CN113361051B - 一种基于可控性与重要度的路网控制方法 - Google Patents

一种基于可控性与重要度的路网控制方法 Download PDF

Info

Publication number
CN113361051B
CN113361051B CN202110613259.3A CN202110613259A CN113361051B CN 113361051 B CN113361051 B CN 113361051B CN 202110613259 A CN202110613259 A CN 202110613259A CN 113361051 B CN113361051 B CN 113361051B
Authority
CN
China
Prior art keywords
road network
importance
network
nodes
node
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
CN202110613259.3A
Other languages
English (en)
Other versions
CN113361051A (zh
Inventor
项林英
王鹏
陈飞
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202110613259.3A priority Critical patent/CN113361051B/zh
Publication of CN113361051A publication Critical patent/CN113361051A/zh
Application granted granted Critical
Publication of CN113361051B publication Critical patent/CN113361051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提出了一种基于可控性与重要度的路网控制方法，属于交通控制技术领域，包括：从整个城市整体路网中选取任意一个局部路网，针对所述局部网络建立加权有向网络模型；分别利用边重要度排序算法和节点重要度排序算法对所述加权有向网络模型中的边和节点进行各自排序；根据排序结果构造关键路网以及标准路网；得到节点与边状态同时状态可控的条件；针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控；将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总，实施整个城市的车流量输入管控。本申请降低了控制路网的开销成本，使数据处理量骤然降低，减小了数据处理难度，加快了控制响应速度。

Description

一种基于可控性与重要度的路网控制方法
技术领域
本发明属于交通控制技术领域，具体涉及一种基于可控性与重要度的路网控制方法。
背景技术
近几年来，随着城市的扩张，交通网络需要承载的运输流量也在增加，交通拥堵已是屡见不鲜，它所带来的时间浪费、环境污染、交通安全等问题也在近几年开始制约城市的可持续发展。
城市路网庞大复杂，想要控制好整个路网的每一处状态，往往是不可能实现的；而想要完全消除路网拥堵现象，那就更不可能了，因为造成路网拥堵的原因有很多的随机性和不可协调性。
然而，经过对路网实际情况的剖析，并结合实际生活的感知，实际中，对于复杂的路网来说，我们没必要精准刻画、严格要求到每个位置都要在任意时刻达到某种通行状态，因为路网本身对于管控来说，允许有一定的延迟性，路网本身也有一定的自我调节能力，各路段之间相互制约、相互影响，而严格的全局路网管控必然带来高成本、高投入的开销，而这样高昂的代价也并不能取得等价甚至良好的预期效果。交通事故、车辆抛锚等不可控的事件不会因为路网的监管投入高就不再发生。相反，路网虽然庞大复杂，但其拥堵是有规律可循的，发生高频拥堵现象的路段和所发生的时间甚至发生的原因一般都是固定且重复的，因为路网的拥堵与否会受到人的出行行为的影响，而人的出行行为本身就含有特定规律，比如经常走的路会一直往返，经常做的事会高频率的重复发生等。再加上现在的城市布局越来越注重分区分类设置，如将办公区与生活区分离等，这样就会产生如：在早上7点至9点之间会有大批量从生活区到办公区或学校的员工和学生“大军”进入到某条路径中，傍晚5点至7点之间这批“大军”再“集中”按原路返回，而这些人的往返路径基本每天都是一样的，时间范围也基本都是固定的。这“集中”的“一去一回”就会给路网中的这些路段造成一定的交通拥堵，而这些拥堵基本上都在固定时间段的固定路径上长期频繁发生，这样的路径称为“关键路径”，它所含的路段称为“关键路段”，由“关键路段”组成的路网称为“关键路网”。
针对这类现象，目前相关部门采取的措施主要有设置潮汐路段、交警临时现场指挥等，而这些方法或是过于机械，难以灵活应对交通流量的大幅度波动，当路段车流量超出该方法的极限承载后，便无济于事，仍然产生拥堵；亦或是人力成本投入大，且会给一些执勤人员造成潜在的生命危险等。这些都无法实现对路网车流量的灵活宏观调控和远程信息管控。目前，如何通过较低的路网管控成本，对路网进行高性价比的管控，已经成为一个迫切需要解决的问题。
发明内容
针对现有技术的不足，本申请提出一种基于可控性与重要度的路网控制方法，解决了路网管控成本高的问题，包括如下步骤：
从整个城市整体路网中选取任意一个局部路网，针对所述局部网络建立加权有向网络模型，其中，路口对应为所述加权有向网络模型的节点，路段对应为所述加权有向网络模型的边；
分别利用边重要度排序算法和节点重要度排序算法对所述加权有向网络模型中的边和节点进行各自排序；
根据排序结果构造关键路网以及标准路网；
根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件；
根据所述节点与边状态同时状态可控的条件，针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控；
将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总，并根据各自的节点与边状态同时状态可控的条件，实施整个城市的车流量输入管控。
针对所述局部网络建立加权有向网络模型，包括：
针对所述局部网络建立有向网络模型；
为所述有向网络模型中的有向边赋权值。
所述分别利用边重要度排序算法和节点重要度排序算法对所述加权有向网络模型中的边和节点进行各自排序，包括：
利用边重要度排序算法对所述加权有向网络模型中的边进行排序；
利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序。
所述利用边重要度排序算法对所述加权有向网络模型中的边进行排序，过程如下：
将所述加权有向网络模型用加权邻接矩阵表示；
将所述加权邻接矩阵转换为Google矩阵；
确定初始PageRank向量；
针对所述Google矩阵和初始PageRank向量进行迭代运算；
计算每次PageRank向量迭代前后的差值向量，当所述差值向量中存在大于等于第一阈值的数值，则继续迭代；
当所述差值向量中所有数值均小于第一阈值时，则迭代停止，得到最终的PageRank向量；
根据所述最终的PageRank向量以及所述Google矩阵，得到相应的LinkRank矩阵；
根据所述LinkRank矩阵，得到所述加权有向网络模型中的边对应的LinkRank矩阵中的数值，并对所述的LinkRank矩阵中的数值按照大小进行排序，得到所述加权有向网络模型中的边重要度的排序结果。
所述利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序，过程如下：
计算所述加权有向网络模型中的节点的凝聚度；
根据所述节点的凝聚度，计算节点的重要度；
按照所述节点的重要度数值的大小，对所有节点进行排序，得到节点重要度的排序结果。
所述构造关键路网以及标准路网，过程如下：
所述构造关键路网，按照所述边重要度的排序结果以及节点重要度的排序结果，标记边重要度大于第二阈值以及节点重要度大于第三阈值的对应边与节点，且所有二者标记都存在的路段所构成的网络图，记作关键路网；
所述标准路网，是以所述关键路网为基础，按照常规路网规定的标准对所述关键路网进行删减，构造成符合路网规定的标准路网。
所述根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件，过程如下：
针对所述的标准路网，得到所述标准路网中节点与边状态可控的条件以及边状态可控性与节点状态可控性之间的数学关系；
将所述关键路网的边重新赋上单位权值，根据所述边状态可控性与节点状态可控性之间的数学关系，得到边状态与节点状态之间的数学关系式；
根据所述标准路网中节点与边状态可控的条件以及所述边状态与节点状态之间的数学关系式，对所述关键路网，利用Kalman秩判据进行可控性分析，求出节点与边状态同时状态可控的条件。
所述针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施车流量输入管控，具体为：按照所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，对其1号节点，即1号路口实施车流量输入管控。
有益技术效果：
本申请提出一种基于可控性与重要度的路网控制方法：(1)针对目前全局性、无差别的交通监管体系造成的高成本、低效益情况，提供了低成本、高性价比和科学的路段分析、选择与控制方法，即先根据权重靠前的路段的聚集区域，将全局路网划分为多个局部路网，再对局部路网构造“关键路网”，最后对各个“关键路网”分别协调进行“1号节点”的路口车流量输入管控，进而改善整个路网的交通状况，极大地降低了控制路网的开销成本，提高了其控制性价比，使数据处理量骤然降低，减小了数据处理难度，加快了控制响应速度，迎合了路网监管系统对于时效性的硬性需求；(2)技术原理简单，易于实现与维护，针对我国当前发达的路网，以及城镇、郊区城市化速度明显的趋势，区域功能划分规整的情况，结合当前我国对于密集路网低成本、高性价比管控形势的战略需求，更能加速此方法的推广与实现。
附图说明
图1本发明实施例一种基于可控性与重要度的路网控制方法流程图；
图2本发明实施例局部网络建立加权有向网络模型流程图；
图3本发明实施例加权有向网络模型中的边和节点进行各自排序流程图；
图4本发明实施例对加权有向网络模型中的边进行排序流程图；
图5本发明实施例对加权有向网络模型中的节点进行排序流程图；
图6本发明实施例得到节点与边状态同时状态可控的条件流程图；
图7本发明实施例实际路网的有向网络模型图；
图8本发明实施例实际路网的加权有向网络模型图；
图9本发明实施例实际路网的“关键路网”图；
图10本发明实施例“标准路网”之一示意图；
图11本发明实施例“标准路网”之二示意图；
图12本发明实施例“关键路网”中节点与边的选择与构造参照图。
具体实施方式
实施例1
本申请提出一种基于可控性与重要度的路网控制方法，解决了路网管控成本高的问题，其流程如图1所示，包括如下步骤：
步骤S1：从整个城市整体路网中选取任意一个局部路网，针对所述局部网络建立加权有向网络模型，其中，路口对应为所述加权有向网络模型的节点，路段对应为所述加权有向网络模型的边；
步骤S2：分别利用边重要度排序算法和节点重要度排序算法对所述加权有向网络模型中的边和节点进行各自排序；
步骤S3：根据排序结果构造关键路网以及标准路网；
步骤S4：根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件；
步骤S5：根据所述节点与边状态同时状态可控的条件，针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控；
步骤S6：将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总，并根据各自的节点与边状态同时状态可控的条件，实施整个城市的车流量输入管控。
针对所述局部网络建立加权有向网络模型，如图2所示，包括：
步骤S1.1：针对所述局部网络建立有向网络模型；
本实施例选取福建省物探检测中心附近的部分路网作为研究对象，采用原始法对其建立有向网络模型；
将实际路网中的交叉路口和路段分别按照实际路网中所研究的路径方向依次映射为网络图中的节点和边，并用图F＝(V,E)来表示，其中，V＝{1,2,L,18}表示路网中18个节点的集合，
Figure BDA0003096461610000051
表示边的集合，与节点i相连的其它节点由￥i＝{j∈V|(j,i)∈E}给出，这里的(j,i)∈E表示属于边集合E的一条从节点j指向节点i的边。如图7所示；
步骤S1.2：为所述有向网络模型中的有向边赋权值。
与图F相关的邻接矩阵被定义为A(F)＝(Aij)N×N，找出(j,i)∈E的边，通过选定的权重计算方法计算出相邻两节点i和j(i,j∈V)之间的边的权重值Aij，分别赋值给各路段，得到加权有向网络模型，如图8所示；
将影响城市交通路网中路段流通性的现实因素的综合评价值映射为有向边的权重Aij，表示路网上路口j到路口i对应的有向路段的权重值。本例中仅考虑使用车流密度ρ和道路长度D作为求权重的计算对象，本实施例中所使用的加权公式为：
Figure BDA0003096461610000052
其中Dij为两个相邻节点的相对距离，即Dij＝dij/dij(min)，其中dij为图中i、j两点间的实际路程长度，dij(min)为图中i、j两点间的直线距离；qij为该段道路上每分钟的车流量，r是车道数量。本实施例取单车道研究，即r＝1。
对该局部路网进行调研，获得路网中各路段在高峰时段5分钟内通过道路横断面的车辆总数，每间隔5分钟取一次样本，共采集6次，以高峰时段的样本均值来估计路网上各路段的交通流量qij，此处定义各路段相应的密度为ρij＝qij/Dij，进而带入上述定义的公式中，求得路网中各路段的权值Aij；
所述分别利用边重要度排序算法和节点重要度排序算法对加权有向网络模型中的边和节点进行各自排序，如图3所示，包括：
步骤S2.1：利用边重要度排序算法对所述加权有向网络模型中的边进行排序；
步骤S2.2：利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序。
所述利用边重要度排序算法对所述加权有向网络模型中的边进行排序，如图4所示，过程如下：
步骤S2.1.1：将所述加权有向网络模型用加权邻接矩阵表示A(F)；一个加权有向网络可以用加权有向图F＝(V,E)表示，其中V＝{1,2,L,N}为节点集，N为节点总数，
Figure BDA0003096461610000061
为边集。A(F)＝(Aij)N×N称为加权有向图F的邻接矩阵，其元素定义如下：当有从节点j指向节点i的加权有向边时，Aij＞0；否则，Aij＝0。
步骤S2.1.2：将所述加权邻接矩阵转换为Google矩阵；转换公式如下：
Figure BDA0003096461610000062
其中，
Figure BDA0003096461610000063
表示加权有向网络中节点i的出度，Aij表示加权有向网络邻接矩阵的元素，N为节点总数。α表示车辆按照日常需求固定行驶到某个节点的概率，一般取0.85；(1-α)表示车辆随机行驶到某个节点的概率。当节点i为悬挂节点时，ai＝1，否则ai＝0；当
Figure BDA0003096461610000064
时，
Figure BDA0003096461610000065
步骤S2.1.3：确定初始PageRank向量π＝[π1,π2,L,πN](π为行向量)；
PageRank算法计算公式为π＝π·G
其中，G为Google矩阵，PageRank向量π中的元素πi表示在某个状态下，车辆随机选择节点i为通行节点的概率。在PageRank算法计算开始前，将每个πi的初值设为1/N。令初始的πi均为1/N是假设每一个节点被当作通行节点的概率都是相等的，保证路网中各节点路口的初始通行概率是公平的。
步骤S2.1.4：针对所述Google矩阵G和初始PageRank向量π进行迭代运算；
步骤S2.1.5：计算每次PageRank向量迭代前后的差值向量ξ，当所述差值向量中存在大于等于第一阈值的数值，则继续迭代；本实施例第一阈值取值为：0.0000001。
步骤S2.1.6：当所述差值向量中所有数值均小于第一阈值时，则迭代停止，得到最终的PageRank向量
Figure BDA0003096461610000071
(πR为行向量)；
步骤S2.1.7：根据所述最终的PageRank向量πR以及所述Google矩阵G，得到相应的LinkRank矩阵R＝(Rij)N×N，LinkRank矩阵计算公式为：
Figure BDA0003096461610000072
其中，
Figure BDA0003096461610000073
为πR向量中的元素，Gij为Google矩阵中的元素，表示从节点j到节点i的车辆通行概率，体现了路段(j,i)的重要程度；Rij为LinkRank矩阵中的元素，是加权有向网络模型中各节点之间路段的重要度值。
步骤S2.1.8：根据所述LinkRank矩阵，得到所述加权有向网络模型中的边对应的LinkRank矩阵中的数值，并对所述的LinkRank矩阵中的数值按照大小进行排序，得到所述加权有向网络模型中的边重要度的排序结果。
由于研究的是有向网络，故取有向边对应的LinkRank值Rij作为路段(j,i)((j,i)对应的边的方向是从节点j指向节点i)的重要度值，通过对城市交通路网各路段重要度值的排序，获得各路段重要度排序结果。
所述利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序，如图5所示，过程如下：
步骤S2.2.1：计算所述加权有向网络模型中的节点的凝聚度；
计算加权有向网络F中的N个节点的凝聚度公式如下：
Figure BDA0003096461610000074
其中，
Figure BDA0003096461610000075
为节点的凝聚度，N表示所选用的局部网络的节点个数，
Figure BDA0003096461610000076
dij表示节点i与j之间的实际路程长度，S表示网络的平均实际路程长度。
步骤S2.2.2：根据所述节点的凝聚度，计算节点的重要度；
计算节点i的重要度，公式如下：
Figure BDA0003096461610000081
其中，IMC(i)为节点i的重要度，(F·i)表示网络F中节点i收缩后得到的新网络，假设i是图F＝(V,E)中的一个节点，所谓将节点i收缩是指将集合￥i中的节点与节点i进行融合，假设集合￥i中有k个节点，则用一个新的节点来代替这(k+1)个节点，原先与它们关联的边都与新节点关联，而
Figure BDA0003096461610000082
的计算过程与步骤S2.2.1中求
Figure BDA0003096461610000083
的方法一致。
步骤S2.2.3：按照所述节点的重要度数值的大小，对所有节点进行排序，得到节点重要度的排序结果。
所述构造关键路网以及标准路网，过程如下：
所述构造关键路网，按照所述边重要度的排序结果以及节点重要度的排序结果，标记边重要度大于第二阈值(根据实际需求进行拟定，本实施例取第二阈值为0.00530)以及节点重要度大于第三阈值(根据实际需求进行拟定，本实施例取第三阈值为0.00630)的对应边与节点，且所有二者标记都存在的路段所构成的网络图，记作关键路网，如图9所示；
根据表1的排名结果，从中标记出节点重要度和边重要度均排名靠前，且二者都存在于该边上的路段；
所述标准路网，以所述关键路网为基础，按照常规路网规定的标准对所述关键路网进行删减，构造成符合路网规定的标准路网。按照“标准路网”的形式构造“关键路网”，如图12所示。在保证重要度排名靠前的同时，对重要度稍低的路段做适当取舍，以保证重组“关键路网”为一个完整的“标准路网”，如图10与图11所示。
按照“标准路网”重组“关键路网”的原理：
对于边来说，从计算边重要度的算法可以知道，边的权重越大，则它的重要度也就越大。一般而言，重要度大的路段一般都是连续的，这是由于人的出行行为具有一定的持续性和连贯性所造成的。因此，具有高重要度的边几乎相邻或者连续。但是，重要度大的边不一定就是构造“关键路网”所需要的边，因为“关键路网”不考虑由于学区限速等特定必要限速所造成的车速放缓、密度增大而产生的重要度增大，仅考虑在非特定限速情况下，由于人员大量聚集造成重要度大的边。
表1“关键路网”的边重要度和节点重要度排序表
Figure BDA0003096461610000091
对于节点来说，重要度小的边所连接的节点，在节点收缩的过程会删掉重要度小的边，这会引起网络凝聚度提高，从而评估节点较为重要。事实上，只有边重要度越大，才可说明该节点在网络中承担较大的流量，在网络中越重要，所以计算的结果中，重要度大的节点需要在边重要度也大的情况下才能被选取。
具体可参看图12，其中的大圆和粗线分别代表节点重要度和边重要度均排名靠前的路口和路段，小圆和细线分别代表节点重要度和边重要度均排名靠后的路口和路段，低重要度的路段因其交通状况对路网整体的影响不大，即便有所影响，也是偶尔且短暂的，所以本着高性价比考虑，不选它们为“关键路网”的组成部分，但是它们会被“关键路网”所影响，符合本方法的路网交通管制目的。
“标准路网”的良好控制特性及其成立的条件：
良好控制特性：通过观察图1，并结合生活实际，可以发现，城市路网几乎都可以被拆分和划分为如图10和图11这样的路网基本组成结构。这样的结构被定义为“标准路网”。“标准路网”的各边权重值取为“1”，当该网络中的所有节点均状态均可控时，可以仅在它的“1号”节点处施加一个外界控制，便能在一定条件下，实现对整个“标准路网”(包括节点和边)的状态控制。
根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件，如图6所示，过程如下：
步骤S4.1：针对所述的标准路网，得到所述标准路网中节点与边状态可控条件以及边状态可控性与节点状态可控性之间的数学关系；
步骤S4.2：将所述关键路网的边重新赋上单位权值，根据所述边状态可控性与节点状态可控性之间的数学关系，得到边状态与节点状态之间的数学关系式；
“关键路网”，即图9中路网的边重新赋上单位权值“1”，计算边状态可控性与节点状态可控性之间的数学关系的步骤，得出边状态xij与节点状态xi之间的数学关系式；
步骤S4.3：根据所述标准路网中节点与边状态可控条件以及所述边状态与节点状态之间的数学关系式，对所述关键路网，利用Kalman秩判据进行可控性分析，求出节点与边状态同时状态可控的条件。
成立的条件求证：下面来求证“标准路网”的这一良好特性，并得出其节点与边的状态同时可控的条件，其中，xi、xij分别代表各节点的状态量和各边的状态量，步骤如下：
针对“标准路网”图10，得到网络的节点动力学方程为
Figure BDA0003096461610000101
其中，L为Laplacian矩阵；Δ为输入控制矩阵；x(t)为“标准路网”中所有节点的状态向量；u(t)为外部控制输入。
利用Kalman秩判据对“标准路网”的节点状态进行可控性分析，得到可控性矩阵为K＝[Δ,-LΔ,K,(-L)N-1Δ]，若行满秩，则说明图10所示的“标准路网”是节点状态可控的；
定义边与节点的关系为xij(t)＝αxj(t)+βxi(t)，其中α、β是非零参数。因此可以得到
Figure BDA0003096461610000102
(i∈V,j∈￥i)；
定义：
Figure BDA0003096461610000103
图10所示的“标准路网”由一个有向环C、一条不与C相交的简单有向路径Ta和一条连接C和Ta的附加有向边ea构成。对于该网络，简单有向路径Ta的节点总数为m+n；m是有向边ea的起点的标号数。令yf＝[y1,y2,...,yN]∈RN，可以得到yf＝Pfxf(下标f代表图10“标准路网”，以区分下面所述的图11)，其中，
Figure BDA0003096461610000111
求可控性矩阵；
首先，Pf的行列式为det(Pf)＝(-1)nαmβn[αN-m-n+(-1)N-m-n-1βN-m-n]，
此时，如果det(Pf)≠0，则有
Figure BDA0003096461610000112
又因为
Figure BDA0003096461610000113
替换后即可得到
Figure BDA0003096461610000114
根据Kalman秩判据，可以得到图3的可控性矩阵为Q＝Pf[Δ,-LΔ,K,(-L)N-1Δ]，即当节点状态可控且det(Pf)≠0时，图3“标准路网”的节点与边状态同时可控；
其次，针对“标准路网”图11，得到网络的节点动力学方程为
Figure BDA0003096461610000115
根据求解图3的思路，可以得到
Figure BDA0003096461610000116
图11所示的“标准路网”由一条简单有向路径Tb和一条从Tb上的节点j指向节点i(2≤j≤N,i≤j-1)的有向边eb构成。对于该网络，内嵌一个有向环，该有向环的节点总数为n。m+n为反向边eb的起始节点的标号数。
令ys＝[y1,y2,...,yN]∈RN，可以得到ys＝Psxs(下标s代表图10“标准路网”)，其中，
Figure BDA0003096461610000117
根据上述可以得到，det(Ps)＝(-1)N-m-nαmβN-m-n[αn+(-1)n-1βn]，如果det(Ps)≠0，则有
Figure BDA0003096461610000121
又因为
Figure BDA0003096461610000122
替换后即可得到
Figure BDA0003096461610000123
根据Kalman秩判据，可以得到图11可控性矩阵为Q＝Ps[Δ,-LΔ,...,(-L)N-1Δ]，即当节点状态可控且det(Ps)≠0时，图11“标准路网”的节点与边状态同时可控。
总结“标准路网”中节点与边状态可控的条件。综上可知，对于图10这种“标准路网”的路网结构，假设控制输入作用在根节点“1”，当且仅当αN-m-n+(-1)N-m-n-1βN-m-n≠0时，节点与边的状态能够同时可控；而对于图11路这种“标准路网”的路网结构，假设控制输入作用在起始节点“1”，当且仅当αn+(-1)n-1βn≠0时，节点与边的状态能够同时可控。
步骤S5：根据所述节点与边状态同时状态可控的条件，针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控；
将关键路网中各路口和路段的状态量xi和xij分别替换为具有实际意义的路况状态量，如ρi和ρij分别代表某时刻存在于某路口或某路段的车流密度等，按照“关键路网”中各路段和路口监测并反馈回来的车流量状态信息，对其“1号节点”，即图9中的1号路口实施适当的车流量输入管控措施；
步骤S6：将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总，并根据各自的节点与边状态同时状态可控的条件，实施整个城市的车流量输入管控。
将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总与分析，通过对各局部路网“1号节点”之间的车流量输入信息的协调与管控，“疏通”好整个路网的通行状况。
以上实施例仅用以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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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权利要求所限定的范围。

Claims (7)

1.一种基于可控性与重要度的路网控制方法，其特征在于，包括如下步骤：
从整个城市整体路网中选取任意一个局部路网，针对所述任意一个局部网络建立加权有向网络模型，其中，路口对应为所述加权有向网络模型的节点，路段对应为所述加权有向网络模型的边；
分别利用边重要度排序算法和节点重要度排序算法对所述加权有向网络模型中的边和节点进行各自排序；
根据排序结果构造关键路网以及标准路网；
根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件；
根据所述节点与边状态同时状态可控的条件，针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控；
将整个城市各局部路网的所有路段和路口监测并反馈回来的车流量状态信息进行汇总，并根据各自的节点与边状态同时状态可控的条件，实施整个城市的车流量输入管控；
所述构造关键路网以及标准路网，过程如下：
所述构造关键路网，按照所述边重要度的排序结果以及节点重要度的排序结果，标记边重要度大于第二阈值以及节点重要度大于第三阈值的对应边与节点，且所有二者标记都存在的路段所构成的网络图，记作关键路网；
所述标准路网，是以所述关键路网为基础，按照常规路网规定的标准对所述关键路网进行删减，构造成符合路网规定的标准路网；
利用Kalman秩判据对标准路网的节点状态进行可控性分析，得到第一可控性矩阵，若所述可控性矩阵的行满秩，则标准路网是节点状态可控的；
根据Kalman秩判据对标准路网的节点与边进行可控性分析，得到第二可控性矩阵，当标准路网是节点状态可控的，并且第二可控性矩阵中的对角矩阵的行列式不为零时，标准路网的节点与边状态同时状态可控。
2.如权利要求1所述的基于可控性与重要度的路网控制方法，其特征在于，
针对所述任意一个局部网络建立加权有向网络模型，包括：
针对所述局部网络建立有向网络模型；
为所述有向网络模型中的有向边赋权值。
3.如权利要求1所述的基于可控性与重要度的路网控制方法，其特征在于，
所述分别利用边重要度排序算法和节点重要度排序算法对加权有向网络模型中的边和节点进行各自排序，包括：
利用边重要度排序算法对所述加权有向网络模型中的边进行排序；
利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序。
4.如权利要求3所述的基于可控性与重要度的路网控制方法，其特征在于，
所述利用边重要度排序算法对所述加权有向网络模型中的边进行排序，过程如下：
将所述加权有向网络模型用加权邻接矩阵表示；
将所述加权邻接矩阵转换为Google矩阵；
确定初始PageRank向量；
针对所述Google矩阵和初始PageRank向量进行迭代运算；
计算每次PageRank向量迭代前后的差值向量，当所述差值向量中存在大于等于第一阈值的数值时，则继续迭代；
当所述差值向量中所有数值均小于第一阈值时，则迭代停止，得到最终的PageRank向量；
根据所述最终的PageRank向量以及所述Google矩阵，得到相应的LinkRank矩阵；
根据所述LinkRank矩阵，得到所述加权有向网络模型中的边对应的LinkRank矩阵中的数值，并对所述的LinkRank矩阵中的数值按照大小进行排序，得到所述加权有向网络模型中的边重要度的排序结果。
5.如权利要求3所述的基于可控性与重要度的路网控制方法，其特征在于，
所述利用节点重要度排序算法对所述加权有向网络模型中的节点进行排序，过程如下：计算所述加权有向网络模型中的节点的凝聚度；
根据所述节点的凝聚度，计算节点的重要度；
按照所述节点的重要度数值的大小，对所有节点进行排序，得到节点重要度的排序结果。
6.如权利要求1所述的基于可控性与重要度的路网控制方法，其特征在于，
根据所述关键路网以及标准路网，得到节点与边状态同时状态可控的条件，过程如下：
针对所述的标准路网，得到所述标准路网中节点与边状态可控的条件以及边状态可控性与节点状态可控性之间的数学关系；
将所述关键路网的边重新赋上单位权值，根据所述边状态可控性与节点状态可控性之间的数学关系，得到边状态与节点状态之间的数学关系式；
根据所述标准路网中节点与边状态可控的条件以及所述边状态与节点状态之间的数学关系式，对所述关键路网，利用Kalman秩判据进行可控性分析，求出节点与边状态同时状态可控的条件。
7.如权利要求1所述的基于可控性与重要度的路网控制方法，其特征在于，
针对所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，实施关键路网的车流量输入管控，具体为：按照所述关键路网中各路段和路口监测并反馈回来的车流量状态信息，对其1号节点，即1号路口实施车流量输入管控。
CN202110613259.3A 2021-06-02 2021-06-02 一种基于可控性与重要度的路网控制方法 Active CN113361051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110613259.3A CN113361051B (zh) 2021-06-02 2021-06-02 一种基于可控性与重要度的路网控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110613259.3A CN113361051B (zh) 2021-06-02 2021-06-02 一种基于可控性与重要度的路网控制方法

Publications (2)

Publication Number Publication Date
CN113361051A CN113361051A (zh) 2021-09-07
CN113361051B true CN113361051B (zh) 2023-03-14

Family

ID=77531163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110613259.3A Active CN113361051B (zh) 2021-06-02 2021-06-02 一种基于可控性与重要度的路网控制方法

Country Status (1)

Country Link
CN (1) CN113361051B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311856B (zh) * 2022-08-04 2023-12-26 广西新发展交通集团有限公司 一种对路网重要节点进行交通管控的判断方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337178A (zh) * 2013-06-28 2013-10-02 大连理工大学 基于动态优先级的交通信号自适应控制方法
CN107231408A (zh) * 2017-05-03 2017-10-03 同济大学 城市道路中基于车辆状态预测的连通性模型的构造方法
CN108062860A (zh) * 2018-01-16 2018-05-22 毛国强 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN108922203A (zh) * 2018-07-26 2018-11-30 泉州装备制造研究所 一种基于软件定义网络的区域交通信号控制系统
CN108986464A (zh) * 2018-07-25 2018-12-11 泉州装备制造研究所 基于加权复杂网络的区域交通信号控制效果评估方法
CN109461310A (zh) * 2018-12-17 2019-03-12 银江股份有限公司 一种基于复杂网络的路网评价方法
CN109767624A (zh) * 2019-03-06 2019-05-17 中南大学 一种考虑路段交通流相关性的控制子区划分方法
CN111400558A (zh) * 2020-03-09 2020-07-10 东北大学秦皇岛分校 一种基于复杂网络严格目标可控的最少驱动节点辨识方法
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105759633B (zh) * 2016-05-04 2018-05-18 华东交通大学 一种带强连通分支的多机器人系统可控包含控制方法
CN109559508A (zh) * 2018-11-16 2019-04-02 北方工业大学 一种城市道路交叉口交通状态判定方法
CN109872538B (zh) * 2019-04-16 2021-08-31 广东交通职业技术学院 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置
CN111008363B (zh) * 2019-11-21 2021-11-19 西安交通大学 多变量因果驱动的复杂机电系统服役安全态势评估方法
CN111710162B (zh) * 2020-07-07 2022-04-01 深圳市数字城市工程研究中心 一种城市路网交通运行状况监测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337178A (zh) * 2013-06-28 2013-10-02 大连理工大学 基于动态优先级的交通信号自适应控制方法
CN107231408A (zh) * 2017-05-03 2017-10-03 同济大学 城市道路中基于车辆状态预测的连通性模型的构造方法
CN108062860A (zh) * 2018-01-16 2018-05-22 毛国强 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN108986464A (zh) * 2018-07-25 2018-12-11 泉州装备制造研究所 基于加权复杂网络的区域交通信号控制效果评估方法
CN108922203A (zh) * 2018-07-26 2018-11-30 泉州装备制造研究所 一种基于软件定义网络的区域交通信号控制系统
CN109461310A (zh) * 2018-12-17 2019-03-12 银江股份有限公司 一种基于复杂网络的路网评价方法
CN109767624A (zh) * 2019-03-06 2019-05-17 中南大学 一种考虑路段交通流相关性的控制子区划分方法
CN111400558A (zh) * 2020-03-09 2020-07-10 东北大学秦皇岛分校 一种基于复杂网络严格目标可控的最少驱动节点辨识方法
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
The Evaluation of the Urban Road Network Based on the Complex Network;Dongwei Xu等;《IEEE intelligent transportation systems magazine》;20210210;第201-211页 *
基于复杂网络的航路拥堵识别与控制研究;王宽;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181015(第10期);第37--44页 *
基于有向含权复杂网络的城市交通路网关键路段识别;尹小庆 等;《计算机应用研究》;20191231;第36卷(第12期);第3709-3712页 *

Also Published As

Publication number Publication date
CN113361051A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Zhu et al. Parallel transportation systems: Toward IoT-enabled smart urban traffic control and management
CN110111576A (zh) 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) 一种多感染阈值、多传播并存的拥堵网络化传播模型
Zou et al. Robustness analysis of urban transit network based on complex networks theory
CN110232819B (zh) 一种基于复杂网络的城市关键道路的发掘方法
Sudo et al. Particle filter for real-time human mobility prediction following unprecedented disaster
CN113361051B (zh) 一种基于可控性与重要度的路网控制方法
Ai et al. A deep learning approach to predict the spatial and temporal distribution of flight delay in network
Olayode et al. Traffic flow prediction at signalized road intersections: a case of Markov chain and artificial neural network model
CN113283581A (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
Shao et al. Sensor location problem for network traffic flow derivation based on turning ratios at intersection
Lin et al. A model‐based demand‐balancing control for dynamically divided multiple urban subnetworks
CN112258856A (zh) 一种区域交通信号数据驱动控制模型建立方法
Fu et al. Optimal traffic management to ensure emergency evacuation compliance
CN113378366B (zh) 一种综合客运枢纽导向标识导向信息布设方法
Jindal et al. A preemptive hybrid ant particle optimization (HAPO-P) algorithm for smart transportation
CN111145548B (zh) 一种基于数据场和节点压缩的重点路口识别及子区划分方法
Shih et al. Ant colony optimization for multi-phase traffic signal control
CN113554221A (zh) 一种“流空间”视角下的城镇开发边界模拟预测方法
Khodadadi et al. Improve traffic management in the vehicular ad hoc networks by combining ant colony algorithm and fuzzy system
Zhao et al. Vehicle route assignment optimization for emergency evacuation in a complex network
Joo et al. Decision-making system for road-recovery considering human mobility by applying deep Q-network
Pang et al. Simulation of urban macro-traffic flow based on cellular automata
Yu An Urban Intelligence Service for the impact of urbanization on National Park
Jiang et al. Interblock Flow Prediction With Relation Graph Network for Cold Start on Bike-Sharing System

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