CN111915884B - 交通网络行为描述方法、装置、电子设备及存储介质 - Google Patents

交通网络行为描述方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111915884B
CN111915884B CN202010560428.7A CN202010560428A CN111915884B CN 111915884 B CN111915884 B CN 111915884B CN 202010560428 A CN202010560428 A CN 202010560428A CN 111915884 B CN111915884 B CN 111915884B
Authority
CN
China
Prior art keywords
abnormal
road
sub
time period
determining
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
CN202010560428.7A
Other languages
English (en)
Other versions
CN111915884A (zh
Inventor
郭胜敏
诸彤宇
吕卫锋
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 CN202010560428.7A priority Critical patent/CN111915884B/zh
Publication of CN111915884A publication Critical patent/CN111915884A/zh
Application granted granted Critical
Publication of CN111915884B publication Critical patent/CN111915884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出一种交通网络行为描述方法、装置、电子设备及存储介质，该方法包括：获取出现预设极端场景周边的路网信息及对应的路况信息；根据路网信息和路况信息，识别出当前路网中的异常路段、异常路段对应的异常时段及异常路段在异常时段内的路段异常程度；根据异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息。本申请基于极端场景下的异常扩散行为理解极端场景在全寿命周期内的演化过程，识别路网风险点，分析异常路段时间分布特征，归纳推断异常区域演化规律，分析异常区域在时空上对路网的影响，探究路网状态恢复的内在动力。定义了极端场景下交通网络行为机理的描述方法和量化指标体系。

Description

交通网络行为描述方法、装置、电子设备及存储介质
技术领域
本申请属于计算机技术和智能交通技术领域，具体涉及一种交通网络行为描述方法、装置、电子设备及存储介质。
背景技术
公路交通系统的稳定和高效运转，对调整产业结构、推动就业和经济发展、加快城乡一体化建设进程具有重要的意义。公路交通系统无论哪个环节出现问题，都会影响交通系统的运行，轻则出现拥堵，重则导致交通系统的瘫痪。
实际上，公路交通系统时刻在经历各类大小极端场景的考验，如单个路段发生的突发事件，如交通事故；区域性气象或地质灾害，如降雨降雪、地震、洪水、泥石流等，这些极端场景会严重影响公路交通系统的正常运行。研究极端场景发生后交通网络行为的描述方法，可以帮助人们理解和掌握极端场景发生后对交通运行的影响，制定拥堵管控和缓解措施，可以进一步探索交通系统运行的机理，为道路基础设施完善、政策措施制定提供决策支撑，因此具有重要的学术意义和应用价值。
发明内容
本申请提出一种交通网络行为描述方法、装置、电子设备及存储介质，通过定义极端场景下交通网络行为机理的描述方法和量化指标体系，可以识别路网风险点，分析异常路段时间分布特征，归纳推断异常区域演化规律，分析异常区域在时空上对路网的影响，探究路网状态恢复的内在动力。
本申请第一方面实施例提出了一种交通网络行为描述方法，所述方法包括；
获取出现预设极端场景周边的路网信息及对应的路况信息；
根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度；
根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息。
在本申请的一些实施例中，所述根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度，包括：
根据所述路网信息中包括的路段集合和所述路况信息中各路段在每个时段内的速度值，通过公式(1)计算各路段在每个时段内的路段异常程度；
将大于预设异常阈值的路段异常程度对应的路段及时段分别确定为异常路段和异常时段；
Figure BDA0002546109200000021
在所述公式(1)中，i为路段的编号，κf为未出现所述预设极端场景的正常运行时段，κ为出现所述预设极端场景后的时段，zi(κ)为路段li在κ时段的路段异常程度；
Figure BDA0002546109200000022
表示路段li在κ时段的速度值，
Figure BDA0002546109200000023
表示路段li在时段κf的速度值。
在本申请的一些实施例中，所述根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息，包括：
根据所述异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团；
根据各时段内的异常子团，确定当前路网对应的异常演化信息。
在本申请的一些实施例中，所述根据所述异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团，包括：
根据所述异常路段及其对应的异常时段和路段异常程度，确定出每个时段内的异常路网；
遍历每个时段内的异常路网，分别得到每个时段对应的异常子团；
根据每个异常子团包括的异常路段，分别通过公式(2)确定每个异常子团的规模；
根据每个异常子团包括的异常路段对应的路段异常程度，分别通过公式(3)确定每个异常子团的强度；
Figure BDA0002546109200000024
Figure BDA0002546109200000031
在公式(2)和(3)中，C为时段κ内异常子团的个数，
Figure BDA0002546109200000032
为异常子团，
Figure BDA0002546109200000033
为构成异常子团
Figure BDA0002546109200000034
的异常路段，
Figure BDA0002546109200000035
为异常子团
Figure BDA0002546109200000036
的规模；
Figure BDA0002546109200000037
为异常路段
Figure BDA0002546109200000038
在时段κ内的路段异常程度，
Figure BDA0002546109200000039
为异常子团
Figure BDA00025461092000000310
的强度。
在本申请的一些实施例中，所述根据各时段内的异常子团，确定当前路网对应的异常演化信息，包括：
根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系；
根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息。
在本申请的一些实施例中，所述根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系，包括：
对分别属于任意相邻的两个时段内的两个异常子团，通过公式(4)计算所述两个异常子团之间的相似度；
若所述相似度大于或等于预设相似度阈值，则确定所述两个异常子团之间存在继承关系；
Figure BDA00025461092000000311
在所述公式(4)中，时段κ和κ+1为两个相邻的时段，
Figure BDA00025461092000000312
是时段κ内的异常子团，
Figure BDA00025461092000000313
是时段κ+1内的异常子团，
Figure BDA00025461092000000314
为异常子团
Figure BDA00025461092000000315
与
Figure BDA00025461092000000316
之间的相似度。
在本申请的一些实施例中，所述根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息：
根据各时段内异常子团的规模及各异常子团之间的继承关系，绘制异常子图的演化过程图；
根据各时段内的异常子团，计算各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数；
根据所述异常子图的演化过程图，确定根子团、所述根子团的持续时间、所述根子团演化至任意叶子团的演化路径及耗用时间；
根据所述演化过程图、各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数以及所述根子团的持续时间、所述根子团演化至任意叶子团的演化路径及耗用时间，生成当前网络对应的异常演化信息。
本申请第二方面的实施例提供了一种交通网络行为描述装置，所述装置包括；
获取模块，用于获取出现预设极端场景周边的路网信息及对应的路况信息；
识别模块，用于根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度；
确定模块，用于根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息。
本申请第三方面的实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述第一方面所述的方法。
本申请第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请实施例基于路网在极端场景下的异常扩散行为来理解极端场景在全寿命周期内的演化过程，识别路网风险点，分析异常路段的时间分布特征，归纳推断异常区域的演化规律，分析异常区域在时空上对路网的影响，从而探究路网状态恢复的内在动力。定义了极端场景下交通网络行为机理的描述方法和指标体系，能够对极端场景发生后交通网络的运行情况进行量化描述，能够为道路基础设施完善、政策措施制定提供决策支撑。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一实施例所提供的一种交通网络行为描述方法的流程图；
图2示出了本申请一实施例所提供的异常路段时序分析示意图；
图3示出了本申请一实施例所提供的异常子团的演化过程图；
图4示出了本申请一实施例所提供的极端场景下异常行为机理描述指标体系的示意图；
图5示出了本申请一实施例所提供的一种交通网络行为描述装置的结构示意图；
图6示出了本申请一实施例所提供的一种电子设备的结构示意图；
图7示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
下面结合附图来描述本申请实施例提出的一种交通网络行为描述方法、装置、电子设备及存储介质。
本申请实施例提供了一种交通网络行为描述方法，该方法从交通网络状态时空演化的角度，定义了极端场景下交通网络行为机理的描述方法和指标体系，能够对极端场景发生后交通网络的运行情况进行量化描述。参见图1，该方法具体包括以下步骤；
步骤101：获取出现预设极端场景周边的路网信息及对应的路况信息。
预设极端场景为会对交通路网产生很大影响，使得出现预设极端场景的路段偏离正常运行状态，运行表现更差。例如，预设极端场景可以为发生爆炸事故、发生火灾、发生建筑物倒塌事故等。
路网信息包括节点和路段集合，路段集合中包括多个路段。路况信息中包括每个路段在各个时段内的速度值，路段在某个时段内的速度值为该时段在该路段行驶的所有车辆的速度的平均值。时段为预设的单位时长，如时段可以为1分钟、2分钟或5分钟等。
当出现预设极端场景时，获取预设极端场景周边的路网信息及对应的路况信息，具体可以获取预设极端场景周边预设范围内的路网信息和路况信息，该预设范围可以为特定行政区域范围，如预设极端场景周边的区级单位或市级单位等。或者，该预设范围可以为预设极端场景周边方圆预设距离范围，如方圆100km内的范围或方圆500km内的范围。本申请实施例并不限定该预设范围的取值，实际应用中可根据出现的预设极端场景的具体情况来设定。
步骤102：根据路网信息和路况信息，识别出当前路网中的异常路段、异常路段对应的异常时段及异常路段在异常时段内的路段异常程度。
根据路网信息中包括的路段集合和路况信息中各路段在每个时段内的速度值，通过公式(1)计算各路段在每个时段内的路段异常程度；将大于预设异常阈值的路段异常程度对应的路段及时段分别确定为异常路段和异常时段；
Figure BDA0002546109200000061
在公式(1)中，i为路段的编号，κf为未出现预设极端场景的正常运行时段，κ为出现预设极端场景后的时段，zi(κ)为路段li在κ时段的路段异常程度；
Figure BDA0002546109200000062
表示路段li在κ时段的速度值，
Figure BDA0002546109200000063
表示路段li在时段κf的速度值。
对于给定的一个评估时间区间[tbgn,tend]，设此时间区间覆盖n个时段，分别记为κ0,κ1,…,κn-1，则通过上述公式(1)可以分别计算出路段li在每一个时段内的路段异常程度zi(κ)，分别记为zi(κ0),zi(κ1),…,zi(κn-1)，q为预设异常阈值。
如图2所示，κa和κb是评估时间区间[tbgn,tend]内的2个时段，且zi(κa-1)≤q，zi(κa)>q，zi(κb)>q，zi(κb+1)≤q，且zi(κk)>q,a<k<b，则定义时段区间[κa,κb]为路段li的一个异常时间区间，其中时段κa的起始时刻bgnTime(κa)为该异常时间区间的起始时间，时段κb的结束时刻endTime(κb)为该异常时间区间的恢复时间，endTime(κb)-bgnTime(κa)为该异常时间区间的持续时长。同理，时段κb的结束时刻endTime(κb)为该异常时间区间的结束时间，假设时段κc的起始时刻bgnTime(κc)为下一个异常区间的开始时间，则bgnTime(κc)-endTime(κb)定义为路段li的一个异常间隔时间。
通过本步骤的方式确定出所有异常路段以及每个异常路段对应的异常时间区间，以及异常路段在异常时间区间包括的各个时段内的路段异常程度，然后通过如下步骤103的操作来分析预设极端环境在交通网络中所带来的异常风险的演化过程。
步骤103：根据异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息。
具体通过如下步骤S1和S2的操作来确定当前路网对应的异常演化信息，包括：
S1：根据异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团。
根据异常路段及其对应的异常时段和路段异常程度，确定出每个时段内的异常路网。具体地，对于时段κ，根据路网中每个路段在时段κ内对应的路段异常程度是否大于预设异常阈值q，可以计算出在时段κ内路网中的所有异常路段集H(κ,q)＝{li|zi(κ)>q}，异常路段集H(κ,q)可以视为路网的一个子集，本申请实施例中将异常路段集H(κ,q)称为异常路网。
遍历每个时段内的异常路网，分别得到每个时段对应的异常子团。具体地，在异常路网H(κ,q)上执行广度优先遍历、Kosaraju算法等，可以得到若干个仅由异常路段构成的连通子图，将得到的连通子图记为异常子团
Figure BDA0002546109200000081
其中，C为时段κ内异常子团的个数，
Figure BDA0002546109200000082
为构成异常子团
Figure BDA0002546109200000083
的异常路段。
通过上述方式计算出每个异常子团之后，还需定义每个异常子团的规模和强度两个测度。具体地，根据每个异常子团包括的异常路段，分别通过公式(2)确定每个异常子团的规模。以及，根据每个异常子团包括的异常路段对应的路段异常程度，分别通过公式(3)确定每个异常子团的强度；
Figure BDA0002546109200000084
Figure BDA0002546109200000085
在公式(2)和(3)中，C为时段κ内异常子团的个数，
Figure BDA0002546109200000086
为异常子团，
Figure BDA0002546109200000087
为构成异常子团
Figure BDA0002546109200000088
的异常路段，
Figure BDA0002546109200000089
为异常子团
Figure BDA00025461092000000810
的规模；
Figure BDA00025461092000000811
为异常路段
Figure BDA00025461092000000812
在时段κ内的路段异常程度，
Figure BDA00025461092000000813
为异常子团
Figure BDA00025461092000000814
的强度。
对于异常子团，预设极端场景的影响表现为：异常子团从局部异常中心向外扩张，蔓延到更多的路段，从而造成重大危害。因此描述异常子团的演化过程，进一步可以研究异常子团在预设极端场景下的演化规律。本申请实施例具体通过如下步骤S2的操作来描述异常子团的演化过程。
S2：根据各时段内的异常子团，确定当前路网对应的异常演化信息。
根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系。具体地，对分别属于任意相邻的两个时段内的两个异常子团，假设考虑相邻的两个时段κ和κ+1，
Figure BDA00025461092000000815
和
Figure BDA00025461092000000816
分别是两个时段κ和κ+1内的异常子团中的一个，通过公式(4)计算这两个异常子团之间的相似度。
Figure BDA00025461092000000817
在公式(4)中，时段κ和κ+1为两个相邻的时段，
Figure BDA00025461092000000818
是时段κ内的异常子团，
Figure BDA0002546109200000091
是时段κ+1内的异常子团，
Figure BDA0002546109200000092
为异常子团
Figure BDA0002546109200000093
与
Figure BDA0002546109200000094
之间的相似度。
若上述计算的相似度大于或等于预设相似度阈值，则确定两个异常子团之间存在继承关系。即假设预设相似度阈值为p，如果
Figure BDA0002546109200000095
则认为异常子团
Figure BDA0002546109200000096
与
Figure BDA0002546109200000097
存在继承关系，即
Figure BDA0002546109200000098
是由
Figure BDA0002546109200000099
演化而来的，记为
Figure BDA00025461092000000910
特殊地，如果在κ+1时段中找不到与
Figure BDA00025461092000000911
存在继承关系的异常子团，则认为
Figure BDA00025461092000000912
在时段κ已消亡。
通过上述方式各异常子团之间的继承关系之后，根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息。
具体地，根据各时段内异常子团的规模及各异常子团之间的继承关系，绘制异常子图的演化过程图。图3所示为一个异常子团的演化过程图，覆盖了异常子团的产生、扩展、合并、分裂、消亡等生命周期过程。其中，图中圆圈的大小代表异常子团的规模，箭头代表异常子团之间的继承关系。图3中，κ0时段和κ1时段分别有子团
Figure BDA00025461092000000913
和
Figure BDA00025461092000000914
产生；在κ1时段，
Figure BDA00025461092000000915
的规模扩展形成
Figure BDA00025461092000000916
在κ2时段，
Figure BDA00025461092000000917
和
Figure BDA00025461092000000918
合并生成
Figure BDA00025461092000000919
在κ3时段，由于预设极端场景有所好转，
Figure BDA00025461092000000920
发生了分裂，分裂成一个小的异常子团
Figure BDA00025461092000000921
和两个稍大规模的异常子团
Figure BDA00025461092000000922
和
Figure BDA00025461092000000923
进一步地，在κ4时段，
Figure BDA00025461092000000924
已经消亡，
Figure BDA00025461092000000925
和
Figure BDA00025461092000000926
的规模也进一步减小为
Figure BDA00025461092000000927
和
Figure BDA00025461092000000928
并在下一个时段也都消亡了。至此，异常子团演化的生命周期结束，交通网络系统逐渐恢复到正常情况。
在考察异常子团演化的过程中，需要重点关注异常子团的规模和数量的变化。因此本申请实施例还根据各时段内的异常子团，计算各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数。
其中，异常子团个数numHG(κ)通过公式(5)来计算：
Figure BDA0002546109200000101
最大异常子团规模maxScaleHG(κ)通过公式(6)来计算：
Figure BDA0002546109200000102
最大异常子团强度maxStrengthHG(κ)通过公式(7)来计算：
Figure BDA0002546109200000103
平均异常子团规模avgScaleHG(κ)通过公式(8)来计算：
Figure BDA0002546109200000104
平均异常子团强度avgStrengthHG(κ)通过公式(9)来计算：
Figure BDA0002546109200000105
异常子团覆盖路段总数numLinkHG(κ)通过公式(10)来计算：
Figure BDA0002546109200000106
本申请实施例还需要关注异常子团演化过程在时间维度的表现，例如异常子团达到固定规模的时间，以及异常子团持续的时间等。具体地，根据异常子图的演化过程图，确定根子团、根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间。
由于异常子团在整个生命周期中具有比较复杂的继承关系，本申请实施例在评估时间维度的测度时，评估对象仅限于根子团。根子团是指那些当前时段产生，且与上一时段的其他子团不存在任何继承关系的子团。如图3所示的
Figure BDA0002546109200000107
和
Figure BDA0002546109200000108
为根子团。仍以图3所示，设子团
Figure BDA0002546109200000109
达到了设定的规模限制，则两个根子团演化到
Figure BDA00025461092000001010
的路径分别是
Figure BDA00025461092000001011
和
Figure BDA00025461092000001012
分别耗用了2个时段和1个时段的时间。根子团消亡的定义为其所有的下游子团均消亡，故在κ4时段
Figure BDA00025461092000001013
和
Figure BDA00025461092000001014
的所有下游子团均消亡，故根子团
Figure BDA00025461092000001015
和
Figure BDA00025461092000001016
持续的时间分别是5个时段和4个时段。
本申请实施例还可以考察路网的自愈能力，自愈能力主要是指异常路段和异常子团从发生到消亡的持续时间，以衡量路网中异常路段和异常子团抵抗自身运行异常的恢复能力，为后续的应急管理决策提供支撑。
经过上述方式分析异常子团的演化过程后，根据演化过程图、各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数以及根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间，生成当前网络对应的异常演化信息，以便用户可以根据异常演化信息的量化描述了解预设极端场景对路网运行受损情况，为道路基础设施完善、政策措施制定提供决策支撑。
为了便于理解本申请实施例提供的方案，下面结合附图进行简要说明，如图4所示，本申请实施例提供了极端场景下异常行为机理描述指标，具体从风险点识别、异常传播和自愈能力三个方面进行量化描述。其中，风险点识别包括异常路段识别和异常路段时间分布，异常传播包括异常子团规模演化、异常子团空间影响和异常子团时间影响，自愈能力包括异常路段自愈和异常子团自愈。
本申请实施例基于路网在极端场景下的异常扩散行为来理解极端场景在全寿命周期内的演化过程，识别路网风险点，分析异常路段的时间分布特征，归纳推断异常区域的演化规律，分析异常区域在时空上对路网的影响，从而探究路网状态恢复的内在动力。定义了极端场景下交通网络行为机理的描述方法和指标体系，能够对极端场景发生后交通网络的运行情况进行量化描述，能够为道路基础设施完善、政策措施制定提供决策支撑。
本申请实施例提供了一种交通网络行为描述装置，该装置用于执行上述实施例所述的交通网络行为描述方法，如图5所示，该装置包括；
获取模块501，用于获取出现预设极端场景周边的路网信息及对应的路况信息；
识别模块502，用于根据路网信息和路况信息，识别出当前路网中的异常路段、异常路段对应的异常时段及异常路段在异常时段内的路段异常程度；
确定模块503，用于根据异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息。
识别模块502，用于根据路网信息中包括的路段集合和路况信息中各路段在每个时段内的速度值，通过公式(1)计算各路段在每个时段内的路段异常程度；将大于预设异常阈值的路段异常程度对应的路段及时段分别确定为异常路段和异常时段；
Figure BDA0002546109200000121
在公式(1)中，i为路段的编号，κf为未出现预设极端场景的正常运行时段，κ为出现预设极端场景后的时段，zi(κ)为路段li在κ时段的路段异常程度；
Figure BDA0002546109200000122
表示路段li在κ时段的速度值，
Figure BDA0002546109200000123
表示路段li在时段κf的速度值。
确定模块503包括：
异常子团确定单元，用于根据异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团；
异常演化确定单元，用于根据各时段内的异常子团，确定当前路网对应的异常演化信息。
异常子团确定单元，用于根据异常路段及其对应的异常时段和路段异常程度，确定出每个时段内的异常路网；遍历每个时段内的异常路网，分别得到每个时段对应的异常子团；根据每个异常子团包括的异常路段，分别通过公式(2)确定每个异常子团的规模；根据每个异常子团包括的异常路段对应的路段异常程度，分别通过公式(3)确定每个异常子团的强度；
Figure BDA0002546109200000124
Figure BDA0002546109200000125
在公式(2)和(3)中，C为时段κ内异常子团的个数，
Figure BDA0002546109200000126
为异常子团，
Figure BDA0002546109200000127
为构成异常子团
Figure BDA0002546109200000128
的异常路段，
Figure BDA0002546109200000129
为异常子团
Figure BDA00025461092000001210
的规模；
Figure BDA00025461092000001211
为异常路段
Figure BDA00025461092000001212
在时段κ内的路段异常程度，
Figure BDA00025461092000001213
为异常子团
Figure BDA00025461092000001214
的强度。
异常演化确定单元包括：
继承关系确定子单元，用于根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系；
子团演化分析子单元，用于根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息。
继承关系确定子单元，用于对分别属于任意相邻的两个时段内的两个异常子团，通过公式(4)计算两个异常子团之间的相似度；若相似度大于或等于预设相似度阈值，则确定两个异常子团之间存在继承关系；
Figure BDA0002546109200000131
在公式(4)中，时段κ和κ+1为两个相邻的时段，
Figure BDA0002546109200000132
是时段κ内的异常子团，
Figure BDA0002546109200000133
是时段κ+1内的异常子团，
Figure BDA0002546109200000134
为异常子团
Figure BDA0002546109200000135
与
Figure BDA0002546109200000136
之间的相似度。
子团演化分析子单元，用于根据各时段内异常子团的规模及各异常子团之间的继承关系，绘制异常子图的演化过程图；根据各时段内的异常子团，计算各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数；根据异常子图的演化过程图，确定根子团、根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间；根据演化过程图、各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数以及根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间，生成当前网络对应的异常演化信息。
本申请的上述实施例提供的交通网络行为描述装置与本申请实施例提供的交通网络行为描述方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的交通网络行为描述方法对应的电子设备，以执行上交通网络行为描述方法。本申请实施例不做限定。
请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的交通网络行为描述方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述交通网络行为描述方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的交通网络行为描述方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的交通网络行为描述方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的交通网络行为描述方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的交通网络行为描述方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.一种交通网络行为描述方法，其特征在于，所述方法包括；
获取出现预设极端场景周边的路网信息及对应的路况信息；
根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度；
根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息；
其中，所述根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度，包括：
根据所述路网信息中包括的路段集合和所述路况信息中各路段在每个时段内的速度值，通过公式（1）计算各路段在每个时段内的路段异常程度；将大于预设异常阈值的路段异常程度对应的路段及时段分别确定为异常路段和异常时段；
Figure 238186DEST_PATH_IMAGE001
…（1）
在所述公式（1）中，i为路段的编号，kf为未出现所述预设极端场景的正常运行时段，k为出现所述预设极端场景后的时段，Zi(k)为路段li在k时段的路段异常程度；vi k表示路段li在k时段的速度值，
Figure 686485DEST_PATH_IMAGE002
表示路段li在时段kf的速度值；
其中，所述根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息，包括：
根据所述异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团；根据各时段内的异常子团，确定当前路网对应的异常演化信息；
其中，所述根据所述异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团，包括：
根据所述异常路段及其对应的异常时段和路段异常程度，确定出每个时段内的异常路网；遍历每个时段内的异常路网，分别得到每个时段对应的异常子团；根据每个异常子团包括的异常路段，分别通过公式（2）确定每个异常子团的规模；根据每个异常子团包括的异常路段对应的路段异常程度，分别通过公式（3）确定每个异常子团的强度；
Figure 731801DEST_PATH_IMAGE003
…（2）
Figure 658169DEST_PATH_IMAGE004
…（3）
在公式（2）和（3）中，C为时段k内异常子团的个数，
Figure 738120DEST_PATH_IMAGE005
为异常子团，
Figure 91741DEST_PATH_IMAGE006
为构成异常子团
Figure 391398DEST_PATH_IMAGE005
的异常路段，
Figure 121457DEST_PATH_IMAGE007
为异常子团
Figure 55915DEST_PATH_IMAGE005
的规模；
Figure 580437DEST_PATH_IMAGE008
为异常路段
Figure 865925DEST_PATH_IMAGE009
在时段k内的路段异常程度，
Figure 868516DEST_PATH_IMAGE010
为异常子团
Figure 923059DEST_PATH_IMAGE005
的强度；
其中，所述根据各时段内的异常子团，确定当前路网对应的异常演化信息，包括：
根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系；根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息；
其中，所述根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系，包括：
对分别属于任意相邻的两个时段内的两个异常子团，通过公式（4）计算所述两个异常子团之间的相似度；若所述相似度大于或等于预设相似度阈值，则确定所述两个异常子团之间存在继承关系；
Figure 618483DEST_PATH_IMAGE011
…（4）
在所述公式（4）中，时段k和k+1为两个相邻的时段，
Figure 391267DEST_PATH_IMAGE012
是时段k内的异常子团，
Figure 696084DEST_PATH_IMAGE013
是时段k+1内的异常子团，
Figure 605134DEST_PATH_IMAGE014
为异常子团
Figure 471459DEST_PATH_IMAGE012
与
Figure 731539DEST_PATH_IMAGE013
之间的相似度；
其中，所述根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息，包括：
根据各时段内异常子团的规模及各异常子团之间的继承关系，绘制异常子图的演化过程图；根据各时段内的异常子团，计算各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数；根据所述异常子图的演化过程图，确定根子团、所述根子团的持续时间、所述根子团演化至任意叶子团的演化路径及耗用时间；根据所述演化过程图、各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数以及所述根子团的持续时间、所述根子团演化至任意叶子团的演化路径及耗用时间，生成当前网络对应的异常演化信息。
2.一种交通网络行为描述装置，其特征在于，所述装置包括；
获取模块，用于获取出现预设极端场景周边的路网信息及对应的路况信息；
识别模块，用于根据所述路网信息和所述路况信息，识别出当前路网中的异常路段、所述异常路段对应的异常时段及所述异常路段在所述异常时段内的路段异常程度；
确定模块，用于根据所述异常路段及其对应的异常时段和路段异常程度，确定当前路网对应的异常演化信息；
所述识别模块，用于根据路网信息中包括的路段集合和路况信息中各路段在每个时段内的速度值，通过公式（1）计算各路段在每个时段内的路段异常程度；将大于预设异常阈值的路段异常程度对应的路段及时段分别确定为异常路段和异常时段；
Figure 341512DEST_PATH_IMAGE001
…（1）
在所述公式（1）中，i为路段的编号，kf为未出现所述预设极端场景的正常运行时段，k为出现所述预设极端场景后的时段，Zi(k)为路段li在k时段的路段异常程度；vi k表示路段li在k时段的速度值，
Figure 105069DEST_PATH_IMAGE002
表示路段li在时段kf的速度值；
所述确定模块包括：
异常子团确定单元，用于根据异常路段及其对应的异常时段和路段异常程度，确定出各时段内的异常子团；
异常演化确定单元，用于根据各时段内的异常子团，确定当前路网对应的异常演化信息；
所述异常子团确定单元，用于根据异常路段及其对应的异常时段和路段异常程度，确定出每个时段内的异常路网；遍历每个时段内的异常路网，分别得到每个时段对应的异常子团；根据每个异常子团包括的异常路段，分别通过公式（2）确定每个异常子团的规模；根据每个异常子团包括的异常路段对应的路段异常程度，分别通过公式（3）确定每个异常子团的强度；
Figure 673453DEST_PATH_IMAGE003
…（2）
Figure 420829DEST_PATH_IMAGE004
…（3）
在公式（2）和（3）中，C为时段k内异常子团的个数，
Figure 568914DEST_PATH_IMAGE005
为异常子团，
Figure 954021DEST_PATH_IMAGE006
为构成异常子团
Figure 427728DEST_PATH_IMAGE005
的异常路段，
Figure 131242DEST_PATH_IMAGE007
为异常子团
Figure 83017DEST_PATH_IMAGE005
的规模；
Figure 86745DEST_PATH_IMAGE008
为异常路段
Figure 731353DEST_PATH_IMAGE009
在时段k内的路段异常程度，
Figure 187742DEST_PATH_IMAGE010
为异常子团
Figure 677629DEST_PATH_IMAGE005
的强度；
所述异常演化确定单元包括：
继承关系确定子单元，用于根据各时段内的异常子团，确定任意相邻的两个时段内的异常子团之间的继承关系；
子团演化分析子单元，用于根据各时段内异常子团之间的继承关系，分析异常子团的演化过程，得到当前路网对应的异常演化信息；
所述继承关系确定子单元，用于对分别属于任意相邻的两个时段内的两个异常子团，通过公式（4）计算两个异常子团之间的相似度；若相似度大于或等于预设相似度阈值，则确定两个异常子团之间存在继承关系；
Figure 270285DEST_PATH_IMAGE011
…（4）
在所述公式（4）中，时段k和k+1为两个相邻的时段，
Figure 584329DEST_PATH_IMAGE012
是时段k内的异常子团，
Figure 528014DEST_PATH_IMAGE013
是时段k+1内的异常子团，
Figure 87172DEST_PATH_IMAGE014
为异常子团
Figure 534334DEST_PATH_IMAGE012
与
Figure 255165DEST_PATH_IMAGE013
之间的相似度；
所述子团演化分析子单元，用于根据各时段内异常子团的规模及各异常子团之间的继承关系，绘制异常子图的演化过程图；根据各时段内的异常子团，计算各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数；根据异常子图的演化过程图，确定根子团、根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间；根据演化过程图、各时段内的异常子团个数、最大异常子团规模、最大异常子团强度、平均异常子团规模、平均异常子团强度和异常子团覆盖路段总数以及根子团的持续时间、根子团演化至任意叶子团的演化路径及耗用时间，生成当前网络对应的异常演化信息。
3.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1所述的方法。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1所述的方法。
CN202010560428.7A 2020-06-18 2020-06-18 交通网络行为描述方法、装置、电子设备及存储介质 Active CN111915884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010560428.7A CN111915884B (zh) 2020-06-18 2020-06-18 交通网络行为描述方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010560428.7A CN111915884B (zh) 2020-06-18 2020-06-18 交通网络行为描述方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111915884A CN111915884A (zh) 2020-11-10
CN111915884B true CN111915884B (zh) 2021-09-28

Family

ID=73237821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010560428.7A Active CN111915884B (zh) 2020-06-18 2020-06-18 交通网络行为描述方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111915884B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141017B (zh) * 2021-12-14 2022-09-27 北京航空航天大学 一种考虑长短期路段性能的道路韧性衡量方法
CN117272217B (zh) * 2023-11-23 2024-01-26 生命奇点(北京)科技有限公司 一种地理区域的异常分析系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799839A (zh) * 2010-01-19 2010-08-11 浙江工业大学 基于随机重叠派系的可控网络直径的公交网络模型的建立方法及公交网络模型
CN108109375A (zh) * 2017-12-21 2018-06-01 北京航空航天大学 一种基于渗流分析的城市交通网络可靠性预测方法
CN109859480A (zh) * 2019-04-04 2019-06-07 浙江工业大学 基于复杂网络的拥堵路段建模和评估方法
CN110111576A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于时空拥堵子团的城市交通弹性指标及其实现方法
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
CN110211378A (zh) * 2019-05-29 2019-09-06 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN110633855A (zh) * 2019-09-17 2019-12-31 江南大学 一种桥梁健康状态检测与管养决策系统及方法
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
CN111145536A (zh) * 2019-12-02 2020-05-12 北京航空航天大学 一种基于异常检测的道路网络脆性评价方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799839A (zh) * 2010-01-19 2010-08-11 浙江工业大学 基于随机重叠派系的可控网络直径的公交网络模型的建立方法及公交网络模型
CN108109375A (zh) * 2017-12-21 2018-06-01 北京航空航天大学 一种基于渗流分析的城市交通网络可靠性预测方法
CN109859480A (zh) * 2019-04-04 2019-06-07 浙江工业大学 基于复杂网络的拥堵路段建模和评估方法
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
CN110111576A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于时空拥堵子团的城市交通弹性指标及其实现方法
CN110222950A (zh) * 2019-05-16 2019-09-10 北京航空航天大学 一种城市交通的健康指标体系及评估方法
CN110211378A (zh) * 2019-05-29 2019-09-06 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN110633855A (zh) * 2019-09-17 2019-12-31 江南大学 一种桥梁健康状态检测与管养决策系统及方法
CN111145536A (zh) * 2019-12-02 2020-05-12 北京航空航天大学 一种基于异常检测的道路网络脆性评价方法
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

Also Published As

Publication number Publication date
CN111915884A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111915884B (zh) 交通网络行为描述方法、装置、电子设备及存储介质
Khezerlou et al. A traffic flow approach to early detection of gathering events: Comprehensive results
US20230095359A1 (en) Method and Apparatus for Monitoring State of Blockchain Consensus Node
CN112509288B (zh) 用于大气污染的监测方法、装置、电子设备及介质
Liu et al. A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards
CN111612064B (zh) Pm2.5污染气团溯源方法、装置、电子设备及存储介质
CN115792137B (zh) 大气污染溯源方法及装置、终端
CN106981204A (zh) 一种信息处理方法及装置
Santos et al. Road network vulnerability and city-level characteristics: A nationwide comparative analysis of Japanese cities
CN116703004A (zh) 一种基于预训练模型的水系流域智慧巡护方法和装置
Li et al. Refined spatiotemporal analysis of drought characteristics under different characteristic variable matchings: a case study of the middle reaches of the Yellow River basin, China
KR20140090723A (ko) 초고층 건축물의 입지적정성 평가방법 및 그 장치
CN114546714B (zh) 一种数据备份方法、系统、装置以及存储介质
Kwee et al. Traffic-cascade: Mining and visualizing lifecycles of traffic congestion events using public bus trajectories
CN111611532B (zh) 人物关系补全方法、装置及电子设备
CN113496305A (zh) 数据处理方法及装置
CN111935772A (zh) 一种确定业务区域的价值的方法和装置
Li et al. A simulation approach to detect arterial traffic congestion using cellular data
Zhihan et al. Complexity problems handled by big data technology
CN114281808A (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质
CN115294758B (zh) 一种时序网络节点挖掘方法和系统
CN114495488A (zh) 常发拥堵时空范围提取方法和系统
Perera et al. Topological structure of the road traffic network in the western regional megapolis, sri lanka
CN114582120B (zh) 基于车辆轨迹的隐藏社区发现方法、装置、设备及介质
Paliotto et al. Application of an Innovative Network Wide Road Safety Assessment Procedure Based on Human Factors

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