CN113988634B - 考虑认知不确定性的城市道路行程时间可靠性评价方法 - Google Patents
考虑认知不确定性的城市道路行程时间可靠性评价方法 Download PDFInfo
- Publication number
- CN113988634B CN113988634B CN202111267907.0A CN202111267907A CN113988634B CN 113988634 B CN113988634 B CN 113988634B CN 202111267907 A CN202111267907 A CN 202111267907A CN 113988634 B CN113988634 B CN 113988634B
- Authority
- CN
- China
- Prior art keywords
- factor
- layer
- index
- scheme
- weight
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 55
- 238000010586 diagram Methods 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 21
- 230000019771 cognition Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101000671634 Xenopus borealis Upstream stimulatory factor 1 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑认知不确定性的城市道路行程时间可靠性评价方法，包括：利用层次分析法对影响道路行程时间可靠性的多个因素进行分析，从中选取主要因素作为评价指标，确定目标层、因素层、指标层和方案层，建立评价指标体系；基于不确定性理论，逐层确定因素层中各因素的权重、指标层在某一因素下各指标的权重以及方案层在某一指标下各方案的权重；将各因素下对应的所有指标分别得到的方案层中各方案的权重进行加权分析，并按照给定评分标准得到各方案中的最优方案。本发明从层次分析发出发，充分考虑道路的客观因素和旅行者的认知不确定性主观因素，提供更准确的交通系统可靠性的评价。
Description
技术领域
本发明涉及交通管理技术领域，更具体的说是涉及一种考虑认知不确定性的城市道路行程时间可靠性评价方法。
背景技术
随着城市化进程的不断推进，城市交通网络作为城市活动的重要基础建设，也承担起越来越多的压力，特别是对于地面道路交通首当其冲，交通拥挤已经是很多城市的“痼疾”。而人工智能、信息物理系统、大数据、云计算等技术日益的成熟与应用，及其与交通行业的结合必将推动城市交通网络技术升级，智慧路网系统成为未来发展的重点。智慧路网系统的基础是城市交通路网，为了保障城市道路在行程时间度量尺度下的可靠运行，对于其可靠性的评价是交通管理的重要基础。对道路行程时间可靠性相关问题的探讨研究，一方面可以为城市改造和规划提供指标参考，另一方面可以直接给居民出行行为决策提供建议，然而目前尚缺乏行之有效的评估手段。
由于交通需求与供给的随机性会导致道路上交通流量交通强度等都具有随机的特性，加之路网主要服务对象出行者对于交通信息掌握的不精准，也使得行程时间存在认知上的不确定性。现行的形成可靠性度量方法都忽略了出行者给可靠性度量带来的不确定性，无法将非随机的不确定性和随机不确定性均有效纳入考量。
众所周知，影响交通系统行程时间可靠性的因素很多，在这种情况下，当需要获得每个路径方案的优先级并根据其进行决策时，层次分析法(Analytic Hierarchy Process,AHP)是一个很好的选择。然而，目前的层次分析法忽略了对不确定性的考虑，不能行之有效地考虑评价者的认知不确定性，无法得到对城市道路行程时间可靠性准确的综合评价；或者计算过程复杂，不便于进一步推广应用。
因此，如何提供一种从层次分析发出发，充分考虑认知不确定性，且对道路行程时间评价更为准确的城市道路行程时间可靠性评价方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种考虑认知不确定性的城市道路行程时间可靠性评价方法，从层次分析发出发，充分考虑道路的客观因素和旅行者的认知不确定性主观因素，提供更准确的交通系统可靠性的评价。
为了实现上述目的，本发明采用如下技术方案：
一种考虑认知不确定性的城市道路行程时间可靠性评价方法，包括：
利用层次分析法对影响道路行程时间可靠性的多个因素进行分析，从中选取主要因素作为评价指标，确定目标层、因素层、指标层和方案层，建立评价指标体系；
基于不确定性理论，逐层确定所述因素层中各因素的权重、所述指标层在某一因素下各指标的权重以及所述方案层在某一指标下各方案的权重；
将各因素下对应的所有指标分别得到的方案层中各方案的权重进行加权分析，并按照给定评分标准得到各方案中的最优方案。
进一步的，所述方案层为可选的不同路径；所述目标层为评价的最终目标，得到不同路径的行程时间可靠性得分，选择行程时间可靠性最高的路径；所述因素层包括道路因素、自然环境因素、功能性设施因素和突发因素；所述指标层从各准则所包含的要素中选取对道路行程时间可靠性有较大影响的指标。
进一步的，所述因素层中各因素的权重确定过程为：
采用不同认知方式分别确定因素层中各因素两两之间比较的相对重要度，得到多个任意两个因素比较时所对应的因素经验数据表；每个所述因素经验数据表中包括指定两个因素间采用不同认知方式下的相对重要度和信度数据；
根据各个所述因素经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对所述散点图进行拟合，得到多个因素相对重要度分布函数；
根据各个因素相对重要度分布函数，得到因素层针对目标层的不确定判断矩阵；
根据不确定性理论的运算法则，计算因素层针对目标层的不确定判断矩阵的权重向量。
进一步的，所述指标层在某一因素下各指标的权重确定过程为：
采用不同认知方式分别确定指标层中某一因素下各指标两两之间比较的相对重要度和信度数据，得到某一因素下的多个任意两个指标比较时所对应的指标经验数据表；每个所述指标经验数据表中包括指定两个指标间采用不同认知方式下的相对重要度和信度数据；
根据各个所述指标经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个指标相对重要度分布函数；
根据各个所述指标相对重要度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各因素下指标层针对对应因素的不确定判断矩阵的权重向量。
进一步的，所述方案层在某一指标下各方案的权重确定过程为：
采用不同认知方式分别确定方案层中某一指标下各指标两两之间比较的优先度和信度数据，得到某一指标下多个任意两个方案比较时所对应的方案经验数据表；每个所述方案经验数据表中包括指定两个方案间采用不同认知方式下的优先度和信度数据；
根据各个所述方案经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个方案优先度分布函数；
根据各个所述方案优先度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各指标下方案层针对对应指标的不确定判断矩阵的权重向量。
进一步的，还包括：分别计算各因素下指标层针对对应因素的不确定判断矩阵的权重向量和各指标下方案层针对对应指标的不确定判断矩阵的权重向量的期望值，并对得到的期望值进行归一化处理。
进一步的，所述最优方案的获得过程为：
将某一因素下所有指标分别得到的方案层权重向量进行整合，得到该因素对应的方案层权重向量构成的权重矩阵；
将该因素对应的方案层权重向量构成的权重矩阵与该因素对应的指标层权重向量相乘，对结果进行归一化处理，得到各因素下方案层针对对应因素的权重向量；
将各因素下方案层针对对应因素的权重向量进行整合，得到相应的权重矩阵；
将该权重矩阵与针对目标的因素层权重向量相乘，得到各方案的综合评价得分够成的不确定得分向量；所述不确定得分向量中各元素与各方案一一对应；
计算所述不确定得分向量中各元素的期望和方差，并根据给定评分准则选择各方案中的最优方案。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种考虑认知不确定性的城市道路行程时间可靠性评价方法，由于交通系统有其特殊性，特别是城市路网具有典型网络、强耦合和泛时空等特性，导致其运行规律极为复杂。此外，交通行为有人的参与，网络交通流呈现多品种流特点(Multi-commodity flow)，即承载对象的不一致性。不同的出行者有不同的出行需求、对路网信息认知水平不同、出行经验不同都会导致交通流变化更加复杂。这也就导致了交通系统运行不仅仅存在着一种随机的固有不确定性还存在认知不确定性。
本发明有效将道路的客观因素和旅行者的主观因素所带来的可靠性测量在认识上的不确定性纳入考量，能提供更准确的交通系统可靠性的评价。同时，为得到道路行程时间可靠性的综合评价，更系统全面地分析路网系统，从层次分析法出发，将影响行程时间可靠性的准则之间两两比较确定优先级，并用不确定理论描述专家评价过程中存在的认知不确定性，给出不确定评价矩阵，进行加权分析得到最终合乎实际的综合评价结果辅助决策。弥补了现有方法中忽略认知不确定性的考虑或者对认知不确定性的描述不准确的不足，不仅考虑了交通服务网服务的客观随机波动，也考虑了出行者对于交通路网信息认知掌握的不确定性。同时，不确定层次分析法也在一定程度上考虑了专家在评价过程中因为个体差异所存在的主观因素，有效发展了原有的层次分析法，得出更合乎实际的综合评价结果。
本发明行程时间确信可靠性度量方法，进一步完善了交通系统可靠性度量方法体系的建设，为交通管理层面提供建议，并为出行者提供出行指导，同时也为未来智慧路网系统的进一步发展打好了坚实的基础。
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，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的考虑认知不确定性的城市道路行程时间可靠性评价方法流程图；
图2附图为本发明提供的道路行程时间可靠性的评价指标体系结构图。
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。
如图1所示，本发明实施例公开了一种考虑认知不确定性的城市道路行程时间可靠性评价方法，包括以下步骤
S1、利用层次分析法对影响道路行程时间可靠性的多个因素进行分析，从中选取主要因素作为评价指标，确定目标层、因素层、指标层和方案层，建立评价指标体系。
S2、基于不确定性理论，逐层确定因素层中各因素的权重、指标层在某一因素下各指标的权重以及方案层在某一指标下各方案的权重。
其中，因素层中各因素的权重确定过程为：
采用不同认知方式分别确定因素层中各因素两两之间比较的相对重要度，得到多个任意两个因素比较时所对应的因素经验数据表；每个因素经验数据表中包括指定两个因素间采用不同认知方式下的相对重要度和信度数据；
根据各个因素经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个因素相对重要度分布函数；
根据各个因素相对重要度分布函数，得到因素层针对目标层的不确定判断矩阵；
根据不确定性理论的运算法则，计算因素层针对目标层的不确定判断矩阵的权重向量。
指标层在某一因素下各指标的权重确定过程为：
采用不同认知方式分别确定指标层中某一因素下各指标两两之间比较的相对重要度和信度数据，得到某一因素下的多个任意两个指标比较时所对应的指标经验数据表；每个指标经验数据表中包括指定两个指标间采用不同认知方式下的相对重要度和信度数据；
根据各个指标经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个指标相对重要度分布函数；
根据各个指标相对重要度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各因素下指标层针对对应因素的不确定判断矩阵的权重向量。
方案层在某一指标下各方案的权重确定过程为：
采用不同认知方式分别确定方案层中某一指标下各指标两两之间比较的优先度和信度数据，得到某一指标下多个任意两个方案比较时所对应的方案经验数据表；每个方案经验数据表中包括指定两个方案间采用不同认知方式下的优先度和信度数据；
根据各个方案经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个方案优先度分布函数；
根据各个方案优先度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各指标下方案层针对对应指标的不确定判断矩阵的权重向量。
S3、将各因素下对应的所有指标分别得到的方案层中各方案的权重进行加权分析，并按照给定评分标准得到各方案中的最优方案。
最优方案的获得过程为：
将某一因素下所有指标分别得到的方案层权重向量进行整合，得到该因素对应的方案层权重向量构成的权重矩阵；
将该因素对应的方案层权重向量构成的权重矩阵与该因素对应的指标层权重向量相乘，对结果进行归一化处理，得到各因素下方案层针对对应因素的权重向量；
将各因素下方案层针对对应因素的权重向量进行整合，得到相应的权重矩阵；
将该权重矩阵与针对目标的因素层权重向量相乘，得到各方案的综合评价得分够成的不确定得分向量；不确定得分向量中各元素与各方案一一对应；
计算不确定得分向量中各元素的期望和方差，并根据给定评分准则选择各方案中的最优方案。
下面结合具体实例对上述各步骤进行详细描述。
S1、建立评价指标体系。
对交通系统进行可靠性研究是一项复杂的工程，交通运行也是一个有机整体，任何一个因素的变化都有可能成为影响道路行程时间可靠性的根源。在对道路行程时间可靠性进行综合评价时，需要从众多因素中选取主要因素作为评价指标。
本发明实施例利用层次分析法建立道路行程时间可靠性评价指标体系。层次分析法是用一定标度对人的主观判断进行客观量化，在此基础上进行定性和定量分析的一种决策方法，具体包括目标层、因素层、指标层和方案层。
目标层即为评价的最终目标，得到不同路径的行程时间可靠性得分，选择行程时间可靠性最高的路径；方案层为可选的不同路径；因素层选取道路因素、自然环境因素、功能性设施因素、突发因素四个方面；指标层从各准则所包含的要素中选取对道路行程时间可靠性有较大影响的指标。建立的道路行程时间可靠性评价指标体系包含的因素如表1和图2所示。
表1道路行程时间可靠性评价指标体系
S2、基于不确定性理论，逐层确定因素层中各因素的权重、指标层在某一因素下各指标的权重以及方案层在某一指标下各方案的权重。
S21、计算指标层权重。
S211、基于专家经验构造判断矩阵
选取各个因素层的评价指标后，需要判断每一层次各指标相对于上一层次有关因素的相对重要性，通常做法是将各层相关元素进行两两比较，构造判断矩阵。
判断矩阵的确定需要通过咨询领域专家、技术人员等专业人员意见来获得，而专家给出个人意见时存在主观性，存在着认知不确定性。为了得到更准确的判断矩阵，本发明将根据收集到的数据进行拟合，得到相对重要度的不确定分布，进一步构建不确定判断矩阵。
为了收集专家经验数据，可采用专家经验问卷方法。为了确定相对重要度的不确定分布，设置了专家调查问卷来获得各层相关元素两两比较的相对重要度及其对应的信度值，关于相对重要度的调查问卷如下所示。
以构建针对目标的因素层不确定判断矩阵为例(如因素B1与因素B2之间进行比较)：
Q1：请问你认为针对上一层目标路段行程时间可靠性A，道路因素B1和自然环境因素B2之间两两比较，因素B1比因素B2重要度最小应该是多大？
A1：2倍。此时，获得一个专家经验数据(2,0)。
Q2：你认为你认为因素B1比因素B2重要度的可能取值为多少时该事件发生的信度为0.1？
A2：2.4倍。获得一个专家经验数据(2.4,0.1)。
Q3：你认为因素B1比因素B2重要度的可能取值为多少时该事件发生的信度为0.3？
A3：3.2。(获得一个专家经验数据(3.2,0.3))
Q4：你认为因素B1比因素B2重要度的可能取值为多少时该事件发生的信度为0.5？
A4：3.9。(获得一个专家经验数据(3.9,0.5))
Q5：你认为因素B1比因素B2重要度的可能取值为多少时该事件发生的信度为0.7？
A5：4.3。(获得一个专家经验数据(4.3,0.7))
Q6：你认为因素B1比因素B2重要度的可能取值为多少时该事件发生的信度为0.9？
A6：4.85。(获得一个专家经验数据(4.85,0.9))
Q7：你认为因素B1比因素B2重要度最大应该是多大？
A7)：5倍。(获得一个专家经验数据(5,1))
Q8：你认为还有别的可能取值吗？
A8：没有了。
……
其中，相对重要度ξij用以描述元素i与元素j相比时重要性大小，其标度方法如表2所示。
表2相对重要度ξij的标度方法
而信度M是用以描述对不确定现象的确定程度。根据不确定理论，信度描述的对象是一个事件(或一个命题)，例如，“明天太阳将升起”、“下周将是晴朗的”都是信度所描述的对象的实例。信度表征了相信某事件会发生的程度。如果完全相信某事件会发生，那么信度为1(完全信任)。如果认为这是完全不可能的，那么信度是0(完全不相信)。如果事件及其补充事件的可能性相等，则事件的信度为0.5，补充事件的信度也为0.5。通常，将为每个事件的信度指定一个介于0和1之间的数字。信任度越高，越相信事件会发生。信度M的标度方法如表3所示。
表3信度M的标度方法
| 标度 | 含义 |
| 0 | 表示相信某事件完全不可能发生 |
| 0.1 | 表示相信某事件发生的可能性极小 |
| 0.3 | 表示相信某事件发生的可能性比较小 |
| 0.5 | 表示相信某事件及其补充事件发生的可能性相等 |
| 0.7 | 表示相信某事件发生的可能性比较小 |
| 0.9 | 表示相信某事件发生的可能性极大 |
| 1 | 完全相信某事件会发生 |
通过咨询专业领域内多位不同专家进行若干次以上的调查问卷，可以获得大量关于因素B1相较因素B2的相对重要度ξ12的因素经验数据，如表4所示。
表4相对重要度ξ12的专家经验数据表
根据表内的因素经验数据，将其描点，可得其散点图。为简化整体计算步骤，根据专家数据的趋势，假设ξ12的不确定分布遵循线性之字型(Zigzag)不确定分布，则之字型不确定变量ξ12分布函数应当遵循以下形式：
其中，a,b,c是实数且a＜b＜c。
对上述所得散点图使用最小二乘法进行拟合，可以得到参数a，b，c的值，进而可得ξ12的分布函数。
即不确定变量ξ12服从线性之字型不确定分布Z(a12,b12,c12)。与此同时可以得到因素B2相较因素B1的相对重要度ξ21也为不确定变量，服从之字型不确定分布
以此类推，可得到因素层针对目标层的不确定判断矩阵A如下所示：
其中，当i＝h时，ξij～Z(1,1,1)；当i≠j时，ξij～Z(aij,bij,cij)，
同理，可依次得到各因素下指标层针对对应因素的不确定判断矩阵B1，不确定判断矩阵B2，不确定判断矩阵B3和不确定判断矩阵B4。
S212、计算指标层权重向量
计算各层权重即为确定某层次因素相对于上一层次中某一因素的相对重要性因子。
由S211中可知不确定变量相对重要度ξij服从之字型不确定分布Z(a,b,c)：
其中，a,b,c是实数，且a＜b＜c。
已知之字型不确定变量Z(a,b,c)的逆不确定分布，即Φ(x)的反函数
因此，可以得到各线性不确定变量ξij～Z(aij,bij,cij)的逆不确定分布为
在该前提下便可计算指标权重，计算步骤如下(以计算因素层相对于目标层的相对重要性为例)：
根据不确定理论的运算法则，可知因素B1相对于目标A的相对重要性因子η1(不确定变量)的逆不确定分布为
因此，相对重要性因子η1服从不确定分布Z(ab1,bb1,cb1)。
同理可得，因素B2相对于目标A的相对重要性因子η2～Z(ab2,bb2,cb2)，因素B3相对于目标A的相对重要性因子η3～Z(ab3,bb3,cb3)，因素B4相对于目标A的相对重要性因子η4～Z(ab4,bb4,cb4)。
因此指标权重WA＝[η1,η2,η3,η4]T，其中η1～Z(ab1,bb1,cb1)，η2～Z(ab2,bb2,cb2)，η3～Z(ab3,bb3,cb3)，η4～Z(ab4,bb4,cb4)。同理，可依次得指标层Bij相对于因素Bi的相对重要性因子ηij，整理结果可得各指标集对应的权重向量如表5所示。
表5权重向量(不确定变量)
S213、确定指标层最终权重
不确定变量的期望是不确定测度下，不确定变量的平均值，也表征了一个不确定变量的大小。根据不确定理论中对期望的定义，我们可知之字型不确定变量Z(a,b,c)的期望为
因此，S212中的权重向量表5便可以简化成为表6所示，其中权重向量WA保持不变。
表6权重向量
S22、计算方案层在某一指标下各方案的权重
假设目前有5条路径C1，C2，C3，C4，C5可供选择，要从中得到行程时间可靠性最高的1条路径。
S221、基于专家经验构造判断矩阵
在获得指标层权重后，需要判断各方案相对于上一层次各指标的优先性，通常做法是将各方案针对某一指标进行两两比较，构造判断矩阵。
判断矩阵的确定需要通过咨询领域专家、技术人员等专业人员意见或依据交通管理部门和天气预测部门的路段相关数据来获得。由于专家在给出个人意见时存在主观性，带有个人偏好，存在着认知不确定性。
为了得到更准确的判断矩阵，将根据收集到的数据进行拟合，得到相对重要度的不确定分布，进一步构建不确定判断矩阵。
为了收集专家经验数据，仍延续采用专家经验问卷方法。为了确定优先度的不确定分布，设置了专家调查问卷来获得各方案两两比较的优先度及其对应的信度值，关于方案优先度的调查问卷如下所示。
以构建针对指标车道数量B11的方案层不确定判断矩阵为例(如路径C1与路径C2之间进行比较)：
Q1：你认为针对指标道路数量B11，路径C1和路径C2之间两两比较，路径C1比路径C2优先度最小应该是多大？
A1：1.6倍。(获得一个专家经验数据(1.6,0))
Q2：你认为路径C1比路径C2优先度的可能取值为多少时该事件发生的信度为0.1？
A2：1.72倍。(获得一个专家经验数据(1.72,0.1))
Q3：你认为路径C1比路径C2优先度的可能取值为多少时该事件发生的信度为0.3？
A3：2.12。(获得一个专家经验数据(2.12,0.3))
Q4：你认为路径C1比路径C2优先度的可能取值为多少时该事件发生的信度为0.5？
A4：2.3。(获得一个专家经验数据(2.3,0.5))
Q5：你认为路径C1比路径C2优先度的可能取值为多少时该事件发生的信度为0.7？
A5：2.35。(获得一个专家经验数据(2.35,0.7))
Q6：你认为路径C1比路径C2优先度的可能取值为多少时该事件发生的信度为0.9？
A6：2.43。(获得一个专家经验数据(2.43,0.9))
Q7：你认为路径C1比路径C2优先度最大应该是多大？
A7)：2.5倍。(获得一个专家经验数据(2.5,1))
Q8：你认为还有别的可能取值吗？
A8：没有了。
……
其中，优先度γij的标度方法如表7所示，信度M的标度方法保持不变。
表7优先度γij的标度方法
通过咨询专业领域内多位不同专家进行若干次以上的调查问卷，可以获得大量关于路径C1相较路径C2的优先度的专家经验数据，如表8所示。
表8优先度γ12的专家经验数据表
| γ<sub>12</sub> | 信度 |
| 1.6 | 0 |
| 1.72 | 0.1 |
| 2.12 | 0.3 |
| 2.3 | 0.5 |
| 2.35 | 0.7 |
| 2.43 | 0.9 |
| 2.5 | 1 |
| …… | …… |
根据表内的专家经验数据，将其描点，可得其散点图。为简化整体计算步骤，根据专家数据的趋势，假设γ12的不确定分布遵循之字型不确定分布，则之字型不确定变量γ12的分布函数应当遵循以下形式：
其中，a,b,c时实数且a＜b＜c。
对上述所得散点图使用最小二乘法进行拟合，可以得到参数a,b,c的值，进而可得γ12的分布函数。
即不确定变量γ12服从之字型不确定分布Z(a12,b12,c12)。与此同时可以得到路径C2相较路径C1的优先度γ12服从之字型不确定分布
以此类推，可得到各因素下指标层针对对应因素的不确定判断矩阵B11如下所示：
其中，当i＝j时，γij～Z(1,1,1)；当i≠j时，γij～Z(aij,bij,cij)，
同理，可依次得到针对因素的指标层不确定判断矩阵B12，不确定判断矩阵B3，……，不确定判断矩阵B45和不确定判断矩阵B46。
S222、计算各指标对应的方案层权重
计算各指标对应的方案层权重即为确定各方案相对于上一层次中某一指标的优先性因子。
由S221中可知不确定变量相对重要度γij服从之字型不确定分布Z(a,b,c)：
其中，a,b,c时实数且a＜b＜c。
已知之字型不确定变量Z(a,b,c)的逆不确定分布，即Φ(x)的反函数
因此，可以得到各之字型不确定变量γij～Z(aij,bij,cij)的逆不确定分布为
在该前提下便可计算方案层权重，计算步骤如下，以计算方案层相对于指标层的优先性为例：
根据不确定理论的运算法则，可知路径C1相对于指标B11的优先性
(不确定变量)的逆不确定分布为
因此，优先性因子
服从不确定分布
同理可得，路径C2相对于指标B11的优先性因子
路径C3相对于指标B11的优先性因子
路径C4相对于指标B11的优先性因子
路径C5相对于指标B11的优先性因子
因此方案层权重
其中
同理，可依次得路径Cn相对于指标Bij的相对重要性因子
整理结果可得各方案层集对应的权重向量为
其中
S223、确定各指标对应的方案层权重
不确定变量的期望是不确定测度下，不确定变量的平均值，也表征了一个不确定变量的大小。根据不确定理论中对期望的定义，可知之字型不确定变量Z(a,b,c)的期望为
因此，S222中的权重向量便可以简化成为
其中
并进行归一化处理。
S3、根据不确定性理论的运算法则，计算得到各指标下方案层针对对应指标的不确定判断矩阵的权重向量。
S31、确定各因素对应的方案层权重
根据S22所得的各指标对应的方案层权重，可以获得各因素对应的方案层权重。以道路因素B1为例，可得由6项指标车道数量B11，车道宽度B12，停车规划B13，交叉口数量B14，路段限速B15，路面病害B16对应的方案层权重构成的权重矩阵
根据S21已知B1因素层对应权重WB1＝[η11,η12,η13,η14,η15,η16]T，在此基础上可以计算得因素B1对应的方案层权重
并在最后对所得结果归一化(下式中呈现的结果为归一化后的向量)。
同理，依次可得权重向量
和
进而可得4项因素道路因素B1，自然环境因素B2，功能性设施因素B3，突发因素B4对应的方案层权重构成的权重矩阵W(2)。
S32、计算各方案综合评价得分
根据S21已知针对目标的因素层权重WA＝[η1,η2,η3,η4]T，其中η1～Z(ab1,bb1,cb1),η2～Z(ab2,bb2,cb2),η3～Z(ab3,bb3,cb3),η4～Z(ab4,bb4,cb4)。在此基础上最终可以得到各方案的综合评价得分构成的不确定得分向量W。
其中，得ηci均服从之字型不确定分布。
不确定变量的期望是不确定测度下，不确定变量的平均值，也表征了一个不确定变量的大小。而不确定变量方差表征了不确定变量关于其期望的离散程度。根据不确定理论中对期望和方差的定义，可知之字型不确定变量Z(a,b,c)的期望为
方差为
因此可以得到各条路径综合得分的期望和方差。
在此基础上选择期望最高且方差在拟定范围内的1条路径，若方差超出所给范围，则选择期望次高的路径，依次顺延可最终选择出符合期待的行程时间可靠性较高的最优路径。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种考虑认知不确定性的城市道路行程时间可靠性评价方法，其特征在于，包括：
利用层次分析法对影响道路行程时间可靠性的多个因素进行分析，从中选取主要因素作为评价指标，确定目标层、因素层、指标层和方案层，建立评价指标体系；所述方案层为可选的不同路径；所述目标层为评价的最终目标，得到不同路径的行程时间可靠性得分，选择行程时间可靠性最高的路径；所述因素层包括道路因素、自然环境因素、功能性设施因素和突发因素；所述指标层从各准则所包含的要素中选取对道路行程时间可靠性有较大影响的指标；
基于不确定性理论，逐层确定所述因素层中各因素的权重、所述指标层在某一因素下各指标的权重以及所述方案层在某一指标下各方案的权重；
将各因素下对应的所有指标分别得到的方案层中各方案的权重进行加权分析，并按照给定评分标准得到各方案中的最优方案；
所述因素层中各因素的权重确定过程为：
采用不同认知方式分别确定因素层中各因素两两之间比较的相对重要度，得到多个任意两个因素比较时所对应的因素经验数据表；每个所述因素经验数据表中包括指定两个因素间采用不同认知方式下的相对重要度和信度数据；
根据各个所述因素经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对所述散点图进行拟合，得到多个因素相对重要度分布函数；
根据各个因素相对重要度分布函数，得到因素层针对目标层的不确定判断矩阵；
根据不确定性理论的运算法则，计算因素层针对目标层的不确定判断矩阵的权重向量。
2.根据权利要求1所述的一种考虑认知不确定性的城市道路行程时间可靠性评价方法，其特征在于，所述指标层在某一因素下各指标的权重确定过程为：
采用不同认知方式分别确定指标层中某一因素下各指标两两之间比较的相对重要度和信度数据，得到某一因素下的多个任意两个指标比较时所对应的指标经验数据表；每个所述指标经验数据表中包括指定两个指标间采用不同认知方式下的相对重要度和信度数据；
根据各个所述指标经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个指标相对重要度分布函数；
根据各个所述指标相对重要度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各因素下指标层针对对应因素的不确定判断矩阵的权重向量。
3.根据权利要求2所述的一种考虑认知不确定性的城市道路行程时间可靠性评价方法，其特征在于，所述方案层在某一指标下各方案的权重确定过程为：
采用不同认知方式分别确定方案层中某一指标下各指标两两之间比较的优先度和信度数据，得到某一指标下多个任意两个方案比较时所对应的方案经验数据表；每个所述方案经验数据表中包括指定两个方案间采用不同认知方式下的优先度和信度数据；
根据各个所述方案经验数据表中不同认知方式下的相对重要度，分别得到对应的散点图，并采用最小二乘法对散点图进行拟合，得到多个方案优先度分布函数；
根据各个所述方案优先度分布函数，得到各因素下指标层针对对应因素的不确定判断矩阵；
根据不确定性理论的运算法则，计算得到各指标下方案层针对对应指标的不确定判断矩阵的权重向量。
4.根据权利要求3所述的一种考虑认知不确定性的城市道路行程时间可靠性评价方法，其特征在于，还包括：分别计算各因素下指标层针对对应因素的不确定判断矩阵的权重向量和各指标下方案层针对对应指标的不确定判断矩阵的权重向量的期望值，并对得到的期望值进行归一化处理。
5.根据权利要求1所述的一种考虑认知不确定性的城市道路行程时间可靠性评价方法，其特征在于，所述最优方案的获得过程为：
将某一因素下所有指标分别得到的方案层权重向量进行整合，得到该因素对应的方案层权重向量构成的权重矩阵；
将该因素对应的方案层权重向量构成的权重矩阵与该因素对应的指标层权重向量相乘，对结果进行归一化处理，得到各因素下方案层针对对应因素的权重向量；
将各因素下方案层针对对应因素的权重向量进行整合，得到相应的权重矩阵；
将该权重矩阵与针对目标的因素层权重向量相乘，得到各方案的综合评价得分够成的不确定得分向量；所述不确定得分向量中各元素与各方案一一对应；
计算所述不确定得分向量中各元素的期望和方差，并根据给定评分准则选择各方案中的最优方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111267907.0A CN113988634B (zh) | 2021-10-29 | 2021-10-29 | 考虑认知不确定性的城市道路行程时间可靠性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111267907.0A CN113988634B (zh) | 2021-10-29 | 2021-10-29 | 考虑认知不确定性的城市道路行程时间可靠性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113988634A CN113988634A (zh) | 2022-01-28 |
| CN113988634B true CN113988634B (zh) | 2022-10-14 |
Family
ID=79744018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111267907.0A Active CN113988634B (zh) | 2021-10-29 | 2021-10-29 | 考虑认知不确定性的城市道路行程时间可靠性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988634B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392094A (zh) * | 2014-10-17 | 2015-03-04 | 北京航空航天大学 | 一种基于浮动车数据的城市道路网络可靠性评价方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140279818A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Southern California | Game theory model for patrolling an area that accounts for dynamic uncertainty |
| CN103413015A (zh) * | 2013-04-24 | 2013-11-27 | 重庆科技学院 | 一种城市燃气管网弱性评估模型建立的方法 |
| CN111191906A (zh) * | 2019-12-25 | 2020-05-22 | 国网能源研究院有限公司 | 一种大中型企业技术标准体系化实施效益评价方法 |
| CN112488565A (zh) * | 2020-12-11 | 2021-03-12 | 湖北工业大学 | 一种基于物元可拓的海外工程项目风险评价方法 |
-
2021
- 2021-10-29 CN CN202111267907.0A patent/CN113988634B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392094A (zh) * | 2014-10-17 | 2015-03-04 | 北京航空航天大学 | 一种基于浮动车数据的城市道路网络可靠性评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 道路网行程时间可靠性基础理论与方法研究;熊志华;《中国优秀博士学位论文全文数据库工程科技Ⅱ辑》;20070315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113988634A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
| Islam et al. | Current research trends and application areas of fuzzy and hybrid methods to the risk assessment of construction projects | |
| CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
| CN104809877B (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
| CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
| Abdelkader et al. | An exponential chaotic differential evolution algorithm for optimizing bridge maintenance plans | |
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
| Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
| Al-Zwainy et al. | Forecasting the cost of structure of infrastructure projects utilizing artificial neural network model (highway projects as case study) | |
| Jurado et al. | Fuzzy inductive reasoning forecasting strategies able to cope with missing data: A smart grid application | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN111145546A (zh) | 一种城市全域交通态势分析方法 | |
| CN112529685A (zh) | 一种基于bas-fnn的贷款用户信用评级方法及系统 | |
| CN114912772A (zh) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 | |
| CN118095834A (zh) | 一种基于可解释随机森林的交通事故风险研判方法 | |
| CN113988634B (zh) | 考虑认知不确定性的城市道路行程时间可靠性评价方法 | |
| CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
| CN117421978A (zh) | 一种水电站进场公路桥梁结构安全评估方法 | |
| CN116187851A (zh) | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 | |
| CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
| Moazami et al. | Fuzzy inference and multi-criteria decision making applications in pavement rehabilitation prioritization | |
| Xu et al. | Pavement deterioration prediction model and project selection for Kentucky highways | |
| Beneš et al. | SITUATION MODEL OF THE TRANSPORT, TRANSPORT EMISSIONS AND METEOROLOGICAL CONDITIONS | |
| Rassafi et al. | Predicting urban trip generation using a fuzzy expert system | |
| Mahmood et al. | Pavement management: data centric rules and uncertainty management in section classification by a fuzzy inference 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 |