CN110930281B - 一种城市交通流社团结构统计检测的方法及系统 - Google Patents

一种城市交通流社团结构统计检测的方法及系统 Download PDF

Info

Publication number
CN110930281B
CN110930281B CN201911227645.8A CN201911227645A CN110930281B CN 110930281 B CN110930281 B CN 110930281B CN 201911227645 A CN201911227645 A CN 201911227645A CN 110930281 B CN110930281 B CN 110930281B
Authority
CN
China
Prior art keywords
road
track
graph
data
point
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
CN201911227645.8A
Other languages
English (en)
Other versions
CN110930281A (zh
Inventor
刘启亮
朱三成
邓敏
刘文凯
吴智慧
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201911227645.8A priority Critical patent/CN110930281B/zh
Publication of CN110930281A publication Critical patent/CN110930281A/zh
Application granted granted Critical
Publication of CN110930281B publication Critical patent/CN110930281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市交通流社团结构统计检测的方法及系统，所述方法包括：首先，建立轨迹数据与路网数据的关联模型；其次，提出一种在加权空间嵌入图的空间扫描统计量方法识别出具有显著性的道路；进而，采用蚁群优化检测出任意形状的空间社团；最后，提出一种随机轨迹的蒙特卡洛模拟方法对检测出的空间社团进行显著性评估。将本发明应用于实际交通数据，可以揭示不同区域之间的空间相互作用，为理解城市结构和功能提供一定的借鉴。

Description

一种城市交通流社团结构统计检测的方法及系统
技术领域
本发明涉及智能交通领域，具体来说，涉及一种城市交通流社团结构统计检测方法及系统。
背景技术
科学合理地检测城市空间社团，有助于城市管理者全面了解城市结构与功能，深入了解不同区域之间的空间交互作用，为均衡分配道路资源，诱导交通流合理运行提供数据支撑与决策依据。
空间社团是指基于不同区域之间的相互作用而构建的空间嵌入图的子图，其中该子图内的节点比外部节点的连接更紧密。当前社团结构检测方法主要分为两类：(1)忽略地理约束的社团结构检测方法；(2)空间社团结构检测方法。
忽略地理约束的社团结构检测方法首先定义一个目标函数，然后使用一种优化方法找到空间嵌入图的最佳划分，从而使目标函数最大化，这种方法没有考虑地理约束导致主要识别出受地理因素强烈影响的社团，而往往无法检测到受其他潜在因素影响的社团，具有局限性；空间社团结构检测方法将空间因素加入目标函数中，使得社团结构检测受地理约束；但这些方法忽略了城市空间中车辆会受到道路网的强烈约束，于是有学者提出以道路为地理单元进行空间社团结构检测；然而，该方法并不能评估社团结构的显著性，于是有学者扩展了空间扫描统计量来评估社团结构的显著性，但它不能在加权空间嵌入图中检测任意形状的空间社团结构。
基于上述分析可以发现，现有的空间社团结构检测方法在设计时往往没有考虑车辆的道路网络约束，也没有评估空间社团的显著性，这样所识别出的空间社团结构使不可靠的，甚至可能使虚假的。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了解决现有技术所存在的缺陷，本发明实施方式提供一种城市交通流社团结构统计检测方法及系统，能够准确、高效地评估城市交通流空间社团结构的显著性。
为实现上述技术目的，本发明的技术方案是这样实现的：
办发明提供了一种城市交通流社团结构统计检测方法，所述方法包括：
S1、获取路网数据和轨迹数据；
S2、建立所述路网数据与所述轨迹数据之间的关联模型；
S3、采用空间扫描统计识别出具有显著性的道路；
S4、采用蚁群优化检测出任意形状的空间社团；
S5、采用蒙特卡洛模拟方法对检测出的空间社团进行显著性评估。
进一步地，步骤S2还包括对轨迹添加路网约束，以路段为基本单元。
进一步地，步骤S3还包括提出了在加权空间嵌入图中计算空间扫描统计量。
进一步地，步骤S3识别显著性路段时采用的蒙特卡洛模拟随机方式为随机轨迹。
进一步地，步骤S4中的蚁群优化为基于空间扫描统计的蚁群优化。
相应地地，本发明实施例还提供一种城市交通流社团结构统计检测方法及系统，包括：
数据获取模块201，用于获取路网数据和轨迹数据；
关联模型建立模块202，用于建立所述路网数据与所述轨迹数据之间的关联模型；
识别模块203，用于采用空间扫描统计识别出具有显著性的道路；
检测模块204，用于蚁群优化检测出任意形状的空间社团；
统计模块205，用于采用蒙特卡洛模拟方法对检测出的空间社团进行显著性评估。
进一步地，关联模型建立模块对轨迹添加路网约束，以路段为基本单元。
进一步地，识别模块还用于在加权空间嵌入图中计算空间扫描统计量。
进一步地，识别模块用于识别显著性路段时采用的蒙特卡洛模拟随机方式为随机轨迹。
进一步地，检测模块的蚁群优化为基于空间扫描统计的蚁群优化。
进一步地，统计模块的蒙特卡洛模拟方法为随机轨迹而非完全随机。
综上所述，本发明的有益效果：1.本发明提出了一种城市交通流社团结构统计检测方法，弥补了现有技术的不足，有助于城市管理者全面了解城市结构与功能，深入了解不同区域之间的空间交互作用，为均衡分配道路资源，诱导交通流合理运行提供数据支撑与决策依据；2.本发明在对城市交通流社团结构统计检测过程中考虑到轨迹数据的特点，对轨迹添加了道路网络的约束，以路段为基本单元，可避免未考虑路网约束检测出的虚假社区，使得检测结果更加准确可靠；3.本发明提出了在加权空间嵌入图中计算空间扫描统计量，考虑了道路之间的交互流量，从而提高了检测结果准确性；4.本发明提出一种基于空间扫描统计的蚁群优化，能够准确、高效地识别城市交通流社团结构；本发明提出一种随机轨迹的蒙特卡洛模拟方法，保证了轨迹在路段上的连续性，能够准确地评估城市交通流社团结构的显著性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种城市交通流社团结构统计检测方法的流程示意图；
图2是根据本发明实施例的一种城市交通流社团结构统计检测系统的示意图；
图3是城市交通流社团结构统计检测方法及系统实施流程框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
本实施例如图1-3所示，本发明的具体方法如下：
S1、获取路网数据和轨迹数据。
路网数据是从OpenStreetMap获取得到的多级道路矢量数据；轨迹数据是车载GPS每隔一定时间(90秒)采集一次得到的车辆信息数据。本发明需首先从原始GPS数据中提取出所有车辆的轨迹数据，具体提取方法如下：
S101.将具有同一车辆标识的GPS点识别为同一组轨迹数据，若整个数据集中共有S个不同的车辆ID，则会得到S组轨迹Ti(i＝1,2,…,S)；将所有道路网络进行编号，若整个数据集中有N条不同的道路ID，则会得到道路集合Ri(i＝1,2,…,N)；
S102.将上一步识别出的每组轨迹数据按照载客和非载客状态进行划分，从每一组轨迹Ti(i＝1,2,…,S)中提取两种状态轨迹方法为：从Ti的第一个采样点P1开始，判断Ti中P1的后一点P2的载客状态与P1的载客状态是否相同且采样间隔时间不大于原始数据的时间分辨率(90秒)，若载客状态相同且不大于，表示P1与P2为同一状态轨迹；若载客状态不同或者采样间隔大于原始数据的分辨率，表示P1与P2不为同一状态轨迹，P1作为一条状态轨迹的终点，P2作为另一条状态轨迹的起点；
S103.以上步所述的方法依次Ti(i＝1,2,…,S)中的每一个点，最终得到所有轨迹。
S2、建立所述路网数据与所述轨迹数据之间的关联模型。
S201.将道路网络中的所有线在线的节点处、相交处打断为直线，每条直线表示网络的边，直线的端点为网络结点，从而构建一个规范的网络结构。
S202.网络中的每条边都有两端点坐标A1(X1,Y1)，A2(X2,Y2)，由两点坐标采用数学方法求出每条直线的直线方程：y＝ki*X+bi(i＝1,2,…,N(N为直线数目))。
S203.S1提取出的不同状态上的轨迹点都有其相应的坐标，判断一个轨迹点P(x,y)所属的直线的方法为：将P点的x坐标分别代入每条直线方程得到yi(i＝1,2,…,N)，找出yi与P点的y坐标差值最小的直线即为P点所属的直线。以此方法可判断所有轨迹点所属的直线。
S204.判读每个轨迹点所属的直线之后就建立了道路网络和轨迹点之间的关联模型。于是将得到的轨迹用道路ID进行表示，一条轨迹原始表示为：T＝[P1,P2,…,Pn]，根据轨迹点与所属直线关系，进一步将一条轨迹表示为T＝[r1,r2,…,rn]，对轨迹添加路网约束，以路段为基本单元。
S3、采用空间扫描统计识别出具有显著性的道路。
在建立了路网数据和轨迹数据之间的关联模型之后，将道路网络与轨迹点之间的关联模型转换为加权的空间嵌入图，该加权空间嵌入图定义为G＝(V,E)，其中：
(1)V为顶点集，每个路段视为G的顶点；
(2)E为边集合，一条轨迹上连续的两个路段构成G中的一条边，表示为<ri，ri+1>；
(3)边<ri，ri+1>的权重定义为同时经过ri和ri+1的轨迹数
(4)顶点vi的强度定义为与vi相连的边的权重之和。
在加权空间嵌入图G＝(V,E)中的空间扫描统计量是基于泊松模型定义的，对于图G，其中：
(1)WG是图G中所有边的权重和；
(2)SG是图G中所有顶点的强度和；
(3)μ(G)是图G在泊松模型下得到的边的期望权重和，
对于一个子图Z，其中：
(1)WZ是子图Z中所有边的权重和；
(2)Sz是子图Z中所有顶点的强度和；
(3)μ(Z)是子图Z在泊松模型下得到的边的期望权重和，
子图Z的似然比统计量可以表示为：
接下来使用该似然比统计量进行空间扫描统计识别出具有显著性的道路，对于图G中的每一个顶点vi，将扫描窗口(或子图)定义为顶点vi的一阶邻居，对于每一个扫描窗口，似然比统计量都可以通过公式(1)计算得出，并且使用蒙特卡洛模拟方法计算每个扫描窗口的显著性(p值)，在这里的蒙特卡洛模拟方法产生的随机模拟数据集是对路网上的轨迹进行随机，而非完全随机轨迹点。一个扫描窗口Z的显著性(p值)可以表示为：
其中：
(1)Nrep是模拟数据集的数量(设置为999)；
(2)I是一个指标变量
在第i次模拟后，如果LRsim(Z)>LR(Z)，那么Ii＝1，否则Ii＝0，LRsim(Z)是基于模拟数据集计算的似然比统计量，为了避免丢失任何候选路段，显著性水平设置为0.1，不使用多重假设检验进行调整。
S4、采用蚁群优化检测出任意形状的空间社团
在获取了具有显著性的路段后，将这些路段定义为蚁群优化的候选路段集合，进一步采用蚁群优化来检测出任意形状的空间社团。
在蚁群优化中，Nant是蚂蚁数量，等同于候选路段数；Nite是最大迭代次数，设置为200；Ne为精英蚂蚁数目，设置为20；Mip是每条路段的初始化信息素值，设置为该路段在候选路段集中的轨迹数的归一化值；Mpe是信息素挥发值，设置为0.1；Mpi信息素增量值，设置为0.1。
采用蚁群优化检测出任意形状的空间社团分为如下步骤：
步骤1，在候选路段集中随机选择一条路段R1，然后从高斯随机函数中随机确定蚂蚁的最大行走长度L；
步骤2，让一直蚂蚁从R1出发，它进入的下一个路段为R2，选择R2是根据R2上的信息素计算出的概率确定的，当蚂蚁行走长度达到L时停止行走，然后得到一个由一系列路段形成的子图；
步骤3，重复第2步Nant次，就得到了Nant个子图，对于每一个子图，都是用公式(1)计算出一个似然比统计量，然后将这些似然比统计量LR＝[LR1,LR2,…,LRNant]进行降序排序，将排序后的LR中的前Ne个似然比统计量定义为精英蚂蚁行走得到子图所计算出的似然比统计量，再将精英蚂蚁所生成子图中的路段信息素增加Mip，最后对所有候选路段上的信息素挥发Mpi；
步骤4，重复步骤1到步骤3Nite次后，所有蚂蚁行走生成的子图都为候选的空间社团。
步骤5，采用蒙特卡洛模拟方法对检测出的空间社团进行显著性评估
在得到由蚁群优化检测出的任意形状的候选空间社团后，采用蒙特卡洛模拟方法对这些检测出的空间社团进行显著性评估。利用S3介绍的计算显著性的方法进一步对每个候选空间社团进行评估，此时应考虑多重测试的问题，本发明采用基于线性的两步自适应程序被用来纠正多重测试问题，按照p值对数据集中的N个点进行升序排列(p(1)≤p(2)≤…≤p(N))，然后从p(N)开始找出第一个满足下式的p(i)：
这里α表示显著性水平，如果空间社团的p值比小，则接受该空间社团，否则拒绝该空间社团。在纠正了多重测试的错误发生率之后，可以得到一个校正后的显著性水平αadj；在候选空间社团中p值小于αadj将被定义为具有统计显著性的城市交通流空间社团。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种城市交通流社团结构统计检测方法，其特征在于，所述方法包括：
S1、获取路网数据和轨迹数据，其中，所述路网数据是从OpenStreetMap获取得到的多级道路矢量数据；所述轨迹数据为车载GPS每隔预设时间采集一次得到的车辆信息数据；
S2、建立所述路网数据与所述轨迹数据之间的关联模型；
在建立了路网数据和轨迹数据之间的关联模型之后，对轨迹添加路网约束，以路段为基本单元，将道路网络与轨迹点之间的关联模型转换为加权的空间嵌入图，加权空间嵌入图定义为G＝(V,E)，其中：
(1)V为顶点集，每个路段视为G的顶点；
(2)E为边集合，一条道路上连续的两个路段构成G中的一条边，表示为<ri，ri+1>；
(3)边<ri，ri+1>的权重定义为同时经过ri和ri+1的轨迹数；
(4)顶点vi的强度定义为与vi相连的边的权重之和；
S3、采用空间扫描统计识别出具有显著性的道路；
在加权空间嵌入图G＝(V,E)中的空间扫描统计量是基于泊松模型定义的，对于图G，其中：
(1)WG是图G中所有边的权重和；
(2)SG是图G中所有顶点的强度和；
(3)μ(G)是图G在泊松模型下得到的边的期望权重和，
对于一个子图Z，其中：
(1)WZ是子图Z中所有边的权重和；
(2)Sz是子图Z中所有顶点的强度和；
(3)μ(Z)是子图Z在泊松模型下得到的边的期望权重和，
子图Z的似然比统计量可以表示为：
通过所述似然比统计量进行空间扫描统计识别出具有显著性的道路，对于图G中的每一个顶点vi，将扫描窗口或子图定义为顶点vi的一阶邻居，对于每一个扫描窗口，似然比统计量都可以通过公式(1)计算得出，并且使用蒙特卡洛模拟方法计算每个扫描窗口的显著性p值，在这里的蒙特卡洛模拟方法产生的随机模拟数据集是对路网上的轨迹进行随机，而非完全随机轨迹点，一个扫描窗口Z的显著性p值可以表示为：
其中：
(1)Nrep是模拟数据集的数量，设置为999；
(2)I是一个指标变量
在第i次模拟后，如果LRsim(Z)>LR(Z)，那么Ii＝1，否则Ii＝0，LRsim(Z)是基于模拟数据集计算的似然比统计量，为了避免丢失任何候选路段，显著性水平设置为0.1，不使用多重假设检验进行调整；
S4、采用蚁群优化检测出任意形状的空间社团；
在获取了具有显著性的路段后，将具有显著性的路段定义为蚁群优化的候选路段集合，进一步采用蚁群优化来检测出任意形状的空间社团；
S5、采用蒙特卡洛模拟方法对检测出的空间社团进行显著性评估。
2.如权利要求1所述的方法，其特征在于，S101，将具有同一车辆标识的GPS点识别为同一组轨迹数据，若整个数据集中共有S个不同的车辆ID，则会得到S组轨迹Ti(i＝1,2,…,S)；将所有道路网络进行编号，若整个数据集中有M条不同的道路ID，则会得到道路集合Ri(i＝1,2,…,M)；
S102，将上一步识别出的每组轨迹数据按照载客和非载客状态进行划分，从每一组轨迹Ti(i＝1,2,…,S)中提取两种状态轨迹方法为：从Ti的第一个采样点P1开始，判断Ti中P1的后一点P2的载客状态与P1的载客状态是否相同且采样间隔时间不大于原始数据的时间分辨率，若载客状态相同且不大于，表示P1与P2为同一状态轨迹；若载客状态不同或者采样间隔大于原始数据的分辨率，表示P1与P2不为同一状态轨迹，P1作为一条状态轨迹的终点，P2作为另一条状态轨迹的起点；
S103，对Ti(i＝1,2,…,S)中的每一个点以此执行步骤S101-S102的方法，最终得到所有轨迹。
3.如权利要求2所述的方法，其特征在于，所述步骤S2还包括：对轨迹添加路网约束，以路段为基本单元，其中包括：
S201，将道路网络中的所有线在线的节点处、相交处打断为直线，每条直线表示网络的边，直线的端点为网络结点，从而构建一个规范的网络结构；
S202，网络中的每条边都有两端点坐标A1(X1,Y1)，A2(X2,Y2)，由两点坐标采用数学方法求出每条直线的直线方程：y＝ki*X+bi(i＝1,2,…,N)，其中，N为直线数目；
S203，根据所述步骤S1提取出的不同状态上的轨迹点都有其相应的坐标，判断一个轨迹点P(x,y)所属的直线的方法为：将P点的x坐标分别代入每条直线方程得到yi(i＝1,2,…,N)，找出yi与P点的y坐标差值最小的直线即为P点所属的直线，并以此方法判断所有轨迹点所属的直线；
S204，判读每个轨迹点所属的直线之后就建立了道路网络和轨迹点之间的关联模型，得到的轨迹用道路ID进行表示，一条轨迹原始表示为：T＝[P1,P2,…,Pn]，根据轨迹点与所属直线关系，进一步将一条轨迹表示为T＝[r1,r2,…,rn]，对轨迹添加路网约束，以路段为基本单元。
4.如权利要求1所述的方法，其特征在于，所述步骤S4中的蚁群优化为基于空间扫描统计的蚁群优化。
5.一种城市交通流社团结构统计检测系统，其特征在于，所述系统包括：
数据获取模块，用于获取路网数据和轨迹数据，其中，所述路网数据是从OpenStreetMap获取得到的多级道路矢量数据；所述轨迹数据为车载GPS每隔预设时间采集一次得到的车辆信息数据；
关联模型建立模块，用于建立所述路网数据与所述轨迹数据之间的关联模型；
在建立了路网数据和轨迹数据之间的关联模型之后，对轨迹添加路网约束，以路段为基本单元，将道路网络与轨迹点之间的关联模型转换为加权的空间嵌入图，加权空间嵌入图定义为G＝(V,E)，其中：
(1)V为顶点集，每个路段视为G的顶点；
(2)E为边集合，一条道路上连续的两个路段构成G中的一条边，表示为<ri，ri+1>；
(3)边<ri，ri+1>的权重定义为同时经过ri和ri+1的轨迹数；
(4)顶点vi的强度定义为与vi相连的边的权重之和；
识别模块，用于采用空间扫描统计识别出具有显著性的道路；
在加权空间嵌入图G＝(V,E)中的空间扫描统计量是基于泊松模型定义的，对于图G，其中：
(1)WG是图G中所有边的权重和；
(2)SG是图G中所有顶点的强度和；
(3)μ(G)是图G在泊松模型下得到的边的期望权重和，
对于一个子图Z，其中：
(1)WZ是子图Z中所有边的权重和；
(2)Sz是子图Z中所有顶点的强度和；
(3)μ(Z)是子图Z在泊松模型下得到的边的期望权重和，
子图Z的似然比统计量可以表示为：
通过所述似然比统计量进行空间扫描统计识别出具有显著性的道路，对于图G中的每一个顶点vi，将扫描窗口或子图定义为顶点vi的一阶邻居，对于每一个扫描窗口，似然比统计量都可以通过公式(1)计算得出，并且使用蒙特卡洛模拟方法计算每个扫描窗口的显著性p值，在这里的蒙特卡洛模拟方法产生的随机模拟数据集是对路网上的轨迹进行随机，而非完全随机轨迹点，一个扫描窗口Z的显著性p值可以表示为：
其中：
(1)Nrep是模拟数据集的数量，设置为999；
(2)I是一个指标变量
在第i次模拟后，如果LRsim(Z)>LR(Z)，那么Ii＝1，否则Ii＝0，LRsim(Z)是基于模拟数据集计算的似然比统计量，为了避免丢失任何候选路段，显著性水平设置为0.1，不使用多重假设检验进行调整；
检测模块，用于蚁群优化检测出任意形状的空间社团；
在获取了具有显著性的路段后，将具有显著性的路段定义为蚁群优化的候选路段集合，进一步采用蚁群优化来检测出任意形状的空间社团；
统计模块，用于采用蒙特卡洛模拟方法对检测出的空间社团进行显著性评估。
6.如权利要求5所述的系统，其特征在于，所述检测模块的蚁群优化为基于空间扫描统计的蚁群优化。
CN201911227645.8A 2019-12-04 2019-12-04 一种城市交通流社团结构统计检测的方法及系统 Active CN110930281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911227645.8A CN110930281B (zh) 2019-12-04 2019-12-04 一种城市交通流社团结构统计检测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911227645.8A CN110930281B (zh) 2019-12-04 2019-12-04 一种城市交通流社团结构统计检测的方法及系统

Publications (2)

Publication Number Publication Date
CN110930281A CN110930281A (zh) 2020-03-27
CN110930281B true CN110930281B (zh) 2023-10-03

Family

ID=69856689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911227645.8A Active CN110930281B (zh) 2019-12-04 2019-12-04 一种城市交通流社团结构统计检测的方法及系统

Country Status (1)

Country Link
CN (1) CN110930281B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118134673B (zh) * 2024-05-07 2024-08-09 中南大学 城市空间的竞争合作强度计算方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665708A (zh) * 2018-05-24 2018-10-16 中南大学 一种城市交通流不平衡模式挖掘方法及系统
CN109190650A (zh) * 2018-07-02 2019-01-11 昆明理工大学 一种不规则形状的时空扫描聚类方法
CN109215343A (zh) * 2018-09-20 2019-01-15 山东交通学院 基于社团发现的路网拥堵区域动态识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130198191A1 (en) * 2010-07-08 2013-08-01 Rubén Lara Hernández Method for detecting communities in massive social networks by means of an agglomerative approach

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665708A (zh) * 2018-05-24 2018-10-16 中南大学 一种城市交通流不平衡模式挖掘方法及系统
CN109190650A (zh) * 2018-07-02 2019-01-11 昆明理工大学 一种不规则形状的时空扫描聚类方法
CN109215343A (zh) * 2018-09-20 2019-01-15 山东交通学院 基于社团发现的路网拥堵区域动态识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Detecting arbitrarily shaped clusters in origin-destination flows using ant colony optimization;Song等;《International Journal of Geographical Information Science》;20180910;正文第1-21页 *

Also Published As

Publication number Publication date
CN110930281A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN106355881A (zh) 一种基于空间自相关的事故多发点鉴别方法及装置
CN107368480B (zh) 一种兴趣点数据错误类型定位、重复识别方法及装置
CN109858755B (zh) 一种评价水体质量的方法
CN110991262A (zh) 生态服务价值预测的多带宽地理加权回归元胞自动机方法
CN110930281B (zh) 一种城市交通流社团结构统计检测的方法及系统
CN111723835A (zh) 车辆移动轨迹区分方法、装置和电子设备
CN110716998B (zh) 一种精细尺度人口数据空间化方法
CN108665708B (zh) 一种城市交通流不平衡模式挖掘方法及系统
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN113269805B (zh) 降水事件引导的遥感降水反演训练样本自适应选取方法
WO2018042208A1 (en) Street asset mapping
US8738564B2 (en) Method for pollen-based geolocation
CN111477012B (zh) 基于路况状态预测模型的溯源方法、装置和计算机设备
CN117036917A (zh) 一种基于深度学习的自动纠错方法
CN107978151A (zh) 一种车辆检测方法和系统
CN117275215A (zh) 一种基于图过程神经网络的城市道路拥堵时空预测方法
Majumdar et al. Detecting bias in the presence of spatial autocorrelation
CN113362286B (zh) 一种基于深度学习的自然资源要素变化检测方法
KR101469168B1 (ko) 공간적 상관분석을 이용한 시료 대표성 평가 방법
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN110728440B (zh) 一种基于空间相关性的措施图斑抽样处理方法和装置
CN110880244B (zh) 一种辨别出租车是否为克隆车的方法及系统
CN111008672B (zh) 样本提取方法、装置、计算机可读存储介质和计算机设备
CN109816211B (zh) 判断污染区域相似性及提高治理污染效率的方法及装置

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