发明将基于逾渗理论利用逾渗阈值qc来评估量化评估拥堵路段交通路网状态。步骤如下:
(1)通过连边规则和阈值q来决定连边是否有效,使拥堵路段交通网络变成一个以q为自变量的可变网络。连边规则公式如下所示:
rij(t)定义为路段i→j当前速度与该路段最大限制速度的比值,也就是速率比或者相对速度。路段最大限制速度是指一天当中该路段的最大行车速度。eij代表了路段i→j有效与否,1代表路段i→j有效、可通达,0代表路段i→j失效、断开。变量q是一个可调参量,规定在rij≥q时,路段处于有效状态,保留路段所有的状态信息,且路段是可通达的;在rij<q时,路段处于失效状态,该路段不可通达。
(2)对阈值q限制下的路网进行强连通子图的划分,将满足条件的路段集合划分为若干个强连通子图。本发明采用的是DFS(深度搜索)算法来实现强连通子图的搜索。在给定时间段和给定阈值下的路网中选取任意一个节点,通过深度搜索来挖掘该节点能够达到的最远节点,且保证每个节点都只能到达一次。这个过程是对原图路径的遍历。然后是对反图路径的遍历。将原本的路径进行反转,原本的终点作为起点,再次通过DFS算法进行搜索路径,判断该终点能否以一定路径到达原来的起点。如果可以,则这两个节点在一个连通子图内,反之则不是。
(3)遍历阈值q求取逾渗阈值qc。强连通子图的划分会随着阈值的变化而不同。随着阈值q的增大,部分拥堵路段因为权重较低而被移除,连通集团也会因为这些路段的断开而分裂,分裂成几个较小的集团。直到阈值q达到1时,连通部分只有极少数的路段。
本发明在若干个强连通子图中提取最大的强连通集团和次级大的强连通集团,通过遍历阈值q来计算最大集团和次级大集团的规模变化。在阈值q由0增大至1的过程中,当q达到某临界值qc时,因为移除的路段增多,部分拥堵路段不再满足连边规则而被移除,破坏了最大集团内部的联系,使最大强连通集团分裂成小的集团。相应地,次级大集团在阈值q增大到一临界值qc时,最大集团分裂成两个部分,而此时的次级大集团便是最大集团分裂出来的较小部分,次级大集团的规模也会在此情况下达到最大。根据逾渗理论,在此逾渗阈值qc的限制下,路网发生了逾渗转变,路网的性质发生了剧烈的改变,该逾渗阈值即为当前路网的最大通行效率。
通过上述步骤,最终可以实现对交通网络量化方法的优化和对交通路网态势的评估。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (8)
1.基于复杂网络的拥堵路段建模和评估方法,其特征在于,包括如下步骤:
(1)以地理信息数据为基础的原始法建立路网模型;
(2)对原生交通数据进行异常数据清洗、路段匹配、数据融合和均值计算,将道路的平均行车速度作为模型中对应路段的权重;
(3)利用权重密度和邻居密度指标优化交通网络建模方法;
(4)在复杂网络的基础上,利用逾渗理论量化评估拥堵路段交通路网状态。
2.根据权利要求1所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述的地理信息数据包括路口信号机位置的经度和纬度,路段的起点路口和终点路口;在建立路网模型的过程中,通过路口的信号机点位来确定每个路口的经纬度,通过道路的起点路口和终点路口确立路口与路口之间的连接关系;接着,采用原始法进行构建,以所有路口作为节点,以所有道路作为连边。
3.根据权利要求1所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述步骤(2)设计权重时,首先需要对道路与切分的线段进行数据匹配,将道路所包含的线段和速度数据中的线段进行匹配融合;其次,在速度数据中,对每个线段的速度数据进行处理,一方面是时间戳的筛选、清洗和处理,将24小时的时间跨度筛选为6点至23点的时间范围;另一方面,将单位时间间隔从秒计算至小时,对单位小时内的所有数据进行均值计算;最后,将线段整合为整个道路,对与道路相匹配的所有线段进行均值计算,以此作为路段的权重。
4.根据权利要求1所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述在步骤(3)中,利用权重密度实现对交通网络建模方法的优化和改进;在加权有向的网络中定义权重密度的概念,以此量化交通网络的权重分布稀疏程度,即:
其中,nij代表了连边i→j的邻居连边数量(包括连边i→j和连边j→i);代表了连边i→j和连边j→i的权重之和;Γi是节点i的所有邻居节点集合,Γi是节点j的所有邻居节点集合。
5.根据权利要求1所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述在步骤(3)中,利用邻居密度实现对交通网络建模方法的优化和改进;以邻居密度量化交通网络路段之间的相关性,即:
其中,Lij代表了连边i→j的邻居连边数,一部分是以节点i为终点的邻居连边数,另一部分是以节点j为起点的邻居连边数,邻居连边不包括连边i→j和j→i。
6.根据权利要求1所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述在步骤(4)中,将物理学的逾渗理论与复杂网络结合,量化评估拥堵路段交通路网,具体如下:
(A)在加权有向网络中,定义阈值q并确定连边规则去除不满足权重条件的路段;
(B)在q约束下的交通网络中,利用深度搜索算法对网络进行强连通子图的划分;将网络分割成若干个独立的集团,集团内节点的数量代表了集团的规模大小;
(C)遍历阈值q,在强连通子图的划分结果中提取规模最大的集团和次级大集团;将集团规模随阈值q的变化进行统计处理,并获取次级大集团突变的临界阈值点qc,以此作为交通网络的最大通行效率。
7.根据权利要求6所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述连边规则的公式如下所示:
其中,rij(t)定义为路段i→j当前速度与该路段最大限制速度的比值,也就是速率比或者相对速度;路段最大限制速度是指一天当中该路段的最大行车速度;eij代表了路段i→j有效与否,1代表路段i→j有效、可通达,0代表路段i→j失效、断开;变量q是一个可调参量,规定在rij≥q时,路段处于有效状态,保留路段所有的状态信息,且路段是可通达的;在rij<q时,路段处于失效状态,该路段不可通达。
8.根据权利要求6所述的基于复杂网络的拥堵路段建模和评估方法,其特征在于:所述的深度搜索算法对网络进行强连通子图的划分具体为:在给定时间段和给定阈值下的路网中选取任意一个节点,通过深度搜索来挖掘该节点能够达到的最远节点,且保证每个节点都只能到达一次;然后将原本的路径进行反转,原本的终点作为起点,再次通过DFS算法进行搜索路径,判断该终点能否以一定路径到达原来的起点;如果可以,则这两个节点在一个连通子图内,反之则不是。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910270135.2A CN109859480B (zh) | 2019-04-04 | 2019-04-04 | 基于复杂网络的拥堵路段建模和评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910270135.2A CN109859480B (zh) | 2019-04-04 | 2019-04-04 | 基于复杂网络的拥堵路段建模和评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859480A true CN109859480A (zh) | 2019-06-07 |
CN109859480B CN109859480B (zh) | 2020-12-15 |
Family
ID=66903288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910270135.2A Active CN109859480B (zh) | 2019-04-04 | 2019-04-04 | 基于复杂网络的拥堵路段建模和评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859480B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
CN111402600A (zh) * | 2020-01-20 | 2020-07-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于复杂网络沙堆模型的城市路网机理关联规划方法 |
CN111915884A (zh) * | 2020-06-18 | 2020-11-10 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN112329153A (zh) * | 2020-11-25 | 2021-02-05 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
CN114937353A (zh) * | 2022-04-08 | 2022-08-23 | 航天科工智慧产业发展有限公司 | 基于复杂网络的智能可变车道的关键节点挖掘方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327865A (zh) * | 2016-08-12 | 2017-01-11 | 北京航空航天大学 | 一种基于渗流分析的城市交通可靠性指标及其实现方法 |
CN106991542A (zh) * | 2017-06-06 | 2017-07-28 | 北京航空航天大学 | 一种基于渗流理论的轨道网络拥挤瓶颈识别方法 |
CN108109375A (zh) * | 2017-12-21 | 2018-06-01 | 北京航空航天大学 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
CN109377750A (zh) * | 2018-09-18 | 2019-02-22 | 北京航空航天大学 | 一种基于渗流分析的交通系统弹性临界点确定方法 |
-
2019
- 2019-04-04 CN CN201910270135.2A patent/CN109859480B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327865A (zh) * | 2016-08-12 | 2017-01-11 | 北京航空航天大学 | 一种基于渗流分析的城市交通可靠性指标及其实现方法 |
CN106991542A (zh) * | 2017-06-06 | 2017-07-28 | 北京航空航天大学 | 一种基于渗流理论的轨道网络拥挤瓶颈识别方法 |
CN108109375A (zh) * | 2017-12-21 | 2018-06-01 | 北京航空航天大学 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
CN109377750A (zh) * | 2018-09-18 | 2019-02-22 | 北京航空航天大学 | 一种基于渗流分析的交通系统弹性临界点确定方法 |
Non-Patent Citations (7)
Title |
---|
DAQING LI等: "Percolation transition in dynamical traffic network with evolving critical bottlenecks", 《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA》 * |
FEILONG WANG等: "Percolation properties in a traffic model", 《EPL(EUROPHYSICS LETTERS)》 * |
GUANWEN ZENG等: "Switch between critical percolation modes in city traffic dynamics", 《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES OF THE UNITED STATES OF AMERICA》 * |
J. BANU等: ""The Effect of Node Connectivity Control on the Throughput of Distributed MAC Networks"", 《2008 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE》 * |
吴若乾等: "基于渗流理论的城市交通网络瓶颈识别研究", 《城市交通》 * |
张钰梅: ""城市轨道交通路网客流拥挤传播特性及疏解策略研究"", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
马丽娜等: ""基于细胞间的有向加权通信网络定量评价蛹虫草对人体的调节作用"", 《食品科学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
CN111160753B (zh) * | 2019-12-25 | 2023-05-02 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
CN111402600A (zh) * | 2020-01-20 | 2020-07-10 | 中国电建集团华东勘测设计研究院有限公司 | 基于复杂网络沙堆模型的城市路网机理关联规划方法 |
CN111402600B (zh) * | 2020-01-20 | 2021-09-14 | 中国电建集团华东勘测设计研究院有限公司 | 基于复杂网络沙堆模型的城市路网机理关联规划方法 |
CN111915884A (zh) * | 2020-06-18 | 2020-11-10 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN111915884B (zh) * | 2020-06-18 | 2021-09-28 | 北京航空航天大学 | 交通网络行为描述方法、装置、电子设备及存储介质 |
CN112329153A (zh) * | 2020-11-25 | 2021-02-05 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
CN112329153B (zh) * | 2020-11-25 | 2024-04-09 | 浙江欣奕华智能科技有限公司 | 一种车辆之间约束关系的优化方法及优化装置 |
CN114937353A (zh) * | 2022-04-08 | 2022-08-23 | 航天科工智慧产业发展有限公司 | 基于复杂网络的智能可变车道的关键节点挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109859480B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859480A (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN114093168B (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN110111576B (zh) | 一种基于时空拥堵子团的城市交通弹性指标的实现方法 | |
CN108109382A (zh) | 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN110543728B (zh) | 一种城市交通路网关键路口发现方法 | |
CN101807222A (zh) | 基于站点的城市公交线网优化配置方法 | |
CN108683448B (zh) | 适用于航空网络的影响力节点识别方法及系统 | |
CN102842219B (zh) | 预测方法和系统 | |
Taylor | Dense network traffic models, travel time reliability and traffic management. II: Application to network reliability | |
CN104574968A (zh) | 一种临界交通状态参数的确定方法 | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
CN102592440A (zh) | 道路网关键节点诊断技术 | |
Jian Daniel et al. | Research and analysis on causality and spatial-temporal evolution of urban traffic congestions—a case study on Shenzhen of China | |
Qtiashat et al. | Urban land use pattern and road network characteristics using GIS in Al Salt City, Jordan | |
Patel et al. | Assessment of network traffic congestion through Traffic Congestability Value (TCV): a new index | |
Zhou et al. | Integrating data-driven and physics-based approaches to characterize failures of interdependent infrastructures | |
Schoier et al. | Individual movements and geographical data mining. Clustering algorithms for highlighting hotspots in personal navigation routes | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Cheng et al. | Structural equation model of the spatial distribution of water engineering facilities along the Beijing-Hangzhou grand canal and its relationship with natural factors | |
Izawa et al. | Pendular behavior of public transport networks | |
Karabakan et al. | Measuring the green infrastructure resilience in Turkey | |
CN115759994A (zh) | 洪涝灾害应急救援管理方法、装置、设备及存储介质 | |
Ran | Using traffic prediction models for providing predictive traveller information | |
CN112464417A (zh) | 一种风景道廊道的鲁棒性评估方法 |
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 |