CN110738853B - 一种基于复杂网络相关性的关键节点识别方法 - Google Patents
一种基于复杂网络相关性的关键节点识别方法 Download PDFInfo
- Publication number
- CN110738853B CN110738853B CN201911021967.7A CN201911021967A CN110738853B CN 110738853 B CN110738853 B CN 110738853B CN 201911021967 A CN201911021967 A CN 201911021967A CN 110738853 B CN110738853 B CN 110738853B
- Authority
- CN
- China
- Prior art keywords
- node
- time
- road
- network
- transient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000005314 correlation function Methods 0.000 claims abstract description 39
- 238000005065 mining Methods 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于复杂网络相关性的关键节点识别方法，其步骤如下：步骤A：统计路网道路各时段速度时间序列；步骤B：计算路段之间的速度时间序列互相关函数；步骤C：建立交通道路相关性网络；步骤D：挖掘关键节点；根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段。本发明通用性、客观性、系统性强，可行信度高，它是基于相关性网络的关键节点挖掘方法能够客观系统的解决问题，得到准确可信的关键节点挖掘结果，能够弥补现有方法的不足。
Description
技术领域
本发明提出了一种基于复杂网络相关性的关键节点识别方法，它涉及交通可靠性、数据分析、网络科学等技术领域。
背景技术
交通系统是现代城市关键基础设施中最为重要的一环，而交通拥堵的频繁出现会极大影响城市的运行效率，造成难以估量的经济损失。随着城市的逐步发展，城市的面积标的越来越大，城市的主要道路边界也随之变广，在此情况下，城市路网的复杂度呈现出指数级增长。城市路网的复杂化，不仅为城市的管理者增加了许多困难，也为路网的使用者(驾驶者)带来了诸多不确定性过高的选择，更让缓解甚至解决交通拥堵问题变得愈加棘手。因此，对城市的管理者来说，如何挖掘城市交通拥堵的关键道路，进而集中资源进行调控是关键工作。
早期研究表明，大规模拥堵往往是道路网络中不同节点之间流量相互作用的结果，因此，挖掘那些对其他路段具有极大影响的关键路段是缓解甚至解决交通拥堵问题、提升路网使用效率的关键所在。除了缓解拥堵问题外，关键路段的定位也有助于城市管理，可以对城市突发案例起到参考辅助性作用。同时，关键路段的挖掘还有利于寻找城市路网建设的瓶颈地带，可以此为参考进行未来城市道路规划，有利于城市路网的进一步发展。
事实上，过去的研究提出过不同的方法来捕捉各类型交通网络中的关键路段。一类研究基于系统方法评估道路重要度和系统可靠性。例如通过考虑广义旅行成本的增加、无法达到需求的程度和道路网络的脆弱性量化来道路重要性，进而作为道路失效影响力的衡量标准。另一类研究基于图论与网络科学的拓扑方法，如计算道路网络边介数、捕捉动态路网的渗流过程、挖掘不同路网子团之间的关键瓶颈边等。但值得注意的是，上述方法多数是在评估对路网可靠性产生主要影响的某几条关键道路，却较少涉及道路之间的相互影响关系，无法体现关键道路的影响能力。
针对以上问题，为了深入认识关键道路在路网中的影响程度和影响范围，挖掘路网道路之间潜在关联性，本专利拟通过使用复杂网络的相关理论，结合统计分析、时间序列相关性分析等方法，建立交通道路相关性网络，最终实现基于相关性网络的关键道路挖掘，该方法具有良好的通用性，同时具有很好的操作性及实用性，在金融、气候、生物等领域均得到良好应用。
基于以上方法基础及现实意义提出了“一种基于复杂网络相关性的关键节点识别方法”。
发明内容
(一)发明的目的
本发明主要用于解决在现实交通背景下关键交通道路的定位，通过使用复杂网络理论与时间序列相关性交叉的方法，得到不同道路间相互影响程度与影响范围的变化情况，从而实现挖掘关键道路的目的。现有基于历史数据的方法大多是基于时间或者容量的可靠性指标，挖掘了局域的可靠性关键路段，这样的方法在实际执行过程中没有良好的适应性和应用性，无法以点带面来疏解复杂的交通拥堵形成和传播。因此针对现有方法的不足，本专利提出了一种基于复杂网络相关性的关键节点识别方法。
该方法实现了基于全局路网特征的关键道路挖掘，对比传统的方法具有更好的客观性与可操作性，由于其良好反映了道路间的依赖和关联特征，可应对不同层面、不同范围的拥堵问题，为管理者的决策提供支撑。该方法根据道路的速度统计，得到每一段道路在不同时间段观测值的时间序列特征，结合统计分析和复杂网络的方法，实现对每一段道路在一定时间段内影响范围的高准确度预测，进而达到关键道路挖掘的目的。
(二)技术方案
为了实现上述目的，本发明的方法所采用的技术方案是：一种基于复杂网络相关性的关键节点识别方法。
本发明所述的一种基于复杂网络相关性的关键节点识别方法是一种应用复杂网络建模的思想，将全局的路网抽象为相关性网络，并随后应用网络的思想及理论对观测指标进行度量评估，最终实现关键节点识别的目的。
本发明所述的“一种基于复杂网络相关性的关键节点识别方法”，其步骤如下：
步骤A：统计路网道路各时段速度时间序列；将一天划分为早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)；将路段(roadi)抽象为节点(verticei)，形成各节点在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列
步骤B：计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi,j(τ)；
步骤C：建立交通道路相关性网络；依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络；
步骤D：挖掘关键节点；根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段。
其中，步骤A所述的“将一天划分为早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)；将路段(roadi)抽象为节点(verticei)，形成各节点在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列
”，其做法如下：将一天划分为早高峰时段(如6:30-9:30)、平峰时段(如13:00-16:00)和晚高峰时段(如17:00-20：00)；选择城市主要道路，将路段(roadi)抽象为节点(verticei)，收集同一道路在多个工作日给定时段的实时速度数据，按照工作日时间顺序首尾相接，得到该节点roadi在给定时段(早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2))的速度时间序列
(序列中相邻速度时间间隔为Δt)，以上所述的具体步骤如下：
步骤A1：区分路网速度数据收集时段；首先区分工作日与非工作日，仅选择工作日，将各天数据根据所在地区的实际情况区分为早高峰时段(如：6:30-9:30)、平峰时段(如13:00-16:00)、晚高峰时段(如17:00-20:00)；其中，时段的划分需要根据数据收集地的实际情况确定，并应取一个公共时长作为所有时间段的数据规范化范围(如将时间段长度设置为3小时)；
步骤A2：将路段(即roadi)抽象为节点(即verticei)；将原始路网中的道路记为网络中的节点，并且区分不同方向的道路为不同节点；
步骤A3：收集统计各节点verticei在各时段的速度时间序列
收集各节点verticei在多个工作日的各时段实时速度数据，得到的各节点各时段速度时间序列可能存在缺失值，对于缺失的速度数据，可采用公知方法进行补偿；最终，将节点verticei在同一时段的多个工作日速度时间序列按照工作日先后顺序相连，分别得到节点verticei在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列；若网络有N个节点，各时间段长度取值180(分钟)，时间间隔Δt＝1(分钟)，工作日共5天，则速度时间序列长度为L＝180×5＝900(分钟)，速度时间序列用
表示，其中i＝1,...,N,t＝1,...,L。
其中，步骤B中所述的“计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi,j(τ)”，其做法如下：对步骤A中得到的各节点时间序列
通过线性回归方法去除其线性趋势，再去除周期趋势，最后利用两步去趋势化处理后的时间序列进行各节点间速度时间序列互相关函数计算，以上所述过程的具体步骤如下：
步骤B1：去除速度时间序列的线性趋势；首先对时间序列
进行线性回归分析，得到节点verticei的线性回归函数ait+bi，用节点verticei的原时间序列
减去线性回归函数得到
步骤B2：去除速度时间序列的周期趋势；将步骤B1得到的去线性趋势速度时间序列
重标注为
其中d＝1,...,D为第d个工作日，m＝1,...,180为该时段的第m分钟；计算各时段每分钟的均值及均方差，其中均值
均方差
对节点verticei的速度时间序列以
进行去除周期趋势处理；将处理后的速度时间序列重写为Si(t)，其中i＝1,...,N,t＝1,...,L，N为网络节点总数，L为速度时间序列长度；
步骤B3：计算速度时间序列互相关函数；遍历选取一组节点组合，即节点verticei与节点verticej；定义两个节点时间序列之间的时延阈值τmax(如：150分钟)，即时延区间为[-τmax,τmax]；计算两节点在时延[-τmax,τmax]区间中所有取值τ的速度时间互相关性函数
其中
和
分别为时间序列Si(t)和Sj(t+τ)在t＝1,...L-τ区间的均值；这里应注意τmax的取值不应过大，因为计算速度时间序列长度为L-τmax；以上述方法得到任一组节点verticei与节点verticej在多个时段的速度时间序列互相关函数Xi,j(τ)。
其中，步骤C中所述的“依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络”，其做法如下：利用步骤B中计算得到的速度时间序列互相关函数Xi,j(τ)，计算网络中任一对节点的边权重及距离，设置最小边权值Wmin及最长路径值Dmax，筛选网络中符合最小边权值Wmin及最长路径值Dmax的节点与边，建立交通道路相关性网络，以上所述过程的具体步骤如下：
步骤C1：计算网络边权及节点距离；在步骤B计算得到的速度时间互相关性函数Xi,j(τ)中，计算两节点间连边的权重
其中max(Xi,j(τ))，mean(Xi,j(τ))及std(Xi,j(τ))分别为函数Xi,j(τ)的最大值，均值及均方差；对于时间互相关性函数Xi,j(τ)，时间延迟
为Xi,j(τ)取最大值时对应的τ；定义节点verticei与节点verticej的距离Di,j(根据具体情况为欧氏距离或拓扑距离)；
步骤C2：设置最小边权值Wmin及最长路径值Dmax；将各节点每个时间段内的时间序列随机打乱重排，计算重排后节点verticei与节点verticej的互相关性序列、权值及距离；根据随机状态下与常规状态下的权值分布及距离分布，设置以上计算的随机相关性的W最大值为两节点的最小边权值Wmin，并设置权重等于Wmin的对应节点之间的距离为Dmax；
步骤C3：建立交通道路相关性网络；对任意一对节点verticei与节点verticej，若在当前时间段其边权
且距离Di,j≤Dmax，则在当前时间段的交通相关性节点verticei与节点verticej存在一条连边，建立相应交通道路相关性网络。
其中，步骤D中所述的“挖掘关键节点。根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段”，其做法如下：基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中的强度，以及verticei所有连边距离Di,j的平均值，利用这两个特征衡量路网各节点(路段)的重要度，以上所述过程的具体步骤如下：
步骤D1：计算节点强度；基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中强度，即该节点所有连边权重之和；
步骤D2：计算连边距离平均值；基于交通相关性网路，计算任一节点verticei的平均影响力距离，即该节点所有连边距离Di,j的平均值，结合步骤D1的节点强度特征，利用这两个特征衡量路网各节点(路段)的重要度。
(三)优点创新
本发明具有如下的创新点：
1、通用性强：本专利并没有针对某种特定情况下的路网进行分析，而是通过网络交通流数据建立关键节点挖掘的方法，因此具有更好的通用性。
2、客观性强：本专利相对于现有的传统方法采用了更少的主观判断及经验分析的方法，因此具有更好的客观性。
3、可行信度高：本专利的逻辑是从客观的角度出发，从实际数据的角度入手，因此相比于传统的方法具有更好的可信度。
4、系统性强：本专利是从全局网络的角度出发去考虑问题的，不是从一个局域的角度开始解决问题，因此该专利提及的方法具有更好的系统性。
综上，这种基于相关性网络的关键节点挖掘方法能够客观系统的解决问题，得到准确可信的关键节点挖掘结果，能够弥补现有方法的不足。
附图说明
图1是本发明所述方法框架流程图。
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在现实交通背景下关键交通道路的定位，现有方法大多基于时间或者容量的可靠性指标挖掘局域的可靠性关键路段，其对全局信息利用不足导致了定位关键交通道路的准确性不足或时效性过低等问题。这样的问题会随着路网复杂度的增加而变得愈发突出。为了弥补以上的不足，本专利提出了一种基于复杂网络相关性的关键节点识别方法，该方法可以从全局的角度考虑，实现以数据为基础的关键交通道路定位的目的，该方法具有通用性强、客观性强、可信度高、系统性强等特点。下面结合附图说明及具体实施方式对本发明进一步说明。
本发明实施例以某真实路网情况中关键交通道路定位为背景，阐述本发明方法。
本发明所述的“一种基于复杂网络相关性的关键节点识别方法”，其执行的框架图如图1所示，其步骤如下：
步骤A：统计路网道路各时段速度时间序列。将一天划分为早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)；将路段(roadi)抽象为节点(verticei)，形成各节点在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列
步骤B：计算路段之间的速度时间序列互相关函数。对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi,j(τ)；
步骤C：建立交通道路相关性网络。依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络；
步骤D：挖掘关键节点。根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段；
其中，步骤A所述的“将一天划分为早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)；将路段(roadi)抽象为节点(verticei)，形成各节点在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列
”，其做法如下：将一天划分为早高峰时段(如6:30-9:30)、平峰时段(如13:00-16:00)和晚高峰时段(如17:00-20：00)；选择城市主要道路，将路段(roadi)抽象为节点(verticei)，收集同一道路在多个工作日给定时段的实时速度数据，按照工作日时间顺序首尾相接，得到该节点roadi在给定时段(早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2))的速度时间序列
(序列中相邻速度时间间隔为Δt)，以上所述的具体步骤如下：
步骤A1：区分路网速度数据收集时段。首先区分工作日与非工作日，仅选择工作日，将各天数据根据所在地区的实际情况区分为早高峰时段(如：6:30-9:30)、平峰时段(如13:00-16:00)、晚高峰时段(如17:00-20:00)。其中，时段的划分需要根据数据收集地的实际情况确定，并应取一个公共时长作为所有时间段的数据规范化范围(如将时间段长度设置为3小时)；
步骤A2：将路段(即roadi)抽象为节点(即verticei)。将原始路网中的道路记为网络中的节点，并且区分不同方向的道路为不同节点；
步骤A3：收集统计各节点verticei在各时段的速度时间序列
收集各节点verticei在多个工作日的各时段实时速度数据。得到的各节点各时段速度时间序列可能存在缺失值，对于缺失的速度数据，可采用公知方法进行补偿。最终，将节点verticei在同一时段的多个工作日速度时间序列按照工作日先后顺序相连，分别得到节点verticei在早高峰时段(RH1)、平峰时段(NT1)和晚高峰时段(RH2)的速度时间序列。若网络有N个节点，各时间段长度取值180(分钟)，时间间隔Δt＝1(分钟)，工作日共5天，则速度时间序列长度为L＝180×5＝900(分钟)，速度时间序列用
表示，其中i＝1,...,N,t＝1,...,L；
其中，步骤B中所述的“计算路段之间的速度时间序列互相关函数。对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi,j(τ)”，其做法如下：对步骤A中得到的各节点时间序列
通过线性回归方法去除其线性趋势，再去除周期趋势，最后利用两步去趋势化处理后的时间序列进行各节点间速度时间序列互相关函数计算，以上所述过程的具体步骤如下：
步骤B1：去除速度时间序列的线性趋势。首先对时间序列
进行线性回归分析，得到节点verticei的线性回归函数ait+bi，用节点verticei的原时间序列
减去线性回归函数得到
步骤B2：去除速度时间序列的周期趋势。将步骤B1得到的去线性趋势速度时间序列
重标注为
其中d＝1,...,D为第d个工作日，m＝1,...,180为该时段的第m分钟；计算各时段每分钟的均值及均方差，其中均值
均方差
对节点verticei的速度时间序列以
进行去除周期趋势处理。将处理后的速度时间序列重写为Si(t)，其中i＝1,...,N,t＝1,...,L；
步骤B3：计算速度时间序列互相关函数。遍历选取一组节点组合，即节点verticei与节点verticej；定义两个节点时间序列之间的时延阈值τmax(如：150分钟)，即时延区间为[-τmax,τmax]；计算两节点在时延[-τmax,τmax]区间中所有取值τ的速度时间互相关性函数
其中
和
分别为时间序列Si(t)和Sj(t+τ)在t＝1,...L-τ区间的均值；这里应注意τmax的取值不应过大，因为计算速度时间序列长度为L-τmax。以上述方法得到任一组节点verticei与节点verticej在多个时段的速度时间序列互相关函数Xi,j(τ)；
其中，步骤C中所述的“依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络”，其做法如下：利用步骤B中计算得到的速度时间序列互相关函数Xi,j(τ)，计算网络中任一对节点的边权重及距离，设置最小边权值Wmin及最长路径值Dmax，筛选网络中符合最小边权值Wmin及最长路径值Dmax的节点与边，建立交通道路相关性网络，以上所述过程的具体步骤如下：
步骤C1：计算网络边权及节点距离。在步骤B计算得到的速度时间互相关性函数Xi,j(τ)中，计算两节点间连边的权重
其中max(Xi,j(τ))，mean(Xi,j(τ))及std(Xi,j(τ))分别为函数Xi,j(τ)的最大值，均值及均方差；对于时间互相关性函数Xi,j(τ)，时间延迟
为Xi,j(τ)取最大值时对应的τ；定义节点verticei与节点verticej的距离Di,j(根据具体情况为欧氏距离或拓扑距离)；
步骤C2：设置最小边权值Wmin及最长路径值Dmax。将各节点每个时间段内的时间序列随机打乱重排，计算重排后节点verticei与节点verticej的互相关性序列、权值及距离。根据随机状态下与常规状态下的权值分布及距离分布，设置以上计算的随机相关性的W最大值为两节点的最小边权值Wmin，并设置权重等于Wmin的对应节点之间的距离为Dmax，；
步骤C3：建立交通道路相关性网络。对任意一对节点verticei与节点verticej，若在当前时间段其边权
且距离Di,j≤Dmax，则在当前时间段的交通相关性节点verticei与节点verticej存在一条连边，建立相应交通道路相关性网络；
其中，步骤D中所述的“挖掘关键节点。根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段”，其做法如下：基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中的强度，以及verticei所有连边距离Di,j的平均值，利用这两个特征衡量路网各节点(路段)的重要度，以上所述过程的具体步骤如下：
步骤D1：计算节点强度。基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中强度，即该节点所有连边权重之和；
步骤D2：计算连边距离平均值。基于交通相关性网路，计算任一节点verticei的平均影响力距离，即该节点所有连边距离Di,j的平均值，结合步骤D1的节点强度特征，利用这两个特征衡量路网各节点(路段)的重要度。
Claims (2)
1.一种基于复杂网络相关性的关键节点识别方法，其特征在于：其步骤如下：
步骤A：统计路网道路各时段速度时间序列；将一天划分为早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2；将路段即roadi抽象为节点即verticei，形成各节点在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列
步骤B：计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi,j(τ)；
步骤C：建立交通道路相关性网络；依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络；
步骤D：挖掘关键节点；根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段；
在步骤B中所述的“计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列
通过两步去趋势处理，形成时间序列Si(t)；计算节点verticei与节点verticej的速度时间序列互相关函数Xi，j(τ)”，其做法如下：对步骤A中得到的各节点时间序列
通过线性回归方法去除其线性趋势，再去除周期趋势，最后利用两步去趋势化处理后的时间序列进行各节点间速度时间序列互相关函数计算，具体步骤如下：
步骤B1：去除速度时间序列的线性趋势；首先对时间序列
进行线性回归分析，得到节点verticei的线性回归函数ait+bi，用节点verticei的原时间序列
减去线性回归函数得到
步骤B2：去除速度时间序列的周期趋势；将步骤B1得到的去线性趋势速度时间序列
重标注为
其中d＝1,...,D为第d个工作日，m＝1,...,180为该时段的第m分钟；计算各时段每分钟的均值及均方差，其中均值
均方差
对节点verticei的速度时间序列以
进行去除周期趋势处理；将处理后的速度时间序列重写为Si(t)，其中i＝1,...,N,t＝1,...,L；N为节点个数；L为时间序列长度；
步骤B3：计算速度时间序列互相关函数；遍历选取一组节点组合，即节点verticei与节点verticej；定义两个节点时间序列之间的时延阈值τmax，即时延区间为[-τmax,τmax]；计算两节点在时延[-τmax,τmax]区间中所有取值的速度时间互相关性函数
在步骤C中所述的“依据节点verticei与节点verticej的时间序列互相关函数Xi,j(τ)计算节点连边权重
及节点verticei与节点verticej的距离Di,j；设置最小边权值Wmin及最长路径值Dmax，当边权
且距离Di,j≤Dmax均满足时，节点verticei与节点verticej存在一条连边，据此建立交通道路相关性网络”，其做法如下：利用步骤B中计算得到的速度时间序列互相关函数Xi,j(τ)，计算网络中任一对节点的边权重及距离，设置最小边权值Wmin及最长路径值Dmax，筛选网络中符合最小边权值Wmin及最长路径值Dmax的节点与边，建立交通道路相关性网络，具体步骤如下：
步骤C1：计算网络边权及节点距离；在步骤B计算得到的速度时间互相关性函数Xi,j(τ)中，计算两节点间连边的权重
其中max(Xi,j(τ))，
mean(Xi,j(τ))及std(Xi,j(τ))分别为函数Xi,j(τ)的最大值，均值及均方差；对于时间互相关性函数Xi,j(τ)，时间延迟
为Xi,j(τ)取最大值时对应的τ；定义节点verticei与节点verticej的距离Di,j；
步骤C2：设置最小边权值Wmin及最长路径值Dmax；将各节点每个时间段内的时间序列随机打乱重排，计算重排后节点verticei与节点verticej的互相关性序列、权值及距离；根据随机状态下与常规状态下的权值分布及距离分布，设置随机相关性的W最大值为两节点的最小边权值Wmin，并设置权重等于Wmin的对应节点之间的距离为Dmax；
步骤C3：建立交通道路相关性网络；对任意一对节点verticei与节点verticej，若在当前时间段其边权
且距离Di,j≤Dmax，则在当前时间段的交通相关性节点verticei与节点verticej存在一条连边，建立相应交通道路相关性网络；
在步骤D中所述的“挖掘关键节点；根据节点verticei的强度，及节点verticei的平均影响范围，为节点影响力排序,挖掘关键路段”，其做法如下：基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中的强度，以及verticei所有连边距离Di,j的平均值，利用这两个特征衡量路网各节点即路段的重要度，具体步骤如下：
步骤D1：计算节点强度；基于建立的各时段加权交通相关性网路，计算任一节点verticei在该时段交通道路相关性网络中强度，即该节点所有连边权重之和；
步骤D2：计算连边距离平均值；基于交通相关性网路，计算任一节点verticei的平均影响力距离，即该节点所有连边距离Di,j的平均值，结合步骤D1的节点强度特征，利用这两个特征衡量路网各节点即路段的重要度。
2.根据权利要求1所述的一种基于复杂网络相关性的关键节点识别方法，其特征在于：
在步骤A中所述的“将一天划分为早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2；将路段即roadi抽象为节点即verticei，形成各节点在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列
”，其做法如下：将一天划分为早高峰时段6:30-9:30、平峰时段13:00-16:00和晚高峰时段17:00-20：00；选择城市主要道路，将路段即roadi抽象为节点即verticei，收集同一道路在多个工作日给定时段的实时速度数据，按照工作日时间顺序首尾相接，得到该节点roadi在给定时段即早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列
即序列中相邻速度时间间隔为Δt，具体步骤如下：
步骤A1：区分路网速度数据收集时段；首先区分工作日与非工作日，仅选择工作日，将各天数据根据所在地区的实际情况区分为早高峰时段：6:30-9:30、平峰时段13:00-16:00、晚高峰时段17:00-20:00；其中，时段的划分需要根据数据收集地的实际情况确定，并应取一个公共时长作为所有时间段的数据规范化范围，将时间段长度设置为3小时；
步骤A2：将路段即roadi抽象为节点即verticei；将原始路网中的道路记为网络中的节点，并且区分不同方向的道路为不同节点；
步骤A3：收集统计各节点verticei在各时段的速度时间序列
收集各节点verticei在多个工作日的各时段实时速度数据，得到的各节点各时段速度时间序列可能存在缺失值，对于缺失的速度数据，采用公知方法进行补偿；最终，将节点verticei在同一时段的多个工作日速度时间序列按照工作日先后顺序相连，分别得到节点verticei在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列；若网络有N个节点，各时间段长度取值180分钟，时间间隔Δt＝1分钟，工作日共5天，则速度时间序列长度为L＝180×5＝900分钟，速度时间序列用
表示，其中i＝1,...,N,t＝1,...,L。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021967.7A CN110738853B (zh) | 2019-10-25 | 2019-10-25 | 一种基于复杂网络相关性的关键节点识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911021967.7A CN110738853B (zh) | 2019-10-25 | 2019-10-25 | 一种基于复杂网络相关性的关键节点识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110738853A CN110738853A (zh) | 2020-01-31 |
| CN110738853B true CN110738853B (zh) | 2020-10-09 |
Family
ID=69271394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911021967.7A Active CN110738853B (zh) | 2019-10-25 | 2019-10-25 | 一种基于复杂网络相关性的关键节点识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738853B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815448B (zh) * | 2020-07-09 | 2021-05-04 | 睿智合创(北京)科技有限公司 | 基于关联网络的申请单确定方法 |
| CN111798663B (zh) * | 2020-08-07 | 2021-12-14 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
| CN116090268B (zh) * | 2023-04-12 | 2023-07-14 | 四川省交通勘察设计研究院有限公司 | 一种公路交通网络枢纽节点识别方法、装置、设备和介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| CN101819717B (zh) * | 2010-03-05 | 2012-02-22 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
| US8732712B2 (en) * | 2010-06-04 | 2014-05-20 | Board Of Regents Of The University Of Texas System | Synthesis of concurrent schedulers for multicore architectures |
| EP3720065A1 (en) * | 2012-09-28 | 2020-10-07 | Cornell University | System and methods for improved network routing |
| CN105279966B (zh) * | 2015-10-09 | 2018-03-13 | 武汉理工大学 | 一种校园交通的拥堵识别方法 |
| US9882663B2 (en) * | 2016-03-17 | 2018-01-30 | Arcom Digital, Llc | Doppler location of signal leaks in an HFC network |
| CN108399745B (zh) * | 2018-03-01 | 2020-10-16 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
| CN109285346B (zh) * | 2018-09-07 | 2020-05-05 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
| CN110111575B (zh) * | 2019-05-16 | 2020-10-27 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
-
2019
- 2019-10-25 CN CN201911021967.7A patent/CN110738853B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110738853A (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738853B (zh) | 一种基于复杂网络相关性的关键节点识别方法 | |
| CN104050803B (zh) | 一种区域高速路网运行状态评价方法 | |
| CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
| CN110059963A (zh) | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 | |
| CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
| CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN107134142A (zh) | 一种基于多源数据融合的城市道路流量预测方法 | |
| Yao et al. | An optimization model for arterial coordination control based on sampled vehicle trajectories: The STREAM model | |
| CN105261217A (zh) | 一种基于密度聚类算法的城市交通拥堵状态检测方法 | |
| CN114093168A (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 | |
| CN110009257B (zh) | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 | |
| CN111145536B (zh) | 一种基于异常检测的道路网络脆性评价方法 | |
| CN110543728B (zh) | 一种城市交通路网关键路口发现方法 | |
| CN113593220B (zh) | 一种基于宏观基本图的路网承载力估计方法 | |
| CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
| CN106533759B (zh) | 一种多层网络中的基于路径熵的链路预测方法 | |
| Zou et al. | Use of skew-normal and skew-t distributions for mixture modeling of freeway speed data | |
| CN113096404B (zh) | 一种面向道路封锁的路网交通流变动定量计算方法 | |
| CN110232819B (zh) | 一种基于复杂网络的城市关键道路的发掘方法 | |
| CN109766642A (zh) | 一种自演化交通路网拓扑建模方法 | |
| CN108415884A (zh) | 一种结构模态参数实时追踪方法 | |
| CN113537626A (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
| CN109785625B (zh) | 一种城市路网运行状态的“红绿”区域识别和评价方法 | |
| Wang et al. | Effects of winter climate on delays of high speed passenger trains in Botnia-Atlantica region | |
| Yao et al. | Hybrid model for prediction of real-time traffic flow |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220705 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 |