CN112598305B - 基于局域结构流量的城市路网重要节点识别方法 - Google Patents
基于局域结构流量的城市路网重要节点识别方法 Download PDFInfo
- Publication number
- CN112598305B CN112598305B CN202011580841.6A CN202011580841A CN112598305B CN 112598305 B CN112598305 B CN 112598305B CN 202011580841 A CN202011580841 A CN 202011580841A CN 112598305 B CN112598305 B CN 112598305B
- Authority
- CN
- China
- Prior art keywords
- road network
- node
- nodes
- importance
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于局域结构流量的城市路网重要节点识别方法,包括:根据城市路网信息构建路网模型;根据路网模型的局域结构和节点流量状态设定路网节点重要性指标;计算路网模型中每一个节点的路网节点重要性指标,根据所有节点的路网节点重要性指标确定所有节点的重要性顺序。本发明的基于局域结构流量的城市路网重要节点识别方法综合考虑了路网局域结构和节点流量状态对节点重要性的影响,得到的节点重要性顺序具有更高的准确性和可信度,工程指导性好,相比于仅考虑路网结构和仅考虑节点流量的节点识别方法,具有更好的识别效果,既能适用于静态分析路网重要节点,又能适用于动态监控和管理路网上的重要节点,具备较强的动态适应性。
Description
技术领域
本发明涉及城市交通技术领域,尤其涉及一种基于局域结构流量的城市路网重要节点识别方法。
背景技术
随着城市化进程不断加快,城市人口快速增长,城市路网道路交通需求也不断增加,交通拥堵问题日益突出,已成为社会经济发展和城市环保的重要瓶颈环节。目前,城市路网道路交通拥堵主要是由周期性交通需求、突发偶然事件以及道路维修管理等因素引起;其中,周期性交通需求具有明显的短期和中长期的周期性或季节性规律,例如早晚高峰期路网上车流量的周期性变化,夏季和秋冬季的车流量变化等;突发偶然事件主要包括交通事故、暴雨恶劣天气、路边停车等事件,突发偶然事件会导致临时性路面通行能力降低;道路维修管理因素是人为主动调控或计划改造导致的结果。基于大量数据研究发现,路网中的关键节点发生拥堵将导致路网发生大面积交通瘫痪,例如节假日高速路口拥堵,导致排队达数公里的现象等。因此,找出路网中的关键节点对于城市道路管理具有重要意义。
通常将能够影响城市路网交通流状态和交通效率的关键节点称为路网重要节点,目前,路网重要节点的识别方法分为三类,三类识别方法均采用复杂网络方法对城市路网进行建模。三类识别方法包括:基于局域邻居结构的方法,该方法主要考虑节点的局部结构特征,例如度中心性指标和集中影响度等;基于路径长度的流量相关的全局结构方法,该方法主要考虑网络的最短路由路径,例如介数、随机游走介数等;基于中心性的识别方法,该方法主要考虑网络的特征中心性,例如PageRank算法、特征向量中心性等。
现有的路网重要节点的识别方法通过从局域结构和全局结构等出发来评价网络节点重要度,仅考虑了路网局域结构的影响,其识别结果的准确性和可信度较差,工程指导性差。
发明内容
为解决上述现有技术中存在的至少一个技术问题,本发明提供一种基于局域结构流量的城市路网重要节点识别方法。
本发明公开了一种基于局域结构流量的城市路网重要节点识别方法,包括:
根据城市路网信息构建路网模型;
根据所述路网模型的局域结构和节点流量状态设定路网节点重要性指标;
计算所述路网模型中每一个节点的路网节点重要性指标,根据所有节点的所述路网节点重要性指标确定所述所有节点的重要性顺序。
在一些可选的实施方式中,所述根据城市路网信息构建路网模型,包括:
统计城市路网节点信息,确定路网节点,分配路网节点编号;
统计城市路网路段信息,确定路网连边,分配路网连边编号;
统计不同时段的每个所述路网连边的平均流量;
根据所述路网节点、所述路网连边和所述平均流量建立所述路网模型及所述路网模型对应的路网邻接矩阵。
在一些可选的实施方式中,建立所述路网模型对应的路网邻接矩阵为:
A(t)表示t时段的路网邻接矩阵,aij(t)表示t时段节点i与节点j对应的邻接矩阵元素值,当节点i与节点j在t时段不存在路网连边时,aij(t)=0,当节点i与节点j在t时段存在路网连边时, 表示节点i与节点j的路网连边在t时段的平均流量,aii(t)=0,i=1,2,...,N,j=1,2,...,N,N表示路网节点总数。
在一些可选的实施方式中,所述路网节点重要性指标设定为:
在一些可选的实施方式中,α=0.5,β=0.5。
在一些可选的实施方式中,所述方法还包括:
设定路网性能评价指标,基于所述所有节点的重要性顺序,按设定比例逐个删除节点,计算每次删除节点后的路网性能评价指标,以验证路网重要节点识别效果。
在一些可选的实施方式中,按设定比例依次删除在重要性顺序中位于前序的节点。
在一些可选的实施方式中,所述路网性能评价指标包括:用于反映路网连通性能的连通可靠性指标和用于反映路网流量分布均匀性的流量结构熵。
在一些可选的实施方式中,所述连通可靠性指标设定为:
G=max{G1,G2,...,Gn}
G表示连通可靠性指标,G1,G2,...,Gn表示路网中由于交通拥堵而分解且无相互连接的n个不同连通片的相对规模大小,n表示连通片总数。
在一些可选的实施方式中,所述流量结构熵设定为:
E表示流量结构熵,Ii表示节点i的归一化路网节点重要性指标,fdi表示节点i的路网节点重要性指标,N表示路网节点总数。
本发明技术方案的主要优点如下:
本发明的基于局域结构流量的城市路网重要节点识别方法综合考虑了路网局域结构和节点流量状态对节点重要性的影响,得到的节点重要性顺序具有更高的准确性和可信度,工程指导性好;相比于仅考虑路网结构的节点识别方法和仅考虑节点流量的节点识别方法,具有更好的识别效果;既能适用于静态分析路网重要节点,又能适用于动态监控和管理路网上的重要节点,具备较强的动态适应性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例的基于局域结构流量的城市路网重要节点识别方法的流程图;
图2为本发明一实施例的另一种基于局域结构流量的城市路网重要节点识别方法的流程图;
图3为示例1中连通可靠性指标随节点移除比例的变化关系示意图;
图4为示例1中流量结构熵随节点移除比例的变化关系示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
以下结合附图,详细说明本发明实施例提供的技术方案。
参见图1,本发明一实施例提供了一种基于局域结构流量的城市路网重要节点识别方法,该方法用于确定城市路网中所有节点的重要性顺序,以识别城市路网重要节点,该方法包括以下步骤1-3。
步骤1,根据城市路网信息构建路网模型。
具体地,根据城市路网信息构建路网模型可以包括以下步骤101-104。
步骤101,统计城市路网节点信息,确定路网节点,分配路网节点编号。
路网节点的编号顺序可以根据实际情况进行选定,每个路网节点对应的编号均不相同,对于具有N个交叉路口的城市路网,可以确定N个路网节点,N个路网节点可以顺序编号为1~N,一个路网节点对应一个实际交叉路口。
步骤102,统计城市路网路段信息,确定路网连边,分配路网连边编号。
每个路网连边具有一个起始路网节点和一个终止路网节点,路网连边的编号顺序可以根据实际情况进行选定,每个路网连边对应的编号均不相同,对于具有M个路段的城市路网,可以确定M个路网连边,M个路网连边可以顺序编号为1~M,一个路网连边对应一个位于两个交叉路口间的实际路段。
其中,在确定路网连边时,城市路网中的节点自环边和多重边不做统计和编号,节点自环边表示路网连边的起始路网节点和终止路网节点为同一个节点,多重边表示两个节点之间存在的边数大于一个的边,即当两个节点的连边数大于一个时,仅统计一个连边。
步骤103,统计不同时段的每个路网连边的平均流量。
确定每个路网连边在不同时段下的平均流量。
可选的,为了便于统计计算,每个时段设置为1个小时。
步骤104,根据路网节点、路网连边和平均流量建立路网模型及路网模型对应的路网邻接矩阵。
根据确定的路网节点和路网连边构建路网模型,路网模型为网络拓扑结构模型,路网模型包括所有确定的路网节点和所有确定的路网连边,每个路网连边连接两个路网节点。
根据路网模型和每个路网连边的平均流量建立路网模型对应的路网邻接矩阵。
具体地,基于路网模型的具体结构,建立路网模型对应的路网邻接矩阵如下式所示:
其中,A(t)表示t时段的路网邻接矩阵,aij(t)表示t时段节点i与节点j对应的邻接矩阵元素值,当节点i与节点j在t时段不存在路网连边时,aij(t)=0,当节点i与节点j在t时段存在路网连边时, 表示节点i与节点j的路网连边在t时段的平均流量,aii(t)=0,i=1,2,...,N,j=1,2,...,N,N表示路网节点总数,路网连边的平均流量表示设定单位时间内通过路网连边的车辆平均数,设定单位时间例如为一个小时。
步骤2,根据路网模型的局域结构和节点流量状态设定路网节点重要性指标。
根据路网模型的局域结构和节点流量状态设定路网节点重要性指标,路网节点重要性指标由下式给出:
其中,fdi表示节点i的路网节点重要性指标,ki表示节点i的节点度,fj表示节点j的流量,表示节点i的邻居节点j,α表示路网结构重要性参数,β表示路网流量重要性参数;节点i的节点度表示与节点i关联的路网连边的数量,节点j的流量表示设定单位时间内通过节点的车辆数,与节点连接的路网连边的平均流量之和等于节点流量。
路网节点重要性指标可称为局域结构流量,其物理意义表示路网节点的局部流量在拓扑结构上的总和。
本发明一实施例中,路网结构重要性参数α和路网流量重要性参数β可以取0~1中的任意一个数,具体取值根据实际需求的路网局域结构和节点流量对节点重要性评价的重要程度进行确定。路网结构重要性参数越大时,路网的局域结构在节点重要性评价中的权重越大,当α=1,β=0时,表示路网节点重要性完全取决于路网的局域结构;相对的,路网流量重要性参数越大时,路网的节点流量在节点重要性评价中的权重越大,当α=0,β=1时,表示路网节点重要性完全取决于路网的节点流量。
可选的,本发明一实施例中,为了能够综合考虑路网的局域结构和节点流量对节点重要性的影响,路网结构重要性参数α和路网流量重要性参数β均取为0.5,此时路网的局域结构和节点流量具有相同的权重。
步骤3,计算路网模型中每一个节点的路网节点重要性指标,根据所有节点的路网节点重要性指标确定所有节点的重要性顺序。
由于不同时间段的节点流量并不相等,基于路网局域结构和节点流量确定的节点的重要性顺序在不同时间段也存在差异。为此,本发明一实施例中,在确定所有节点的重要性顺序时,需要先选定时间段,基于选定时间段对应的节点流量,利用上述步骤2设定的路网节点重要性指标及其计算公式,计算确定路网模型中每个节点的路网节点重要性指标的具体数值,按照路网节点重要性指标的数值大小对所有节点进行降序排列,节点的排序越靠前,相应的节点重要性越大。
进一步地,参见图2,为了验证利用上述步骤1-3得到的路网节点的重要性顺序的准确性和可信度,该方法还可以包括:
步骤4,设定路网性能评价指标,基于所有节点的重要性顺序,按设定比例逐个删除节点,计算每次删除节点后的路网性能评价指标,以验证路网重要节点识别效果。
具体地,基于所有节点的重要性顺序,按设定比例逐个删除节点,计算每次删除节点后得到的新路网的路网性能评价指标,根据每次删除节点后计算得到的路网性能评价指标的变化情况,评估利用上述步骤1-3得到的路网节点的重要性顺序的准确性和可信度。
本发明一实施例中,可以通过与仅考虑路网结构的城市路网重要节点识别方法和仅考虑节点流量的城市路网重要节点识别方法进行对比,以验证利用上述步骤1-3得到的路网节点的重要性顺序的准确性和可信度。
具体地,在进行对比时,仅考虑路网结构的城市路网重要节点识别方法和仅考虑节点流量的城市路网重要节点识别方法同样基于其所确定的所有节点的重要性顺序,按设定比例逐个删除节点,并计算每次删除节点后的路网性能评价指标;然后,对比三个不同识别方法的路网性能评价指标的变化情况,评估三个不同识别方法的识别效果。
可选的,按设定比例依次删除在重要性顺序中位于前序的节点。
由于节点的重要性越大,该节点对城市路网交通流状态和交通效率的影响越大,通过删除在重要性顺序中位于前序的节点,能够使每次删除节点后计算得到的路网性能评价指标的变化更为直观和显著,以便于评估路网重要节点的识别效果。
为了提高验证结果的可靠性,路网性能评价指标可以包括:用于反映路网连通性能的连通可靠性指标和用于反映路网流量分布均匀性的流量结构熵。
具体地,连通可靠性指标由下式给出:
G=max{G1,G2,...,Gn}
其中,G表示连通可靠性指标,G1,G2,...,Gn表示路网中由于交通拥堵而分解且无相互连接的n个不同连通片的相对规模大小,n表示连通片总数,连通片表示任意两个节点间至少存在一个连边的网络,一个网络至少存在1个连通片。
流量结构熵由下式给出:
其中,E表示流量结构熵,Ii表示节点i的归一化路网节点重要性指标,fdi表示节点i的路网节点重要性指标,N表示路网节点总数。
基于上述具体设定的连通可靠性指标和流量结构熵,计算每次删除节点后得到的新路网的连通可靠性指标和流量结构熵,当连通可靠性指标的降低速度更快,相应的城市路网重要节点识别方法在结构重要性上的识别效果更好,得到的路网节点的重要性顺序的准确性和可信度更高;当流量结构熵的减小速度更慢,即网络流量分布更均匀,相应的城市路网重要节点识别方法在流量重要性上的识别效果更好,得到的路网节点的重要性顺序的准确性和可信度更高。
本发明一实施例提供的基于局域结构流量的城市路网重要节点识别方法综合考虑了路网局域结构和节点流量状态对节点重要性的影响,得到的节点重要性顺序具有更高的准确性和可信度,工程指导性好;相比于仅考虑路网结构的节点识别方法和仅考虑节点流量的节点识别方法,具有更好的识别效果;既能适用于静态分析路网重要节点,又能适用于动态监控和管理路网上的重要节点,具备较强的动态适应性。
为使本发明的上述技术方案更加清楚,下面将结合具体示例对本发明的技术方案进行清楚、完整地描述。显然,所描述的示例仅是本发明的一部分实施例,而不是全部的实施例。
示例1
该示例1以北京市四环内路网为例,包括以下步骤:
步骤1,根据城市路网信息构建路网模型。
北京市四环内路网包括27877个路网节点,在不统计节点自环边和多重边的情况下,包括39609个路网连边,对27877个路网节点从1开始编号至27877,对39609个路网连边从1开始编号至39609,同时确定每个路网连边的起始节点和终止节点,根据确定的路网节点、路网连边、及两者的相互关系建立北京市四环内路网对应的路网模型。
统计不同时段下的路网连边的平均流量,根据路网模型和统计的平均流量,利用上述路网邻接矩阵表达式建立北京市四环内路网对应的路网邻接矩阵,该路网邻接矩阵为27877×27877矩阵。
该示例1中,分别统计早高峰8:00-9:00、午平峰11:00-12:00以及晚高峰18:00-19:00三个不同时段的路网连边的平均流量。
步骤2,根据路网模型的局域结构和节点流量状态设定路网节点重要性指标。
该示例1中,路网节点重要性指标由下式给出:
步骤3,计算路网模型中每一个节点的路网节点重要性指标,根据所有节点的路网节点重要性指标确定所有节点的重要性顺序。
根据上述具体设定的路网节点重要性指标及其计算公式,计算北京市四环内路网每个节点的路网节点重要性指标,按照路网节点重要性指标的数值大小对所有节点进行降序排列,确定所有节点的重要性顺序,节点的排序越靠前,相应的节点重要性越大。
表1示出早高峰8:00-9:00、午平峰11:00-12:00以及晚高峰18:00-19:00三个不同时段下前十的路网重要节点及其对应的局域结构流量。
表1不同时间段下前十的路网重要节点
步骤4,设定路网性能评价指标,基于所有节点的重要性顺序,按设定比例逐个删除节点,计算每次删除节点后的路网性能评价指标,以验证路网重要节点识别效果。
具体地,根据上述得到北京市四环内路网早高峰8:00-9:00时间段的节点重要性顺序,按照2%的比例删除在重要性顺序中位于前序的节点,并根据上述设定的连通可靠性指标和流量结构熵的计算公式计算每次删除节点后的路网的连通可靠性指标和流量结构熵;同时,采用仅考虑路网结构的城市路网重要节点识别方法获取北京市四环内路网早高峰8:00-9:00时间段的节点重要性顺序,按照2%的比例删除在重要性顺序中位于前序的节点,并根据上述设定的连通可靠性指标和流量结构熵的计算公式计算每次删除节点后的路网的连通可靠性指标和流量结构熵;采用仅考虑节点流量的城市路网重要节点识别方法获取北京市四环内路网早高峰8:00-9:00时间段的节点重要性顺序,按照2%的比例删除在重要性顺序中位于前序的节点,并根据上述设定的连通可靠性指标和流量结构熵的计算公式计算每次删除节点后的路网的连通可靠性指标和流量结构熵;对比三个不同识别方法下的连通可靠性指标和流量结构熵的变化情况,验证不同识别方法下的北京市四环内路网重要节点的识别效果。
图3示出了三个不同识别方法下连通可靠性指标随节点移除比例的变化关系,根据图3所示的结果可知,基于局域结构流量的城市路网重要节点识别方法比仅考虑路网结构和仅考虑节点流量的城市路网重要节点识别方法能更迅速降低连通可靠性指标,因此,基于局域结构流量的城市路网重要节点识别方法在结构重要性上的识别效果更好。
图4示出了三个不同识别方法下流量结构熵随节点移除比例的变化关系,根据图4所示的结果可知,基于局域结构流量的城市路网重要节点识别方法比仅考虑路网结构和仅考虑节点流量的城市路网重要节点识别方法能保持更大的流量结构熵,即网络流量分布更加均匀,因此,基于局域结构流量的城市路网重要节点识别方法在流量重要性上的识别效果更好。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于局域结构流量的城市路网重要节点识别方法,其特征在于,包括:
根据城市路网信息构建路网模型;
根据所述路网模型的局域结构和节点流量状态设定路网节点重要性指标;
计算所述路网模型中每一个节点的路网节点重要性指标,根据所有节点的所述路网节点重要性指标确定所述所有节点的重要性顺序;
设定路网性能评价指标,基于所述所有节点的重要性顺序,按设定比例逐个删除节点,计算每次删除节点后的路网性能评价指标,以验证路网重要节点识别效果,
其中,所述路网性能评价指标包括:用于反映路网连通性能的连通可靠性指标和用于反映路网流量分布均匀性的流量结构熵。
2.根据权利要求1所述的基于局域结构流量的城市路网重要节点识别方法,其特征在于,所述根据城市路网信息构建路网模型,包括:
统计城市路网节点信息,确定路网节点,分配路网节点编号;
统计城市路网路段信息,确定路网连边,分配路网连边编号;
统计不同时段的每个所述路网连边的平均流量;
根据所述路网节点、所述路网连边和所述平均流量建立所述路网模型及所述路网模型对应的路网邻接矩阵。
5.根据权利要求4所述的基于局域结构流量的城市路网重要节点识别方法,其特征在于,α=0.5,β=0.5。
6.根据权利要求1所述的基于局域结构流量的城市路网重要节点识别方法,其特征在于,按设定比例依次删除在重要性顺序中位于前序的节点。
7.根据权利要求1所述的基于局域结构流量的城市路网重要节点识别方法,其特征在于,所述连通可靠性指标设定为:
G=max{G1,G2,...,Gn}
G表示连通可靠性指标,G1,G2,...,Gn表示路网中由于交通拥堵而分解且无相互连接的n个不同连通片的相对规模大小,n表示连通片总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580841.6A CN112598305B (zh) | 2020-12-28 | 2020-12-28 | 基于局域结构流量的城市路网重要节点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011580841.6A CN112598305B (zh) | 2020-12-28 | 2020-12-28 | 基于局域结构流量的城市路网重要节点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598305A CN112598305A (zh) | 2021-04-02 |
CN112598305B true CN112598305B (zh) | 2022-02-15 |
Family
ID=75202799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011580841.6A Active CN112598305B (zh) | 2020-12-28 | 2020-12-28 | 基于局域结构流量的城市路网重要节点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598305B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113965400B (zh) * | 2021-11-01 | 2023-06-30 | 电子科技大学长三角研究院(衢州) | 一种通信网络中流量关键点的确定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
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 |
CN110543728A (zh) * | 2019-09-05 | 2019-12-06 | 大连理工大学 | 一种城市交通路网关键路口发现方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108709561B (zh) * | 2018-04-15 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种基于全局路网特征的不同尺度数据的匹配算法 |
CN110378573A (zh) * | 2019-06-27 | 2019-10-25 | 厦门理工学院 | 一种城市轨道交通路网供需分布评价方法 |
-
2020
- 2020-12-28 CN CN202011580841.6A patent/CN112598305B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819717A (zh) * | 2010-03-05 | 2010-09-01 | 吉林大学 | 基于交通状态时空模型的路网性能判定方法 |
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 |
CN110543728A (zh) * | 2019-09-05 | 2019-12-06 | 大连理工大学 | 一种城市交通路网关键路口发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112598305A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
CN101604478B (zh) | 一种动态交通信息的处理方法及系统 | |
CN110111576B (zh) | 一种基于时空拥堵子团的城市交通弹性指标的实现方法 | |
CN111008223B (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
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 | |
CN104484514B (zh) | 一种规避拥堵路段的弹性公交线路设计方法 | |
CN102842219B (zh) | 预测方法和系统 | |
CN110019569B (zh) | 一种获取城市轨道交通运营状态信息的方法 | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN112598305B (zh) | 基于局域结构流量的城市路网重要节点识别方法 | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
Karoń | Travel demand and transportation supply modelling for agglomeration without transportation model | |
CN115131966A (zh) | 一种考虑交叉口运行特性的路网关键节点识别方法 | |
CN109615865B (zh) | 一种基于od数据增量迭代式估计路段交通流量的方法 | |
Liu et al. | Internet of things based solutions for transport network vulnerability assessment in intelligent transportation systems | |
Chauhan et al. | Effect of side friction parameter on urban road traffic: under mixed traffic scenario | |
CN102542617B (zh) | 一种复杂路网的路径识别标识站设置方法 | |
CN112116124A (zh) | 一种基于出行者视角的公交线网优化方案的审计方法 | |
Ayuningtyas et al. | Network analysis of intercity bus terminal and inner-city toll road development–the case of Bandung City | |
CN116993391A (zh) | 一种站点式共享单车系统使用需求预测方法 | |
CN111798663B (zh) | 一种路网关键路段辨识方法 | |
Xing et al. | Research on cascading failure model of urban regional traffic network under random attacks |
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 |