CN111710161B - 一种基于传染病模型的路网拥堵传播态势预测方法及系统 - Google Patents

一种基于传染病模型的路网拥堵传播态势预测方法及系统 Download PDF

Info

Publication number
CN111710161B
CN111710161B CN202010540611.0A CN202010540611A CN111710161B CN 111710161 B CN111710161 B CN 111710161B CN 202010540611 A CN202010540611 A CN 202010540611A CN 111710161 B CN111710161 B CN 111710161B
Authority
CN
China
Prior art keywords
road
congestion
propagation
road section
road network
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
CN202010540611.0A
Other languages
English (en)
Other versions
CN111710161A (zh
Inventor
李大庆
刘诗炎
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.)
Beihang University
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 CN202010540611.0A priority Critical patent/CN111710161B/zh
Publication of CN111710161A publication Critical patent/CN111710161A/zh
Priority to US17/348,008 priority patent/US20220004909A1/en
Application granted granted Critical
Publication of CN111710161B publication Critical patent/CN111710161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于传染病模型的路网拥堵传播态势预测方法及系统。该方法包括：获取当前时刻的路网数据；根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段；根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合；获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度；结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势。本发明可以提高路网拥堵传播态势预测的实时性。

Description

一种基于传染病模型的路网拥堵传播态势预测方法及系统
技术领域
本发明涉及路网拥堵分析领域，特别是涉及一种基于传染病模型的路网拥堵传播态势预测方法及系统。
背景技术
随着汽车保有量不断增加，交通资源供给与出行需求之间严重失衡，道路拥堵问题日益加剧。以北京为例，目前，早晚高峰时路网中超过90％的路段处于饱和或超饱和状态；路网平均负荷度已达70％，其中干道系统则超过90％。值得注意的是，单条路段的拥堵会以一定规律向沿线和周边路网传播，从而造成路网的大面积拥堵，这会导致路网运行效率低下、交通安全等问题，反过来又制约着经济的发展。解决这些问题的关键首先在于如何全面、深入地对路网拥堵传播态势进行分析。因此，提出一种合理、有效的路网拥堵传播态势分析方法变得尤为关键。
传统路网拥堵分析方法的研究主要从宏观和微观两个层面展开。宏观层面上，当前许多学者基于MFD理论(宏观交通流基本图，或流量-密度关系图)对交通拥堵问题进行研究，认为只要控制区域内车辆数不超过阈值就不会发生拥堵。然而这种方法主要在以下三个方面存在局限性：第一，实际运行时拥堵已经成为常态，交通需求刚性，短期很难控制总体需求；第二，系统MFD关系比较不稳定，在调控过程中波动性较强，从而难以支持路网管理的实时决策；第三，MFD无法体现拥堵传播的时空规律，难以支持交通管理调控决策。微观层面上，当前学者主要通过元胞自动机交通流模型对局部道路上的交通拥堵过程进行仿真模拟，描述拥堵的产生、传播与消散过程，然而这种方法的局限性在于模型参数过多、泛化能力弱，并且缺乏实时数据的支撑。
综上，目前的路网拥堵分析方法主要存在以下问题。在路网可靠性评估上，忽略了拥堵的传播机制，导致调控过程较为僵化。在决策上，往往忽略拥堵在空间范围内的传播，只注重微观局部的调控，未考虑区域间相关性，缺乏全局优化的算法与能力；在预测上，往往忽略拥堵在时间范围内的传播，缺乏历史数据和实时数据的综合预测能力，缺乏对方案的动态评价与智能更新；在研判上，忽略拥堵传播导致无法洞悉交通事件之间所具有的间接、隐性因果关系，使得研判过程具有盲目性。
发明内容
本发明的目的是提供一种基于传染病模型的路网拥堵传播态势预测方法及系统，以提高路网拥堵传播态势预测的实时性。
为实现上述目的，本发明提供了如下方案：
一种基于传染病模型的路网拥堵传播态势预测方法，包括：
获取当前时刻的路网数据；
根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段；
根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合；
获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度；
结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势。
可选的，所述根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合，具体包括：
获取当前时刻每个路段的相对速度；所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度；
判断所述相对速度是否小于拥堵阈值；
当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段；
当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段；
确定每个畅通路段对应的拥堵路段比例；所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例；
判断所述拥堵路段比例是否大于比例阈值；
当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段；
当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。
可选的，所述根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据，之前还包括：
根据每个路段种类的路段集合，确定传染病模型；所述传染病模型包括：SIS模型、SIR模型、SIRS模型和SEIR模型；
获取路网训练数据；所述路网训练数据为设定时间段内，每个时刻对应的每个路段种类的路段集合；
将所述路网训练数据输入所述传染病模型，得到所述路网预测数据；所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合；
计算所述路网预测数据与所述路网训练数据之间的残差；
判断所述残差是否小于残差阈值；
当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新；并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤；
当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
可选的，所述根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据，具体包括：
获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率；
利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，/>表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率。
可选的，所述结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势，具体包括：
根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模；
确定所述设定时长内的拥堵路段集合的最大规模；所述拥堵路段集合的最大规模越大，表示路网拥堵的传播能力越强；
根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长；
根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长；
利用所述拥堵路段集合的最大规模除以所述传染拐点时长，得到路网拥堵的传播速度。
一种基于传染病模型的路网拥堵传播态势预测系统，包括：
路网数据获取模块，用于获取当前时刻的路网数据；
路段划分模块，用于根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段；
路网拥堵预测模块，用于根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合；
路网拥堵传播评价指标获取模块，用于获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度；
路网拥堵传播态势分析模块，用于结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势。
可选的，所述路段划分模块具体包括：
相对速度获取单元，用于获取当前时刻每个路段的相对速度；所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度；
拥堵判断单元，用于判断所述相对速度是否小于拥堵阈值；
拥堵路段确定单元，用于当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段；
畅通路段确定单元，用于当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段；
拥堵路段比例确定单元，用于确定每个畅通路段对应的拥堵路段比例；所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例；
易被传播拥堵判断单元，用于判断所述拥堵路段比例是否大于比例阈值；
易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段；
不易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。
可选的，还包括：
传染病模型确定模块，用于在根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据之前，根据每个路段种类的路段集合，确定传染病模型；所述传染病模型包括：SIS模型、SIR模型、SIRS模型和SEIR模型；
路网训练数据获取模块，用于获取路网训练数据；所述路网训练数据为设定时间段内，每个时刻对应的每个路段种类的路段集合；
路网预测数据获取模块，用于将所述路网训练数据输入所述传染病模型，得到所述路网预测数据；所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合；
残差计算模块，用于计算所述路网预测数据与所述路网训练数据之间的残差；
残差判断模块，用于判断所述残差是否小于残差阈值；
模型参数更新模块，用于当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新；并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤；
训练好的传染病模型确定模块，用于当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
可选的，所述路网拥堵预测模块具体包括：
概率获取单元，用于获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率；
路网预测单元，用于利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率。
可选的，所述路网拥堵传播态势分析模块具体包括：
拥堵路段集合规模确定单元，用于根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模；
拥堵最大规模确定单元，用于确定所述设定时长内的拥堵路段集合的最大规模；所述拥堵路段集合的最大规模越大，表示路网拥堵的传播能力越强；
传染拐点时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长；
传染结束时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长；
路网拥堵传播速度确定单元，用于利用所述拥堵路段集合的最大规模除以所述传染拐点时长，得到路网拥堵的传播速度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
全局性：目前的交通调控方法往往忽略拥堵在时空范围内的传播，一方面缺乏历史数据和实时数据的综合预测能力，另一方面只注重微观局部的调控而未考虑区域间相关性，从而缺乏全时空优化的算法与能力。本发明则考虑拥堵在整个路网范围内的时空传播，从传播规模、传播时长、传播速度三个层面提出了路网拥堵传播评价指标体系，使得路网决策管理者能够全局性、系统性、整体性地评估路网。
实时性：传统宏观层面的路网拥堵评价指标中，系统MFD关系比较不稳定，在调控过程中波动性较强在调控过程中波动性较强，从而难以支持路网管理的实时决策，而微观层面的指标往往基于仿真的角度，而没有从实际数据中挖掘路网拥堵的传播机制。本发明提出的拥堵传播模型则以实时更新的路网运行状态为基础，可满足决策者的任意时间精度需求，能够实时、动态地对路网拥堵情况进行评价。
易研判：本发明对路网拥堵传播态势的进行预测和评价，根据模型所仿真的拥堵规模曲线来测算路网拥堵传播指标，对周期性拥堵传播情况(如暴增期、拐点、结束期等)进行预测，选择合理的调控时机，优先进行重点时段调控，从而避免或减少路网中拥堵的大范围传播。
易推广：本发明所提出的路网拥堵传播评价方法可满足于不同路网范围、不同时间尺度、不同拥堵程度、不同场景的拥堵传播评价需求。本发明提出的路网拥堵传播指标不受时空范围的限制，可对任意时间尺度下任意路网的拥堵传播态势进行评估；通过改变拥堵判定阈值，评估路网在不同程度拥堵情况下的传播态势；评估路网在不同内外部扰动条件下的拥堵传播态势，如正常天异常时段(早高峰、晚高峰等)下路网的拥堵传播态势、不同灾害条件(雪灾、洪水、事故等)下路网的拥堵传播态势。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于传染病模型的路网拥堵传播态势预测方法的流程示意图；
图2为本发明基于传染病模型的路网拥堵传播态势预测系统的结构示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于传染病模型的路网拥堵传播态势预测方法的流程示意图。如图1所示，本发明基于传染病模型的路网拥堵传播态势预测方法包括以下步骤：
步骤100：获取当前时刻的路网数据。具体的，选取路网范围和时段范围，获取路网范围内所有路段在所有时刻下的速度值，将路段i在时刻t下的速度定义为vi(t)。路段的速度是指路段上车辆的通行速度。
步骤200：根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合。路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段。如果某时刻某路段的相对速度低于特定阈值，那么该路段视为该时刻下的拥堵路段。如果某时刻某路段的相对速度不低于特定阈值，那么该路段视为该时刻下的畅通路段。对于畅通路段来说，如果某时刻与某畅通路段相连的路段中拥堵路段的比例高于特定阈值，那么该畅通路段视为该时刻下的易被传播拥堵的畅通路段；否则，该畅通路段视为该时刻下的不易被传播拥堵的畅通路段。
对路网数据进行路段划分的具体过程如下：
获取当前时刻每个路段的相对速度。所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度。例如，对路段i在一定时期T内的速度按照从小到大排序，将其95％分位点位置的速度定义为用路段i在时刻t下的速度vi(t)除以/>得到路段i在特定时刻t下的相对速度ri(t)。
判断所述相对速度是否小于拥堵阈值qc。
当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段；当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段。公式如下：
即表示路段i在时刻t下的状态，值为1说明路段i在时刻t下为拥堵路段，值为0说明路段i在时刻t下为畅通路段；qc为给定的拥堵判定阈值，取值范围为0到1。
确定每个畅通路段对应的拥堵路段比例。所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例。
判断所述拥堵路段比例是否大于比例阈值。
当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段；当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。例如，对于特定时刻t下的畅通路段将与路段j相连的路段数量定义为nj，将时刻t下与路段j相连的路段中拥堵路段的数量定义为/>用/>除以nj得到时刻t下与路段j相连的路段中拥堵路段的比例，将其定义为/>给定易被传播拥堵判定阈值/>通过对比/>和给定易被传播拥堵判定阈值/>来定义路网易被传播拥堵路段，将判断路段j在时刻t下是否易被传播拥堵的变量定义为/>即：
式中，用来表示路段j在时刻t下是否易被传播拥堵，值为1说明路段j在时刻t下易被传播拥堵，值为0说明路段j在时刻t下不易被传播拥堵；/>为给定的易被传播拥堵判定阈值，取值范围为0到1。
步骤300：根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据。路网预测数据包括每个时刻对应的每个路段种类的路段集合。
对设定时长内每个时刻的路网拥堵情况进行预测之前，需要构建传染病模型，并对传染病模型进行训练。具体过程如下：
根据每个路段种类的路段集合，基于路网拥堵传播过程，确定传染病模型。根据每个路段种类的路段集合的规模，选择适当的传染病模型对路网拥堵传播过程进行建模，传染病模型包括：SIS模型、SIR模型、SIRS模型和SEIR模型。对上述拥堵传播的动力学过程进行建模时，需要考虑路段由畅通状态转变为拥堵状态、由拥堵状态恢复为畅通状态、由恢复后的畅通状态再次转变为拥堵状态这三个过程，例如，可以采用经典传染病模型中的SIRS模型来构建拥堵传播模型。SIRS模型以三个微分方程的形式不同种类人群数量随时间的变化情况，这里将其用来表示特定时刻t下拥堵路段集合的规模Ct、易被传播拥堵的畅通路段集合的规模Ft和不易被传播拥堵的畅通路段集合的规模Rt这三类路段集合规模在时刻t的变化情况。将路网中的路段总量定义为N；β表示第一概率，即易被传播拥堵的畅通路段转变为拥堵路段的概率；γ表示第二概率，即拥堵路段恢复为畅通路段的概率；ξ表示第三概率，即恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率。SIRS模型如下：
式中，Ct表示时刻t时拥堵路段集合的规模，表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，/>表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量。
获取路网训练数据。所述路网训练数据为设定时间段T内，每个时刻对应的每个路段种类的路段集合，定义为
设置传染病模型的参数初始值，将所述路网训练数据输入所述传染病模型，得到所述路网预测数据。所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合，定义为
计算所述路网预测数据与所述路网训练数据之间的残差，残差定义为：
判断所述残差是否小于残差阈值。
当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新，模型参数包括权重等参数。并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤，继续对该传染病模型进行训练。
当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
训练完成后，可以采用该传染病模型对设定时长内每个时刻的路网拥堵情况进行预测，过程如下：
获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率；
利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，/>表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率。
步骤400：获取路网拥堵传播评价指标。路网拥堵传播评价指标包括传播规模、传播时长和传播速度。
步骤500：结合路网拥堵传播评价指标，对路网预测数据进行分析，得到当前时刻路网拥堵传播态势。具体包括：
从传播规模角度，根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模然后确定所述设定时长内的拥堵路段集合的最大规模。将拥堵路段集合的最大规模视为传播规模指标NC，该指标越大，说明路网的传播能力越强。
从传播时长的角度，根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长t拐点；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长。根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长t结束；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长。传染拐点时长t拐点和传染结束时长t结束表征了拥堵传播的不同阶段，可据此选择合理的调控时机。
从传播速度的角度，利用所述拥堵路段集合的最大规模除以所述传染拐点时长t拐点，得到路网拥堵的传播速度。另一方面可以用模型中易被传播拥堵的畅通路段连接一条拥堵路段后变成拥堵路段的概率β来表征，参数β值越大，说明路网的传播能力越强。此外，还可根据模型中拥堵路段恢复为畅通路段的概率γ来表征路网拥堵的恢复速度，根据恢复后的畅通路段转换为易被传播拥堵的畅通路段的概率ξ表示路网拥堵恢复后再次传播的可能性。
基于上述分析，可以进一步运用多因素评估方法如模糊评估法、层次分析法等对路网在不同情况下的拥堵传播态势进行评估。根据时间窗和路网范围的不同，基于上述路网拥堵传播评价指标计算不同时间窗和路网范围的拥堵传播评价指标，运用上述多因素评估法评估任意时间窗、任意路网范围的传播态势。
根据拥堵阈值的不同，基于上述路网拥堵传播评价指标可以计算不同拥堵阈值下的拥堵传播评价指标，运用上述多因素评估法评估路网在不同程度拥堵情况下的传播态势；还可以运用上述多因素评估法评估路网在不同程度拥堵情况下的传播态势，如正常天异常时段(早高峰、晚高峰等)下路网的拥堵传播态势、不同灾害条件(雪灾、洪水、事故等)下路网的拥堵传播态势。
基于上述步骤，本发明解决了现有的路网拥堵分析方法存在拥堵传播机制研究不足、模型参数过多、泛化能力弱、实时性不强、较难支持管理决策等局限性。本发明在考虑到路网拥堵传播机制以及路网管理者实时决策需求的前提下，基于传染病模型构建并求解了路网拥堵传播模型，表征了路网拥堵的传播及消散机制，提出路网拥堵传播的预测方法；在此基础上，分别从传播规模、传播时长、传播速度三个层面提出了路网拥堵传播能力评价指标体系，能够实时对比评估路网在不同情况下的拥堵传播态势。该方法能够直观地预测拥堵传播的不同阶段以及拐点的出现时间，从而选择合理的调控时机，避免或减少路网中拥堵的大范围传播。
图2为本发明基于传染病模型的路网拥堵传播态势预测系统的结构示意图。如图2所示，本发明基于传染病模型的路网拥堵传播态势预测系统包括以下结构：
路网数据获取模块201，用于获取当前时刻的路网数据。
路段划分模块202，用于根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段。
路网拥堵预测模块203，用于根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合。
路网拥堵传播评价指标获取模块204，用于获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度。
路网拥堵传播态势分析模块205，用于结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势。
作为另一实施例，本发明基于传染病模型的路网拥堵传播态势预测系统中，所述路段划分模块202具体包括：
相对速度获取单元，用于获取当前时刻每个路段的相对速度；所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度。
拥堵判断单元，用于判断所述相对速度是否小于拥堵阈值。
拥堵路段确定单元，用于当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段。
畅通路段确定单元，用于当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段。
拥堵路段比例确定单元，用于确定每个畅通路段对应的拥堵路段比例；所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例。
易被传播拥堵判断单元，用于判断所述拥堵路段比例是否大于比例阈值。
易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段。
不易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。
作为另一实施例，本发明基于传染病模型的路网拥堵传播态势预测系统还包括：
传染病模型确定模块，用于在根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据之前，根据每个路段种类的路段集合，确定传染病模型；所述传染病模型包括：SIS模型、SIR模型、SIRS模型和SEIR模型。
路网训练数据获取模块，用于获取路网训练数据；所述路网训练数据为设定时间段内，每个时刻对应的每个路段种类的路段集合。
路网预测数据获取模块，用于将所述路网训练数据输入所述传染病模型，得到所述路网预测数据；所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合。
残差计算模块，用于计算所述路网预测数据与所述路网训练数据之间的残差。
残差判断模块，用于判断所述残差是否小于残差阈值。
模型参数更新模块，用于当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新；并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤。
训练好的传染病模型确定模块，用于当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
作为另一实施例，本发明基于传染病模型的路网拥堵传播态势预测系统中，所述路网拥堵预测模块203具体包括：
概率获取单元，用于获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率。
路网预测单元，用于利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率。
作为另一实施例，本发明基于传染病模型的路网拥堵传播态势预测系统中，所述路网拥堵传播态势分析模块205具体包括：
拥堵路段集合规模确定单元，用于根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模。
拥堵最大规模确定单元，用于确定所述设定时长内的拥堵路段集合的最大规模；所述拥堵路段集合的最大规模越大，表示路网拥堵的传播能力越强。
传染拐点时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长。
传染结束时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长。
路网拥堵传播速度确定单元，用于利用所述拥堵路段集合的最大规模除以所述传染拐点时长，得到路网拥堵的传播速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于传染病模型的路网拥堵传播态势预测方法，其特征在于，包括：
获取当前时刻的路网数据；
根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段；对于畅通路段来说，如果某时刻与某畅通路段相连的路段中拥堵路段的比例高于特定阈值，那么该畅通路段视为该时刻下的易被传播拥堵的畅通路段；否则，该畅通路段视为该时刻下的不易被传播拥堵的畅通路段；拥堵路段比例为与畅通路段相连的所有路段中拥堵路段数量所占的比例；
根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合；具体过程为：获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率；利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，/>表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率；
获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度；
结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势；从传播速度的角度，利用拥堵路段集合的最大规模除以传染拐点时长t拐点，得到路网拥堵的传播速度；另一方面用模型中易被传播拥堵的畅通路段连接一条拥堵路段后变成拥堵路段的概率β来表征，参数β值越大，说明路网的传播能力越强；此外，还根据模型中拥堵路段恢复为畅通路段的概率γ来表征路网拥堵的恢复速度，根据恢复后的畅通路段转换为易被传播拥堵的畅通路段的概率ξ表示路网拥堵恢复后再次传播的可能性。
2.根据权利要求1所述的基于传染病模型的路网拥堵传播态势预测方法，其特征在于，所述根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合，具体包括：
获取当前时刻每个路段的相对速度；所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度；
判断所述相对速度是否小于拥堵阈值；
当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段；
当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段；
确定每个畅通路段对应的拥堵路段比例；所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例；
判断所述拥堵路段比例是否大于比例阈值；
当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段；
当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。
3.根据权利要求1所述的基于传染病模型的路网拥堵传播态势预测方法，其特征在于，所述根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据，之前还包括：
根据每个路段种类的路段集合，确定传染病模型；所述传染病模型包括：SIRS模型；
获取路网训练数据；所述路网训练数据为设定时间段内，每个时刻对应的每个路段种类的路段集合；
将所述路网训练数据输入所述传染病模型，得到所述路网预测数据；所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合；
计算所述路网预测数据与所述路网训练数据之间的残差；
判断所述残差是否小于残差阈值；
当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新；并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤；
当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
4.根据权利要求1所述的基于传染病模型的路网拥堵传播态势预测方法，其特征在于，所述结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势，具体包括：
根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模；
确定所述设定时长内的拥堵路段集合的最大规模；所述拥堵路段集合的最大规模越大，表示路网拥堵的传播能力越强；
根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长；
根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长；
利用所述拥堵路段集合的最大规模除以所述传染拐点时长，得到路网拥堵的传播速度。
5.一种基于传染病模型的路网拥堵传播态势预测系统，其特征在于，包括：
路网数据获取模块，用于获取当前时刻的路网数据；
路段划分模块，用于根据路段种类，对路网数据进行路段划分，得到每个路段种类的路段集合；所述路段种类包括：拥堵路段、易被传播拥堵的畅通路段和不易被传播拥堵的畅通路段；对于畅通路段来说，如果某时刻与某畅通路段相连的路段中拥堵路段的比例高于特定阈值，那么该畅通路段视为该时刻下的易被传播拥堵的畅通路段；否则，该畅通路段视为该时刻下的不易被传播拥堵的畅通路段；拥堵路段比例为与畅通路段相连的所有路段中拥堵路段数量所占的比例；
路网拥堵预测模块，用于根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据；所述路网预测数据包括每个时刻对应的每个路段种类的路段集合；所述路网拥堵预测模块具体包括：概率获取单元，用于获取所述设定时长内每个时刻对应的第一概率、第二概率和第三概率；所述第一概率为易被传播拥堵的畅通路段转变为拥堵路段的概率，所述第二概率为拥堵路段恢复为畅通路段的概率，所述第三概率为恢复后的畅通路段转变为易被传播拥堵的畅通路段的概率；路网预测单元，用于利用公式对每个时刻的路网拥堵情况进行预测，得到路网预测数据；其中，Ct表示时刻t时拥堵路段集合的规模，/>表示时刻t时拥堵路段集合的规模Ct的变化量；Ft表示时刻t时易被传播拥堵的畅通路段集合的规模，/>表示时刻t时易被传播拥堵的畅通路段集合的规模Ft的变化量；Rt表示时刻t时不易被传播拥堵的畅通路段集合的规模，/>表示时刻t时不易被传播拥堵的畅通路段集合的规模Rt的变化量；β表示第一概率，γ表示第二概率，ξ表示第三概率；
路网拥堵传播评价指标获取模块，用于获取路网拥堵传播评价指标；所述路网拥堵传播评价指标包括传播规模、传播时长和传播速度；
路网拥堵传播态势分析模块，用于结合所述路网拥堵传播评价指标，对所述路网预测数据进行分析，得到当前时刻路网拥堵传播态势；从传播速度的角度，利用拥堵路段集合的最大规模除以传染拐点时长t拐点，得到路网拥堵的传播速度；另一方面用模型中易被传播拥堵的畅通路段连接一条拥堵路段后变成拥堵路段的概率β来表征，参数β值越大，说明路网的传播能力越强；此外，还根据模型中拥堵路段恢复为畅通路段的概率γ来表征路网拥堵的恢复速度，根据恢复后的畅通路段转换为易被传播拥堵的畅通路段的概率ξ表示路网拥堵恢复后再次传播的可能性。
6.根据权利要求5所述的基于传染病模型的路网拥堵传播态势预测系统，其特征在于，所述路段划分模块具体包括：
相对速度获取单元，用于获取当前时刻每个路段的相对速度；所述路段的相对速度为路段的实际速度与所述路段分位点速度的比值；所述分位点速度为在设定时间段内将所述路段是速度按照大小排序后，在设定分位点位置的速度；
拥堵判断单元，用于判断所述相对速度是否小于拥堵阈值；
拥堵路段确定单元，用于当所述相对速度小于拥堵阈值时，确定所述相对速度对应的路段为拥堵路段；
畅通路段确定单元，用于当所述相对速度不小于所述拥堵阈值时，确定所述相对速度对应的路段为畅通路段；
拥堵路段比例确定单元，用于确定每个畅通路段对应的拥堵路段比例；所述拥堵路段比例为与所述畅通路段相连的所有路段中拥堵路段数量所占的比例；
易被传播拥堵判断单元，用于判断所述拥堵路段比例是否大于比例阈值；
易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为易被传播拥堵的畅通路段；
不易被传播拥堵的畅通路段确定单元，用于当所述拥堵路段比例不大于所述比例阈值时，确定所述拥堵路段比例对应的畅通路段为不易被传播拥堵的畅通路段。
7.根据权利要求5所述的基于传染病模型的路网拥堵传播态势预测系统，其特征在于，还包括：
传染病模型确定模块，用于在根据每个路段种类的路段集合，基于传染病模型，对设定时长内每个时刻的路网拥堵情况进行预测，得到路网预测数据之前，根据每个路段种类的路段集合，确定传染病模型；所述传染病模型包括：SIRS模型；
路网训练数据获取模块，用于获取路网训练数据；所述路网训练数据为设定时间段内，每个时刻对应的每个路段种类的路段集合；
路网预测数据获取模块，用于将所述路网训练数据输入所述传染病模型，得到所述路网预测数据；所述路网预测数据为设定时间段内，每个时刻对应的每个路段种类的路段预测集合；
残差计算模块，用于计算所述路网预测数据与所述路网训练数据之间的残差；
残差判断模块，用于判断所述残差是否小于残差阈值；
模型参数更新模块，用于当所述残差不小于所述残差阈值时，采用加权最小二乘法拟合模型参数，对所述传染病模型的参数进行更新；并返回将所述路网训练数据输入所述传染病模型，得到所述路网预测数据的步骤；
训练好的传染病模型确定模块，用于当所述残差小于所述残差阈值时，训练结束，得到训练好的传染病模型。
8.根据权利要求5所述的基于传染病模型的路网拥堵传播态势预测系统，其特征在于，所述路网拥堵传播态势分析模块具体包括：
拥堵路段集合规模确定单元，用于根据所述路网预测数据，确定所述设定时长内每个时刻拥堵路段集合的规模；
拥堵最大规模确定单元，用于确定所述设定时长内的拥堵路段集合的最大规模；所述拥堵路段集合的最大规模越大，表示路网拥堵的传播能力越强；
传染拐点时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染拐点时长；所述传染拐点时长为从当前时刻到所述拥堵路段集合的最大规模对应的时刻之间的时长；
传染结束时长确定单元，用于根据所述设定时长内每个时刻拥堵路段集合的规模，确定传染结束时长；所述传染结束时长为从当前时刻到所述拥堵路段集合的规模为零对应的时刻之间的时长；
路网拥堵传播速度确定单元，用于利用所述拥堵路段集合的最大规模除以所述传染拐点时长，得到路网拥堵的传播速度。
CN202010540611.0A 2020-06-15 2020-06-15 一种基于传染病模型的路网拥堵传播态势预测方法及系统 Active CN111710161B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010540611.0A CN111710161B (zh) 2020-06-15 2020-06-15 一种基于传染病模型的路网拥堵传播态势预测方法及系统
US17/348,008 US20220004909A1 (en) 2020-06-15 2021-06-15 Method and system for predicting road network congestion propagation situation based on epidemic model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010540611.0A CN111710161B (zh) 2020-06-15 2020-06-15 一种基于传染病模型的路网拥堵传播态势预测方法及系统

Publications (2)

Publication Number Publication Date
CN111710161A CN111710161A (zh) 2020-09-25
CN111710161B true CN111710161B (zh) 2024-05-24

Family

ID=72540560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010540611.0A Active CN111710161B (zh) 2020-06-15 2020-06-15 一种基于传染病模型的路网拥堵传播态势预测方法及系统

Country Status (2)

Country Link
US (1) US20220004909A1 (zh)
CN (1) CN111710161B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215435B (zh) * 2020-11-02 2023-06-09 银江技术股份有限公司 一种基于循环自回归模型的城市拥堵传播模式的预测方法
CN112529289A (zh) * 2020-12-07 2021-03-19 北京嘀嘀无限科技发展有限公司 人流扩散风险的预测方法、装置、电子设备及存储介质
CN115330067B (zh) * 2022-08-18 2023-08-15 百度在线网络技术（北京）有限公司 一种交通拥堵预测方法、装置、电子设备及存储介质
CN116229714A (zh) * 2023-02-09 2023-06-06 百度在线网络技术（北京）有限公司 一种交通特征获得方法、装置、设备及存储介质
CN116842018B (zh) * 2023-07-06 2024-02-23 上海比滋特信息技术有限公司 一种大数据的筛选方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3035314B1 (en) * 2014-12-18 2017-11-15 Be-Mobile Tech NV A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN110136435A (zh) * 2019-04-17 2019-08-16 青岛大学 一种多感染阈值、多传播并存的拥堵网络化传播模型
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3035314B1 (en) * 2014-12-18 2017-11-15 Be-Mobile Tech NV A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN110136435A (zh) * 2019-04-17 2019-08-16 青岛大学 一种多感染阈值、多传播并存的拥堵网络化传播模型
CN111081016A (zh) * 2019-12-18 2020-04-28 北京航空航天大学 一种基于复杂网络理论的城市交通异常识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A simple contagion process describes spreading of traffic jams in urban networks;Meead Saberi 等;《Nature Communications》;20200407;第11卷(第1期);第1-9页 *
Meead Saberi 等.A simple contagion process describes spreading of traffic jams in urban networks.《Nature Communications》.2020,第11卷(第1期), *
城市轨道交通拥堵传播规律及影响;白颖;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150915(第9期);第3.3节 *
杨光.第四章 SIRS传染病模型.《传染病动力学模型及其控制》.辽宁大学出版社,2009,第一卷(第1版), *

Also Published As

Publication number Publication date
US20220004909A1 (en) 2022-01-06
CN111710161A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111710161B (zh) 一种基于传染病模型的路网拥堵传播态势预测方法及系统
CN109544911B (zh) 一种基于lstm-cnn的城市路网交通状态预测方法
CN109215350B (zh) 一种基于rfid电子车牌数据的短期交通状态预测方法
US20210407284A1 (en) Vehicle traffic flow prediction method with missing data
CN102087788B (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN111145536B (zh) 一种基于异常检测的道路网络脆性评价方法
CN114093168B (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
CN113420414B (zh) 一种基于动态时空分析的短时交通流预测模型
CN112966871B (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统
CN110874704A (zh) 一种基于Floyd算法的应急救援交通路径优化方法
CN104050803A (zh) 一种区域高速路网运行状态评价方法
CN105740643A (zh) 一种基于城市区域网格自适应的pm2.5浓度推测方法
CN111145544A (zh) 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
CN115273466B (zh) 一种基于柔性车道管控算法的监控方法与系统
CN112309147A (zh) 基于组合控制策略的交通信号灯实时控制方法及系统
CN113553350B (zh) 一种相似演化模式聚类及动态时区划分的交通流分区模型
CN113409578B (zh) 一种基于模糊聚类的交通网络健康画像方法及系统
Guan et al. Traffic incident duration prediction based on artificial neural network
CN117351734A (zh) 一种车辆延误的智能调控方法及系统
CN110097757B (zh) 一种基于深度优先搜索的交叉口群关键路径识别方法
CN111105617B (zh) 基于矩阵稳定性分析的智能交通预测系统
CN113420925A (zh) 一种基于朴素贝叶斯的交通健康预测方法及系统
CN113822473B (zh) 一种基于多维数据的牵引力能耗合理区间预测方法
CN113051695B (zh) 一种基于物联网通信的小区道路规则寻优方法
CN114926981B (zh) 一种路网交通拥堵主动管控方法及系统

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