CN110232819A

CN110232819A - 一种基于复杂网络的城市关键道路的发掘方法

Info

Publication number: CN110232819A
Application number: CN201910405988.2A
Authority: CN
Inventors: 李大庆; 童青峰
Original assignee: Beihang University
Current assignee: Beijing Palmgo Information Technology Co ltd
Priority date: 2019-05-16
Filing date: 2019-05-16
Publication date: 2019-09-13
Anticipated expiration: 2039-05-16
Also published as: CN110232819B

Abstract

本发明提供一种基于复杂网络的城市关键道路的发掘方法，主要包含以下步骤：A：基于城市交通网络拓扑和实际运行数据，建立城市动态交通网络；B：计算交通临界渗流参数序列；C：统计所有最大功能连通子团集合；D：判定所有道路可靠性水平，发掘关键道路；本发明主要引入复杂网络和渗流理论相关概念，采用复杂网络中“次大连通子团”这一指标作为交通网络崩溃与否的判断依据，通过设置速度阈值将速度低于该阈值的道路从交通网络中删除，找到渗流理论中的“渗流临界参数”时刻，计算得到渗流临界参数下的“最大功能连通子团”，判断各条道路是否属于这一“最大功能连通子团”。通过计算各条道路在在一段时间内的多个时刻下属于对应时刻的最大功能连通子团的概率值大小，找出交通网络中的关键道路。

Description

一种基于复杂网络的城市关键道路的发掘方法

技术领域

本发明提出了一种基于复杂网络的城市关键道路的发掘方法，它涉及一种基于复杂网络的城市关键道路的发掘方法，属于复杂性科学领域以及可靠性领域。

背景技术

城市交通网络是支撑城市经济发展和居民日常生活的大型基础设施，同时又是一个典型的复杂系统，其结构在空间维度上呈现多层次和不均匀等特点。同时，人民日益增加的出行需要，不仅体现在巨大的增加数量上，还体现在对于新型出行模式的需求，比如线上预约和共享出行等。而这些需求的产生都给交通网络的运行带来了巨大的挑战。一方面，由于区域地理和政策的限制，城市交通网络的规模不可能无限扩增下去。另一方面，由于交通网络是伴随各个城市的大规模建设而兴起的，建设者对于整体交通网络很难做到完善的前期规划，这使得实际运行的交通网络本身存在设计中的不足。因此，我们需要在现有的交通网络基础上，利用有限的资源对交通运行状况进行改善，缓解城市交通拥堵。

关键道路，是城市交通网络中部分对于全局交通网络运行有重大影响的道路集合。由于城市交通网络是一个完全开放的系统，其中主体参与者众多。因此，城市交通网络的运行会受到来自各方面的影响和扰动，其中影响规模较小的如：人为交通事故、交通管制和道路施工等；影响规模较大的如：台风、飓风和暴雨等。这些事件给交通网络的正常运行带来影响，造成各种规模的交通拥堵，甚至造成重大的经济损失和人员的伤亡。而在这些事件发生之后，我们需要制定和实施特定的交通恢复策略。尤其对于那些规模较大的重大事件，我们制定的策略需要更具针对性和有效性，使得交通网络能够更加快速的恢复到正常运行状态。因此，发掘交通网络中的关键道路，对于理解整个网络的运行模式以及制定针对性恢复策略都有着巨大的现实意义。

本发明针对于以上的趋势和背景问题提出了一种有效的解决方案。本方案主要将复杂网络和渗流理论相关概念引入交通网络中关键道路的发掘中来，采用复杂网络中“次大连通子团”这一指标作为交通网络崩溃与否的判断依据，通过设置速度阈值将速度低于该阈值的道路从交通网络中删除，进一步改变速度阈值，计算次大连通子团大小，当次大连通子团规模达到最大时，此时系统发生崩溃，对应渗流理论中的“渗流临界参数”时刻。计算得到的渗流临界参数下的“最大功能连通子团”，判断各条道路是否属于这一“最大功能连通子团”。通过计算各条道路在在一段时间内的多个时刻下属于对应时刻的最大功能连通子团的概率值大小，找出交通网络中的关键道路。本发明采用的基于复杂网络和渗流理论的交通网络关键道路的发掘方法，计算过程简单，结果有很强的理论支持，具有良好的工程应用价值。

发明内容一种基于复杂网络的城市关键道路的发掘方法

本发明主要提供一种交通网络中关键道路的发掘方法。城市交通网络是城市经济发展和城市居民出行的生命线系统，结构上具有多层次和不均匀的特点，而在功能上则需要满足人民越来越大量和多模式的出行需求。实际交通网络的运行面临着各种各样的影响和扰动，其中部分还会造成严重的经济损失和人员的伤亡。基于交通网络现状和有限的资源，在影响事件发生的背景下，我们需要制定最为针对性的策略对城市交通网络的运行进行最大限度的提升。于是我们提出一种有效量化和区别不同道路重要度的方法,发掘其中关键道路。

针对以上的技术问题以及本发明的目的，本文提出了一种基于复杂网络的交通网络中关键道路的发掘方法，方案包括如下部分：

(一)发明目的

针对交通网络面临的现实挑战，本发明的目的在于提供一种基于复杂网络的交通网络中关键道路的发掘方法，针对城市交通网络的结构和功能特点，本发明提出的关键道路发掘方法将可靠性概念与复杂网络相结合，通过计算一段时间内道路属于“渗流临界阈值”下的“最大功能连通子团”的概率，发掘出交通网络中的关键道路。这些城市交通网络中关键道路的发掘，有利于我们制定针对性的策略，对城市交通网络的运行进行提升。

(二)技术方案一种基于复杂网络的城市关键道路的发掘方法

为了实现上述目的，本发明的方法所采用的技术方案是：一种基于复杂网络的城市关键道路的发掘方法。

本发明一种基于复杂网络的城市关键道路的发掘方法，其步骤如下：

步骤A：基于城市交通网络拓扑和实际运行数据，建立城市动态交通网络；

步骤B：计算交通临界渗流参数序列；

步骤C：统计所有最大功能连通子团集合；

步骤D：判定所有道路可靠性水平，发掘关键道路；

其中，在步骤A中所述的“交通网络拓扑”，其具体含义为：表征交通网络中各组成部分的相对位置，描述了各条道路之间的连接关系；

在步骤A中所述的“实际运行数据”，其具体含义为：由特定数据采集器收集的道路上的车辆速度数据，用以反映道路在该时刻下的运行状态。每个时刻下每条道路i都有唯一的速度值v_i；

在步骤A中所述的“建立城市动态交通网络”，其具体含义为：建立静态交通拓扑网络。进一步，将道路的实际运行数据映射到网络的每条连边上。最后将速度值归一化，得到动态的交通网络；包含以下三个步骤：

步骤A1：建立静态交通拓扑网络；

步骤A2：将速度数据映射到网络的每条连边上，建立初始速度矩阵M₀；

步骤A3：对所有道路速度序列进行归一化，得到归一化速度矩阵M₁和动态交通网络G(N,L)。

其中，在步骤A1中所述的“建立静态交通拓扑网络”，其具体做法如下：将城市中划分的各个路段抽象成网络中的连边l_i；将路段与路段间的连接路口抽象成网络中的节点n_i，最后依据路段间的连接关系建立交通拓扑网络G₀(N,L)；其中N为网络所有节点集合，L为所有连边集合；

其中，在步骤A2中所述的“将速度数据映射到网络的每条连边上，建立初始速度矩阵M₀”，其具体做法如下：在任意一个时刻t_i，将所有K条道路对应的速度，按照道路本身的顺序关系，生成一个横向量V_i＝(v₁,v₂…v_K)。进一步，对所有TI个时刻重复该动作，最后整合所有的横向量生成初始速度矩阵M₀＝(V₁,V₂…V_TI)，在网络中以链表形式存储；

其中，在步骤A3中所述的“对所有道路速度序列进行归一化，得到归一化速度矩阵M₁和动态交通网络G(N,L)”，其具体做法如下：对于任意一条道路i，从初始速度矩阵M₀中提取该道路所有时刻的速度值序列V_i，提取该路段的最大限速v_{i_max}，将速度值序列每个速度都除以最大限速v_{i_max}来得到归一化速度v_{i_ratio}，如下所示：

v_{i_ratio}＝v_i/v_{i_max}

最后，对所有道路进行该归一化操作，得到归一化速度矩阵M₁＝((V_{1_ratio},V_{2_ratio}…V_{TI_ratio}))；然后我们结合M₁和交通拓扑网络G₀(N,L)可以得到动态交通网络G(N,L)。

其中，在步骤B中所述的“计算交通临界渗流参数序列”，其具体做法如下：在任意一个时刻，设置速度阈值q，将该时刻下速度值v_i小于速度阈值q的道路i删除；运用广度优先方法(BFS)，计算此时的次大连通子团G″的尺寸大小；其中，次大连通子团G″是指在整个网络内第二大的一个连通子团；连通子团，又称连通子图，是指在这个子团内的任意两个节点之间都可以连通，而次大连通子团是指在网络中规模第二大的一个连通子团；然后按照网络的实际规模以及计算的精度要求，逐渐增大速度阈值q，初始化网络G(N,L)并重复进行上一步操作；记录下次大连通子团G″达到最大时对应的速度阈值q为临界渗流参数q_{c_i}；最后，对每一个时刻进行上述操作，得到交通临界渗流参数的序列q_c＝(q_{c_1},q_{c_2}…q_{c_TI})。

其中，在步骤C中所述的“统计所有最大功能连通子团集合”，其具体做法如下：在步骤B的基础上，将得到的交通临界渗流参数序列q_c分别作为速度的阈值，删除网络中对应时刻t_i下的速度值小于速度阈值q_{c_i}的道路连边，然后运用广度优先方法(BFS)找到此时的最大功能连通子团G'；其中，最大功能连通子团G'是指在整个网络内第一大的一个连通子团；将它的所有连边、节点以及连接关系存储起来；然后，对于交通临界渗流参数序列中所有值q_c＝(q_{c_1},q_{c_2}…q_{c_TI})以及对应时刻(t₁,t₂…t_TI)进行该操作，最后得到所有时刻下的最大功能连通子团集合。

其中，在步骤D中所述的“判定所有道路可靠性水平，发掘关键道路”，其具体做法如下：我们对不同道路的可靠性水平进行定量计算、排序，最后根据规定比例找出所有关键道路集合；包含以下两个步骤：

步骤D1：判定所有道路可靠性水平；

步骤D2：排序并发掘关键道路；

其中，在步骤D1中所述的“判定所有道路可靠性水平”，其具体做法如下：根据步骤C所确定的最大功能连通子团集合，对于任意一条道路i，首先判定它是否属于最大功能连通子团的道路连边集合：

其中e(t)用来表示道路i是否属于t时刻下，临界阈值为q的最大功能连通子团G'中；其中，1表示道路i在G'内，0则表示不在其中；

统计该道路在最大功能连通子团的连边中出现的次数最后分别除以总的时刻数TI，得到该条道路的可靠性水平R(i):

对每一条道路进行以上操作，最后得到所有道路的可靠性水平值R＝(R(1)，R(2)…R(L))；

其中，在步骤D2中所述的“排序并发掘关键道路”，其具体做法如下：对步骤D1中的所有道路可靠性水平R＝(R(1)，R(2)…R(L))进行排序，基于网络的规模和实际的资源情况，设置具体比例A发掘一定数量L_A的关键道路：

L_A＝L*A

式中：A为预设发掘比例，L_A为预设发掘数量，L为网络道路总数；

通过以上步骤，本发明所述的一种基于复杂网络的城市关键道路的发掘方法提供了一种结合实际交通数据，针对城市关键道路的发掘方法，解决了现有方法多从交通网络结构发掘城市的关键道路，没有充分考虑道路的现实功能状态以及实际运行情况，同时该方法具有坚实的理论基础，对于各种情况下的交通网络具备广泛的适应性，具有良好的实际应用价值。

(三)优点创新

本发明具有如下的创新点：

1.理论性：本发明的计算过程是统计理论当中的渗流过程，而在渗流过程当中的临界阈值下的最大功能连通子团则是表征网络运行功能的指标。因此我们将其用来进行关键道路的挖掘，凸显道路对于整体网络运行的影响，具有很强的理论基础；

2.易计算：本发明中的计算过程运用到的最大和次大连通子团概念，我们采用广度优先搜索算法(BFS)进行求取，该算法成熟可靠，计算起来比较容易；

3.应用广：本发明所设计的交通网络关键道路发掘方法适用于各种规模的城市交通网络，同时可以拓展到其他类型网络的关键部分的挖掘当中，例如生物网络、通信网络等。

综上，这种基于复杂网络的城市关键道路的发掘方法为交通工程应用中的道路针对性恢复策略的制定提供支持。

附图说明

图1是本发明所述方法流程图。

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。

本发明的目的在于解决交通网络受到各种扰动而发生性能下降后的恢复策略的制定问题，由于实际情况的急迫性以及恢复资源的有限性，我们需要区分道路的不同恢复优先级，需要发掘并优先恢复关键道路。在考虑到道路对交通网络全局运行的影响前提下，针对城市交通网络的结构和功能特点，本发明提出的关键道路发掘方法将可靠性概念与复杂网络相结合，通过计算一段时间内道路属于“渗流临界阈值”下的“最大功能连通子团”的概率，发掘出交通网络中的关键道路。本方法计算简单，可以对不同规模大小的交通网络进行关键道路发掘，具有较好的应用价值。

下面结合附图说明及具体实施方式对本发明进一步说明。

本发明实施例以某城市交通网络为例，阐述本发明方法。具体地说，该交通网络有连边69289条连边，37257个节点，基于有限的资源，现需要挖掘出该网络中5％比例的关键道路，共计3464条。

本发明一种基于复杂网络的城市关键道路的发掘方法，其步骤如图1所示：

步骤B：计算交通临界渗流参数序列；

步骤C：统计所有最大功能连通子团集合；

步骤D：判定所有道路可靠性水平，发掘关键道路；

其中，步骤A中所述的“交通网络拓扑”，其具体含义为：表征交通网络中各组成部分的相对位置，描述了各条道路之间的连接关系；

步骤A中所述的“实际运行数据”，其具体含义为：由特定数据采集器收集的道路上的车辆速度数据，用以反映道路在该时刻下的运行状态。每个时刻下每条道路都有唯一的速度值；目前所拥有的是共计一天24小时时间段数据，以五分钟作为间隔，全天共288(TI)个时刻的数据；

步骤A中所述的“建立城市动态交通网络”，其具体含义为：建立静态交通拓扑网络。进一步，将道路的实际运行数据映射到网络的每条连边上。通过最后的速度值归一化，得到动态的交通网络；包含以下三个步骤：

步骤A1：建立静态交通拓扑网络；

其中，步骤A1所述的“建立静态交通拓扑网络”，其具体做法如下：将城市中划分的各个路段抽象成网络中的连边l_i；将路段与路段间的连接路口抽象成网络中的节点n_i，最后依据路段间的连接关系建立交通拓扑网络G₀(N,L)。其中N为网络所有节点集合，L为所有连边集合。这里我们获取交通拓扑网络G₀(37257,69289)；

其中步骤A2所述的“将速度数据映射到网络的每条连边上，建立初始速度矩阵M₀”，其具体做法如下：在任意一个时刻t_i，将所有69289条道路对应的速度，按照道路本身的顺序关系，生成一个横向量V_i＝(v₁,v₂…v₆₉₂₈₉)。进一步，对所有288个时刻重复该动作，最后整合所有的横向量生成初始速度矩阵M₀＝(V₁,V₂…V₂₈₈)，在网络中以链表形式存储；

其中步骤A3所述的“对所有道路速度序列进行归一化，得到归一化速度矩阵M₁和动态交通网络G(37257,69289)”，其具体做法如下：对于任意一条道路i，从初始速度矩阵M₀中提取该道路所有时刻的速度值序列V_i，提取该路段的最大限速v_{i_max}，将速度值序列每个速度都除以最大限速v_{i_max}来得到归一化速度v_{i_ratio}。例如我们这里的某条道路的最高限速为60km/h，则归一化过程如下所示：

v_{i_ratio}＝v_i/v_{i_max}＝v_i/60

最后，对所有道路进行该归一化操作，得到归一化速度矩阵M₁＝((V_{1_ratio},V_{2_ratio}…V_{288_ratio}))。然后我们结合M₁和交通拓扑网络G₀(37257,69289)可以得到动态交通网络G(37257,69289)；

其中，步骤B中所述的“计算交通临界渗流参数序列”，其具体做法如下：在任意一个时刻，设置初始速度阈值q＝0，将该时刻下速度值v_i小于速度阈值q的道路i删除；运用广度优先算法(BFS)，计算此时的次大连通子团G″的尺寸大小。其中，次大连通子团G″是指在整个网络内第二大的一个连通子团；连通子团，又称连通子图，是指在这个子团内的任意两个节点之间都可以连通，而次大连通子团是指在网络中规模第二大的一个连通子团。然后按照网络的实际规模以及计算的精度要求，我们这里逐渐增大速度阈值q，每次逐渐增大0.01，按照(0，0.01，0.02，0.03…1)序列循环计算101次。初始化网络G(N,L)并重复进行上一步操作。记录下次大连通子团G″序列(G″₁,G″₂...G″₁₀₁)以及对应的速度阈值q序列(q₁,q₂...q₁₀₁)。我们找到次大连通子团G″尺寸达到最大时对应的速度阈值q为临界渗流参数q_{c_i}。最后，对共计288个时刻都进行上述操作，得到交通临界渗流参数的序列q_c＝(q_{c_1},q_{c_2}…q_{c_288})；

其中，步骤C所述的“统计所有最大功能连通子团集合”，其具体做法如下：在步骤B的基础上，将得到的交通临界渗流参数序列q_c分别作为速度的阈值，删除网络中对应时刻t_i下的速度值小于速度阈值q_{c_i}的道路连边，然后运用广度优先算法(BFS)找到此时的最大功能连通子团G'。其中，最大功能连通子团G'是指在整个网络内第一大的一个连通子团。将它的所有连边、节点以及连接关系存储起来。然后，对于交通临界渗流参数序列中所有值q_c＝(q_{c_1},q_{c_2}…q_{c_TI})以及对应时刻(t₁,t₂…t_TI)进行该操作，最后得到所有时刻下的最大功能连通子团集合；

其中，步骤D中所述的“判定所有道路可靠性水平，发掘关键道路”，其具体做法如下：我们对不同道路的可靠性水平进行定量计算、排序，最后根据规定比例找出所有关键道路集合。包含以下两个步骤：

步骤D1：判定所有道路可靠性水平；

步骤D2：排序并发掘关键道路；

其中，步骤D1所述的“判定所有道路可靠性水平”，其具体做法如下：根据步骤C所确定的最大功能连通子团集合，对于任意一条道路i，首先判定它是否属于最大功能连通子团的道路连边集合：

其中e(t)用来表示道路i是否属于t时刻下，临界阈值为q的最大功能连通子团G'中。其中，1表示道路i在G'内，0则表示不在其中。

对每一条道路进行以上操作，最后得到所有道路的可靠性水平值R＝(R(1)，R(2)…R(69289))；

其中，步骤D2中所述的“排序并发掘关键道路”，其具体做法如下：对步骤D1中的所有道路可靠性水平R＝(R(1)，R(2)…R(69289))进行排序，获取按照从大到小的排序后序列R_RANK。基于网络的规模和实际的资源情况，设置具体比例A发掘一定数量L_A的关键道路，我们这里获取的比例为5％，道路总数为：

L_A＝L*A＝69289*5％≈3464

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

1.一种基于复杂网络的城市关键道路的发掘方法，其特征在于：其步骤如下：

步骤B：计算交通临界渗流参数序列；

步骤C：统计所有最大功能连通子团集合；

步骤D：判定所有道路可靠性水平，发掘关键道路。

2.根据权利要求1所述的一种基于复杂网络的城市关键道路的发掘方法，其特征在于：

在步骤A中所述的“交通网络拓扑”，其具体含义为：表征交通网络中各组成部分的相对位置，描述了各条道路之间的连接关系；

在步骤A中所述的“实际运行数据”，其具体含义为：由特定数据采集器收集的道路上的车辆速度数据，用以反映道路在该时刻下的运行状态；每个时刻下每条道路i都有唯一的速度值v_i；

在步骤A中所述的“建立城市动态交通网络”，其具体含义为：建立静态交通拓扑网络；进一步，将道路的实际运行数据映射到网络的每条连边上；最后将速度值归一化，得到动态的交通网络；包含以下三个步骤：

步骤A1：建立静态交通拓扑网络；

步骤A3：对所有道路速度序列进行归一化，得到归一化速度矩阵M₁和动态交通网络G(N,L)；

其中，在步骤A2中所述的“将速度数据映射到网络的每条连边上，建立初始速度矩阵M₀”，其具体做法如下：在任意一个时刻t_i，将所有K条道路对应的速度，按照道路本身的顺序关系，生成一个横向量V_i＝(v₁,v₂…v_K)；进一步，对所有TI个时刻重复该动作，最后整合所有的横向量生成初始速度矩阵M₀＝(V₁,V₂…V_TI)，在网络中以链表形式存储；

v_{i_ratio}＝v_i/v_{i_max}

最后，对所有道路进行该归一化操作，得到归一化速度矩阵M₁＝((V_{1_ratio},V_{2_ratio}…V_{TI_ratio}))；然后我们结合M₁和交通拓扑网络G₀(N,L)能得到动态交通网络G(N,L)。

3.根据权利要求1所述的一种基于复杂网络的城市关键道路的发掘方法，其特征在于：

在步骤B中所述的“计算交通临界渗流参数序列”，其具体做法如下：在任意一个时刻，设置速度阈值q，将该时刻下速度值v_i小于速度阈值q的道路i删除；运用广度优先方法即BFS，计算此时的次大连通子团G″的尺寸大小；其中，次大连通子团G″是指在整个网络内第二大的一个连通子团；连通子团，又称连通子图，是指在这个子团内的任意两个节点之间都能连通，而次大连通子团是指在网络中规模第二大的一个连通子团；然后按照网络的实际规模以及计算的精度要求，逐渐增大速度阈值q，初始化网络G(N,L)并重复进行上一步操作；记录下次大连通子团G″达到最大时对应的速度阈值q为临界渗流参数q_{c_i}；最后，对每一个时刻进行上述操作，得到交通临界渗流参数的序列q_c＝(q_{c_1},q_{c_2}…q_{c_TI})。

4.根据权利要求1所述的一种基于复杂网络的城市关键道路的发掘方法，其特征在于：

在步骤C中所述的“统计所有最大功能连通子团集合”，其具体做法如下：在步骤B的基础上，将得到的交通临界渗流参数序列q_c分别作为速度的阈值，删除网络中对应时刻t_i下的速度值小于速度阈值q_{c_i}的道路连边，然后运用广度优先方法即BFS找到此时的最大功能连通子团G'；其中，最大功能连通子团G'是指在整个网络内第一大的一个连通子团；将它的所有连边、节点以及连接关系存储起来；然后，对于交通临界渗流参数序列中所有值q_c＝(q_{c_1},q_{c_2}…q_{c_TI})以及对应时刻(t₁,t₂…t_TI)进行该操作，最后得到所有时刻下的最大功能连通子团集合。

5.根据权利要求1所述的一种基于复杂网络的城市关键道路的发掘方法，其特征在于：

在步骤D中所述的“判定所有道路可靠性水平，发掘关键道路”，其具体做法如下：我们对不同道路的可靠性水平进行定量计算、排序，最后根据规定比例找出所有关键道路集合；包含以下两个步骤：

步骤D1：判定所有道路可靠性水平；

步骤D2：排序并发掘关键道路；

其中，在步骤D2中所述的“排序并发掘关键道路”，其具体做法如下：对步骤D1中的所有道路可靠性水平R＝(R(1)，R(2)…R(L))进行排序，基于网络的规模和实际的资源情况，设置具体比例A发掘一预定数量L_A的关键道路：

L_A＝L*A

式中：A为预设发掘比例，L_A为预设发掘数量，L为网络道路总数。