CN110111574B - 一种基于流量树分析的城市交通不平衡评价方法 - Google Patents

一种基于流量树分析的城市交通不平衡评价方法 Download PDF

Info

Publication number
CN110111574B
CN110111574B CN201910409375.6A CN201910409375A CN110111574B CN 110111574 B CN110111574 B CN 110111574B CN 201910409375 A CN201910409375 A CN 201910409375A CN 110111574 B CN110111574 B CN 110111574B
Authority
CN
China
Prior art keywords
flow
nodes
node
traffic
traffic flow
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.)
Active
Application number
CN201910409375.6A
Other languages
English (en)
Other versions
CN110111574A (zh
Inventor
李大庆
王紫尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Palmgo Information Technology Co ltd
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910409375.6A priority Critical patent/CN110111574B/zh
Publication of CN110111574A publication Critical patent/CN110111574A/zh
Application granted granted Critical
Publication of CN110111574B publication Critical patent/CN110111574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0125—Traffic data processing

Abstract

本发明提供一种基于流量树分析的城市交通不平衡评价方法，其步骤如下：A：对城市交通数据及车辆轨迹数据预处理；B:将城市进行区域划分，统计区域间的交通流量，构建城市交通流量网络；C：挖掘城市关键交通流量不平衡区域；D：对城市关键交通流量不平衡区域的交通流量溯源，挖掘关键区域的流量树结构；E：提出区域流量贡献评价方法，对相应区域的流量贡献进行评价，衡量不同层次的不同节点对目标关键节点的流量贡献。本发明能够有助于理解城市交通流量的组织和汇聚过程，为城市交通管理和调控提供一定的评价方法，能够定位城市交通流量疏解的关键区域，为城市交通拥堵问题的解决和城市道路交通的疏解决策提供方法支撑。

Description

一种基于流量树分析的城市交通不平衡评价方法
技术领域
本发明提出一种基于流量树分析的城市交通不平衡评价方法，它涉及一种基于流量树分析的城市交通流量网络建模以及对流量不平衡区域的流量贡献评价方法，属于网络科学与交通科学的交叉技术领域。
背景技术
现代城市的快速发展和规模不断扩张，使得城市已经具有了较为明显的城市功能分区，例如居民区、工作区、学校以及商业圈等，通常各种功能区之间的分布有空间上的差异，尤其是大城市居民区域工作区域存在距离相对较远的“职住分离”现象，由此产生了大量通勤交通需求，这种通勤需求与居民其他活动产生的各种交通需求一起，构成了城市交通需求。现代大城市日益严重的交通拥堵问题，从根本上来说，是城市交通供给能力与城市居民交通需求严重失衡导致的。仅增加城市道路等基础设施建设难以满足快速增长的机动车保有量和随之而来迅速增长的居民出行需求，因此，缓解城市交通拥堵问题，需要从城市交通供给能力和城市交通需求两端同时出发：一方面，优化公共交通基础设施和服务，使得多种公共交通方式真正发挥其作用；另一方面，研究城市居民出行交通需求的特性，挖掘能够反映居民出行需求的城市交通流量分布，从而支撑制定具有针对性的交通诱导政策、采取加强引导和管控等措施，充分、合理利用现有城市道路资源。现有的计算机通信技术及智能设备的发展及其在交通领域的应用产生了海量的交通大数据，使得对城市居民出行的交通需求及相应的交通流量研究和分析成为了可能。
城市交通需求的研究重点之一是研究城市不同区域的交通需求量大小并进行预测，即研究不同区域间OD出行量的估计及其相关影响因素，学者们建立了多种模型对城市不同区域间OD量的预测进行研究和仿真分析。Zipf首先提出了重力模型(gravity model)框架来研究城市居民的出行需求分布，该模型需要从实际交通数据中对模型中的关键参数进行拟合。Jung WS运用重力模型对韩国的高速公路进行了研究分析。Krings G运用重力模型对城市间的电话通讯量进行了研究。Goh S对重力模型进行了修正，并应用修正后的重力模型研究了城市轨道交通系统。Stouffer SA提出介入机会模型(interveningopportunity model)，研究了人们出行行为与出行距离的关系。Domencich T提出了随机效用模型(random utility model)，研究了城市出行需求与人们行为之间的关系。Simini F等人提出了辐射模型(radiation model)，作为研究人类出行行为的普适模型，在该模型中，运用随机过程来模拟人们的出行决策，且模型的参数仅仅依赖于人口的分布情况，模型的仿真结果与实证数据得到的结果能够很好地吻合。Xiaoyong Y等人提出了基于人口权重的机会模型(population-weighted opportunities model)，能够很好地解释城市内的居民出行距离、出行距离范围限制和出行量等从实证数据中得到的结果，且该模型不需要任何需要调整的参数，从而对城市区域间的交通需求进行建模分析和研究。
可以看出，现有对城市居民交通需求及相应实证分析的研究，重点在于考虑城市中“点对点”的两个区域之内交通需求量建模和仿真的研究，较少考虑到城市整体层面上居民的交通需求实际上是不同区域间的交通需求在时间和空间上形成具有连续性的流量网络，较少考虑不同区域间交通需求的相互作用和更为复杂的流量耦合所形成的城市交通流量不平衡的关键区域的影响。
本发明运用实证交通大数据，对采集到的车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息。将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络模型。网络中节点为城市中划分出的区域，连边为区域间的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小。基于所建立的城市交通流量网络，挖掘城市中关键的交通流量不平衡区域及其形成特点。针对选定的关键流量不平衡区域，基于城市交通流量网络模型，挖掘该区域的主要流量来源区域，形成具有层次结构的关键区域的流量树。基于对该关键区域的流量树的分析，提出不同层次区域节点对关键区域的流量贡献评价方法，得到对该区域产生重要交通流量影响的源头区域。本发明有助于理解城市交通流量的组织和汇聚过程，为城市交通管理和调控提供一定的参考，从而帮助缓解城市交通拥堵问题。
发明内容
(一)发明的目的
本发明的目的是：锁定流量不平衡区域，从源头进行诱导调控是解决城市交通拥堵的基本路径之一，本发明提供了一种基于流量树分析的城市交通不平衡评价方法，从城市区域间的交通需求角度出发，建立城市流量网络，挖掘城市关键交通流量不平衡区域，建立关键区域流量树结构模型，分析其流量来源及汇聚过程，评价不同层次区域对关键区域的流量贡献，支持从源头进行交通流量诱导调控，为城市交通拥堵问题的解决提供方法支撑。
本发明的理论基础：城市居民在城市不同区域间出行的交通需求形成了区域之间的交通流，从城市层面来看，不同区域间的交通流在时间上和空间上具有连续性和耦合性，运用网络科学的视角和方法，能够抽象得到一种具有权重的复杂网络模型。通过实证交通数据，建立城市交通流量网络，挖掘关键区域的流量树结构模型，研究城市区域交通流量的来源及汇聚过程，并对其进行量化分析。
(二)技术方案
本发明的技术解决方案是：建立基于流量树分析的城市交通流量网络，进而挖掘不平衡区域的流量来源特点并进行定量评价分析。本发明首先对采集到的城市交通数据和车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息；将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络；挖掘城市中关键的交通流量不平衡区域；针对选定的关键交通流量不平衡区域，分析该区域不同层次下的流量来源，建立流量树结构模型；基于流量树分析，提出不同层次节点代表的区域对关键区域的流量贡献评价方法，对主要流量贡献区域进行挖掘。
本发明是一种基于流量树分析的城市交通不平衡评价方法，其步骤如下：
步骤A：对城市交通数据及车辆轨迹数据预处理；
本发明基于满足以下要求的各个测定时刻的城市交通数据及车辆轨迹数据：
(a)城市交通网络拓扑结构数据，包括城市区域的经纬度坐标，城市道路信息(包括路段编号、路段长度、路段车道数、路段的起止点)，城市路口信息(包括路口编号、路口经纬度坐标)；
(b)车辆轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳(即数据时间信息的表示，下同)，若数据源为出租车则还应包含车辆的营运状态信息(空车/载客)；
现实采集到的数据往往是有缺失或是有错误的，这时候需要运用数据补偿、数据筛选方法对数据进行预处理，保证每个轨迹及其相应的位置和时间信息的正确性和完整性；根据研究的实际需要设定相应的时间窗口进行数据筛选，选出满足时间窗口要求的车辆轨迹数据；
步骤B：将城市进行区域划分，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，从而构建城市交通流量网络；
针对筛选出的满足时间窗口要求的车辆轨迹数据，提取轨迹的起始点O点和终止点D点，O点和D点的提取方法根据数据源(出租车轨迹数据、社会车辆数据、网约车数据、车载导航数据等)有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将城市进行区域划分，分为互不重叠且能够完全覆盖整个城市面积的多个区域，每个区域有其经纬度坐标范围和相应的区域编号(该区域编号是唯一的)；区域划分的具体方法根据具体问题有所不同，可以划分为规则的棋盘型，也可以按照Voronoi图(该方法为计算几何中一种划分平面区域的方法，具体内容和算法为公知技术)等方法；网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，连边的权值(以下简称边权或边权重)为区域间交通流量的大小；统计区域间的交通流量并不断更新相应的城市交通流量网络，例如对于某一条轨迹(其起始点为O1，终止点为D1)，O1的经纬度坐标在区域i中，D1的经纬度坐标在区域j中(区域i和j为不同区域)，则表示存在一人次从区域i指向区域j的流量，以区域i和区域j作为顶点的边权值加1；
步骤C：挖掘城市关键交通流量不平衡区域；
针对所建立的城市交通流量网络，分析网络中节点的流量特点，根据不同的交通流量管控需求和交通管理应用场景(例如交通管制、交通拥堵缓解等)，挖掘出流量网络中相应的关键流量不平衡节点，即城市的关键交通流量不平衡区域，在本发明中，将城市关键交通流量不平衡区域考虑为三种类型的区域：交通流量集中区域、交通流量汇聚区域和交通流量异质区域；
交通流量集中区域是指交通流量相对较大的区域，这些区域的特点是区域的总体交通流量(包括到达区域的交通流量和离开区域的交通流量)比较大，可能在城市中属于枢纽区域，承担着流量交互的重要城市功能，在所建立的城市交通流量网络模型中，用网络中节点的强度s来衡量交通流量的大小，节点的强度是指与其直接相连的所有边(不区分连边的方向)的边权之和，一般节点i的强度用si表示，通过比较流量网络中节点强度的大小，可以确定强度较大的节点(例如可以选取节点强度最大的前5个节点)，这些节点所对应的区域即为交通流量集中区域；
交通流量汇聚区域是指到达区域的交通流量相对较大的区域，这些区域的特点是对交通流量具有较强的吸引特性，在交通流量聚积时可能形成交通拥堵等交通问题，需要加强交通流量的管理和控制，在所建立的城市交通流量网络模型中，用网络中节点的入强度来衡量到达区域交通流量的大小，节点的入强度是指与节点相连且方向指向该节点的边的权重之和，一般节点i的入强度用
Figure BDA0002062315370000062
表示，通过比较流量网络中节点入强度的大小，可以确定入强度较大的节点(例如可以选取节点入强度最大的前5个节点)，这些节点所对应的区域即为交通流量汇聚区域；
交通流量异质区域是指到达与离开区域的交通流量之差相对较大的区域，这些区域的特点是流入和流出区域的交通流量在数量上具有较大的差异，具有较强的不平衡特点，在所建立的城市交通流量网络模型中，用网络中节点的入强度和出强度之差来衡量区域交通流量异质的程度，节点的入强度与上述一致，节点的出强度是指与节点相连且方向不指向该节点的边的权重之和，一般节点i的出强度用
Figure BDA0002062315370000061
表示，通过比较流量网络中节点入强度与出强度差值的大小，可以确定异质程度较大的节点(例如可以选取节点入强度与出强度之差最大的前5个节点)，这些节点所对应的区域即为交通流量异质区域；
此外，还可以结合城市交通的路况数据，识别指交通拥堵程度较为严重的区域，比如道路拥堵指数较高的区域等瓶颈区域，对拥堵严峻区域进行挖掘，这是本发明交通应用场景的拓展，在此不作详细展开；
步骤D：运用城市交通流量网络，对城市关键交通流量不平衡区域的交通流量溯源，挖掘关键区域的流量树结构；
在所建立的城市交通流量网络中，由于网络中不同区域的流量具有时间和空间的连续性和耦合性，不同区域间的居民可能在流量网络中进行移动，使得不同区域间的交通流量产生变化，因此研究网络中关键流量不平衡区域的流量来源，并评价和估计网络中不同节点对此不平衡区域的流量贡献；
针对上述挖掘出的城市关键交通流量不平衡区域，运用网络分析的方法，结合所建立的城市交通流量网络，对关键交通流量不平衡区域的流量需求进行溯源：在城市交通流量网络中，与关键交通流量不平衡区域所对应的节点为关键节点，将距关键节点的跳数(hop)为1的节点定义为第1层次节点，将距关键节点的跳数为2的节点定义为第2层次节点，将距关键节点的跳数为3的节点定义为第3层次节点，以此类推，可以根据不同城市交通流量网络的实际特点选取分析的层数；每一层次所包含的节点数量也可以根据研究的需要进行挖掘，一般情况下每一层次应包含与上一层次直接相连(跳数之差为1)的所有节点，由于城市流量网络规模庞大和流量复杂性，使得在实际处理中包含所有节点在实现时具有较高的复杂度，因此，对于每一层次的所有节点，依据节点的实际入流量大小进行排序，设置每一层次节点数量的阈值，选取该阈值内的数量的节点作为该层次的节点，从而得到关键区域的流量树结构；
步骤E：基于上述流量树结构，提出区域流量贡献评价方法，对相应区域的流量贡献进行评价，衡量不同层次的不同节点对目标关键节点的流量贡献；
对于城市交通流量网络中的节点ki，节点的入流量是指从其他节点流入不平衡区域的流量总和，即为节点的入强度sin(ki)，节点的出流量是指从该节点流向其他节点的流量总和，即为节点的出强度sout(ki)；假设关键流量不平衡区域所对应的目标关键节点为k0，通过上述方法进行交通流量溯源，得到该节点对应的流量树结构，对于其中的第l层次，该层中的节点集合为
Figure BDA0002062315370000071
(p为该层中节点的数量，取正整数)，则该层次中相应节点的入流量集合为
Figure BDA0002062315370000072
出流量集合为
Figure BDA0002062315370000073
不同层次间节点的连边表示层次间交通流量的连接，例如从第l+1层次中第m个节点
Figure BDA0002062315370000074
指向第l层次中第i个节点
Figure BDA0002062315370000075
的连边表示为
Figure BDA0002062315370000076
其相应的交通流量大小即为该边的边权，记为
Figure BDA0002062315370000077
在上述的流量树结构中，假设存在从第n层次中第j个节点
Figure BDA0002062315370000078
层层连接至目标关键节点k0的一条路径
Figure BDA0002062315370000079
该路径中节点集合为
Figure BDA0002062315370000081
(其中下标j，h，p，q，r分别为相应层次中的节点编号)，不同层次节点之间连边的流量的集合为
Figure BDA0002062315370000082
则对于该路径中的第l层次中节点
Figure BDA0002062315370000083
和第l-1层次中的节点
Figure BDA0002062315370000084
定义从节点
Figure BDA0002062315370000085
向节点
Figure BDA0002062315370000086
的流量的传递比例
Figure BDA0002062315370000087
为：
Figure BDA0002062315370000088
式中，
Figure BDA0002062315370000089
为连接节点
Figure BDA00020623153700000810
和节点
Figure BDA00020623153700000811
的连边的流量，
Figure BDA00020623153700000812
为节点
Figure BDA00020623153700000813
的出流量，该式表示节点
Figure BDA00020623153700000814
的流量传递到节点
Figure BDA00020623153700000815
的可能比例；
在该路径
Figure BDA00020623153700000816
中，从节点
Figure BDA00020623153700000817
到节点k0的流量传递比例
Figure BDA00020623153700000818
为该路径节点集
Figure BDA00020623153700000819
中不同层节点之间流量传递比例的累积，即：
Figure BDA00020623153700000820
因此，在本发明中，定义从第n层次的节点
Figure BDA00020623153700000821
的交通流量沿着路径
Figure BDA00020623153700000822
通过各个层次节点的传递，对目标关键节点k0的流量贡献
Figure BDA00020623153700000823
为：
Figure BDA00020623153700000824
实际上，从第n层次的节点
Figure BDA00020623153700000825
通过各个层次节点的连边到达目标关键节点k0的路径往往不止一条，节点
Figure BDA00020623153700000826
沿着每一条路径都能对目标节点形成相应的流量贡献，因此节点
Figure BDA00020623153700000827
对目标节点k0的流量贡献
Figure BDA00020623153700000828
应为通过所有路径的流量贡献总和，假设从节点
Figure BDA00020623153700000829
通过各个层次节点的连边到达目标关键节点k0的路径共有P条，则节点
Figure BDA00020623153700000830
对目标节点N0的流量贡献
Figure BDA00020623153700000831
为：
Figure BDA00020623153700000832
对于上述流量树结构的每一层次，理论上该层次中的所有节点对目标关键节点的流量贡献之和应为100％，但是在实际应用中由于复杂程度等限制，只能在每一层次中选取一定数量的相对重要的节点，将这些节点作为该层次中的节点；由于距离目标关键节点的跳数不同以及节点流量的大小差异，每一层次的节点对于目标关键节点的流量贡献大小有所不同，在应用流量树结构进行流量溯源和调控时，需要明确每一层次中的节点对于目标节点的流量贡献大小，从而确定目标节点的流量树结构分析范围；
因此，定义在上述流量树结构第m层次节点对于目标关键节点k0的流量贡献为C(m)，假设该层次中的节点集为L(m)，则第m层次节点的流量为该层次中所有节点
Figure BDA0002062315370000091
分别对目标关键节点k0的流量贡献
Figure BDA0002062315370000092
的总和，即：
Figure BDA0002062315370000093
评价和确定城市交通流量网络关键节点的流量树结构中不同层次节点对于目标关键节点的流量贡献，可以挖掘和发现不同层次节点中对目标关键节点流量贡献最大的节点及其相应的区域，同时，可以将不同层次间对于目标关键节点流量贡献程度进行比较，研究得到目标关键区域交通流量的影响范围，有助于理解城市交通流量的组织和汇聚过程，能够定位城市交通流量疏解的关键区域，为城市交通拥堵问题的解决和城市道路交通的疏解决策提供方法支撑。
其中，在步骤A所述的“车辆轨迹数据预处理”，其具体做法包括对坐标漂移或时间戳错误等不正确数据的删除，对同一ID在相近时间段内不连续或缺失的轨迹数据进行补偿，对无用数据的舍弃等，只保留计算所需要的信息，相关数据筛选和补偿技术属公知技术，本发明不做赘述；
其中，在步骤B所述的“将城市进行区域划分”，可以采取不同的城市划分方法，如规则网格划分、六边形区域划分、行政区划分、Voronoi图划分等等，划分区域的方式和标准可以根据研究的实际需求进行选取，由于划分方法属于公知技术，本发明不做赘述；
其中，在步骤B所述的“抽取车辆轨迹的起始点O和终止点D”，提取方法对于不同的数据获取来源(出租车轨迹数据、社会车辆数据、网约车数据、车载导航数据等)有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；对于出租车轨迹数据，其营运状态值为“0”时表示空载，营运状态值为“1”时表示载客，城市居民的出行需求应为其载客状态所对应的轨迹，因此将出租车轨迹中营运状态由“0”变为“1”的点提取为该段轨迹的起始点O，将出租车轨迹中营运状态由“1”变为“0”的点提取为该段轨迹的终止点D；对于社会车辆数据，识别其轨迹之中的静止点，当静止的时间超过设置的相应时间阈值时，则认为该车辆的轨迹是不连续的，将当前停止时段的第一个轨迹点作为轨迹的终止点D，将相应轨迹的起点作为起始点O；对于网约车数据和车载导航数据，一般数据中会记录乘客的出发地和目的地，因此直接提取乘客的出发地作为起始点O，目的地作为终止点D；
其中，在步骤B所述的“统计区域间的交通流量”，其具体做法为：对于区域i和区域j，统计轨迹数据集中所有起始点O在区域i且终止点D在区域j内的所有轨迹的数量，作为从区域i到区域j的交通流量；将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，本发明中不考虑相同区域内的流量。
其中，在步骤C中所述的“城市关键交通流量不平衡区域”，并不仅限于本发明中提出的三种类型的区域(即交通流量集中区域、交通流量汇聚区域和交通流量异质区域)，挖掘城市关键交通流量区域能够使本专利中提出的方法更具有针对性和更高效，但是需要指出的是，运用本发明中提出的方法可以对城市中任意区域的交通流量进行分析，本方法具有不同城市交通场景下的普遍适用性；
其中，在步骤E中所述的“入流量”和“出流量”均由实际数据获得，由于实际数据的原因以及人们出行时的特定，例如在一段时间在某地停留，因此所统计到的一定时间内某一节点的入流量和出流量不一定相等；
通过以上步骤，本发明针对日益加剧的城市交通拥堵和城市关键区域交通流量汇聚及溯源不明确的问题，运用实证交通数据，建立城市交通流量网络模型，运用网络科学方法，对关键交通流量不平衡区域进行流量溯源并挖掘分析其流量树结构，基于流量树分析，提出不同层次区域对关键交通流量不平衡区域的流量贡献评价方法；本发明有助于理解城市交通流量的组织和汇聚过程，能够定位城市交通流量疏解的关键区域，为城市交通拥堵问题的解决和城市道路交通的疏解决策提供方法支撑。
(三)优点和功效
本发明具有如下优点和功效：
(a)普适性：本发明中提出的方法不仅限于本专利中提出的几种类型的目标关键交通流量区域，本方法可以对城市中任意区域的交通流量进行分析，具有不同城市交通场景下的普遍适用性；
(b)溯源性：本发明中基于建立的城市交通流量网络，能够运用网络分析的方法对目标关键交通流量不平衡区域的交通流量进行层层溯源并建立流量树，从流量的角度分析目标关键区域的流量来源，为城市交通管理和调控提供一定的指导；
(c)易用性：本发明中提出的城市区域交通流量贡献评价方法利用所建立的城市交通流量网络中节点的属性(如节点的入强度)及网络的连接特点(如边的权重)，考虑网络的中区域之间的链式连接关系，所需要的计算数据易于获得，计算方法简洁，评价结果有着明确的含义，易于解释和理解，因此本发明提出的方法具有易用性。
综上，这种新方法能够有助于理解城市交通流量的组织和汇聚过程，为城市交通管理和调控提供一定的评价方法，能够定位城市交通流量疏解的关键区域，为城市交通拥堵问题的解决和城市道路交通的疏解决策提供方法支撑。
附图说明
图1为本发明所述方法流程示意图。
图2为本发明所述的应用案例示意图。
图中选取和分析了某一流量不平衡区域作为关键节点的2个层次的节点，建立了相应的流量树结构，包括目标关键节点层、第1层次节点和第2层次节点，圆圈代表城市交通流量网络中的节点，圆圈中的第1个数字表示该节点的入强度值的大小，第2个数字表示该节点的出强度值的大小，圆圈旁边的符号代表节点的层次和编号，连边及其方向代表了节点之间的连接关系，连边上的数字表示连边的权值大小。
具体实施方式
为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图及具体实施案例进行详细描述。应当理解，此处所描述的实施实例仅用于说明和解释本发明，并不用于限定本发明。
本发明的目的在于针对日益加剧的城市交通拥堵和城市关键区域交通流量汇聚及溯源不明确的问题，提供一种基于流量树分析的城市交通不平衡评价方法。在本发明中，首先对采集到的城市交通数据和车辆出行导航轨迹数据进行预处理，提取轨迹的ID、时间戳、起点O和终点D等信息；将城市空间进行区域划分，基于交通出行需求的OD关系和由此产生的交通流量，建立城市交通流量网络模型；挖掘城市中关键的交通流量不平衡区域；针对选定的关键交通流量不平衡区域，分析该区域不同层次下的流量来源，建立流量树结构模型；基于流量树分析，提出不同层次节点代表的区域对关键区域的流量贡献评价方法，对主要流量贡献区域进行挖掘。
如图1所示，本发明为一种基于流量树分析的城市交通不平衡评价方法，以北京市某一天的众包导航轨迹数据为例建立起相应的城市交通流量网络模型并进行关键流量不平衡区域的流量树挖掘及流量贡献分析和评价，在实施案例中的具体步骤如下：
步骤A：对北京市交通数据及车辆轨迹数据预处理；
本实施案例中的数据包括北京市交通网络拓扑结构数据，包括城市区域的经纬度坐标，城市道路信息(包括路段编号、路段长度、路段车道数、路段的起止点)，城市路口信息(包括路口编号、路口经纬度坐标)；某一天内车辆导航轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳；
在本实施案例中，采用Python程序语言对数据进行清洗和预处理，具体过程为：根据轨迹信息的时间戳，结合数据采集的时间，将时间戳与实际采集时间不符的数据剔除；其次，根据北京市的经纬度坐标范围，将经纬度坐标超出北京市范围的轨迹数据剔除；最后，有部分轨迹由于采集信号不好或其他原因会存在部分缺失，利用插值补偿等方法将这部分轨迹数据补偿完整；
步骤B：将北京市划分为规则网格区域，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，构建城市交通流量网络；
针对筛选出的车辆导航轨迹数据，提取轨迹的起点作为起始点O点，目的地作为终止点D点，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将北京市按照规则网络进行区域划分，划分的网格大小可以根据研究的细粒度不同进行不同的设定，每个区域有其经纬度坐标范围和相应的区域编号m(该区域编号是唯一的)；统计区域间的交通流量并建立相应的城市交通流量网络，对于区域mi和区域mj，统计轨迹数据集中所有起始点O在区域mi且终止点D在区域mj内的所有轨迹的数量wij，作为从区域mi到区域mj的交通流量，将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，本发明中不考虑相同区域内的流量；该网络中节点为城市中划分出的区域(例如mi和mj)，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，边权重为区域间交通流量的大小Fij，由此得到一个由节点集合N、有向连边集合E及其边权值集合F构成的加权有向网络；
步骤C：根据网络中节点的属性挖掘北京市关键交通流量不平衡区域；
针对所建立的北京市城市交通流量网络模型，分别从网络中节点的强度、节点的入强度和节点的入强度与出强度差值三个角度出发，计算城市交通流网络中每个节点的强度、入强度和入强度与出强度的差值，其中，节点i的入强度sin(i)、出强度sout(i)、强度s(i)及入强度与出强度的差值ssub(i)计算公式分别为：
Figure BDA0002062315370000141
Figure BDA0002062315370000142
s(i)＝sin(i)+sout(i)
ssub(i)＝sin(i)-sout(i)
其中，Aij是网络邻接矩阵的表示方法(当节点i和节点j之间存在连边时，该值为1，否则该值为0)，Fij是从节点i到节点j连边的权值(即出行量的大小)；将得到的所有节点的计算结果分别进行排序，并分别选取每个排序结果中强度、入强度和入强度与出强度差值最大的5个节点，作为北京市的关键交通流量不平衡区域中的交通流量集区域、交通流量汇集区域和交通流量异质区域；
步骤D：运用北京交通流量网络，运用网络科学的方法，对北京市关键交通流量不平衡区域进行流量溯源，确定流量溯源的流量树结构；
针对上述挖掘出的北京市关键交通流量区域，运用网络的层次分析方法，结合所建立的城市交通流量网络，对关键交通流量区域的流量需求进行溯源：在具体的实施操作中，可以使用网络中的广度优先搜索算法与交通流量网络的拓扑结构结合实现，首先运用广度优先算法针对交通流量网络所对应的无向网络，从关键交通流量区域所对应的节点开始，一层一层向外进行搜索，得到可能的外层节点集，其次，基于实际交通流量网络中有向的拓扑关系，判断得到每层次的节点集，直到搜索到规定的层数为止，从而得到相应的流量树结构；如图2所示，在规定挖掘层数是2时，从关键交通流量不平衡区域所对应的节点k0开始进行广度优先搜索和基于实际有向拓扑关系的比较，确定得到第1层次的节点集
Figure BDA0002062315370000151
和第2层次的节点集
Figure BDA0002062315370000152
的具有2个层次的关键交通不平衡区域流量树结构，需要指出的是，由于网络的连接复杂，可能同一节点在层次划分中存在重复，取其第1次划分层次作为节点的层次；
步骤E：基于上述流量树结构，提出对区域流量贡献进行评价的方法，衡量不同层次的不同节点对目标关键节点的流量贡献；
对于图2所示的流量树结构，对于不同层次下的节点所代表的区域，流向关键流量区域的流量是不同的，为了衡量不同层次的不同节点流向目标关键节点的流量大小和流量占比，提出节点对目标关键节点的流量贡献评价方法：对于图2所示的关键流量不平衡区域所对应的目标关键节点为k0，节点k0的入流量sin(k0)为100，同样，对于第2层次节点集中的节点
Figure BDA0002062315370000153
其入流量
Figure BDA0002062315370000154
为18，其出流量
Figure BDA0002062315370000155
为22，其节点流量传递至目标关键节点的路径有且仅有
Figure BDA0002062315370000156
一条，其中节点
Figure BDA0002062315370000157
的入流量
Figure BDA0002062315370000158
为40，其出流量
Figure BDA0002062315370000159
为35，从节点
Figure BDA00020623153700001510
到节点
Figure BDA00020623153700001511
的流量
Figure BDA00020623153700001512
为15，从节点
Figure BDA00020623153700001513
到节点k0的流量
Figure BDA00020623153700001514
为20，则节点
Figure BDA00020623153700001515
向节点k0的流量传递比例
Figure BDA00020623153700001516
为：
Figure BDA00020623153700001517
节点
Figure BDA00020623153700001518
向节点
Figure BDA00020623153700001519
的流量传递比例
Figure BDA00020623153700001520
为：
Figure BDA00020623153700001521
因此，最终节点
Figure BDA00020623153700001522
对于目标关键交通流量不平衡区域对应的节点k0的流量贡献大小
Figure BDA00020623153700001523
计算为：
Figure BDA0002062315370000161
对于图2所示的流量树结构中的第1层次中的节点
Figure BDA0002062315370000162
和
Figure BDA0002062315370000163
第一层次对目标关键节点k0的流量贡献为这3个节点分别对目标关键节点流量贡献的总和，因此第1层次节点对目标关键节点的流量贡献C(1)为：
Figure BDA0002062315370000164
通过本发明中提出的方法，可以计算出不同层次节点的相对流量重要程度以及某个节点对目标关键节点的流量贡献值。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于流量树分析的城市交通不平衡评价方法，其特征在于：其步骤如下：
步骤A：对城市交通数据及车辆轨迹数据预处理；
基于满足以下要求的各个测定时刻的城市交通数据及车辆轨迹数据：
(a)城市交通网络拓扑结构数据，包括城市区域的经纬度坐标、城市道路信息和城市路口信息；所述城市道路信息包括：路段编号、路段长度、路段车道数及路段的起止点；所述城市路口信息包括：路口编号和路口经纬度坐标；
(b)车辆轨迹数据，包括车辆ID信息，车辆在不同时刻采集到的位置经纬度信息及相应的时间戳，若数据源为出租车则还应包含车辆的营运状态信息；
若采集的数据有缺失或有错误，需要运用数据补偿、数据筛选方法对数据进行预处理，保证每个轨迹及其相应的位置和时间信息的正确性和完整性；设定相应的时间窗口进行数据筛选，选出满足时间窗口要求的车辆轨迹数据；
步骤B：将城市进行区域划分，抽取车辆轨迹的起始点O和终止点D，统计区域间的交通流量，从而构建城市交通流量网络；
针对筛选出的满足时间窗口要求的车辆轨迹数据，提取轨迹的起始点O点和终止点D点，O点和D点的提取方法根据数据源，包括出租车轨迹数据、社会车辆数据、网约车数据和车载导航数据有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；将城市进行区域划分，分为互不重叠且能够完全覆盖整个城市面积的复数个区域，每个区域有其经纬度坐标范围和相应的区域编号，该区域编号是唯一的；区域划分的具体方法根据具体问题有所不同，能划分为规则的棋盘型，也能按照Voronoi图方法；网络中节点为城市中划分出的区域，连边为区域间由交通需求形成的交通流量，连边为有向边，其方向从起点O所在的区域指向终点D所在的区域，连边的权值为区域间交通流量的大小；统计区域间的交通流量并不断更新相应的城市交通流量网络；对于一条轨迹，其起始点为O1，终止点为D1，起点O1的经纬度坐标在区域i中，终点D1的经纬度坐标在区域j中，区域i和j为不同区域，则表示存在一人次从区域i指向区域j的流量，以区域i和区域j作为顶点的边权值加1；
步骤C：挖掘城市关键交通流量不平衡区域；
针对所建立的城市交通流量网络，分析网络中节点的流量特点，根据不同的交通流量管控需求和交通管理应用场景，包括交通管制、交通拥堵缓解，挖掘出流量网络中相应的关键流量不平衡节点，即城市的关键交通流量不平衡区域，将城市关键交通流量不平衡区域考虑为三种类型的区域：交通流量集中区域、交通流量汇聚区域和交通流量异质区域；
交通流量集中区域是指交通流量相对较大的区域，这些区域的特点是区域的总体交通流量，包括到达区域的交通流量和离开区域的交通流量大，在城市中属于枢纽区域，承担着流量交互的重要城市功能，在所建立的城市交通流量网络模型中，用网络中节点的强度s来衡量交通流量的大小，节点的强度是指与其直接相连的所有边，不区分连边的方向的边权之和，节点i的强度用si表示，通过比较流量网络中节点强度的大小，能确定强度较大的节点；选取节点强度最大的前5个节点，这些节点所对应的区域即为交通流量集中区域；
交通流量汇聚区域是指到达区域的交通流量相对大的区域，这些区域的特点是对交通流量具有强的吸引特性，在交通流量聚积时形成交通拥堵的交通问题，需要加强交通流量的管理和控制，在所建立的城市交通流量网络模型中，用网络中节点的入强度来衡量到达区域交通流量的大小，节点的入强度是指与节点相连且方向指向该节点的边的权重之和，节点i的入强度用si in表示，通过比较流量网络中节点入强度的大小，能确定入强度较大的节点；选取节点入强度最大的前5个节点，这些节点所对应的区域即为交通流量汇聚区域；
交通流量异质区域是指到达与离开区域的交通流量之差相对大的区域，这些区域的特点是流入和流出区域的交通流量在数量上具有大的差异，具有强的不平衡特点，在所建立的城市交通流量网络模型中，用网络中节点的入强度和出强度之差来衡量区域交通流量异质的程度，节点的入强度与上述一致，节点的出强度是指与节点相连且方向不指向该节点的边的权重之和，节点i的出强度用si out表示，通过比较流量网络中节点入强度与出强度差值的大小，能确定异质程度大的节点，选取节点入强度与出强度之差最大的前5个节点，这些节点所对应的区域即为交通流量异质区域；
此外，运用该步骤,结合城市交通的路况数据，识别指交通拥堵程度为严重的区域；
步骤D：运用城市交通流量网络，对城市关键交通流量不平衡区域的交通流量溯源，挖掘关键区域的流量树结构；
在所建立的城市交通流量网络中，由于网络中不同区域的流量具有时间和空间的连续性和耦合性，不同区域间的居民在流量网络中进行移动，使得不同区域间的交通流量产生变化，因此研究网络中关键流量不平衡区域的流量来源，并评价和估计网络中不同节点对此不平衡区域的流量贡献；
针对上述挖掘出的城市关键交通流量不平衡区域，运用网络分析的方法，结合所建立的城市交通流量网络，对关键交通流量不平衡区域的流量需求进行溯源：在城市交通流量网络中，与关键交通流量不平衡区域所对应的节点为关键节点，将距关键节点的跳数即hop为1的节点定义为第1层次节点，将距关键节点的跳数为2的节点定义为第2层次节点，将距关键节点的跳数为3的节点定义为第3层次节点，以此类推，能根据不同城市交通流量网络的特点选取分析的层数；每一层次所包含的节点数量也能根据研究的需要进行挖掘，每一层次应包含与上一层次直接相连，跳数之差为1的所有节点，由于城市流量网络规模庞大和流量复杂性，使得在处理中包含所有节点在实现时具有高的复杂度，因此，对于每一层次的所有节点，依据节点的入流量大小进行排序，设置每一层次节点数量的阈值，选取该阈值内的数量的节点作为该层次的节点，从而得到关键区域的流量树结构；
步骤E：基于上述流量树结构，提出区域流量贡献评价方法，对相应区域的流量贡献进行评价，衡量不同层次的不同节点对目标关键节点的流量贡献；
对于城市交通流量网络中的节点ki，节点的入流量是指从其他节点流入不平衡区域的流量总和，即为节点的入强度sin(ki)，节点的出流量是指从该节点流向其他节点的流量总和，即为节点的出强度sout(ki)；设关键流量不平衡区域所对应的目标关键节点为k0，通过上述方法进行交通流量溯源，得到该节点对应的流量树结构，对于其中的第l层次，该层中的节点集合为
Figure FDA0002596714540000031
p为该层中节点的数量，取正整数，则该层次中相应节点的入流量集合为
Figure FDA0002596714540000032
出流量集合为
Figure FDA0002596714540000033
不同层次间节点的连边表示层次间交通流量的连接；从第l+1层次中第m个节点
Figure FDA0002596714540000034
指向第l层次中第i个节点
Figure FDA0002596714540000035
的连边表示为
Figure FDA0002596714540000036
其相应的交通流量大小即为该边的边权，记为
Figure FDA0002596714540000037
在上述的流量树结构中，设存在从第n层次中第j个节点
Figure FDA0002596714540000038
层层连接至目标关键节点k0的一条路径
Figure FDA0002596714540000041
该路径中节点集合为
Figure FDA0002596714540000042
其中下标j，h，p，q，r分别为相应层次中的节点编号，不同层次节点之间连边的流量的集合为
Figure FDA0002596714540000043
则对于该路径中的第l层次中节点
Figure FDA0002596714540000044
和第l-1层次中的节点
Figure FDA0002596714540000045
定义从节点
Figure FDA0002596714540000046
向节点
Figure FDA0002596714540000047
的流量的传递比例
Figure FDA0002596714540000048
为：
Figure FDA0002596714540000049
式中，
Figure FDA00025967145400000410
为连接节点
Figure FDA00025967145400000411
和节点
Figure FDA00025967145400000412
的连边的流量，
Figure FDA00025967145400000413
为节点
Figure FDA00025967145400000414
的出流量，该式表示节点
Figure FDA00025967145400000415
的流量传递到节点
Figure FDA00025967145400000416
的可能比例；
在该路径
Figure FDA00025967145400000417
中，从节点
Figure FDA00025967145400000418
到节点k0的流量传递比例
Figure FDA00025967145400000419
为该路径节点集
Figure FDA00025967145400000420
中不同层节点之间流量传递比例的累积，即：
Figure FDA00025967145400000421
因此，定义从第n层次的节点
Figure FDA00025967145400000422
的交通流量沿着路径
Figure FDA00025967145400000423
通过各个层次节点的传递，对目标关键节点k0的流量贡献
Figure FDA00025967145400000424
为：
Figure FDA00025967145400000425
从第n层次的节点
Figure FDA00025967145400000426
通过各个层次节点的连边到达目标关键节点k0的路径往往不止一条，节点
Figure FDA00025967145400000427
沿着每一条路径都能对目标节点形成相应的流量贡献，因此节点
Figure FDA00025967145400000428
对目标节点k0的流量贡献
Figure FDA00025967145400000429
应为通过所有路径的流量贡献总和，设从节点
Figure FDA00025967145400000430
通过各个层次节点的连边到达目标关键节点k0的路径共有P条，则节点
Figure FDA00025967145400000431
对目标节点N0的流量贡献
Figure FDA00025967145400000432
为：
Figure FDA00025967145400000433
对于上述流量树结构的每一层次，该层次中的所有节点对目标关键节点的流量贡献之和应为100％，但由于复杂程度的限制，只能在每一层次中选取一预定数量的相对重要的节点，将这些节点作为该层次中的节点；由于距离目标关键节点的跳数不同以及节点流量的大小差异，每一层次的节点对于目标关键节点的流量贡献大小有所不同，在应用流量树结构进行流量溯源和调控时，需要明确每一层次中的节点对于目标节点的流量贡献大小，从而确定目标节点的流量树结构分析范围；
因此，定义在上述流量树结构第m层次节点对于目标关键节点k0的流量贡献为C(m)，设该层次中的节点集为L(m)，则第m层次节点的流量为该层次中所有节点
Figure FDA0002596714540000051
分别对目标关键节点k0的流量贡献
Figure FDA0002596714540000052
的总和，即：
Figure FDA0002596714540000053
评价和确定城市交通流量网络关键节点的流量树结构中不同层次节点对于目标关键节点的流量贡献，能挖掘和发现不同层次节点中对目标关键节点流量贡献最大的节点及其相应的区域，同时，能将不同层次间对于目标关键节点流量贡献程度进行比较，研究得到目标关键区域交通流量的影响范围，有助于理解城市交通流量的组织和汇聚过程，能够定位城市交通流量疏解的关键区域，为城市交通拥堵问题的解决和城市道路交通的疏解决策提供方法支撑。
2.根据权利要求1所述的一种基于流量树分析的城市交通不平衡评价方法，其特征在于：其中，在步骤A中所述的“车辆轨迹数据预处理”，其具体做法包括对坐标漂移或时间戳错误的不正确数据的删除，对同一ID在相近时间段内不连续或缺失的轨迹数据进行补偿，对无用数据的舍弃，只保留计算所需要的信息。
3.根据权利要求1所述的一种基于流量树分析的城市交通不平衡评价方法，其特征在于：在步骤B中所述的“将城市进行区域划分”，包括规则网格划分、六边形区域划分、行政区划分和Voronoi图划分，划分区域的方式和标准能根据研究的需求进行选取。
4.根据权利要求1所述的一种基于流量树分析的城市交通不平衡评价方法，其特征在于：在步骤B中所述的“抽取车辆轨迹的起始点O和终止点D”，提取方法对于不同的数据获取来源，出租车轨迹数据、社会车辆数据、网约车数据和车载导航数据有所不同，提取的数据应包括轨迹数据ID、起始点O的经纬度坐标及时间戳、终止点D的经纬度坐标及时间戳；对于出租车轨迹数据，其营运状态值为“0”时表示空载，营运状态值为“1”时表示载客，城市居民的出行需求应为其载客状态所对应的轨迹，因此将出租车轨迹中营运状态由“0”变为“1”的点提取为该段轨迹的起始点O，将出租车轨迹中营运状态由“1”变为“0”的点提取为该段轨迹的终止点D；对于社会车辆数据，识别其轨迹之中的静止点，当静止的时间超过设置的相应时间阈值时，则认为该车辆的轨迹是不连续的，将当前停止时段的第一个轨迹点作为轨迹的终止点D，将相应轨迹的起点作为起始点O；对于网约车数据和车载导航数据，数据中会记录乘客的出发地和目的地，因此直接提取乘客的出发地作为起始点O，目的地作为终止点D。
5.根据权利要求1所述的一种基于流量树分析的城市交通不平衡评价方法，其特征在于：在步骤B中所述的“统计区域间的交通流量”，其具体做法为：对于区域i和区域j，统计轨迹数据集中所有起始点O在区域i且终止点D在区域j内的所有轨迹的数量，作为从区域i到区域j的交通流量；将所有区域间存在的交通流量进行统计，得到流量网络中区域间的交通流量，不考虑相同区域内的流量。
6.根据权利要求1所述的一种基于流量树分析的城市交通不平衡评价方法，其特征在于：在步骤E中所述的“入流量”和“出流量”均由实际数据获得，由于实际数据的原因以及人们出行时的特定，因此所统计到的一预定时间内一节点的入流量和出流量不一定相等。
CN201910409375.6A 2019-05-16 2019-05-16 一种基于流量树分析的城市交通不平衡评价方法 Active CN110111574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910409375.6A CN110111574B (zh) 2019-05-16 2019-05-16 一种基于流量树分析的城市交通不平衡评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910409375.6A CN110111574B (zh) 2019-05-16 2019-05-16 一种基于流量树分析的城市交通不平衡评价方法

Publications (2)

Publication Number Publication Date
CN110111574A CN110111574A (zh) 2019-08-09
CN110111574B true CN110111574B (zh) 2020-10-09

Family

ID=67490534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910409375.6A Active CN110111574B (zh) 2019-05-16 2019-05-16 一种基于流量树分析的城市交通不平衡评价方法

Country Status (1)

Country Link
CN (1) CN110111574B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634295A (zh) * 2019-09-28 2019-12-31 安徽百诚慧通科技有限公司 一种利用优化模型计算道路最佳通行能力的方法
CN110675631A (zh) * 2019-10-15 2020-01-10 中国城市规划设计研究院 一种交通流溯源分析方法及系统
CN110889427B (zh) * 2019-10-15 2023-07-07 同济大学 一种拥堵交通流溯源分析方法
CN111190977A (zh) * 2019-12-18 2020-05-22 福建工程学院 一种城市路网拓扑关键节点的发现方法和发现系统
CN112396837A (zh) * 2020-11-13 2021-02-23 重庆中信科信息技术有限公司 基于交通大数据的拥堵区域车辆来源路径分析方法和系统
CN112598902B (zh) * 2020-12-09 2022-08-16 安徽百诚慧通科技股份有限公司 一种交叉口各转向失衡程度表征方法、装置、电子设备及存储介质
CN112737865B (zh) * 2021-01-18 2022-05-03 清华大学 基于自动机的物联网设备流量建模、检测方法和装置
CN114937353B (zh) * 2022-04-08 2023-04-25 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
CN114973674A (zh) * 2022-05-24 2022-08-30 阿里云计算有限公司 交通拥堵的治理方法、装置、设备和存储介质
CN115188199B (zh) * 2022-09-13 2023-02-14 深圳市城市交通规划设计研究中心股份有限公司 交通诱导与信号控制协同优化方法、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000113371A (ja) * 1998-10-08 2000-04-21 Hitachi Ltd 感知器処理装置及び方法
JP4984479B2 (ja) * 2005-10-04 2012-07-25 住友電気工業株式会社 車両検知装置、および、車両検知方法
CN104143006B (zh) * 2014-08-05 2017-05-31 东北农业大学 一种城市数据处理方法及装置
CN108665708B (zh) * 2018-05-24 2020-06-05 中南大学 一种城市交通流不平衡模式挖掘方法及系统

Also Published As

Publication number Publication date
CN110111574A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110111574B (zh) 一种基于流量树分析的城市交通不平衡评价方法
CN110111575B (zh) 一种基于复杂网络理论的城市交通流量网络分析方法
CN103646187B (zh) 一种统计周期内车辆出行路线及od矩阵获取方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN107134142A (zh) 一种基于多源数据融合的城市道路流量预测方法
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
Yao et al. An optimization model for arterial coordination control based on sampled vehicle trajectories: The STREAM model
CN106898142B (zh) 一种考虑路段相关性的路径行程时间可靠度计算方法
CN112991743B (zh) 基于行驶路径的实时交通风险ai预测方法及其系统
CN104406590B (zh) 一种基于道路等级的最短路径规划方法
Saremi et al. Combining map-based inference and crowd-sensing for detecting traffic regulators
CN113793500B (zh) 城市交通道路可计算路网的构建方法及系统
Liu et al. Determination of routing velocity with GPS floating car data and webGIS-based instantaneous traffic information dissemination
CN116187605A (zh) 一种基于gis技术的公交线网选线方法
Thilakshan et al. An Approach to Identify Bottlenecks in Road Networks using Travel Time Variations: A Case Study in the City of Colombo and Suburbs
Bert Dynamic urban origin-destination matrix estimation methodology
Janmyr et al. Analysis of vehicle route choice during incidents
Padrón et al. Realistic traffic model for urban environments based on induction loop data
Luo et al. Research on the impact scope of bus stations based on the application of bus lanes
Zhang et al. From Axial to Pedestrian Path-Centre Line: The Case of 3D Pedestrian Network in Hong Kong, Central
Lehmann et al. Using crowd sensed data as input to congestion model
Fang et al. The shortest path or not? Analyzing the ambiguity of path selection in China's toll highway networks
Parthasarathi et al. The influence of network structure on travel distance
Arregui et al. Impact of the road network configuration on map‐matching algorithms for FCD in urban environments
Treccani et al. Accessible path finding for historic urban environments: feature extraction and vectorization from point clouds

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
TR01 Transfer of patent right

Effective date of registration: 20220713

Address after: 100193 Room 303, block B, building 27, Zhongguancun Software Park Phase I, No. 8 Dongbeiwang West Road, Haidian District, Beijing

Patentee after: BEIJING PALMGO INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road

Patentee before: BEIHANG University

TR01 Transfer of patent right