CN113537788A - 一种基于病毒传播理论的城市交通拥堵识别方法 - Google Patents
一种基于病毒传播理论的城市交通拥堵识别方法 Download PDFInfo
- Publication number
- CN113537788A CN113537788A CN202110820761.1A CN202110820761A CN113537788A CN 113537788 A CN113537788 A CN 113537788A CN 202110820761 A CN202110820761 A CN 202110820761A CN 113537788 A CN113537788 A CN 113537788A
- Authority
- CN
- China
- Prior art keywords
- congestion
- road
- road section
- traffic jam
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241000700605 Viruses Species 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000008092 positive effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 208000015181 infectious disease Diseases 0.000 description 7
- 230000010355 oscillation Effects 0.000 description 5
- 208000035473 Communicable disease Diseases 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (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病毒传播理论的城市交通拥堵识别方法，包括如下内容：一、建立基于SIS病毒传播理论的城市交通拥堵传播模型；二、计算路段拥堵比例；三、基于HHT模型对路段状态进行识别。与现有技术相比，本发明的积极效果是：1)简便性：本发明用一种简单的病毒传播过程来描述拥堵在城市路网中传播时的时空特性，能克服微观交通流模型对数据和计算能力需要极大的缺点，又能弥补宏观交通流模型无法描述传播过程的不足。2)精确性：本发明采用了HHT模型用于识别路段的交通状态并判别拥堵是否发生，该算法能捕捉交通数据在时间上的变化规律，并基本保留原始数据的所有内在信息，一定程度上实现了数据量与信息量的平衡。
Description
技术领域
本发明涉及一种基于病毒传播理论的城市交通拥堵识别方法。
背景技术
城市的道路网络的复杂网络特性使得城市交通拥堵难以识别，为了能识别城市交通路网中的拥堵情况并探寻拥堵传播规律，许多学者建立了基于微观模型以及宏观模型的拥堵传播模型。在这些模型中，微观模型被用来表示车辆或路段的精确特性，这些模型要求很高的计算能力，在大规模网络中难以实现。
与微观模型不同，宏观模型常被用于描述交通参数的变化特性和相互之间的关联性，如排队论、交通波模型、机器学习方法等。具体来说，交通波模型和排队论可以用于描述干道上的交通流演变情况，并讨论相邻路段的流量状态；MFD理论是根据实际的输入和输出率预估某一区域内的流量演变情况的方法；机器学习方法则通常为非线性模型并用于提取交通数据中复杂的相关性关系，来达到预测交通流量的目的。虽然这些研究可以获得网络的流量状态，但不能捕捉拥堵传播的时空特性。由于交通网络的复杂性和交通需求的不确定性，在宏观网络层面上理解拥塞传播动力学仍然是不完整的。能够反映网络或链路流量状态的参数，如队列长度、速度和耗散率，有时是不稳定的，对容量、需求和空间异质性很敏感。
除此之外，韦伟等改进了时空自相关模型对偶发拥堵的时空传播结构进行描述，构造了一种数据驱动的偶发拥堵时空传播效应评估方法。Di等考虑了路段间的空间相关性，提出了用于短期预测拥堵水平的时空门户模型。Saeedmanesh等引入了静态聚类方法划分异质路网，从宏观角度观测拥堵的动态发生与消散过程，确定拥堵的临界值。Nguyen等对拥堵的发生与消散构建了因果树算法，并根据拥堵的时空信息估计传播概率，揭示了交通网络设计中的潜在瓶颈。Zhang等结合了元胞传输模型和宏观基本图，建立了可以得到关键线路交通量和速度的拥堵模型。张琦等建立了针对轨道的拥堵传播仿真模型，并将该模型用于分析通勤情景的拥堵传播状态分析。
上述模型中，微观模型可以较为准确的描述拥堵的产生和消散过程，但计算过程复杂且耗时。宏观模型大多是基于简化后的路网建立的，计算过程得到简化，但精度和适用性也有所降低。
近年来，学者们致力于将传染病模型应用于各类网络中，以了解计算机病毒、拥堵等信息在网络中的传播机制。其中，代晓旭等参考传染病SIR(Susceptible-Infected-Recovered)模型，建立空中交通拥挤传播模型，通过案例分析验证了用传染病模型描述空中拥堵传播过程的可能性。Wu等考虑了拥堵在城市路网中远距离传播的特点，结合SIR模型建立了城市路网拥堵模型，但该模型缺乏真实数据的验证。而后，Saberi等基于SIR模型提出了可以描述城市路网拥堵传播的框架，用真实的路网数据标定了路网的拥堵率，并结合仿真分析参数的变化。然而，在SIR模型中，每条路段只会产生一次拥堵的假设是不符合现实的，由于交通需求在路网上时空分布的不均匀性、事故发生等原因，部分路段会多次发生拥堵。因此，SIR模型在实际交通网络中的应用具有一定的限制性，而以往的研究也多是建立在仿真网络的基础上。而SIS(Susceptible-Infected-Susceptible)模型中则放宽了这一假设，即路段不具备拥堵免疫能力。基于SIS模型，Li等利用深度学习的方法得到路段的感染率，最后将建立的模型用于复杂网络的需求预测中。尽管结果表明整体路网的预测精度较高，但模型中参数的标定需要大量的实时数据作为训练集，并且边缘路段的预测精度有待提高。
因此，本发明将基于SIS模型建立城市道路网络拥堵传播模型，用于识别真实城市路网中的拥堵发生并研究拥堵传播规律。具体来说，本发明通过分析城市路网交通拥挤传播过程与传染病模型的相似性，添加了时间偏差参数并构建了城市交通拥挤传播模型。随后，分析拥堵比例的判别方式对拥堵传播率和消散率等参数的影响；研究拥堵比例随时间的变化规律和拥堵比例与其变化率之间的关系式；最后用真实数据对模型进行标定与验证。
发明内容
为了克服现有技术的上述缺点，本发明提出了一种基于病毒传播理论的城市交通拥堵识别方法。
本发明解决其技术问题所采用的技术方案是：一种基于病毒传播理论的城市交通拥堵识别方法，包括如下内容：
一、建立基于SIS病毒传播理论的城市交通拥堵传播模型；
二、计算路段拥堵比例；
三、基于HHT模型对路段状态进行识别。
与现有技术相比，本发明的积极效果是：
1)简便性：本发明用一种简单的病毒传播过程来描述拥堵在城市路网中传播时的时空特性，能克服微观交通流模型对数据和计算能力需要极大的缺点，又能弥补宏观交通流模型无法描述传播过程的不足。
2)精确性：本发明采用了HHT模型用于识别路段的交通状态并判别拥堵是否发生，该算法能捕捉交通数据在时间上的变化规律，并基本保留原始数据的所有内在信息，一定程度上实现了数据量与信息量的平衡。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为路网中拥堵传播和消散模式的示意图；
图2拥堵路段比例与其导数的理想曲线示意图；
图3为I(t)随时间变化的理想曲线(R≤1)；
图4为I(t)随时间变化的理想曲线(R>1)。
具体实施方式
本发明提出了一种基于SIS模型的拥堵判别方法，主要涉及两个部分，分别是基于HHT(Hilbert-Huang transform)模型的路段交通状态识别方法和基于SIS理论的拥堵传播模型。
HHT方法是分析非线性和非平稳数据的常用方法，主要包括两个阶段：EMD(Empirical Mode Decomposition)和HSA(Hilbert Spectra Analysis)。一般来说，EMD模型根据自身的局部特征时间尺度，将原始时间序列数据分解为有限个数的振荡模态，每个振荡模态类似于一个调和函数，用一个固有模态函数IMF(Intrinsic Mode Function)来表示，然后用HAS法计算每个IMF的震荡周期。
在基于SIS病毒传播理论的拥堵传播模型中，以(I)表示感染个体，(S)表示未感染个体或易感个体，病毒通过某种介质在个体总数基本不变的网络中传播。感染个体会以一定的传播速率感染与其有接触的易感个体，而感染个体会以一定的速率康复并重新成为易感个体。因为感染个体具有一定的康复率，但却不能产生免疫，因此在网络中会不断的重复感染-康复的过程。
以下将结合附图对本发明进行详细说明：
一种基于病毒传播理论的城市交通拥堵识别方法，主要包括基于SIS病毒传播理论的拥堵传播模型、拥堵路段比例计算模块、基于HHT模型的路段状态识别方法三个部分，具体内容如下：
一、基于SIS病毒传播理论的拥堵传播模型
在SIS病毒传播理论中，感染个体(I)以一定的传播率感染与其相邻的易感个体(S)，与此同时，易感个体(I)也会以一定的康复率再次成为易感个体(S)。
而在交通网络中，本发明将每条路段视为单独的个体，拥挤路段被认为是感染个体(I)，而未发生拥堵的路段则是易感个体(S)。对于某一路段来说，传染率可以看作是传播拥堵的能力，而这种能力与其上游的相邻路段数量和拥堵传播速度有关；而康复率则取决于其下游路段的通行能力和拥堵消散能力。图1展示了路网中拥堵传播和消散的模式。图1是一个对偶图，其中节点表示路段，边表示交叉口。在图中，拥堵路段可以将拥堵以一定的传播率传递给上游路段，而拥堵路段也会以一定的消散率转变为未发生拥堵的路段。
尽管交通网络中的交通堵塞传播与病毒传播的基本SIS病毒传播理论在本质上是相似的，但仍然需要对其进行修正，以反映真实城市交通网络中的交通堵塞传播模式。因此，我们添加了一个基本拥堵率参数ib作为基本模型的下界，形成的拥堵传播模型如下:
式中，S(t)和I(t)分别表示路网中未发生拥堵和拥堵路段所占路网路段总数的比例。由于路网中的路段总数不变，因此拥堵路段和未发生拥堵路段相加应为1，且二者的导数互为相反数。
路段交通状态时刻发生变化，拥堵状态的路段可能会转变为正常运作状态，而正常运作状态的路段可能受下游拥堵路段的影响而变成拥堵状态。因此，路段拥堵比例的变化率与路网的连接结构、路段的拥堵传播和消散能力都有关，可以通过如下公式计算：
式中，k表示拥堵路段上游有效连接路段的数目，ib为基本拥堵率，α和β分别表示平均传播率和消散率。
公式(2)是一个常微分(ODE)方程，联立公式(1)和(2)，可以得到路段拥堵比例的表示式如下：
由于网络拓扑结构不是本发明的研究重点，为了能更好的描述路网中拥堵传播特性，将k和α合并为一个参数αk，表示节点的拥堵传播能力。同时定义一个参数R表示新出现拥塞路段的平均数目，作为评估和预测路网中拥堵传播情况的标准，其计算公式如下：
R＝αk/β (4)
根据公式(2)可以知道在理想状态下，I(t)与其导数
应服从抛物线函数，且抛物线的形状仅受基本拥堵率ib、节点拥堵传播能力αk和消散率β的影响。一旦确定下来这三个参数的数值，那么I(t)与其导数
之间的关系将会是恒定的，对于描述拥塞传播模式的特征具有重要意义，其具体示意图如图2所示。
将公式(4)带入公式(3)并进行计算机求解与绘图，得到的结果如图3和图4所示。其中，图3为R≤1时路段拥堵比例I(t)随时间变化的理想曲线，图4为R>1时的理想曲线。由求解情况可知，R值越高，拥堵在交通网络中的速度就越快；当R≤1时，路网中的拥堵开始消散；反之，路网中的路段拥堵比例将会收敛于一定值(1-1/R+ib)。
二、拥堵路段比例计算模块
由于所建立的拥堵传播模型中存在待确定的参数，因此想要模拟某一区域的拥堵情况，仍需要真实数据对模型进行参数标定。其中，根据实际数据计算路段拥堵比例I(t)及其导数
是不可或缺的部分。为了计算路段拥堵比例I(t)，首先需要确定网络中每个链路的流量状态(拥塞或不拥挤)，本发明采用速度与其最大值的比率可以用来判断链路的流量状态，其公式如下：
式中，vi(t)是t时刻路段i上车辆的平均速度，λi(t)是t时刻路段i上的平均速度vi(t)与其历史最大速度
的比值。
假定一个值ρ作为临界值，如果λi(t)＜ρ，则该路段在该时刻是拥堵的；反之，则是不拥堵的，用公式表达如下：
式中，hi(t)为是t时刻路段i的交通状态，ii(t)表示拥堵，si(t)表示不拥堵。
得到路段拥堵比例I(t)的计算公式如下：
得到路段拥堵比例导数
的计算公式如下：
式中，Δt1和Δt2均为数据的时间间隔，数值可根据实际数据情况而定。
三、基于HHT模型的路段状态识别方法
选择一个最佳的ρ值，使得计算所得交通网络的路段拥堵比例与实际交通流量变化规则一致，是能够正确判别路段状态识别的重要步骤。以往的研究多采用灵敏度分析，但灵敏度分析忽略了实际路网的运行情况，因此本发明引入HHT模型，通过对研究网络中的道路速度数据进行时间序列分析，从而得到最佳的ρ值。
HHT方法是分析非线性和非平稳数据的常用方法，主要包括两个阶段：经验模态分解(EMD)和Hilbert谱分析(HSA)。EMD方法的主要思想是根据局部特征时间尺度将原始时间序列数据分解为有限和少量的振荡模式。每一个振荡模式，类似于一个调和函数，由一个内在模式函数(IMF)表示。而HSA是在EMD的分解过程之后，用来得到IMF的一种希尔伯特转换方法。
对于每一个ρ，都可以得到一个相应的路段拥堵比例I(t)随时间变化的数据集。EMD提取的IMFs可以用于表示I(t)的时间波动特征，HSA可以得到每个IMF的平均瞬时频率，并将其转化为波动周期。由于I(t)与交通流具有强相关性，当ρ接近其最优值时，I(t)的波动周期应接近12h、24h和168h，对应于半日、每日和每周的交通流变化特点。因此，选择平均瞬时频率作为判别ρ值优劣性的依据，得到ρ最优值的方法如下：
第一步：以Δρ为间隔区间，生成所有ρ值的序列并选定初始值。其中，Δρ∈(0,0.1)，数值大小可根据精度需求选择。
第二步：通过公式(5)计算每个路段随时间变化的速度比λi(t)的序列，并通过公式(6)来判定路段当前的交通状态。
第三步：生成一个矩阵来表示每条路段随时间变化的交通状态，通过公式(7)来计算路段拥堵比例I(t)并得到其随时间变化的序列。
第四步：导入I(t)序列，通过EMD提取IMFs，并通过HSA获取每个IMF的波动周期。
第五步：选择波动周期最接近12h、24h和168h的波动周期，并计算实际值和理想值之间的平均绝对百分比误差MAPE(Mean Absolute Percentage Error)，计算公式如下：
式中，zr,k和zs,k分别表示真实的波动周期值和理想的波动周期数值，N表示数据值的总数。
第六步：令ρ＝Δρ+ρ，重复第二步到第六步的过程。
第七步：选择具有最小的MAPE值所对应的ρ作为最优值。
Claims (9)
1.一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：包括如下内容：
一、建立基于SIS病毒传播理论的城市交通拥堵传播模型；
二、计算路段拥堵比例；
三、基于HHT模型对路段状态进行识别。
2.根据权利要求1所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：所述建立基于SIS病毒传播理论的城市交通拥堵传播模型的方法为：
S1.1、建立如下基本拥堵传播模型：
式中，S(t)和I(t)分别表示路网中未发生拥堵和拥堵路段所占路网路段总数的比例；
S1.2、按如下公式计算路段拥堵比例的变化率：
式中，k表示拥堵路段上游有效连接路段的数目，ib为基本拥堵率，α和β分别表示平均传播率和消散率；
S1.3、按如下公式计算路段拥堵比例：
S1.4、将k和α合并为一个参数αk，用于表示节点的拥堵传播能力，并令R＝αk/β，R表示新出现拥塞路段的平均数目，代入S1.3的路段拥堵比例公式，进行计算机求解与绘图，得到路段拥堵比例I(t)随时间变化的理想曲线。
3.根据权利要求2所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：R值越高，拥堵在交通网络中的速度就越快。
4.根据权利要求2所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：当R≤1时，路网中的拥堵开始消散；反之，路网中的路段拥堵比例将会收敛于(1-1/R+ib)。
5.根据权利要求2所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：所述计算路段拥堵比例的方法为：
S2.1、按如下公式计算λi(t)：
式中，vi(t)是t时刻路段i上车辆的平均速度，
是t时刻路段i上车辆的历史最大速度；
S2.2、按如下公式计算t时刻路段i的交通状态hi(t)：
式中，ρ为设定的拥堵临界值，ii(t)表示拥堵，si(t)表示不拥堵；
S2.3、按如下公式计算路段拥堵比例I(t)：
6.根据权利要求5所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：按如下公式计算路段拥堵比例的导数
式中，Δt1和Δt2均为数据的时间间隔。
7.根据权利要求5所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：所述基于HHT模型对路段状态进行识别的方法为：
S3.1、以Δρ为间隔区间，生成所有ρ值的序列并选定初始值；
S3.2、计算λi(t)并得到其随时间变化的序列，然后根据λi(t)得到路段当前的交通状态hi(t)；
S3.3、生成一个矩阵来表示每条路段随时间变化的交通状态，然后计算路段拥堵比例I(t)并得到其随时间变化的序列；
S3.4、导入I(t)序列，通过EMD提取IMFs，并通过HSA获取每个IMF的波动周期；
S3.5、选择波动周期最接近12h、24h和168h的波动周期，并计算实际值和理想值之间的平均绝对百分比误差MAPE；
S3.6、令ρ＝Δρ+ρ，重复第二步到第六步的过程；
S3.7、选择具有最小的MAPE值所对应的ρ作为最优值。
8.根据权利要求7所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：按如下公式计算MAPE：
式中，zr,k和zs,k分别表示真实的波动周期值和理想的波动周期数值，N表示数据值的总数。
9.根据权利要求7所述的一种基于病毒传播理论的城市交通拥堵识别方法，其特征在于：所述Δρ∈(0,0.1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820761.1A CN113537788B (zh) | 2021-07-20 | 2021-07-20 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820761.1A CN113537788B (zh) | 2021-07-20 | 2021-07-20 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537788A true CN113537788A (zh) | 2021-10-22 |
| CN113537788B CN113537788B (zh) | 2023-04-18 |
Family
ID=78100486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110820761.1A Active CN113537788B (zh) | 2021-07-20 | 2021-07-20 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537788B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215435A (zh) * | 2020-11-02 | 2021-01-12 | 银江股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
| CN115206115A (zh) * | 2022-07-15 | 2022-10-18 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
| CN115330067A (zh) * | 2022-08-18 | 2022-11-11 | 百度在线网络技术（北京）有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198621A (zh) * | 2005-01-25 | 2008-06-11 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
| WO2010103504A1 (en) * | 2009-03-08 | 2010-09-16 | Yehuda Gore | System and method for controlling traffic by coordination of intersection approaching flows |
| CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
| CN109872074A (zh) * | 2019-03-04 | 2019-06-11 | 中国民航大学 | 基于sis的航空网络延误传播模型及建立方法 |
| 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 |
-
2021
- 2021-07-20 CN CN202110820761.1A patent/CN113537788B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101198621A (zh) * | 2005-01-25 | 2008-06-11 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
| WO2010103504A1 (en) * | 2009-03-08 | 2010-09-16 | Yehuda Gore | System and method for controlling traffic by coordination of intersection approaching flows |
| CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
| CN109872074A (zh) * | 2019-03-04 | 2019-06-11 | 中国民航大学 | 基于sis的航空网络延误传播模型及建立方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 周艳等: "交通拥堵与预警信息交互传播动力学分析", 《地理信息科学》 * |
| 张俊锋等: "复杂城市交通网络拥堵传播的改进SIS 模型", 《交通运输研究》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215435A (zh) * | 2020-11-02 | 2021-01-12 | 银江股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
| CN112215435B (zh) * | 2020-11-02 | 2023-06-09 | 银江技术股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
| CN115206115A (zh) * | 2022-07-15 | 2022-10-18 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
| CN115206115B (zh) * | 2022-07-15 | 2023-05-02 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
| CN115330067A (zh) * | 2022-08-18 | 2022-11-11 | 百度在线网络技术（北京）有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
| CN115330067B (zh) * | 2022-08-18 | 2023-08-15 | 百度在线网络技术（北京）有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537788B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537788B (zh) | 一种基于病毒传播理论的城市交通拥堵识别方法 | |
| CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN103414711B (zh) | 基于信任的网络群体异常感知方法 | |
| Tian et al. | A network traffic prediction method based on IFS algorithm optimised LSSVM | |
| CN115051929B (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
| CN107274669A (zh) | 一种基于最短路径的城市道路交通网络熵计算方法及系统 | |
| CN113808396A (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
| CN113591465A (zh) | 基于关联增强的网络威胁情报多维IoC实体识别方法及装置 | |
| CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
| Yan et al. | Principal Component Analysis Based Network Traffic Classification. | |
| Tan et al. | Recognizing the content types of network traffic based on a hybrid DNN-HMM model | |
| CN108683658A (zh) | 基于多rbm网络构建基准模型的工控网络流量异常识别方法 | |
| CN116151485A (zh) | 反事实预测和效果评估方法、系统 | |
| CN113254485A (zh) | 实时数据流异常检测方法及系统 | |
| Basak et al. | Data-driven detection of anomalies and cascading failures in traffic networks | |
| CN110839253A (zh) | 一种确定无线网格网络流量的方法 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN113469331B (zh) | 基于全局和局部时空图卷积的车辆尾气预测方法及系统 | |
| CN114760104A (zh) | 一种物联网环境下的分布式异常流量检测方法 | |
| KR20230099132A (ko) | 컨셉 드리프트 검출 장치와 이를 적용한 적응적 예측 시스템 및 그 방법 | |
| Yao et al. | Spatio-Temporal Hypergraph Neural ODE Network for Traffic Forecasting | |
| Li et al. | Multipath Based Congestion Propagation via Information Network Interaction in IIoT | |
| CN117540464B (zh) | 基于kriging代理模型的桥梁数字孪生体构建方法 | |
| CN110472191A (zh) | 一种动态自适应的服务评价计算方法及装置 | |
| CN115529290B (zh) | 基于图神经网络的ip街道级定位方法及装置 |
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 |