CN112002127B - 轨道交通中站点重要性评估方法及装置 - Google Patents

轨道交通中站点重要性评估方法及装置 Download PDF

Info

Publication number
CN112002127B
CN112002127B CN202010912595.3A CN202010912595A CN112002127B CN 112002127 B CN112002127 B CN 112002127B CN 202010912595 A CN202010912595 A CN 202010912595A CN 112002127 B CN112002127 B CN 112002127B
Authority
CN
China
Prior art keywords
network
node
layer
nodes
fault
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
CN202010912595.3A
Other languages
English (en)
Other versions
CN112002127A (zh
Inventor
王震
高超
范懿
朱培灿
李学龙
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010912595.3A priority Critical patent/CN112002127B/zh
Publication of CN112002127A publication Critical patent/CN112002127A/zh
Application granted granted Critical
Publication of CN112002127B publication Critical patent/CN112002127B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了轨道交通中站点重要性评估方法及装置，属于交通网络和传播动力学技术领域。用以解决现有轨道交通中级联故障评估存在忽略客流的时空特征而导致评估结果与实际情况相差较大的问题。该方法包括：在y+1时，根据时间段t内上层客流网络中边的权重、上层客流网络的耦合系数确定正常节点在上层客流网络中的y+1状态值；根据初始故障节点和与初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在下层轨道结构网络的y+1状态值，当在y+1时刻内确定双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及双层轨道交通网络的节点均为故障节点时故障节点的数目，确定初始故障节点的评估结果。

Description

轨道交通中站点重要性评估方法及装置
技术领域
本发明属于交通网络和传播动力学技术领域，更具体的涉及轨道交通中站点重要性评估方法及装置。
背景技术
随着城市化进程的加快，城市轨道交通以其安全、快捷、环保等优点成为人们出行首选的交通方式。然而，轨道交通网络中的一些站点或线路可能会由于突发事件(如：信号故障、极端天气和娱乐活动)的发生而故障中断，从而造成站点或整条线路停止服务。而且，由于站点之间的耦合程度和乘客的动态流动，这种故障将在轨道交通网络中传播。若某站点在轨道交通网络中处于中枢位置且故障发生时，该站点的客流量较大，将会导致更加多的站点和乘客受到该故障的影响，整个轨道交通网络也可能因为故障的传播而完全瘫痪。由此可见，该类站点在故障发生时，需要重点关注和优先修复，以避免其造成网络发生大规模的级联故障。因此，从站点故障传播的角度出发，定量的评估站点的重要性，不仅能使评估的结果更加贴合实际，而且有助于公共交通运营者管理和建设地铁站点，从而有针对性的对站点突发事件进行应急管理，进而为乘客出行提供更加可靠和有效的服务。
为了使站点重要性的评估结果更为准确，揭示轨道交通网络中因站点故障而造成的级联故障过程显得尤为重要。目前，有关站点故障传播的研究，主要是从轨道结构或者客流的静态分布两方面展开。然而，由于乘客的动态流动，即使相隔很远的站点也有可能相互影响。例如，当轨道交通网络中的某站点或线路发生故障时，当前处于中断站点或计划前往中断车站的乘客将自发地重新规划其出行路线，以尽量减少这种中断对自身出行的影响。然而，这将导致轨道交通网络中的客流重新动态分配。如果某站点的客流量加上从其他站点转移而来的客流量超过了该站点的通行能力阈值，将造成该站点拥堵，若拥堵过于严重，站点便不能为乘客出行提供服务，可视为中断。因此，站点发生故障以后，故障不仅会随着轨道结构向相邻站点传播，也会因为乘客的动态流动向轨道交通网络中的任何站点传播。并且，上述两种故障传播方式会相互影响，从而造成轨道交通网络发生不可预料的级联故障。
目前，研究者已经提出了很多级联模型来模拟各种网络中的级联故障过程，如：负载容量模型、二值影响模型、沙堆模型和耦合映像格子模型。其中，耦合映像格子(Coupledmap lattice，CML)模型以其高效、易实现的特点被广泛应用于分析交通网络的级联失效过程。然而，模型本身的一些约束条件限制了其在研究轨道交通中的级联故障过程的应用。首先，客流的时空特征是轨道交通网络的主要特征之一，而在现有的基于CML模型的研究中，该特征常被忽略或者被视为轨道交通网络的静态特征(例如，研究人员只关注小世界或无标度网络的级联失效过程)。其次，轨道结构和动态客流之间的相互影响可能导致轨道交通网络中出现更大规模的级联失效，例如，中断车站的客流再分配很有可能让其他站点的客流量超载，从而导致站点中断，而现有的基于CML 的模型很难模拟出这一过程。
综上所述，现有轨道交通中级联故障评估存在忽略客流的时空特征而导致评估结果与实际情况相差较大的问题。
发明内容
本发明实施例提供轨道交通中站点重要性评估方法及装置，用以解决现有轨道交通中级联故障评估存在忽略客流的时空特征而导致评估结果与实际情况相差较大的问题。
本发明实施例提供轨道交通中站点重要性评估方法，包括：
在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；
在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果。
优选地，所述确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数之后，还包括：
确定所述下层轨道结构网络中所述故障节点的邻居节点以及所述上层客流网络中的所述故障节点的邻居节点，将所述上层客流网络中的所述故障节点删除，将所述下层轨道结构网络中包括的每个邻居节点与所述上层客流网络中的包括的每个邻居节点在上层客流网络中建立连边，并根据下来公式确定每一条新建连边的权重：
wkj(y+1)＝wkj(y)+Δwkj_m
其中，wkj(y+1)表示在所述上层客流网络中新建立的边
Figure GDA0003207957450000041
在时间步长为y+1 时的权值，wkj(y)表示在所述上层客流网络中原来的边
Figure GDA0003207957450000042
在时间步长为y时的权值，Δwkj_m表示由边
Figure GDA0003207957450000043
分配到边
Figure GDA0003207957450000044
上的权值。
优选地，所述正常节点在下层轨道结构网络的y+1状态值根据下列公式确定：
Figure GDA0003207957450000045
其中，Ti(y+1)表示正常节点i在下层轨道结构网络的y+1状态值，Ki表示正常节点i的度，N为所述双层轨道交通网络节点的数量，aij表示正常节点i和与所述正常节点i的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，f(x)表示节点的动态行为；Ti(y)表示正常节点i在下层轨道结构网络的y 状态值，Tj(y)表示正常节点i的相邻节点j在下层轨道结构网络的y状态值。
优选地，所述正常节点在上层客流网络中的t+1状态值根据下列公式确定：
Figure GDA0003207957450000046
其中，Pi(y+1)表示正常节点i在上层客流网络中的y+1状态值，N为所述双层轨道交通网络节点的数量，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q为所述双层轨道交通网络各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y)表示正常节点i在上层客流网络中的t状态值，Pj(y)表示正常节点i的相邻节点j在上层客流网络中的y状态值。
优选地，所述初始故障节点在下层轨道结构网络中的初始状态值根据下列公式确定：
Figure GDA0003207957450000051
其中，Tm(y)表示初始故障节点m在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点m的度，N为所述双层轨道交通网络中节点的数量，amj表示初始故障节点m和与所述初始故障节点m的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为。
优选地，所述确定所述初始故障节点在下层轨道结构网络中的初始状态值之后，还包括：
若确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络中的节点的数量以及所述双层轨道交通网络中的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果；或者
若确定所述双层轨道交通网络中的节点还存在正常节点，且达到设定的最大传播次数时，根据所述双层轨道交通网络中节点的数量以及所述双层轨道交通网络中的最大传播次数，确定所述初始故障节点的评估结果；
通过下列公式确定所述初始故障节点的评估结果：
Figure GDA0003207957450000052
其中，I表示初始故障节点的评估结果，N为所述双层轨道交通网络中节点的数量，
Figure GDA0003207957450000053
表示双层轨道交通网络中均为故障节点时故障节点的数目或者所述双层轨道交通网络中的最大传播次数，所述双层轨道交通网络中的故障节点数目。
优选地，在基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动之前，还包括：
确定待评估的多个节点，根据所述待评估的多个节点、节点之间的连接信息、在设定时间段内乘客出行的起讫数据、所述下层轨道结构网络耦合系数、设定时间段内上层客流网络的耦合系数、所述待评估的多个节点的最大阈值、最大的传播次数、外部扰动、下层轨道结构网络包括的所述待评估的多个节点的初始状态值、设定时间段内上层客流网络包括的所述待评估的多个节点的初始状态值确定所述双层轨道交通网络；其中，所述双层轨道交通网络包括下层轨道结构网络和设定时间段内上层客流网络。
本发明实施例提供轨道交通中站点重要性评估装置，包括
第一确定单元：用于在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
第二确定单元：用于在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的 y+1状态值；
第三确定单元：用于在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
第四确定单元：用于当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时的最大传播次数，确定所述初始故障节点的评估结果。
优选地，所述第三确定单元还用于：
确定所述下层轨道结构网络中所述故障节点的邻居节点以及所述上层客流网络中的所述故障节点的邻居节点，将所述上层客流网络中的所述故障节点删除，将所述下层轨道结构网络中包括的每个邻居节点与所述上层客流网络中的包括的每个邻居节点在上层客流网络中建立连边，并根据下来公式确定每一条新建连边的权重：
wkj(y+1)＝wkj(y)+Δwkj_m
其中，wkj(y+1)表示在所述上层客流网络中新建立的边
Figure GDA0003207957450000071
在时间步长为y+1 时的权值，wkj(y)表示在所述上层客流网络中原来的边
Figure GDA0003207957450000072
在时间步长为y时的权值，Δwkj_m表示由边
Figure GDA0003207957450000073
分配到边
Figure GDA0003207957450000074
上的权值。
优选地，所述正常节点在上层客流网络中的t+1状态值根据下列公式确定：
Figure GDA0003207957450000075
其中，Pi(y+1)表示正常节点i在上层客流网络中的y+1状态值，N为所述双层轨道交通网络节点的数量，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q为所述双层轨道交通网络各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y)表示正常节点i在上层客流网络中的t状态值，Pj(y)表示正常节点i的相邻节点j在上层客流网络中的y状态值；
所述初始故障节点在下层轨道结构网络中的初始状态值根据下列公式确定：
Figure GDA0003207957450000076
其中，Tm(y)表示初始故障节点m在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点m的度，N为所述双层轨道交通网络中节点的数量，amj表示初始故障节点m和与所述初始故障节点m的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为。
本发明实施例提供的轨道交通中站点重要性评估方法及装置，该方法包括：在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；在传播过程中，若所述正常节点在下层轨道结构网络中的y+1 状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时的最大传播次数，确定所述初始故障节点的评估结果。该方法提出双层轨道交通网络，该双层轨道交通网络包括下层轨道结构网络和上层客流网络，通过双层轨道交通网络表征轨道结构和某时段的客流之间的动态关系；在应用中，将初始故障节点的客流再分配策略和各节点的最大容客量纳入原始的CML模型，使得TP-CML网络可以模拟出初始故障发生后，下层轨道结构网络和上层客流网络中出现的两个级联过程，从而可以反映出乘客出行的时空特征对整个级联过程的影响，通过该方法得到的初始故障节点评估结果，可以定量的评估节点在不同时刻和不同大小的故障下所表现出的重要性。
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，下面将对实施例或现有技术描述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为本发明实施例提供的轨道交通中站点重要性评估方法流程示意图；
图2a为本发明实施例提供的客流分配示意图；
图2b为本发明实施例提供的客流重新分配示意图；
图3为本发明实施例提供的双层轨道交通网络结构示意图；
图4a为本发明实施例提供的待进行客流分配策略示意图；
图4b为本发明实施例提供的客流分配策略示意图；
图5为本发明实施例一提供的轨道交通中站点重要性评估方法流程示意图；
图6a为本发明实施例一提供的早高峰时段(7:00-8:00)上海双层轨道交通网络示意图；
图6b为本发明实施例一提供的平峰时段(12:00-13:00)上海双层轨道交通网络示意图；
图6c为本发明实施例一提供的晚高峰时段(18:00-19:00)上海双层轨道交通网络示意图；
图7为本发明实施例一提供的图6所示上海的TP-CML网络在外部扰动下造成的网络故障率示意图；
图8为本发明实施例提供的轨道交通中站点重要性评估装置结构示意图。
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。
图1示例性的示出了本发明实施例提供的轨道交通中站点重要性评估方法流程示意图，如图1所示，该方法主要包括以下步骤：
步骤101，在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
步骤102，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；
步骤103，在传播过程中，若所述正常节点在下层轨道结构网络中的y+1 状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
步骤104，当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时的最大传播次数，确定所述初始故障节点的评估结果。
在介绍该轨道交通中站点重要性评估方法之前，需要先介绍双层轨道交通网络，即前文中提到的TP-CML网络。
在实际应用中，为了能够对某城市轨道交通中包括的站点重要性进行评估，需要将该城市轨道交通中包括的全部站点进行统计，然后根据统计的站点信息，确定轨道交通线路结构中包括的站点信息以及站点之间的连接信息，再统计设定时间段乘客的起讫数据，该数据主要包括记录乘客进站时间和出站时间等信息。
图2a为本发明实施例提供的客流分配示意图；图2b为本发明实施例提供的客流重新分配示意图；如图2a所示，若有乘客需要从站点VA计划前往站点 VB，若此时由于突发事件(如信号故障、极端天气、娱乐活动)，距离目的地最近的站点VB中断(即停止服务)。则计划前往VB的乘客需要动态地重新规划其出行路线，改为前往到其他离目的地VB很近的站点，如站点VC或站点VD。
进一步地，如图2b所示，此时计划前往VB的乘客经过客流重新分配之后，或者选择通过站点VC，或者选择通过站点VD。但是在实际生活中，由于站点的容量是有限的，若在一定时间段内，站点的客流超载会导致站点发生拥堵，导致站点中断(即停止服务)。
在本发明实施例中，以上海轨道交通为例，来介绍站点重要性评估方法所采用的模型。
具体地，先确定输入的待评估重要性的站点集合，上述待评估重要性的站点来自于上海轨道交通中，在本发明实施例中，将待评估重要性的站点定义为待评估重要性的节点。比如，可以是莘庄、陕西南路、广兰路等，在实际应用中，对确定的待评估重要性的站点的具体类型和数量不做限定。
确定输入构建双层轨道交通网络的数据，其数据主要包括两部分，一部分为轨道交通线路结构数据，包括站点信息和站点之间连接信息，根据站点信息和站点之间连接信息构建下层轨道结构网络；二是某一时段t内乘客出行的起讫数据，数据至少记录了乘客进出站时间和进出站站点，用以构建某时段上层客流网络。
需要说明的是，某一时段t内乘客出行的起讫数据可以参考表1提供的上海轨道交通乘客出行起讫数据示例。
表1.上海轨道交通乘客出行起讫数据
记录 乘客编号 日期 时间 站点 线路 金额
1 602141128 2015-04-01 07:51:08 莘庄 1号线 0.00
2 602141128 2015-04-01 09:07:57 昌吉东路 11号线 6.00
3 2201252167 2015-04-01 18:43:14 陕西南路 1号线 0.00
4 2201252167 2015-04-01 19:20:33 场中路 7号线 4.00
5 2001530605 2015-04-01 08:41:14 广兰路 2号线 0.00
6 2001530605 2015-04-01 09:28:17 国权路 10号线 4.00
进一步地，确定输入扩展的耦合映像格子(TP-CML)网络的参数，主要包括下层轨道结构网络的耦合系数ε1，上层客流网络的耦合系数ε2 (ε1，ε2∈(0,1))，其中，ε1表示下层轨道结构网络中包括的节点之间的耦合程度，ε2表示上层客流网络中包括的节点之间的耦合程度；TP-CML网络中包括的各节点的最大阈值Q，可以理解为各个站点的最大客流容量；最大的传播次数T，外部扰动大小R，可以理解为突发事故的大小；各个节点在下层轨道结构网络中的初始状态值，各个节点在上层客流网络中的初始状态值，需要说明的是，各个节点的初始状态值均在(0，1)的内时，则表示该节点处于正常状态，为正常节点，若节点的状态值大于等于1，则该节点为故障节点。
在实际应用中，为了能够对某个站点的重要性进行评估，则可以从多个待评估站点中选择一个初始故障站点，然后对该初始故障站点进行重要性评估。在本发明实施例中，从多个待评估节点中选择一个初始故障节点，然后对该初始故障节点的重要性进行评估。举例来说，从待评估节点集合S中选择一个站点作为初始故障节点vm，即对初始故障节点vm进行重要性评估。
具体地，根据前面输入的数据，构建双层轨道交通网络，某个时间段t内的双层轨道交通网络可以表示为Gt，某个时间段t内的双层轨道交通网络由两层组成，首先是下层轨道结构网络GT，GT基于物理的轨道线路构建，GT中的节点和边分别表示地铁站点和相邻站点之间的轨道，换乘站在网络中仅用一个节点表示；然后是某时段上层客流网络
Figure GDA0003207957450000131
Figure GDA0003207957450000132
基于某个时段t乘客出行的起讫数据构建，
Figure GDA0003207957450000133
中的节点表示地铁站点，边的构建方式为：若在时段t内有乘客选择从站点i到站点j，则站点i和站点j之间构建一条边，而边上的权重wij(t)为时段t内选择从站点i到站点j的乘客总数量。
需要说明的是，这里的某个时间段t可以理解为早高峰期(7:00-8:00)，可以理解为平峰期(12:00-13:00)，也可以理解为晚高峰期(18:00-19:00)。在本发明实施例中，对某时间段t所对应的具体时间锋期不做限定。进一步地，在本发明实施例中，t可以以小时为单位在一天中任意截取，如果需要，也可以减小或增加时间尺度，比如按分钟、按天截取时间段，但是不建议按秒截取或者按月截取，这样时间尺度太大或者太小，得到的结果误差都会偏大。
图3为本发明实施例提供的双层轨道交通网络结构示意图，如图3所示，双层轨道交通网络包括有下层轨道结构网络GT和某时段t上层客流网络
Figure GDA0003207957450000134
在图3中，节点vi，节点vj，节点vk和节点vm是双层轨道交通网络中的节点，节点vk和节点vi是下层轨道结构网络GT中节点vm的邻居节点，vj是上层客流网络中vm的邻居节点。即在下层轨道结构网络GT里，与节点vm相邻节点有两个，分别是vk和vi，因此节点vm相邻的边的条数也是2，可以得到Km＝2。某时段t 上层客流网络
Figure GDA0003207957450000135
中的时间轴上上方分别是对应的客流网络，每个客流网络中两节点之间若存在连边，边上的权重的大小表示在t时段内有多少乘客选择了以这两个节点为起讫点。比如：Vmi代表t0时段内有Vmj个乘客选择了以m，j为起讫点。
进一步地，N为网络中节点数目，可以理解为双层轨道交通网络包括的地铁站点的数目；amj表示节点vm与节点vj的连接状态，若二者之间存在边，则 amj＝1，反之amj＝0。
当构建好双层轨道交通网络之后，则可以对初始故障节点vm进行重要性评估。
在步骤101中，时刻y时，基于TP-CML网络触发机制，触发网络中的级联故障。给下层轨道结构网络中的初始故障节点vm加外部扰动，则初始故障节点vm在y时的初始状态值可以根据公式(1)确定：
Figure GDA0003207957450000141
其中，Tm(y)表示y时刻初始故障节点vm在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点vm的度，N为TP-CML网络中节点的数量，amj表示初始故障节点vm和与初始故障节点vm的相邻节点vj的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为，需要说明的是，在TP-CML网络中选取f(x)＝4x(1-x)，其中0≤x≤1。 Tm(y-1)表示y-1时刻初始故障节点vm在下层轨道结构网络中的y-1状态值， Tj(y-1)表示y-1时刻初始故障节点vm的相邻节点vj在下层轨道结构网络中的y-1状态值。
进一步地，若将公式(1)中初始故障节点vm换成正常节点vi时，则可以根据公式(1)确定下层轨道结构网络中的正常节点在y时的初始状态值。因为此时的外部扰动是由突发事件引起的，比如信号故障、极端天气等，所以造成的故障节点处于下层轨道结构网络中。
在本发明实施例中，一种示例中，若在步骤101之后，确定双层轨道交通网络包括的全部节点均为故障节点，则可以根据下列公式(2)确定初始故障节点的评估结果：
Figure GDA0003207957450000151
其中，I表示初始故障节点的评估结果，N为所述双层轨道交通网络中节点的数量，
Figure GDA0003207957450000152
表示双层轨道交通网络中均为故障节点时故障节点的数目或者所述双层轨道交通网络中的最大传播次数，所述双层轨道交通网络中的故障节点数目。
一种示例中，若在步骤101之后，确定双层轨道交通网络包括的全部节点还存在正常节点，但是该双层轨道交通网络达到的设定的最大传播次数，则可以根据公式(2)确定初始故障节点的评估结果。
在步骤102中，当确定了y时刻初始故障节点vm的初始状态值以及其他正常节点vi的初始状态值之后，则可以基于TP-CML网络的状态更新机制，更新各个节点的状态值。
具体地，在y+1时刻，将在y时刻确定的初始故障节点的初始状态值全部置为0，然后根据公式(3)计算正常节点vi在上层客流网络中的y+1状态值，根据公式(4)计算正常节点vi在下层轨道结构网络的y+1状态值。
Figure GDA0003207957450000153
其中，Ti(y+1)表示正常节点vi在下层轨道结构网络的y+1状态值，Ki表示正常节点vi的度，N为所述TP-CML网络中节点的数量，aij表示正常节点vi和与所述正常节点vi的相邻节点vj的连接状态，ε1为下层轨道结构网络的耦合系数，f(x)表示节点的动态行为；Ti(y)表示正常节点vi在下层轨道结构网络的 y状态值，Tj(y)表示正常节点vi的相邻节点j在下层轨道结构网络的y状态值。
Figure GDA0003207957450000154
其中，Pi(y+1)表示正常节点vi在上层客流网络中的y+1状态值，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q 为所述TP-CML网络中各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y) 表示正常节点vi在上层客流网络中的t状态值，Pj(y)表示正常节点vi的相邻节点vj在上层客流网络中的y状态值。
在本发明实施例中，在y时刻确定的初始故障节点的数量可以是1个，也可以是多个，为了方便表示，将初始故障节点的数量表示为m个；相应地，正常节点的数量可以是多个，也可以是1个，为了方便表示，将正常节点的数量表示为i个。但是在一个网络中，正常节点的数量和初始故障节点的总和应该等于总节点的数量N。即存在i+m＝N。进一步地，上述所述的网络，可以是下层轨道结构网络，可以是上层客流网络，也可以是双层轨道交通网络。再者，初始故障节点的相邻节点vj的数量可以包括0个，可以包括多个，最多可以包括N-1个，即一个初始故障节点的相邻节点的数量包括0至N-1个。
当确定的y+1时刻正常节点的状态值之后，则可以根据正常节点的状态值的大小，判断正常节点中包括有多个故障节点。
在步骤103中，故障节点的确定，可以根据y+1状态值的与1的关系，确定该正常节点是否为故障节点。具体地，在传播过程中，若根据公式(3)确定正常节点在下层轨道结构网络中的y+1状态值大于或者等于1时，则可以确定该正常节点在下层轨道结构网络中为故障节点；若根据公式(4)确定正常节点上层客流网络中的y+1状态值大于或者等于1时，则可以确定该正常节点在上层客流网络中为故障节点。
需要说明的是，由于在y时刻确定的初始故障节点的数量为m个，正常节点的数量为i个，在y时刻存在i+m＝N。因此，在y+1时刻，若根据正常节点的状态值，将在y时刻的正常节点在y+1时刻确定为故障节点时，则y时刻的正常节点i在y+1时刻可以表示为i1+i2＝i，其中，i1为在y+1时刻的正常节点的数量，i2为在y+1时刻的故障节点的数量，因此在y+1时刻，存在i1+i2+m＝N。
进一步地，正常节点的相邻节点vj的数量可以包括0个，可以包括多个，最多可以包括N-1个，即一个正常节点的相邻节点的数量包括0至N-1个。
在本发明实施例中，根据下列公式(5)确定双层轨道交通网络在y+1时刻包括的故障节点的总数：
I(y+1)＝IT(y+1)+IP(y+1)-IT∩P(y+1) (5)
其中，IT(y+1)表示故障传播y+1时刻后下层轨道结构网络中总的故障节点的数量，IP(y+1)表示故障传播y+1时刻后上层客流网络中总的故障节点数， IT∩P(y)表示故障传播y+1时刻后，下层轨道结构网络和上层客流网络中共同的故障节点的个数。
当确认了双层轨道交通网络在y+1时刻包括的故障节点的总数之后，若进一步地确认在y+1时刻该双层轨道交通网络包括的全部节点均为故障节点时，则可以根据下列公式(2)确定初始故障节点的评估结果：
Figure GDA0003207957450000171
其中，I表示初始故障节点的评估结果，N为所述双层轨道交通网络中节点的数量，
Figure GDA0003207957450000172
表示双层轨道交通网络中均为故障节点时故障节点的数目或者所述双层轨道交通网络中的最大传播次数，所述双层轨道交通网络中的故障节点数目。
需要说明的是，若在y+1时刻确认了双层轨道交通网络包括的全部节点中还有正常节点，则需要根据客流重分配策略更新上层客流网络，具体地，确认 y+1时刻后上层客流网络中总的故障节点数，依次确认上层客流网络中的故障节点的正常邻居节点，下层轨道结构网络中的故障节点的正常邻居节点，然后将在y+1时刻上层客流网络中确认的故障节点从上层客流网络中删除，接着选择下层轨道结构网络中的每一个正常邻居节点与上层客流网络中的每一个正常邻居节点在上层客流网络中建立连边，然后根据公式(6)为每个新建的边分配权重：
wkj(y+1)＝wkj(y)+Δwkj_m (6)
其中，wkj(y+1)表示在上层客流网络中新建立的边
Figure GDA0003207957450000181
在y+1时刻的权值， wkj(y)表示在上层客流网络中原来的边
Figure GDA0003207957450000182
在y+1时刻的权值，Δwkj_m表示由边
Figure GDA0003207957450000183
分配到边
Figure GDA0003207957450000184
上的权值。需要说明的是，若在y时刻，vk和vj之间在
Figure GDA0003207957450000185
中存在连边，则wkj(y)为原来边
Figure GDA0003207957450000186
上的权值，反之，则wkj(y)＝0。
其中，Δwkj_m可以根据下列公式(7)确定：
Figure GDA0003207957450000187
公式(7)中，
Figure GDA0003207957450000188
表示GT中边
Figure GDA0003207957450000189
对应的边介数，
Figure GDA00032079574500001810
可以根据公式 (8)确定：
Figure GDA00032079574500001811
其中，
Figure GDA00032079574500001812
表示从vs到vt的最短路径中经过边
Figure GDA00032079574500001813
的数目，σst表示从vs到 vt的最短路径数目需要说明的是，vs和vt是任意两个节点，在此不做具体地限定。
举例来说，图4a为本发明实施例提供的待进行客流分配策略示意图；图 4b为本发明实施例提供的客流分配策略示意图；如图4a所示，双层轨道交通网络包括有下层轨道结构网络GT和某时段t上层客流网络
Figure GDA00032079574500001814
在图4a中，节点vi，节点vj，节点vk和节点vm是双层轨道交通网络中的节点，节点vk和节点vi是下层轨道结构网络GT中节点vm的邻居节点，vj是上层客流网络
Figure GDA00032079574500001815
中的邻居节点vm。如图4b所示，在下层轨道结构网络GT中故障节点vm的正常邻居节点分别是节点vk和节点vi，因此在下层轨道结构网络GT中故障节点vm的正常邻居节点可以表示为N_T(vm)＝{vk,vi}，相应地，上层客流网络中
Figure GDA00032079574500001816
的故障节点vm的正常邻居节点为节点vj，因此在上层客流网络
Figure GDA00032079574500001817
中故障节点vm的正常邻居节点可以表示为N_P(vm)＝{vj}；进一步地，在上层客流网络
Figure GDA00032079574500001818
中将故障节点vm从上层客流网络
Figure GDA00032079574500001819
中删除，接着选取N_T(vm)＝{vk,vi}中的每一个节点与N_P(vm)＝{vj}中的每一个节点在上层客流网络
Figure GDA0003207957450000191
中建立连边，如图4b 中新建的连边
Figure GDA0003207957450000192
需要说明的是，在本发明实施例中，通过上述步骤确定了初始故障节点的的评估结果之后，可以重复执行上述步骤，将上述确定的待评估重要性的站点集合中包括的站点一一进行评估，然后将每个站点(节点)的评估结果进行排序，即可以得到待评估站点重要性排序结果。
图5为本发明实施例一提供的轨道交通中站点重要性评估方法流程示意图；图6为本发明实施例一提供的不同时段上海的TP-CML网络示意图；图7 为本发明实施例一提供的图6所示上海的TP-CML网络在外部扰动下造成的网络故障率示意图。
为了更清楚的介绍本发明实施例提供的轨道交通中站点重要性评估方法，以下以图5为例结合图6～图7，详细介绍该评估方法。
如图5所示，该方法包括以下步骤：
S1：输入待评估重要性站点集合S，在本发明实施例以中，对上海轨道交通中的所有站点的重要程度都做了评估，所以输入的站点集合即为所有站点；输入构建双层轨道交通网络的数据，在本发明实施例以中，对上海轨道交通线路结构信息数据，以及如表一所示在2015年4月1日的上海轨道交通智能卡刷卡数据，包含了乘客的进出站时间和进出站站点信息。需要说明的是，在该实例中，探究的是各站点在三个时段早高峰(7:00-8:00)，平峰(12:00-13:00)，晚高峰(18:00-19:00)中发生故障所造成的网络故障率，因此具体输入的是2015 年4月1日这三个时段t的乘客刷卡数据，以便构建对应时段的双层轨道交通网络；输入TP-CML模型参数。下层轨道结构网络GT的耦合系数ε1＝0.4，上层客流网络中
Figure GDA0003207957450000193
的耦合系数ε2＝0.6，最大的传播次数T＝100，外部扰动大小R在 1～1.5中每隔0.1取值，各节点在下层轨道结构网络GT、上层客流网络中
Figure GDA0003207957450000194
中的初始状态值均是在(0，1)区间范围内随机选取，各节点的最大阈值Q是根据一个月的上海轨道交通乘客出行起讫数据计算的，具体来说，首先将每个工作日(共21天)按小时划分为18个时段，然后计算每个工作日中每个时段内各站点的进出站客流之和；接着计算每个工作日最大的小时客流量；最后各站的客流最大容量，即各节点的最大阈值则是所有工作日最大的小时客流量的平均值。而在模拟节点故障在下层轨道结构网络GT中的级联故障过程的实验中，只需设置ε2＝0，其他参数不用改变。
S2：随机从待评估重要性站点集合中选择一个站点作为初始故障站点vm，即对该站点vm进行重要性评估。
S3：根据数据构建双层轨道交通网络，某时段t对应的双层轨道交通网络 Gt：Gt由两层组成，首先是下层轨道结构网络GT，下层轨道结构网络GT基于物理的轨道线路构建，下层轨道结构网络GT中的节点和边分别表示地铁站点和相邻站点之间的轨道，换乘站在网络中仅用一个节点表示；然后是某时段t上层客流网络
Figure GDA0003207957450000201
上层客流网络
Figure GDA0003207957450000202
基于某一时段t乘客出行的起讫数据构建，
Figure GDA0003207957450000203
中的节点表示地铁站点，边的构建方式为：若在时段t内某有乘客选择从站点i 到站点j，则节点i，j之间构建一条边，而边上的权重wij(t)为时段t内选择从站点i到站点j的乘客总数量。依据上述规则，本实验构建了如图6a所示早高峰时段(7:00-8:00)上海双层轨道交通网络示意图、图6b所示的平峰时段 (12:00-13:00)上海双层轨道交通网络示意图和图6c所示的晚高峰时段 (18:00-19:00)上海双层轨道交通网络示意图。其中，GMP，GOP，GEF分别表示早高峰(7:00-8:00)，平峰(12:00-13:00)，晚高峰(18:00-19:00)的上海双层轨道交通网络。
S4：基于TP-CML模型触发机制，触发网络中的级联故障，触发机制即为给初始故障节点vm施加外部扰动R，初始故障节点vm的状态值根据公式(1) 更新。其中，初始故障节点vm的状态值为在y时刻的状态值。
需要说明的是，在步骤S4后，若确认双层轨道交通网络包括的全部节点均为故障节点，则可以根据下列公式(2)确定初始故障节点的评估结果；或者，若确定双层轨道交通网络包括的全部节点还存在正常节点，但是该双层轨道交通网络达到的设定的最大传播次数，则可以根据公式(2)确定初始故障节点的评估结果。
S5：基于TP-CML模型状态更新机制，更新各节点状态值。更新机制为：首先将上一轮(S4中)故障节点的状态值在y+1时刻置为0，然后计算下层轨道结构网络GT和某时段t上层客流网络
Figure GDA0003207957450000211
中除故障节点之外的故障节点在y+1 时刻的状态值，计算公式如(3)和(4)所示。
S6：根据y+1时刻各节点状态值统计本轮故障节点集合C_I，以及总的故障节点数I(t)，此处定义某节点在下层轨道结构网络GT或某时段t上层客流网络
Figure GDA0003207957450000212
中一旦在某次传播过程中状态值大于或者等于1，则将正常节点确定为故障节点，因此IT(y+1)可依据公式(5)进行计算。
S7：基于客流重分配策略更新
Figure GDA0003207957450000213
客流重分配策略为：首先获得y+1时刻各故障节点，依次确认上层客流网络中的故障节点的正常邻居节点，下层轨道结构网络中的故障节点的正常邻居节点，然后将在y+1时刻上层客流网络中确认的故障节点从上层客流网络中删除，接着选择下层轨道结构网络中的每一个正常邻居节点与上层客流网络中的每一个正常邻居节点在上层客流网络中建立连边，然后根据公式(6)为每个新建的边分配权重。
需要说明的是，在这个步骤确定的y+1时刻是新建的边的分配权重，可以在下一个时刻应用至公式(4)中；相应地，在y+1时刻，公式(4)内应用的 wij(y)为在y时刻确定的。
S8：当网络中不存在正常节点或者达到设定的最大传播次数时，根据公式 (2)计算初始故障节点的评估结果。
S9：根据各站点(节点)对应的网络故障率大小对各站点(节点)的重要性进行排序，最终输出如图7所示的，GMP,GOP,GEF，GT中各节点在较小的外部扰动下最终造成的网络故障率。
为了便于展示本实例对站点设置了唯一的站点编号，可根据自身需求选择是否设置站点编号，如需设置只要保证一个站点对应唯一的一个编号即可，本实例结果表明，不同的站点在不同时段故障，引起的级联规模大小不同，同一个站点在早高峰时段中断引起的级联故障规模大于其他时段，究其根本是因为早高峰时段的站点的客流量大于其他时段，因此站点重要性会因为站点中的客流量不同而发生变化。另外，本实例将某一站点所有R-I关系的实验结果取均值得到该站点在较小外部扰动下的所引起的平均故障率。表2列出了图7实验中，早高峰时段造成网络平均故障率最高的前5个站点，这5个站点也被认为是在早高峰时段，较小扰动的情况下重要程度最高的5个站点。
表2早高峰时段造成网络平均故障率最高的前5个站点
排名 站点 网络平均故障率
1 大世界 19.03％
2 黄陂南路 18.69％
3 静安寺 17.99％
4 人民广场 17.09％
5 陕西南路 17.02％
综上所述，本发明实施例提供的轨道交通中站点重要性评估方法及装置，该方法包括：在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时的最大传播次数，确定所述初始故障节点的评估结果。该方法提出双层轨道交通网络，该双层轨道交通网络包括下层轨道结构网络和上层客流网络，通过双层轨道交通网络表征轨道结构和某时段的客流之间的动态关系；在应用中，将初始故障节点的客流再分配策略和各节点的最大容客量纳入原始的CML模型，使得TP-CML网络可以模拟出初始故障发生后，下层轨道结构网络和上层客流网络中出现的两个级联过程，从而可以反映出乘客出行的时空特征对整个级联过程的影响，通过该方法得到的初始故障节点评估结果，可以定量的评估节点在不同时刻和不同大小的故障下所表现出的重要性。
基于同一发明构思，本发明实施例提供了轨道交通中站点重要性评估装置，由于该装置解决技术问题的原理与轨道交通中站点重要性评估方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
图8为本发明实施例提供的轨道交通中站点重要性评估装置结构示意图，如图8所示，该装置主要包括：第一确定单元801，第二确定单元802，第三确定单元803和第四确定单元804。
本发明实施例提供轨道交通中站点重要性评估装置，包括
第一确定单元801：用于在y时，基于扩展的耦合映像格子模型TP-CML 网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
第二确定单元802：用于在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内所述上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；
第三确定单元803：用于在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
第四确定单元804：用于当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时的最大传播次数，确定所述初始故障节点的评估结果。
优选地，所述第三确定单元803还用于：
确定所述下层轨道结构网络中所述故障节点的邻居节点以及所述上层客流网络中的所述故障节点的邻居节点，将所述上层客流网络中的所述故障节点删除，将所述下层轨道结构网络中包括的每个邻居节点与所述上层客流网络中的包括的每个邻居节点在上层客流网络中建立连边，并根据下来公式确定每一条新建连边的权重：
wkj(y+1)＝wkj(y)+Δwkj_m
其中，wkj(y+1)表示在所述上层客流网络中新建立的边
Figure GDA0003207957450000251
在时间步长为y+1 时的权值，wkj(y)表示在所述上层客流网络中原来的边
Figure GDA0003207957450000252
在时间步长为y时的权值，Δwkj_m表示由边
Figure GDA0003207957450000253
分配到边
Figure GDA0003207957450000254
上的权值。
优选地，所述正常节点在上层客流网络中的t+1状态值根据下列公式确定：
Figure GDA0003207957450000255
其中，Pi(y+1)表示正常节点i在上层客流网络中的y+1状态值，N为所述双层轨道交通网络节点的数量，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q为所述双层轨道交通网络各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y)表示正常节点i在上层客流网络中的t状态值，Pj(y)表示正常节点i的相邻节点j在上层客流网络中的y状态值；
所述初始故障节点在下层轨道结构网络中的初始状态值根据下列公式确定：
Figure GDA0003207957450000256
其中，Tm(y)表示初始故障节点m在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点m的度，N为所述双层轨道交通网络中节点的数量，amj表示初始故障节点m和与所述初始故障节点m的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为。
应当理解，以上轨道交通中站点重要性评估装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的轨道交通中站点重要性评估装置所实现的功能与上述实施例提供的轨道交通中站点重要性评估方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例一中已做详细描述，此处不再详细描述。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.轨道交通中站点重要性评估方法，其特征在于，包括：
在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；
在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果；
其中，y+1时刻内的所述双层轨道交通网络中的故障节点的总数值根据下列公式确定：
I(y+1)＝IT(y+1)+IP(y+1)-IT∩P(y+1)
其中，IT(y+1)表示故障传播y+1时刻后下层轨道结构网络中总的故障节点的数量，IP(y+1)表示故障传播y+1时刻后上层客流网络中总的故障节点数，IT∩P(y)表示故障传播y+1时刻后，下层轨道结构网络和上层客流网络中共同的故障节点的个数；
所述正常节点在下层轨道结构网络的y+1状态值根据下列公式确定：
Figure FDA0003207957440000021
其中，Ti(y+1)表示正常节点i在下层轨道结构网络的y+1状态值，Ki表示正常节点i的度，N为所述双层轨道交通网络节点的数量，aij表示正常节点i和与所述正常节点i的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，f(x)表示节点的动态行为；Ti(y)表示正常节点i在下层轨道结构网络的y状态值，Tj(y)表示正常节点i的相邻节点j在下层轨道结构网络的y状态值；
所述正常节点在上层客流网络中的t+1状态值根据下列公式确定：
Figure FDA0003207957440000022
其中，Pi(y+1)表示正常节点i在上层客流网络中的y+1状态值，N为所述双层轨道交通网络节点的数量，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q为所述双层轨道交通网络各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y)表示正常节点i在上层客流网络中的t状态值，Pj(y)表示正常节点i的相邻节点j在上层客流网络中的y状态值；
所述初始故障节点在下层轨道结构网络中的初始状态值根据下列公式确定：
Figure FDA0003207957440000023
其中，Tm(y)表示初始故障节点m在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点m的度，N为所述双层轨道交通网络中节点的数量，amj表示初始故障节点m和与所述初始故障节点m的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为；
所述确定所述初始故障节点在下层轨道结构网络中的初始状态值之后，还包括：
若确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络中的节点的数量以及所述双层轨道交通网络中的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果；或者
若确定所述双层轨道交通网络中的节点还存在正常节点，且达到设定的最大传播次数时，根据所述双层轨道交通网络中节点的数量以及所述双层轨道交通网络中的最大传播次数，确定所述初始故障节点的评估结果；
通过下列公式确定所述初始故障节点的评估结果：
Figure FDA0003207957440000031
其中，I表示初始故障节点的评估结果，N为所述双层轨道交通网络中节点的数量，
Figure FDA0003207957440000032
表示双层轨道交通网络中均为故障节点时故障节点的数目或者所述双层轨道交通网络中的最大传播次数，所述双层轨道交通网络中的故障节点数目。
2.如权利要求1所述的方法，其特征在于，所述确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数之后，还包括：
确定所述下层轨道结构网络中所述故障节点的邻居节点以及所述上层客流网络中的所述故障节点的邻居节点，将所述上层客流网络中的所述故障节点删除，将所述下层轨道结构网络中包括的每个邻居节点与所述上层客流网络中的包括的每个邻居节点在上层客流网络中建立连边，并根据下来公式确定每一条新建连边的权重：
wkj(y+1)＝wkj(y)+Δwkj_m
其中，wkj(y+1)表示在所述上层客流网络中新建立的边
Figure FDA0003207957440000033
在时间步长为y+1时的权值，wkj(y)表示在所述上层客流网络中原来的边
Figure FDA0003207957440000041
在时间步长为y时的权值，Δwkj_m表示由边
Figure FDA0003207957440000042
分配到边
Figure FDA0003207957440000043
上的权值。
3.如权利要求1所述的方法，其特征在于，在基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动之前，还包括：
确定待评估的多个节点，根据所述待评估的多个节点、节点之间的连接信息、在设定时间段内乘客出行的起讫数据、所述下层轨道结构网络耦合系数、设定时间段内上层客流网络的耦合系数、所述待评估的多个节点的最大阈值、最大的传播次数、外部扰动、下层轨道结构网络包括的所述待评估的多个节点的初始状态值、设定时间段内上层客流网络包括的所述待评估的多个节点的初始状态值确定所述双层轨道交通网络；其中，所述双层轨道交通网络包括下层轨道结构网络和设定时间段内上层客流网络。
4.轨道交通中站点重要性评估装置，其特征在于，包括
第一确定单元：用于在y时，基于扩展的耦合映像格子模型TP-CML网络给下层轨道结构网络中的初始故障节点施加外部扰动，根据所述故障节点的度、所述外部扰动、双层轨道交通网络节点的数量、所述初始故障节点和与所述初始故障节点的相邻节点的连接状态、下层轨道结构网络耦合系数确定所述初始故障节点在下层轨道结构网络中的初始状态值；
第二确定单元：用于在y+1时，将在y时确定的所述初始故障节点在所述下层轨道结构网络中的初始状态值置为0，根据时间段t内上层客流网络中边的权重、所述上层客流网络的耦合系数确定正常节点在所述上层客流网络中的y+1状态值；根据所述初始故障节点和与所述初始故障节点相邻节点的连接状态、下层轨道结构网络耦合系数确定正常节点在所述下层轨道结构网络的y+1状态值；
第三确定单元：用于在传播过程中，若所述正常节点在下层轨道结构网络中的y+1状态值至少一次大于等于1或者在上层客流网络中的y+1状态值至少一次大于等于1，则将所述正常节点确定为故障节点；根据所述下层轨道结构网络中的故障节点、所述上层客流网络中总的故障节点以及所述下层轨道结构网络和所述上层客流网络中共同的故障节点的数量确定y+1时刻内的所述双层轨道交通网络中的故障节点的总数；
第四确定单元：用于当在y+1时刻内确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络节点的数量以及所述双层轨道交通网络的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果；
其中，y+1时刻内的所述双层轨道交通网络中的故障节点的总数值根据下列公式确定：
I(y+1)＝IT(y+1)+IP(y+1)-IT∩P(y+1)
其中，IT(y+1)表示故障传播y+1时刻后下层轨道结构网络中总的故障节点的数量，IP(y+1)表示故障传播y+1时刻后上层客流网络中总的故障节点数，IT∩P(y)表示故障传播y+1时刻后，下层轨道结构网络和上层客流网络中共同的故障节点的个数；
所述正常节点在下层轨道结构网络的y+1状态值根据下列公式确定：
Figure FDA0003207957440000051
其中，Ti(y+1)表示正常节点i在下层轨道结构网络的y+1状态值，Ki表示正常节点i的度，N为所述双层轨道交通网络节点的数量，aij表示正常节点i和与所述正常节点i的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，f(x)表示节点的动态行为；Ti(y)表示正常节点i在下层轨道结构网络的y状态值，Tj(y)表示正常节点i的相邻节点j在下层轨道结构网络的y状态值；
所述正常节点在上层客流网络中的t+1状态值根据下列公式确定：
Figure FDA0003207957440000052
其中，Pi(y+1)表示正常节点i在上层客流网络中的y+1状态值，N为所述双层轨道交通网络节点的数量，wij(y)表示在时间段t内所述上层客流网络中边的权重，ε2为上层客流网络的耦合系数，Q为所述双层轨道交通网络各个节点的最大阈值，f(x)表示节点的动态行为，Pi(y)表示正常节点i在上层客流网络中的t状态值，Pj(y)表示正常节点i的相邻节点j在上层客流网络中的y状态值；
所述初始故障节点在下层轨道结构网络中的初始状态值根据下列公式确定：
Figure FDA0003207957440000061
其中，Tm(y)表示初始故障节点m在被施加外部扰动后在下层轨道结构网络中的初始状态值，Km表示所述故障节点m的度，N为所述双层轨道交通网络中节点的数量，amj表示初始故障节点m和与所述初始故障节点m的相邻节点j的连接状态，ε1为下层轨道结构网络的耦合系数，R为外部扰动值，f(x)表示节点的动态行为；
所述确定所述初始故障节点在下层轨道结构网络中的初始状态值之后，还包括：
若确定所述双层轨道交通网络的节点均为故障节点时，根据所述双层轨道交通网络中的节点的数量以及所述双层轨道交通网络中的节点均为故障节点时故障节点的数目，确定所述初始故障节点的评估结果；或者
若确定所述双层轨道交通网络中的节点还存在正常节点，且达到设定的最大传播次数时，根据所述双层轨道交通网络中节点的数量以及所述双层轨道交通网络中的最大传播次数，确定所述初始故障节点的评估结果；
通过下列公式确定所述初始故障节点的评估结果：
Figure FDA0003207957440000062
其中，I表示初始故障节点的评估结果，N为所述双层轨道交通网络中节点的数量，
Figure FDA0003207957440000071
表示双层轨道交通网络中均为故障节点时故障节点的数目或者所述双层轨道交通网络中的最大传播次数，所述双层轨道交通网络中的故障节点数目。
5.如权利要求4所述的装置，其特征在于，所述第三确定单元还用于：
确定所述下层轨道结构网络中所述故障节点的邻居节点以及所述上层客流网络中的所述故障节点的邻居节点，将所述上层客流网络中的所述故障节点删除，将所述下层轨道结构网络中包括的每个邻居节点与所述上层客流网络中的包括的每个邻居节点在上层客流网络中建立连边，并根据下来公式确定每一条新建连边的权重：
wkj(y+1)＝wkj(y)+Δwkj_m
其中，wkj(y+1)表示在所述上层客流网络中新建立的边
Figure FDA0003207957440000072
在时间步长为y+1时的权值，wkj(y)表示在所述上层客流网络中原来的边
Figure FDA0003207957440000073
在时间步长为y时的权值，Δwkj_m表示由边
Figure FDA0003207957440000074
分配到边
Figure FDA0003207957440000075
上的权值。
CN202010912595.3A 2020-09-02 2020-09-02 轨道交通中站点重要性评估方法及装置 Active CN112002127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010912595.3A CN112002127B (zh) 2020-09-02 2020-09-02 轨道交通中站点重要性评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010912595.3A CN112002127B (zh) 2020-09-02 2020-09-02 轨道交通中站点重要性评估方法及装置

Publications (2)

Publication Number Publication Date
CN112002127A CN112002127A (zh) 2020-11-27
CN112002127B true CN112002127B (zh) 2021-09-17

Family

ID=73465618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010912595.3A Active CN112002127B (zh) 2020-09-02 2020-09-02 轨道交通中站点重要性评估方法及装置

Country Status (1)

Country Link
CN (1) CN112002127B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987728B (zh) * 2021-12-27 2022-03-01 广州市交通规划研究院 一种复杂干线公共交通线网稳定性的优化方法
CN116701495B (zh) * 2023-08-07 2023-11-14 南京邮电大学 一种地铁-公交复合网络关键站点识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400051A (zh) * 2019-06-27 2019-11-01 厦门理工学院 一种城市轨道交通路网节点重要度评价方法
CN110851177A (zh) * 2019-11-05 2020-02-28 北京联合大学 一种基于软件故障传播的软件系统关键实体挖掘方法
CN111598427A (zh) * 2020-05-12 2020-08-28 东南大学 一种城市轨道交通站点重要度评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170068755A1 (en) * 2015-09-07 2017-03-09 Sap Se Transportation schedule evaluation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400051A (zh) * 2019-06-27 2019-11-01 厦门理工学院 一种城市轨道交通路网节点重要度评价方法
CN110851177A (zh) * 2019-11-05 2020-02-28 北京联合大学 一种基于软件故障传播的软件系统关键实体挖掘方法
CN111598427A (zh) * 2020-05-12 2020-08-28 东南大学 一种城市轨道交通站点重要度评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
城市交通复杂网络节点重要度评估与级联失效研究;修志博;《中国优秀硕士学位论文全文数据库》;20200815(第8期);全文 *

Also Published As

Publication number Publication date
CN112002127A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
Dulebenets et al. Exact and heuristic solution algorithms for efficient emergency evacuation in areas with vulnerable populations
Zou et al. Enhancing resilience of interdependent traffic-electric power system
Cats et al. Dynamic vulnerability analysis of public transport networks: mitigation effects of real-time information
Iida Basic concepts and future directions of road network reliability analysis
CN107766969B (zh) 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法
Liu et al. Exploring the resilience assessment framework of urban road network for sustainable cities
Liu et al. A bi‐level model for planning signalized and uninterrupted flow intersections in an evacuation network
Li et al. Time-dependent resilience analysis of a road network in an extreme environment
CN112002127B (zh) 轨道交通中站点重要性评估方法及装置
Yao et al. Simulation‐Based Dynamic Passenger Flow Assignment Modelling for a Schedule‐Based Transit Network
CN104484514A (zh) 一种规避拥堵路段的弹性公交线路设计方法
Wang et al. Vulnerability assessment of urban road traffic systems based on traffic flow
CN108364093B (zh) 基于能力瓶颈疏解策略的路网客流协同控制优化方法
CN107067103A (zh) 一种基于自动售检票系统的乘客路径选择分析方法
Shen et al. Model cascading overload failure and dynamic vulnerability analysis of facility network of metro station
CN117252304A (zh) 考虑大客流预警信息的轨道交通拥挤传播评估与控制方法
Zhang et al. Evaluation of emergency evacuation capacity of urban metro stations based on combined weights and TOPSIS-GRA method in intuitive fuzzy environment
Karoń Travel demand and transportation supply modelling for agglomeration without transportation model
CN115718981A (zh) 基于二阶锥优化的应急设施选址和路径优化方法及系统
Lu et al. Modeling cascading failures of urban rail transit network based on passenger spatiotemporal heterogeneity
Sun et al. Vulnerability analysis of urban rail transit network considering cascading failure evolution
Yin et al. Risk reduction impact of connected vehicle technology on regional hurricane evacuations: A simulation study
CN105243431A (zh) 交通流疏散时间估计方法
Wang et al. A simulation-based model for evacuation demand estimation under unconventional metro emergencies
Tayan et al. Analysis of a transportation system with correlated network intersections: A case study for a central urban city with high seasonal fluctuation trends

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