CN113642138A - T-cps框架下耦合网络元素处理与存储的多层网络构建方法 - Google Patents

Abstract

本发明公开了一种T‑CPS框架下耦合网络元素处理与存储的多层网络构建方法，该多层网络通过引入MFD模型将网络元素(网络的节点或边)的存储能力与处理能力联合起来，同时考虑了网络元素的存储和处理能力及不同策略层间的约束。多层网络考虑两种策略，S1与S2。S1处理速度较快但存储能力弱，S2处理速度较慢但存储能力强，还使用渗流方法分析多层网络上的动态过程，给出了网络的功能性和鲁棒性的评估。多层网络能够在更加微观的角度考虑了交通模拟，网络的功能性和鲁棒性评估能够给出帮助交通决策的指标，从而更好地理解和评估网络传输过程。

Description

T-CPS框架下耦合网络元素处理与存储的多层网络构建方法

技术领域

本发明属于多层网络建模领域，涉及一种耦合网络元素处理能力和存储能力的多层网络构造方法。针对智慧城市CPS系统中不同的功能需求和任务，实现基于多源异构数据的多维态势感知，建立新的符合交通流背景的多层网络耦合关系，考虑网络元素的存储和处理能力之间的互相约束，以及不同策略层间的约束关系，给出针对当前网络状态功能的功能性和鲁棒性评估。多层网络能够在更加微观的角度考虑了交通模拟，网络的功能性和鲁棒性评估能够给出帮助交通决策的指标，从而更好地理解和评估网络传输过程。

背景技术

有一系列的复杂网络路由工作使用蒙特卡洛方法进行仿真，模拟人类在道路网络上的迁移行为，采取了基于Agent的仿真模拟城市交通，这些仿真以提升网络承载容量、减少运行时间、提升网络鲁棒性为目的进行不同方式的优化。这些工作在网络中随机起始点生成数据包或者运输行为，然后Agent沿着最短路径或者其他策略进行传递，每个节点会有不同的处理能力，存储队列长度或者处理分发策略。但是这些模型割裂了节点的存储能力和处理能力之间的关系。因此需要提出模型将节点的存储能力和处理能力耦合起来。本发明提出的多层网络能够在更加微观的角度考虑了交通模拟，能够分析网络上发生的动态过程、揭示网络层间耦合关系及内在机理。网络的功能性和鲁棒性评估能够给出帮助交通决策的指标，从而更好地理解和评估网络传输过程。

发明内容

本发明的目的是提供一种交通信息物理系统(T-CPS)框架下耦合网络元素处理与存储的多层网络构建方法，针对智慧城市CPS系统中不同的功能需求和任务，实现基于多源异构数据的多维态势感知，建立新的符合交通流背景的多层网络耦合关系，考虑网络元素的存储和处理能力之间的互相约束，以及不同策略层间的约束关系，给出针对当前网络状态功能的功能性和鲁棒性评估。

实现本发明目的的具体技术方案是：

一种T-CPS框架下耦合网络元素处理与存储的多层网络构建方法，该构建方法包括如下具体步骤：

步骤1：多层网络初始化，具体包括：

给定网络G(V，E)，G由N节点与M条边组成。其中V＝[v₁，v₂，...，v_N]，E∈V²；V代表节点集合，E代表边集合；边长度为l_ij，i和j分别代表起点和终点；多层网络采取原始图的方法建模，节点对应现实路网中的交叉路口，连边对应现实路网中的道路；给定m运输需求，运输集合T＝[t₁，t₂，t₃，...，t_m-1，t_m]；每个运输需求在出发时，随机选取起点和终点，沿最短路径移动；其中，给出两类运输策略S1与S2备选，S1有较高的速度，仅解决一个运输需求；S2速度较低，能够解决n运输需求；以p的概率选择S1，以1-p的概率选择S2；称p为选择系数，n为承载能力；p值越大，运输需求选择S1的可能性越大，策略个数越多；

步骤2：在步骤1构建的初始多层网络上模拟仿真的迭代过程：

步骤2.1：计算每条边上实时数目Num_ij与密度d_ij，具体包括：

在每次迭代过程中，针对每条边e_ij(e_ij∈E)，首先计算在边e_ij上所有运输需求T_ij数目Num_ij，T_ij当中包括

和

表示选择S1的运输需求集合，

表示选择S2的运输需求集合，即

其中，len表示求T集合内的元素个数，

表示向上取整；因为S2能够满足n运输需求，因此，针对S2需要除以n后，然后向上取整；式(1)给出了S1和S2针对运输能力的不同处理方式，也给出了两类运输策略之间的耦合关系；

然后根据边长度，计算边密度：

其中K代表每个运输需求的长度，l_ij表示该条边长度；

步骤2.2：计算实时速度，具体包括：

接着计算移动速度，使用速度-密度随机建模的方法；式(3)既给出速度-密度变化趋势，也给出交通流的随机建模；式(3)的意义在于给出了边的存储能力和处理效率之间的耦合关系，具体的速度-密度关系表示为：

v_ij＝MFD(d_ij)＝V(d_ij)＝f(d_ij)+θ(μ，σ²) (3)

其中d_ij表示当前边上的密度，v_ij表示当前边上的速度，f(...)表示一个固定的关系函数，θ(μ，σ²)表示一个均值为μ，方差为σ²的随机过程；MFD(d_ij)表示MFD模型运算，V(d_ij)则表示密度-速度关系的函数；

步骤2.3：速度衰减，具体包括：

最后对速度进行衰减，针对在e_ij上的每个运输需求，根据运输策略的不同，对速度进行不同的衰减处理，其中c(0＜c≤1)为衰减系数：

步骤2.4：更新位置，具体包括：

对每个运输需求根据衰减之后的速度更新位置X^t

经过仿真迭代，得到仿真过程中的每次迭代中每条边的实时速度数据；

步骤3：鲁棒性与功能性评估，具体包括：

使用渗流方法对迭代过程进行功能性和鲁棒性评估；对于边e_ij，i和j表示边的起始点和终止点，速度v_ij表示了仿真过程内的实时速度；对于边e_ij，定义所有数据当中边的平均速度的95分位数为极限速度v_max，并定义r_ij为当前时刻速度和极限速度下的相对速率，r_ij＝v_ij/v_max；对于一个给定阈值q，将边e_ij分为两类：当r_ij≥q时，则该边保留；当r_ij＜q时，则该边删除；

因此，当q越大时，对网络的破坏越大；当q＝0时，网络是完整的；当q＝1时，网络所有的边被移除；随着q值的增大，原网络会变得稀疏；给定渗流阈值qc，q＝qc时，网络发生巨大的塌陷；给定网络的平均到达时间(Average Arrival Time，AAT)

其中AT_i表示t_i的到达时间；渗流阈值qc给出了网络的鲁棒性评估，当qc越大，网络的鲁棒性越强；AAT给出了网络的功能性评估，当AAT越小，网络的功能性越强。

本发明的有益效果：

本发明提出了一种T-CPS框架下的耦合网络元素处理与存储的多层网络构建方法，通过引入MFD(Macroscopic Fundamental Diagram)模型将网络元素的存储能力与处理能力联合起来。耦合给出了一种对网络鲁棒性和功能性的评估方法，分析网络上发生的动态过程、揭示网络层间耦合关系及内在机理。针对智慧城市CPS系统中不同的功能需求和任务，需要实现基于多源异构数据的多维态势感知，建立新的符合交通流背景的多层网络耦合关系，考虑网络元素的存储和处理能力之间的互相约束，以及不同策略层间的约束关系，还给出针对当前网络状态功能的功能性和鲁棒性评估。本发明构建的多层网络能够在更加微观的角度考虑了交通模拟，能够分析网络上发生的动态过程、揭示网络层间耦合关系及内在机理。网络的功能性和鲁棒性评估能够给出帮助交通决策的指标，从而更好地理解和评估网络传输过程。交通物理信息系统(Transportation Cyber-Physical Systems)通过交通信息系统和物理信息系统的通信与协调来实现交通系统的全面协同，达到充分利用交通系统资源，减少拥堵，提高道路通行能力的目的。整个多层网络的构建过程处在CPS系统框架之下，在物理层，两类运输策略通过MFD互相耦合，在信息层，能通过不同的路由策略去进行优化每个智能体的路由策略，本发明能够为T-CPS的发展提供一个应用和思路。对理解T-CPS框架下的智慧交通、对相应的交通状态评估有着重要的意义。

附图说明

图1是本发明的多层网络结构示意图；

图2是本发明的多层网络构建流程示意图；

图3是本发明具体实施例的MFD示意图；

图4是本发明具体实施例中不同网络下渗流结果图；

图5是本发明具体实施例中不同参数下渗流结果图与AAT随着p变化的结果图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及发明优点更加清楚明白，以下结合附图及实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出了一种耦合网络元素处理能力和存储能力的多层网络(图1)构建方法(图2)。针对智慧城市CPS系统中不同的功能需求和任务，实现基于多源异构数据的多维态势感知，建立新的符合交通流背景的多层网络耦合关系，考虑网络元素的存储和处理能力之间的互相约束，以及不同策略层间的约束关系，给出针对当前网络状态功能的功能性和鲁棒性评估。

实施例

本实施例的所有结果均是在64位Windows操作系统，Python实验环境下获得的。首先构建节点数目N＝100的四个网络，分别是ER网络，Grid网络，SF网络和SW网络，保证它们的平均度数为4。给定每条道路的长度均为200，按照当中给定的参数开始模拟仿真，仿真结果则是在20次循环之后取平均值。

本实施例的具体步骤如下：

步骤1：多层网络初始化，具体包括：

给定网络G(V，E)，G由N节点与M条边组成。其中V＝[v₁，v₂，...，v_N]，E∈V²；V代表节点集合，E代表边集合；边长度为l_ij，i和j分别代表起点和终点；多层网络采取原始图的方法建模，节点对应现实路网中的交叉路口，连边对应现实路网中的道路；给定m运输需求，运输集合T＝[t₁，t₂，t₃，...，t_m-1，t_m]；每个运输需求在出发时，随机选取起点和终点，沿最短路径移动；其中，给出两类运输策略S1与S2备选，S1有较高的速度，仅解决一个运输需求；S2速度较低，能够解决n运输需求；以p的概率选择S1，以1-p的概率选择S2；称p为选择系数，n为承载能力；p值越大，运输需求选择S1的可能性越大，策略个数越多；

参阅图2，异构MFD和同构MFD给出了S1和S2之间不同的耦合关系，它们在道路网络上进行仿真和模拟。参数k，n和p调控了多层网络的参数。仿真和模拟得到道路上的速度数据交给后续渗流处理。渗流产生渗流阈值和平均到达时间供后续鲁棒性的分析；

步骤2：在步骤1构建的初始多层网络上模拟仿真的迭代过程：

步骤2.1：计算每条边上实时数目Num_ij与密度d_ij，具体包括：

在每次迭代过程中，针对每条边e_ij(e_ij∈E)，首先计算在边e_ij上所有运输需求T_ij数目Num_ij，T_ij当中包括

和

表示选择S1的运输需求集合，

表示选择S2的运输需求集合，即

其中，len表示求T集合内的元素个数，

表示向上取整；因为S2能够满足n运输需求，因此，针对S2需要除以n后，然后向上取整；式(1)给出了S1和S2针对运输能力的不同处理方式，也给出了两类运输策略之间的耦合关系；

然后根据边长度，计算边密度：

其中K代表每个运输需求的长度，l_ij表示该条边长度；

步骤2.2：计算实时速度，具体包括：

接着计算移动速度，使用速度-密度随机建模的方法；式(3)既给出速度-密度变化趋势，也给出交通流的随机建模；式(3)的意义在于给出了边的存储能力和处理效率之间的耦合关系，具体的速度-密度关系表示为：

v_ij＝MFD(d_ij)＝V(d_ij)＝f(d_ij)+θ(μ，σ²) (3)

其中d_ij表示当前边上的密度，v_ij表示当前边上的速度，f(...)表示一个固定的关系函数，θ(μ，σ²)表示一个均值为μ，方差为σ²的随机过程；MFD(d_ij)表示MFD模型运算，V(d_ij)则表示密度-速度关系的函数；

步骤2.3：速度衰减，具体包括：

最后对速度进行衰减，针对在e_ij上的每个运输需求，根据运输策略的不同，对速度进行不同的衰减处理，其中c(0＜c≤1)为衰减系数：

步骤2.4：更新位置，具体包括：

对每个运输需求根据衰减之后的速度更新位置X^t

经过仿真迭代，得到仿真过程中的每次迭代中每条边的实时速度数据；

步骤3：鲁棒性与功能性评估，具体包括：

使用渗流方法对迭代过程进行功能性和鲁棒性评估；对于边e_ij，i和j表示边的起始点和终止点，速度v_ij表示了仿真过程内的实时速度；对于边e_ij，定义所有数据当中边的平均速度的95分位数为极限速度v_max，并定义r_ij为当前时刻速度和极限速度下的相对速率，r_ij＝v_ij/v_max；对于一个给定阈值q，将边e_ij分为两类：当r_ij≥q时，则该边保留；当r_ij＜q时，则该边删除；

因此，当q越大时，对网络的破坏越大；当q＝0时，网络是完整的；当q＝1时，网络所有的边被移除；随着q值的增大，原网络会变得稀疏；给定渗流阈值qc，q＝qc时，网络发生巨大的塌陷；给定网络的平均到达时间(Average Arrival Time，AAT)

其中AT_i表示t_i的到达时间；渗流阈值qc给出了网络的鲁棒性评估，当qc越大，网络的鲁棒性越强；AAT给出了网络的功能性评估，当AAT越小，网络的功能性越强。

参阅图3，图3是具体实施例的MFD示意图。图(a)，横坐标是密度，纵坐标是速度；图(b)，横坐标是密度，纵坐标是流量。散点图给出了SUMO仿真得到的道路速度-密度关系和流量-密度关系。直线则是速度-密度关系和流量-密度关系的拟合数据。当车流密度较小的时候，每辆车的速度较高，但是由于车流密度较小，道路流量较低；随着密度的增大，车速不断降低，但是因为车流密度的增加，道路流量会不断增加；当车流密度到达合适值时，道路流量达到峰值；随着车流密度的继续增加，平均车速会不断降低，导致道路流量的减小，导致拥堵；在仿真实验中，使用SUMO模拟仿真器来获取和构建道路网络的MFD，使用泊松分布模拟数目，从整个路网当中随机选取运输的起点和终点，记录路网当中的平均速度和平均密度，去除前700个记录点之后，得到的速度-密度数据。利用确定关系加上随机性建模构建密度和速度关系。使用带截断的Green shield模型表示一个简单的确定性关系。在SUMO的仿真结果中，经Kolmogorov-Smirnov校验发现，在一个小区间(例如[0.1，0.101])里面密度所对应速度分布符合正态分布，因此使用正态分布建模随机关系。

参阅图4，图4给出了四种网络在不同的p值下的渗流结果。图中(a)，(b)，(c)和(d)给出了针对N＝100的ER网络，Grid网络，SF网络和SW网络的仿真结果，其中n＝20，k＝0.5下，每张图的10条曲线给出不同p值下GCC(最大联通片尺寸)随着q的增加的变化过程。四种网络的渗流过程都给出相同的渗流趋势和过程。随着q值的增加，网络会塌陷，塌陷点和塌陷方式表示了网络的鲁棒性。ER网络除p＝0和0.1外，其他曲线的塌陷点都是p＝0.29；Grid网络、SF网络和SW网络则是随着p值增大，塌陷点不断增加。四类网络的塌陷点的最低塌陷点都是p＝0.29。从塌陷点可以看出，ER网络的鲁棒性最差。随着p值的增大，Grid网络，SF网络和SW网络塌陷方式逐渐变慢，且曲线都是向上凸起。ER网络塌陷方式先变慢，后变快，曲线从向上突起逐步变化为向下凸起。曲线越接近右上角，表明网络的鲁棒性越好，从塌陷方式可以看出，鲁棒性SF＞SW≈Grid＞ER。随着选择系数p值的增加，渗流阈值逐渐减小。不同的网络减小趋势不同。

参阅图5，图5给出了四种网络p值分别在0.1，0.5和0.9下的渗流过程和平均到达时间在四种网络下随着p值的变化曲线。p的三个取值代表了p的较小值，典型值和较大值。如图5(a)，(b)和(c)所示，随着q值的不断增加，ER网络最先塌陷，Grid网络、SF网络和SW网络保持原来的大小。随着q值的增大，Grid网络接着塌陷，然后是SF网络开始塌陷。然后SW以较快的速度下降，超过SW网络，与Grid网络以相同的速率下降。SF网络尽管塌陷较早，但是速度最慢，最后才完全塌陷。

如图5(d)所示，四张图给出了四类网络的平均到达时间随着p值的变化。当网络当中的m一定时，随着选择系数的增加，运输需求选择S1的概率增加，因此网络当中的策略数目增加，更易造成网络元素处理能力的下降，使得AAT的增加(Factor 1)(F1)；但是因为S1的速度较高，反而会使得AAT减少(Factor 2)(F2)。在不同结构的网络中，两种因素对最终的AAT影响不同。结构决定功能，因此在不同的结构的网络当中，选择系数的增加，会有不同的变化趋势。SF网络的变化趋势与ER网络类似，AAT随着选择系数的增加先增加，再减小，说明F1的影响大于F2，在p＞0.7之后，F2的影响大于F1。Grid网络的变化趋势与SW网络类似，ATT随着选择系数的增加而不断减小，而Grid网络在p＝0.7时则有一个小峰值。从AAT的绝对值大小来看，当p＜0.2时，Grid＞SW＞ER＞SF；当p＞0.2时，Grid＞ER＞SW＞SF。使用渗流阈值来分析网络的鲁棒性。同一参数下，渗流阈值SF＞SW≈Grid＞ER。

Claims (1)

1.一种T-CPS框架下耦合网络元素处理与存储的多层网络构建方法，其特征在于，该构建方法包括如下具体步骤：

步骤1：多层网络初始化，具体包括：

给定网络G(V，E)，G由N节点与M条边组成。其中V＝[v₁，v₂，...，v_N]，E∈V²；V代表节点集合，E代表边集合；边长度为l_ij，i和j分别代表起点和终点；多层网络采取原始图的方法建模，节点对应现实路网中的交叉路口，连边对应现实路网中的道路；给定m运输需求，运输集合T＝[t₁，t₂，t₃，...，t_m-1，t_m]；每个运输需求在出发时，随机选取起点和终点，沿最短路径移动；其中，给出两类运输策略S1与S2备选，S1有较高的速度，仅解决一个运输需求；S2速度较低，能够解决n运输需求；以p的概率选择S1，以1-p的概率选择S2；称p为选择系数，n为承载能力；p值越大，运输需求选择S1的可能性越大，策略个数越多；

步骤2：在步骤1构建的初始多层网络上模拟仿真的迭代过程：

步骤2.1：计算每条边上实时数目Num_ij与密度d_ij，具体包括：

在每次迭代过程中，针对每条边e_ij(e_ij∈E)，首先计算在边e_ij上所有运输需求T_ij数目Num_ij，T_ij当中包括

和

表示选择S1的运输需求集合，

表示选择S2的运输需求集合，即

其中，len表示求T集合内的元素个数，

表示向上取整；因为S2能够满足n运输需求，因此，针对S2需要除以n后，然后向上取整；式(1)给出了S1和S2针对运输能力的不同处理方式，也给出了两类运输策略之间的耦合关系；

然后根据边长度，计算边密度：

其中K代表每个运输需求的长度，l_ij表示该条边长度；

步骤2.2：计算实时速度，具体包括：

接着计算移动速度，使用速度-密度随机建模的方法；式(3)既给出速度-密度变化趋势，也给出交通流的随机建模；式(3)的意义在于给出了边的存储能力和处理效率之间的耦合关系，具体的速度-密度关系表示为：

v_ij＝MFD(d_ij)＝V(d_ij)＝f(d_ij)+θ(μ，σ²) (3)

其中d_ij表示当前边上的密度，v_ij表示当前边上的速度，f(...)表示一个固定的关系函数，θ(μ，σ²)表示一个均值为μ，方差为σ²的随机过程；MFD(d_ij)表示MFD模型运算，V(d_ij)则表示密度-速度关系的函数；

步骤2.3：速度衰减，具体包括：

最后对速度进行衰减，针对在e_ij上的每个运输需求，根据运输策略的不同，对速度进行不同的衰减处理，其中c(0＜c≤1)为衰减系数：

步骤2.4：更新位置，具体包括：

对每个运输需求根据衰减之后的速度更新位置X^t

经过仿真迭代，得到仿真过程中的每次迭代中每条边的实时速度数据；

步骤3：鲁棒性与功能性评估，具体包括：

使用渗流方法对迭代过程进行功能性和鲁棒性评估；对于边e_ij，i和j表示边的起始点和终止点，速度v_ij表示了仿真过程内的实时速度；对于边e_ij，定义所有数据当中边的平均速度的95分位数为极限速度v_max，并定义r_ij为当前时刻速度和极限速度下的相对速率，r_ij＝v_ij/v_max；对于一个给定阈值q，将边e_ij分为两类：当r_ij≥q时，则该边保留；当r_ij＜q时，则该边删除；

因此，当q越大时，对网络的破坏越大；当q＝0时，网络是完整的；当q＝1时，网络所有的边被移除；随着q值的增大，原网络会变得稀疏；给定渗流阈值qc，q＝qc时，网络发生巨大的塌陷；给定网络的平均到达时间(Average Arrival Time，AAT)

其中AT_i表示t_i的到达时间；渗流阈值qc给出了网络的鲁棒性评估，当qc越大，网络的鲁棒性越强；AAT给出了网络的功能性评估，当AAT越小，网络的功能性越强。

Images