CN111145548B

CN111145548B - 一种基于数据场和节点压缩的重点路口识别及子区划分方法

Info

Publication number: CN111145548B
Application number: CN201911376176.6A
Authority: CN
Inventors: 邹开荣; 徐甲; 谢竞成; 丁楚吟; 郭海锋
Original assignee: Enjoyor Co Ltd
Current assignee: Yinjiang Technology Co ltd
Priority date: 2019-12-27
Filing date: 2019-12-27
Publication date: 2021-06-01
Anticipated expiration: 2039-12-27
Also published as: CN111145548A

Abstract

本发明涉及一种基于数据场和节点压缩的重点路口识别及子区划分方法，本发明基于静态与动态多源数据，构建路网对象立体数据模型，并基于路网对象立体数据模型构建虚拟数据场来挖掘路网中对象与对象之间的相互影响关系，并最终实现对象与对象之间的相互融合，达到交通子区划分及重点路口识别的目的。本发明综合分析路网对象自身数据属性与其依赖、影响对象之间的数据关联性，从而实现正确的子区划分与重点路口识别，降低了路网系统中子区与子区划分时的人为主观性的缺点以及提高重点路口识别的准确性，为交通治理提供了有效的数据支持。

Description

一种基于数据场和节点压缩的重点路口识别及子区划分方法

技术领域

本发明涉及智慧交通领域，尤其涉及一种基于数据场和节点压缩的重点路口识别及子区划分方法。

背景技术

在交通治理中，划分交通子区以及识别重点路口是其中非常重要的一个环节，关系到交通治理的效率以及最终结果。由于受到工作人员的精力限制和路口数量巨大的影响，无法对每个路口进行精确和认真的控制，故需要识别重点路口进行精确和严格的调控；且在一定区域内的若干个路口间往往存在路口属性上的相似性，工作人员往往对这些路口进行统一的调控，来达到综合治理某个区域的目的，因此，人们会将整个路网系统切割为多个交通子区，在相应的交通子区中做统一的路口调控，提高交通治理的效率。

然而，虽然这种方法在各地的交通治理中进行频繁的应用，但往往收益欠佳。究其根本，在重点路口的识别和交通子区的划分上，通过报警数据将报警频繁的若干路口检测出来，划分为重点路口，并在此基础上将这些重点路口进行组团融合，再进行地理信息上聚合，以此作为划分交通子区的依据。此种方法虽然在报警层面对数据进行了应用，但是没有综合考虑速度，流量，饱和度等其他动态数据，数据使用单一。且在子区划分上，忽略了系统中对象之间的隐藏关联关系。

所以，需要对当前路网系统的多源数据进行统一的分析，挖掘出数据之间的隐藏联系，以此将真正拥有同一属性的对象划分为同一区域才是对路网本质上进行切割。因此，需要设计一种多源数据，通过数据挖掘来发现路网中对象与对象之间的相互影响关系，并最终实现对象与对象之间的相互融合的方法。

在现有的研究中，国内外专家在重点路口识别方面往往过分着眼于某个路口，某条路段本身的数据在时间上的变化，但却往往忽略路口与路口，路段与路段之间的相互依赖，相互影响关系。且在子区划分的问题上，往往将路口作为一个独立的个体分别讨论其归属问题，但却忽略了个体与个体之间隐藏在数据中的链接关系。所以，需要在研究单个对象自身属性变化的同时着眼于其他个体，挖掘其数据之间的深层关系，综合评判最终子区归属。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于数据场和节点压缩的重点路口识别及子区划分方法，本发明基于静态与动态多源数据构建路网对象立体数据模型，并基于路网对象立体数据模型构建虚拟数据场来挖掘路网中对象与对象之间的相互影响关系，并最终实现对象与对象之间的相互融合，达到交通子区划分及重点路口识别的目的。本发明综合分析路网对象自身数据属性与其依赖、影响对象之间的数据关联性，从而实现正确的子区划分与重点路口识别，降低了路网系统中子区与子区划分时的人为主观性的缺点以及提高重点路口识别的准确性，为交通治理提供了有效的数据支持。

本发明是通过以下技术方案达到上述目的：一种基于数据场和节点压缩的重点路口识别及子区划分方法，包括如下步骤：

(1)基于多源数据构建综合场景、路口、时间的路网对象立体数据模型；

(2)基于路网对象立体数据模型构建得到综合场景、路口、时间的综合距离模型；

(3)构建路网对象数据质量计算模型；

(4)进行路网对象聚合与路口节点压缩及子区划分，并同时输出交通子区；

(5)对交通子区中各个路口进行贝叶斯事件模型进行重点路口识别。

作为优选，所述步骤(1)包括如下步骤：

(1.1)构建路口的场景数据模型；

(1.1.1)提取N个场景影响因子，场景影响因子包括但不限于：通行能力变化、路段维修、交通事故、道路质量、大型活动、恶劣气候、应急措施；

(1.1.2)根据场景影响因子之间的影响关系，获取场景影响因子的优先级；

(1.1.3)根据场景影响因子的优先级，进行归一化处理，获取单个路口的场景数据模型。

作为优选，所述步骤(1)还包括如下步骤：

(1.2)构建路口的路口数据模型：选取单个路口周边M个邻近路口作为影响路口，根据单个路口与影响路口之间的距离，进行归一化处理，获取单个路口的路口数据模型。

作为优选，所述步骤(1)还包括如下步骤：

(1.3.1)选取效率指数：

效率指数是以路段/路口为对象以采样时间时间间隔生产的路口/路段状态数据作为依据而产生的，包括状态数据和报警状态数据，其中，状态数据包括但不限于：交通指数、速度、流量、饱和率、连续报警次数，或路口各类交通采集设备上传的数据；

所述的状态数据到达报警阈值时，触发拥堵报警，报警状态为发生拥堵报警；根据效率指数可划分状态等级，包括但不限于非常严重、严重、一般、畅通；

(1.3.2)根据效率指数计算两路口之间的交通状态时间延迟。

作为优选，所述步骤(1)还包括如下步骤：

选取路口的场景、路口、时间数据模型；

构建综合场景、路口、时间的路网对象立体数据模型：以当前路口作为坐标原点，将影响路口按归一化距离及实际与当前路口的方位顺序在x轴上依次排列，并通过时间数据模型中的实际时间延迟ΔT^*将路口进行Y轴上的偏移，并按照场景数据模型中路口所处场景权重比例进行Z轴上的偏移，以此构建路网立体数据模型。

作为优选，所述步骤(1.1.3)具体如下：

(1.1.3.1)将场景进行划分，场景包括N个影响因子；对影响因子构建影响关系模型矩阵：

a_ji表示影响因子j对影响因子i的影响标记，若影响因子j对路口产生影响时，影响因子i必定或有较大概率也对该路口产生影响，则影响因子j可判定为对影响因子i存在强影响作用，记a_ji＝1；若影响因子j对路口产生影响时，影响因子i几乎不会或有较小概率也对该路口产生影响，则影响因子j可判定为对影响因子i存在弱影响作用，记a_ji＝0；若影响因子j对路口产生影响时，影响因子i对路口产生影响的概率与影响因子i对路口产生影响时，影响因子j对路口产生影响的概率基本持平，则记a_ij与a_ji均为1；

(1.1.3.2)对影响关系模型矩阵进行幂计算处理，直至满足下式所示的条件：

M＝(A+I)ⁿ⁺¹＝(A+I)ⁿ≠(A+I)^n-1......≠(A+I)²≠(A+I)

(1.1.3.3)计算得到可达矩阵M，依据生成的可达矩阵M进行解释结构模型，根据可达矩阵M依次列出可达集R_s，先行集A_s，共同集C_s；

(1.1.3.4)依据先行集对可达矩阵元素项进行排序，可以得到各个影响因子的优先级程度；

(1.1.3.5)依据优先级程度，进行归一化处理，获取单个路口的场景数据模型。

作为优选，所述步骤(1.3.2)计算两路口之间的时间延迟的方法具体为：

划分重点报警时段：将一天的时间按单位时段为时间粒度进行划分，对数天的效率指数数据进行分时段累加，将处于早晚高峰且报警量呈现较大变化趋势的时间段作为重点报警分析时段；

选取单个路口周边M个邻近路口，通过对单个路口和邻近路口之间达到严重报警状态的时间差ΔT，及连续报警现象相似度比对，确定两个对象的实际时间延迟ΔT^*，将该时间数值作为参考延迟系数，其中报警时间差计算如下式所示：

其中，

为路口a在第i个时间区间，连续报警次数达到阈值时或状态等级达到特定等级时的报警起始时间，

为路口b在第i个时间区间，连续报警次数达到阈值时状态等级达到特定等级时的报警起始时间；

报警相似度计算如下式所示：

其中，T_a,i为a路口在第i个时间区间报警持续时间，T_b,i为b路口在第i个时间区间报警持续时间，

为a路口在第i个时间区间最大连续报警次数，

为b路口在第i个时间区间最大连续报警次数.n为重点报警时段个数；

时间延迟计算如下式所示：

ΔT^*＝ΔT*S。

作为优选，所述步骤(2)具体为：基于综合场景、路口、时间的路网对象立体数据模型，计算当前路口与影响路口的距离，即为综合场景、路口、时间的欧式距离，从而建立综合距离模型，其中计算公式如下：

其中，x，y，z分别为路口立体数据模型里的坐标值，分别代表路网归一化距离，实际时间延迟和场景权重等级，δ_x，δ_y，δ_z分别为坐标的修正系数，用于修正三个不同数值类型之间的比例关系。

作为优选，所述步骤(3)具体为：

综合路口自身的数据以及影响路口的数据，选取的当前路口和影响路口作为数据集：D＝{X₁,X₂......X_n}，其中X_n表示当前路口周边路口，以效率指数作为路口数据质量参考，所有路口对当前路口的数据属性造成的数据影响和当前路口的具体数据质量分别如下式所示：

其中，m_i为该节点的自身数据质量，取值为效率指数；|x-x_i|为当前路口到路网中某一周边影响节点i的距离，距离计算参照上述

的计算；σ∈(0,∞)，为节点i与路网空间某点的相互作用，称为影响因子；η为节点i受周边实际情况影响的方向因素，称为方向影响因子，且满足各个方向该因子之和为1；以当前路口为原点，当前路口与正北方的角度为0，按顺时针作为路口间角度计算依据以及将所有路口之间的距离归一化至0到1作为该参数的具体数值；ΔT^*为时间延迟。

作为优选，所述的路网对象聚合具体如下：

对于路网对象立体数据模型和数据质量，将路网系统中路口的事件属性，时间延迟属性和距离属性以及质量属性作为路口的具体参数：

其中，P_i为路口i的事件属性，ΔT_i ^*为路口i的时间延迟属性，

为路口的距离属性，

为路口i的数据质量属性；以上述四个路口属性值作为路口聚合的主要依据，采用改进的louvain算法进行对交通子区的聚合处理，具体如下所示：

其中，Q为社团模块度，用以判定社团区分的质量；m为网络中边的总数量；

A_ij表示边i，j之间连边的权重，x,y,z三个坐标为路口i与路口j三个坐标的相对关系；k_i与k_j分别表示与i,j节点相连的全部边的权重之和；A_i为路口i的介数，表示经过路口i的全部最短路径与路网中全部最短路径的比值，象征路口i在路网中的重要程度；C(V_i)为介数中心性，为归一化的路口介数，其中N为路网全部路口；δ(C_vi,C_vj)为狄拉克函数，C_v为路口的集群号，若节点i，j属于同一社团，则为1，否则置0；

ΔQ表示社团模块增益，C_in是社团C中所有内部边权重的总和；C_out是社团C与外部连接边权重的总和，C_tot表示社团C全部连接边，包括社团内部全部边权重和社团外部连接边权重；K_i是所有邻接节点i的边权重的总和；K_i,in是所有从节点i与社团C中节点邻接的边权重总和；

当所有节点均包含于某个社团后，对单一社团做“虚拟节点”处理，通过对社团与社团之间的连接边权重做归一化处理，得到新的“虚拟节点”新的连接边的权重；对新的“虚拟节点”重复上述聚合过程，直至得到满足需求的路网子区，聚合过程结束。

作为优选，所述步骤(5)具体为：

(5.1)通过对多天的历史数据进行观察分析，将在综合场景、路口、时间的路网对象立体数据模型中率先进入拥堵报警状态的路口进行筛选，作为重点路口的候选路口；

(5.2)通过将上述候选路口映射至已划分的交通子区，对交通子区内路口进行贝叶斯概率模型分析；

(5.3)通过以贝叶斯概率进行验证分析，得到具体的重点路口，验证概率如下式所示：

如上述贝叶斯概率公式所示，P(B_i|A)表示在路口A处于某个事件模型条件下路口B也处于某个事件模型条件下的概率，同理，P(A|B_i)表示在路口B处于某个事件模型条件下路口A也处于某个事件模型条件下的概率；以贝叶斯概率作为最后的验证，将各个路口之间处于某种事件模型的先后条件进行仔细的划分，最终确定重点路口的位置。

本发明的有益效果在于：本发明综合分析路网对象自身数据属性与其依赖、影响对象之间的数据关联性，从而实现正确的子区划分与重点路口识别，降低了路网系统中子区与子区划分时的人为主观性的缺点以及提高重点路口识别的准确性，为交通治理提供了有效的数据支持。

附图说明

图1是本发明的方法流程示意图；

图2是本发明实施例的路口影响因子优先级排序示意图；

图3是本发明实施例的路口与影响路口选取示意图；

图4是本发明实施例的报警时间段分布示意图；

图5是本发明实施例的路网立体数据模型示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：在实际的路网系统中，各个路口通过路段相连，形成一个完整的路网系统，因此，在实际的路网环境中，局限于某个路口自身数据的变化往往无法正确得到路口数据变化的正确规律。在实际的路网系统中，单个路口的数据改变往往不仅取决于其通行能力、饱和度等因素随时间的变化，会受到其他路口、路段数据波动的影响，更会随着各种场景或事件的发生进而产生不同的数据影响情况。基于上述情况，本发明提供了一种基于静态与动态多源数据，构建综合场景、路口、时间的路网对象立体数据模型，并基于路网对象立体数据模型构建虚拟数据场来挖掘路网中对象与对象之间的相互影响关系，并最终实现对象与对象之间的相互融合，达到交通子区划分及重点路口识别的目的的方法。如图1所示，一种基于数据场和节点压缩的重点路口识别及子区划分方法，步骤如下：

1、构建综合场景、路口、时间的路网对象立体数据模型

1.1构建路口的场景数据模型；

1.1.1提取N个场景影响因子，场景影响因子包括但不限于：通行能力变化、路段维修、交通事故、道路质量、大型活动、恶劣气候、应急措施；

1.1.2根据场景影响因子之间的影响关系，获取场景影响因子的优先级；

1.1.3根据场景影响因子的优先级，进行归一化处理，获取单个路口的场景数据模型。具体如下：

将场景进行划分，场景包括N个影响因子；对上述N个影响因子构建影响关系模型矩阵：

a_ji表示影响因子j对影响因子i的影响标记，若影响因子j对路口产生影响时，影响因子i必定或有较大概率也对该路口产生影响，则影响因子j可判定为对影响因子i存在强影响作用，记a_ji＝1；若影响因子j对路口产生影响时，影响因子i几乎不会或有较小概率也对该路口产生影响，则影响因子j可判定为对影响因子i存在弱影响作用，记a_ji＝0；若影响因子j对路口产生影响时，影响因子i对路口产生影响的概率与影响因子i对路口产生影响时，影响因子j对路口产生影响的概率基本持平，则记a_ij与a_ji均为1。

对影响关系模型矩阵进行幂计算处理，直至：

M＝(A+I)ⁿ⁺¹＝(A+I)ⁿ≠(A+I)^n-1......≠(A+I)²≠(A+I) (1)

计算得到可达矩阵M，依据生成的可达矩阵M进行解释结构模型，根据可达矩阵M依次列出可达集R_s，先行集A_s，共同集C_s；

依据先行集对可达矩阵元素项进行排序，可以得到各个影响因子的优先级程度，并依据优先级程度，进行归一化处理，获取单个路口的场景数据模型。

在本实施例中，将场景进行划分，场景包括：S₁.通行能力变化；S₂.路段维修；S₃.交通事故；S₄.道路质量；S₅大型活动；S₆.恶劣气候；S₇.应急措施这七个影响因子；对上述七个影响因子构建影响关系模型矩阵如下：

对影响关系模型矩阵进行幂计算处理，得到可达矩阵M：

依据生成的可达矩阵M进行解释结构模型，根据可达矩阵M依次列出可达集Rs，先行集As，共同集Cs，结果如表1所示：

S<sub>i</sub>	R<sub>s</sub>	A<sub>s</sub>	C<sub>s</sub>
				S<sub>1</sub>	1,2,4	1	1
S<sub>2</sub>	2	1,2,4	2
				S<sub>3</sub>	3,6	3	3
S<sub>4</sub>	2,4	1,4	4
				S<sub>5</sub>	5,7	5	5
S<sub>6</sub>	6	3,6	6
				S<sub>7</sub>	7	7	7

表1

依据先行集对可达矩阵元素项进行排序，可以得到可达矩阵各个元素优先级程度；

按照先行集的元素个数，对上述路口影响因子进行优先级排序，排序结果如图2所示：第一级：S₁；第二级：S₃，S₄，S₅；第三级：S₂，S₆，S₇。

针对上述优先级变化，初步对第一优先级赋权重为0.25，对第二优先级赋权重0.15，对第三优先级赋权重0.1。

这里的场景影响因子优先级还可以采用：根据场景影响因子单位时间内单位面积内相应交通数据大小进行赋值。

1.2构建路口的路口数据模型；

选取单个路口周边M个邻近路口作为影响路口，根据单个路口与影响路口之间的距离，进行归一化处理，获取单个路口的路口数据模型。这里的距离还可以根据路口和路口之间可行驶路线的最短距离、或路口和路口之间多条可行驶路线的平均距离、或其他维度的映射距离。

在本实施例中，通过选取每个路口周边邻近路口作为影响路口，将影响路口与单个路口之间的最短路径作为路口间的距离，并依据实际路网中的最短路径进行归一化的依据，对距离参数进行归一化，将最终结果以0-10之间的数字表示。以scatsID为239号路口为实验路口，选取其周边8个路口作为影响路口，选取结果如图3所示，实线区域路口为实验路口，虚线区域路口为影响路口，各个路口相对单个路口的距离属性如表2所示：

表2

1.3构建路口的时间数据模型；

对于同一事件，不同路网对象的响应时间存在一定的延迟现象，此处的时间延迟可理解为当路网中某一对象的数据发生变化时，当该次数据变化扩散到另一路网对象所需的时间。

1)选取效率指数：

当通行能力变化、路段维修、交通事故等场景影响因子变化时，可能造成路口拥堵现象，进而触发路口拥堵报警。效率指数是以路段/路口为对象以采样时间(如：两分钟)时间间隔生产的路口/路段状态数据作为依据而产生的。包括状态数据和报警状态数据，其中，状态数据包括但不限于：交通指数、速度、流量、饱和率、连续报警次数等，或路口如地磁、视频、线圈、卡口等各类交通采集设备上传的数据；

状态数据到达报警阈值时，触发报警，报警状态为发生报警。

根据效率指数可划分状态等级，包括但不限于非常严重、严重、一般、畅通。

2)划分重点报警时段

将一天的时间按单位时段(如：1小时)为时间粒度进行划分，对数天的效率指数数据进行分时段累加，将处于早晚高峰且报警量呈现较大变化趋势的时间段作为重点报警关注分析时段。

在本实施例中，通过对本月2号，3号，4号，7号的报警数据做分时间段累加，结果如图4所示；通过对图4分析可得，将一天的时间按1小时为时间粒度进行划分，对8时，9时，10时，16时，17时，18时，19时这7个处于早晚高峰且报警量呈现较大变化趋势的时间段作为重点报警时段。

3)计算两路口之间的时间延迟；

选取单个路口周边M个邻近路口，通过对单个路口和邻近路口之间达到报警状态的时间差ΔT，及连续报警现象相似度比对，确定两个对象的实际时间延迟ΔT^*，将该时间数值作为延迟参考系数。

报警时间差计算如(2)所示：

报警相似度计算如(3)所示：

时间延迟计算如(4)所示：

ΔT^*＝ΔT*S (4)

其中，(2)中的

为路口b在第i个时间区间，连续报警次数达到阈值时状态等级达到特定等级时的报警起始时间，(3)中T_a,i为a路口在第i个时间区间报警持续时间，T_b,i为b路口在第i个时间区间报警持续时间，

为a路口在第i个时间区间最大连续报警次数，

为b路口在第i个时间区间最大连续报警次数.n为重点报警时段个数。

在本实施例中，路口a和路口b在重点时段8时的效率指数：

表3

如上表3，路口a在8:04时间，出现了报警，报警状态为1，且由数据可知，路口a在该时间点之后连续报警次数超过3次，因此将8:04时间点作为路口a在该时间段的报警起始时间，即

在同一时段，路口b在8:08时间，出现了报警，报警状态为1，且在该时间点之后连续报警次数超过3次，因此将8:08作为路口b在该时间段的报警起始时间，即

一共选择了8时，9时，10时，16时，17时，18时，19时这7个时间段，n＝7，路口a和路口b的时间差

路口a在8:08时间，确认达到路口严重等级状态，路口b在8:12时间，确认达到路口严重等级状态。

路口a在8:04时间，出现了报警，报警状态为1，

为8:04，在排除报警噪点数据影响的情况下(即在路口高频率报警时间区间内出现不报警的数据)，从8:04-8:18报警状态一直为1，报警持续时间为

路口连续最大报警次数为8，即为

路口a、b报警相似度计算：

路口a、b时间延迟计算：

ΔT^*＝ΔT*S。

这里的时间延迟，还可以采用绘制一天内两个路口各类交通参数的变化曲线，取变化曲线的关键点(最大点、最小点、折点、特殊时间点等)，计算关键点发生时间的相似性、关键点数值的相似性，计算满足相似性要求的对应关键点之间的时间差，作为时间延迟。

1.4构建综合场景、路口、时间的路网对象立体数据模型；

以当前路口作为坐标原点，将影响路口按归一化距离及实际与当前路口的方位顺序(本发明以东，南为正；西，北为负)在x轴上依次排列，并通过1.3步骤所求得的实际时间延迟ΔT^*将路口进行Y轴上的偏移(本发明以影响路口实际延迟时间大于0为正；以影响路口实际延迟时间小于0为负)，并按照1.1步骤中路口所处场景权重比例进行Z轴上的偏移，以此构建路网立体数据模型，如图5所示。

这里的立体数据模型构建，还可以采用N天的[场景，路口，时间]数据，利用三维曲面拟合算法，获得立体数据模型。

2、构建综合场景、路口、时间维度的综合距离模型。

基于综合场景、路口、时间的路网对象立体数据模型，当前路口与影响路口的距离为综合场景、路口、时间的欧式距离：

在本实施例中，以239路口为例，其周边路口δ_x，δ_y，δ_z坐标修正系数可用表4表示：

表4

为了兼顾上述x，y，z对路口的影响程度，应将这三个值保持在同一数量级(通过观察上述x，y，z具体数值，将数量级定为10¹)，消除由于x，y，z所处维度的不同对实验路口造成的影响。因此，将δ_x取值为1，δ_y取值为1.5，δ_z取值为30。

3、构建路网对象数据质量计算模型。

路网对象对象之间也会存在相互影响关系。因此，在某一时刻，某个路网对象的数据属性不仅仅取决于其自身的数据，更会受到其周边对象的属性影响。

综合路口自身的数据以及影响路口的数据，选取的当前路口和影响路口作为数据集：D＝{X₁,X₂......X_n}，其中X_n表示当前路口周边路口，以效率指数作为路口数据质量参考，所有路口对当前路口的数据属性造成的数据影响和当前路口的具体数据质量分别如式子(6)、(7)所示：

其中，m_i为该节点的自身数据质量，本发明以直接取值为效率指数；|x-x_i|为当前路口到路网中某一周边影响节点i的距离，距离计算参照上述

的计算；σ∈(0,∞)，为节点i与路网空间某点的相互作用，称为影响因子；η为节点i受周边实际情况影响的方向因素，称为方向影响因子，且满足各个方向该因子之和为1,本发明以当前路口为原点，当前路口与正北方的角度为0，按顺时针作为路口间角度计算依据以及将所有路口之间的距离归一化至0到1作为该参数的具体数值；ΔT^*为之前步骤中确定的时间延迟，δ为时间延迟修正系数。4、路口节点压缩及交通子区划分：

对于实际的路网系统的治理中，不能对各个路口挨个进行调控，划分交通社团或交通子区是一种切实可行的操作。但在子区划分上会有较大的分歧。现在的子区划分往往或者通过经验丰富的配时人员进行手动划分，或者在综合各个拥堵小区域的基础上进行地理空间上的聚合，进而产生各个所谓的交通子区。前者的丰富经验虽然是重要的参考依据，但在实际划分时往往会受主观思维的影响；后者参考了拥堵小区域的分布，具有一定的价值，但在聚合到最终的交通子区时并没有参考路网中的实际数据指标，所以最后产生的结果往往与实际相差甚远。因此，在进行实际路网划分交通子区时，不但要考虑划分方法，更要积极参考路网中的各项数据指标，从而实现正确，科学的路网划分。所以，在划分交通子区实现节点压缩时，不仅仅在结构上参照路网拓扑，在属性上通过对数据上的分析，进而达到科学划分交通子区的目标。

在上述确定的当前路口与影响路口构成的具体路网数据集D＝{X₁,X₂......X_n}中，在假设不存在外力影响的前提下，由于数据集单个对象之间的相互作用，各个节点会产生聚合的效果最终聚合生成簇，在真实的路网环境中，往往会产生交通子区的效果，此时，便可以通过构建交通子区的方式将这些簇进行正确的分类。

进一步，对于上述步骤已构建的立体数据场中的数据模型和数据“质量”，将路网系统中路口的事件属性，时间延迟属性和距离属性以及“质量”属性作为路口的具体参数：

为路口的距离属性，

为路口i的数据质量属性，以上述四个路口属性值作为路口聚合的主要依据，受启发于louvain算法，本发明拟采用改进的该算法作为主要依据进行对交通子区的聚合处理，具体如公式(9)、(10)、(11)、(12)所示：

如上述公式，Q为社团模块度，用以判定社团区分的质量；m为网络中边的总数量；A_ij表示边i，j之间连边的权重，计算方法参照上述立体模型，x,y,z三个坐标为路口i与路口j三个坐标的相对关系；k_i与k_j分别表示与i,j节点相连的全部边的权重之和,计算方法与A_ij相似；A_i为路口i的介数，表示经过路口i的全部最短路径与路网中全部最短路径的比值，象征路口i在路网中的重要程度；C(V_i)为介数中心性，为归一化的路口介数，其中N为路网全部路口；δ(C_vi,C_vj)为狄拉克函数，C_v为路口的集群号，若节点i，j属于同一社团，则为1，否则置0.ΔQ表示社团模块增益，C_in是社团C中所有内部边权重的总和；C_out是社团C与外部连接边权重的总和，C_tot表示社团C全部连接边，包括内部全部边权重和外部连接边权重；K_i是所有邻接节点i的边权重的总和；K_i,in是所有从节点i与社团C中节点邻接的边权重总和。

当所有节点均包含于某个社团后，对单一社团做“虚拟节点”处理，通过对社团与社团之间的连接边权重做归一化处理，得到新的“虚拟节点”新的连接边的权重。对新的“虚拟节点”重复上述改进louvain算法聚合过程，直至得到满足需求的路网子区，聚合过程结束。其中，在聚合过程中，将路口作为节点，对大量的节点进行聚合，形成多个节点集合，即形成交通子区；另外还可以对多个节点集合做“虚拟节点”，进一步形成大的节点集合，即实现路口节点压缩过程。

在本实施例中，以239路口为例，对周边路口做和239路口的模块增益度计算，计算结果如表5所示：

路口scats_id	模块增益度(ΔQ)
		275	1.294x10<sup>-4</sup>
274	1.287x10<sup>-4</sup>
		235	-1x10<sup>-3</sup>
281	1.28x10<sup>-4</sup>
		86	1.27x10<sup>-4</sup>
135	1.275x10<sup>-4</sup>

表5

如上表5所示，除235路口模块增益度为负数外，其他路口均为正数模块增益度，即可以将上述路口与239路口归纳为同一模块。在此基础上，又可将上述以239路口为中心的构建的模块看作为一个全新的“虚拟节点”，重复上述步骤，直至聚合结束。

5、重要路口判定；

无论通过何种方式进行交通治理，重点路口/区域往往是交通治理上的重点。重点路口/区域得到有效的治理，往往能使整个交通子区甚至于整个路网系统的性能得到极大的改善，是路网治理中极其重要的一环。

进一步，在构建上述立体数据场模型的基础上，对交通子区内若干重点路口进行识别与划分。由上述立体数据模型可知，当某一片路口处于相同或类似的事件模型时，路口在Z轴上的坐标应该是相同或相似的；其次，在某个交通子区中，数据的波动变化往往是由重点路口开始首先变化，后通过数据扩散的形式蔓延到其他路口，导致周边受影响路口所处事件属性发生变化，因此，可以通过对多天的历史数据进行观察分析，将在立体数据模型上率先进入拥堵报警状态的路口进行筛选，作为重点路口的候选路口；通过将上述候选路口映射至已划分的交通子区，对交通子区内路口进行贝叶斯概率模型分析；进一步，通过以贝叶斯概率进行验证分析，得到具体的重点路口，验证概率如式(13)所示：

如上述贝叶斯概率公式所示，P(B_i|A)表示在路口A处于某个事件模型条件下路口B也处于某个事件模型条件下的概率，同理，P(A|B_i)表示在路口B处于某个事件模型条件下路口A也处于某个事件模型条件下的概率。以贝叶斯概率作为最后的验证，将各个路口之间处于某种事件模型的先后条件进行仔细的划分，最终确定重点路口的位置。

本实施例以239号路口作为A路口为例，以周边路口作为B路口，并用效率指数拥堵报警作为贝叶斯概率的判定依据，计算贝叶斯概率，若p(A|B)＝1,P(B|A)∈(0,1),表示路口B处于拥堵报警状态时，路口A必定处于拥堵报警状态；路口A处于拥堵报警状态时，路口B不一定处于拥堵报警状态，则认定路口A报警重要程度大于路口B；反之，同理。

若对于某个路口与其周边路口计算贝叶斯概率，均发现该路口报警重要程度大于其周边路口，则认定该路口为重点路口。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。