CN109949574A - 一种数据驱动的城市路网交通小区多级划分方法 - Google Patents

Abstract

本发明公开一种数据驱动的城市路网交通小区多级划分方法，包括以下步骤，S1：明确划分区域，获取划分区域的出行数据，出行数据包括出行的起讫点属性信息；S2：通过S1的出行数据，结合实际需求，提取有效的出行数据；S3：基于有效的出行数据统计出行起讫点对以及对应的出行量；S4：运用S3的起讫点对及对应的出行量数据构建划分区域的出行网络；S5：结合S4的出行网络，运用社区发现算法对划分区域进行交通小区的划分。本发明以出行数据为基础，数据量大，研究时空范围广，能够全面真实反映整个城市路网的出行活动，分析结果更具真实性；其次，根据实际需求获取相应的出行数据来完成特定的交通小区的多级动态划分，该方法的灵活性和针对性强。

Description

一种数据驱动的城市路网交通小区多级划分方法

技术领域

本发明涉及交通工程技术领域，更具体地，涉及一种数据驱动的城市路网交通小区多级划分方法。

背景技术

交通小区是指具有一定交通关联度和交通相似度的节点和路段的集合，不同交通小区交通的时空变化特征存在一定的差异。近年来，随着城市化进程的不断加快，城市道路规模也日益增大，路网纵横交错，交通网络日益复杂，为了增强交通调查的可操作性，应尽可能减小交通调查工作量并降低交通预测分析的复杂程度，将整个城市交通网络划分为若干个交通区域，然后针对每个区域进行相关的交通分析，有利于进行区域交通差异化的协调优化。因此，交通小区的划分对于降低交通网络分析复杂度既有重要的意义，同时也为差异化的区域交通建设提供依据。

目前已有较多的交通小区划分方法，包括基于用地性质、土地利用情况等要素的聚类分析划分方法，考虑路网拓扑结构和交通流特征的交通小区划分方法以及以交叉口的关联性为依据的小区划分方法等。以上方法均存在一定的局限性，受路网中的实体设施影响较大，且容易受到行政区划以及自然屏障等因素的影响，同时，在交通小区的划分过程中，部分因素的考虑和参数设定需人工干预，存在较强的主观性，使得划分结果的代表性和说服力不强。除此之外，交通小区的划分过程较为机械，难以根据实际情况进行灵活调整，即无法实现交通小区的多级动态划分。

发明内容

为克服上述现有交通小区划分方法的不足，本发明提出了一种数据驱动的城市路网交通小区多级划分方法，该方法是基于出行数据的城市路网交通小区多级动态划分方法，将复杂的交通网络划分为若干交通小区，有效降低城市出行网络分析的复杂程度。

为解决上述技术问题，本发明的技术方案如下：

一种数据驱动的城市路网交通小区多级划分方法，包括以下步骤：

S1：明确划分区域，获取划分区域的出行数据，所述的出行数据包括出行的起讫点属性信息；

S2：通过S1的出行数据，结合实际需求，提取有效的出行数据；

S3：基于有效的出行数据统计出行起讫点对以及对应的出行量；

S4：运用S3的起讫点对及对应的出行量数据构建划分区域的出行网络；

S5：结合S4的出行网络，运用社区发现算法对划分区域进行交通小区的划分。

本发明中如果运用浮动车出行数据进行交通小区划分，则应至少包含出行的起点所在路段的路段编号和终点所在路段的路段编号。其次，如果要根据乘坐出租车的居民出行数据进行交通小区划分，由于出租车主要有空车和载客两种状态，此时需要以车辆载客状态为依据进行筛选，保留载客状态下的出行数据，其他状态下的出行数据均删除，即仅将载客状态下的出行数据视为有效的出行数据。

在一种优选的方案中，还包括步骤S6，所述的S6包括如下内容：

根据实际需求，选取S5的划分结果中的某一交通小区根据S1～S4运用社区发现算法进行交通小区的再次划分。

在一种优选的方案中，还包括步骤S7，所述的S7包括如下内容：

根据实际需求，选取S6的划分结果的某一交通小区根据S1～S4运用社区发现算法进行交通小区的再次划分，以此类推，选取上一次的划分结果的某一交通小区作为下一次划分的资源，重复若干次，直到达到实际划分需求。

本优选方案实现了，可以基于不同的需求对地图进行更细致的划分，提高精度。

在一种优选的方案中，所述的S3包括以下内容：

基于S2的有效的出行数据，得到相应的出行起讫点对，统计各起讫点对之间的出行量，即以出行次数为单位进行计数，合并相同起讫点对，得到各起讫点对之间的出行总量。

在一种优选的方案中，所述的S4包括以下内容：

根据S3的起讫点对及对应的出行量数据构建划分区域路网的出行网络，所述的出行网络以起讫点所在的相关路网元素为网络节点，路网中出行起点和终点之间的连线为网络的边，起讫点间的出行总量为对应边的权重，构建无向加权的出行网络。

在一种优选的方案中，所述的S5的社区发现算法是基于模块度Q优化的社区发现算法，所述的模块度Q是实际出行网络中连接社区结构内部顶点的边所占的比例与另外一个随机网络中连接社区结构内部顶点的边所占比例的期望值相减得到的差值，所述的Q可以通过下式进行表达：

其中，所述的m表示路网出行网络中的出行总量；所述的V表示出行路网中的所有路网元素集合；所述的a_ij为出行路网中起讫点所在路网元素i，j间的出行总量；所述的k_i,k_j为路网节点i，j的节点度，即路网中起讫点所在路网元素i，j的使用频数；所述的C_i表示路网元素i属于社区C；所述的δ(C_i,C_j)为二元变量，当路网元素i，j属于同一个社区时，其值为1，否则为0。

在一种优选的方案中，所述的交通小区划分规则如下：

当模块度Q取得最大值时，社区划分结果作为交通小区的划分结果，即完成了交通小区的一级划分。

与现有技术相比，本发明技术方案的有益效果是：

1、本发明以大规模的出行数据为基础，数据量大，研究时空范围广，能够全面真实反映整个城市路网的出行活动，分析结果更具真实性；

2、本发明根据实际需求获取相应的出行数据来完成特定的交通小区的多级动态划分，该方法的灵活性和针对性强；

3、本发明以出行数据为基础，改变了传统的交通小区划分方法，消除了交通小区的划分过程中存在的主观性，使得划分结果更客观，更具说服力；

4、本发明提出的路网社区划分方法适用于任意路网，具有较强的可移植性和实用性。

附图说明

图1为本实施例流程图。

图2为路网中的路段空间分布图。

图3为出行起讫点定义示意图。

图4为交通小区一级划分结果图。

图5为一级交通小区1的二级划分结果图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。

本发明的实施例中所用数据为某市中心城区的GIS路网数据以及2014年2月24日至2014年3月23日共四周的浮动车出行数据记录，其中，路网包括3119条路段，浮动车出行数据包括26.89百万条出行记录。具体操作步骤为：

步骤1：获取浮动车的出行数据。本实施例运用已有的电子地图，提取出研究范围内的所有路网路段，共获得3119条路段，其空间分布如图2所示。浮动车数据包含了出行轨迹路段序列、车辆载客状态等信息，从26.89百万条出行记录中获得26.89百万条出行轨迹，即轨迹路段序列，形成26.89百万条出行轨迹记录。

步骤2：提取有效的出行数据。本实施例以车辆的载客状态为依据进行有效出行记录的提取，选取载客状态下的出行数据为有效出行数据，从步骤1中26.89百万条出行记录中，共提取出13.43百万条有效出行数据。

步骤3：定义出行起讫点并统计各起讫点对间的出行量。本实施例定义乘客上车位置所在的路段为出行起点，相应地定义乘客下车位置所在的路段为出行终点。具体如图3所示，假设某次出行从编号为2959的路段上的某个位置(同一路段上的所有位置均视为相同)到编号为2622的路段上的某个位置(同一路段上的所有位置均视为相同)，则路段2959即为该次出行的起点，路段2622为该次出行的终点，相应地两条路段形成一个起讫点对。利用步骤2得到的有效出行数据，合并相同起讫点对，统计起讫点对的总数以及各起讫点对间的出行总量。结果显示，上述所有出行共包含了2.45百万个不同的起讫点对，其中所有起讫点对间的最大出行总量为4097。

步骤4：构建路网出行网络，运用社区发现算法进行出行社区划分。

以研究区域路网中的所有路段元素为节点构建出行网络，由于本方法侧重于出行活动的空间分布，因此不区分起讫点对的方向，将双向的交通量之和作为出行网络边的权重。在2.45百万个起讫点对的基础上，将有向起讫点对转化为无向起讫点对。结果显示，所有出行包含了1.71百万个无向起讫点对，其中所有的无向起讫点对间的最大出行总量为6228。即构建的无向出行网络一共包含3119个节点，1.71百万条边，网络中边的最大权重为6228。

运用上述基于模块度优化的社区发现方法进行交通小区的一级划分，将整个路网划分为4个一级交通小区，具体划分结果如图4所示。由图4可知，各交通小区内部范围相对较小，得出了“地理邻近”的聚类结果，这与出行活动存在的距离衰减特性有关，符合“地理学第一定律”原理，即相近的事物间联系更为紧密，这也证明了该交通小区划分的合理性和有效性。

步骤5：根据实际需求进行交通小区的多级动态划分。

同时，可以运用同样的方法，根据实际需求对一级划分得到的交通小区进行二级划分，本实施例以一级交通小区1为例进行交通小区的二级划分。首先提取一级交通小区1内的所有出行数据，然后运用一级划分同样的方法重新构建一级交通小区1所在区域的出行网络，运用社区发现的方法进行一级交通小区1的二级划分，划分结果如图5所示。划分结果显示，二级划分得到的交通小区与一级划分结果具有相似的特征，且二级划分得到的交通小区范围更小，针对性更强。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。例如可以基于实际的要求，通过出行数据和社区发现算法进行三次或者以上的区域划分，针对性性会更强。这是可以实现的。因此无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种数据驱动的城市路网交通小区多级划分方法，其特征在于，包括以下步骤：

S1：明确划分区域，获取划分区域的出行数据，所述的出行数据包括出行的起讫点属性信息；

S2：通过S1的出行数据，结合实际需求，提取有效的出行数据；

S3：基于有效的出行数据统计出行起讫点对以及对应的出行量；

S4：运用S3的起讫点对及对应的出行量数据构建划分区域的出行网络；

S5：结合S4的出行网络，运用社区发现算法对划分区域进行交通小区的划分。

2.根据权利要求1所述的城市路网交通小区多级划分方法，其特征在于，还包括步骤S6，所述的S6包括如下内容：

根据实际需求，选取S5的划分结果中的某一交通小区根据S1～S4运用社区发现算法进行交通小区的再次划分。

3.根据权利要求2所述的城市路网交通小区多级划分方法，其特征在于，还包括步骤S7，所述的S7包括如下内容：

根据实际需求，选取S6的划分结果的某一交通小区根据S1～S4运用社区发现算法进行交通小区的再次划分，以此类推，选取上一次的划分结果的某一交通小区作为下一次划分的资源，重复若干次，直到达到实际划分需求。

4.根据权利要求1至3中任一权利要求所述的城市路网交通小区多级划分方法，其特征在于，所述的S3包括以下内容：

基于S2的有效的出行数据，得到相应的出行起讫点对，统计各起讫点对之间的出行量，即以出行次数为单位进行计数，合并相同起讫点对，得到各起讫点对之间的出行总量。

5.根据权利要求4所述的城市路网交通小区多级划分方法，其特征在于，所述的S4包括以下内容：

根据S3的起讫点对及对应的出行量数据构建划分区域路网的出行网络，所述的出行网络以起讫点所在的相关路网元素为网络节点，路网中出行起点和终点之间的连线为网络的边，起讫点间的出行总量为对应边的权重，构建无向加权的出行网络。

6.根据权利要求1、2、3或5所述的城市路网交通小区多级划分方法，其特征在于，所述的S5的社区发现算法是基于模块度Q优化的社区发现算法，所述的模块度Q是实际出行网络中连接社区结构内部顶点的边所占的比例与另外一个随机网络中连接社区结构内部顶点的边所占比例的期望值相减得到的差值，所述的Q可以通过下式进行表达：

其中，所述的m表示路网出行网络中的出行总量；所述的V表示出行路网中的所有路网元素集合；所述的a_ij为出行路网中起讫点所在路网元素i，j间的出行总量；所述的k_i,k_j为路网节点i，j的节点度，即路网中起讫点所在路网元素i，j的使用频数；所述的C_i表示路网元素i属于社区C；所述的δ(C_i,C_j)为二元变量，当路网元素i，j属于同一个社区时，其值为1，否则为0。

7.根据权利要求6所述的城市路网交通小区多级划分方法，其特征在于，所述的交通小区划分规则如下：

当模块度Q取得最大值时，社区划分结果作为交通小区的划分结果，即完成了交通小区的划分。