CN114446051A - 一种城市路网交通韧性薄弱识别方法 - Google Patents
一种城市路网交通韧性薄弱识别方法 Download PDFInfo
- Publication number
- CN114446051A CN114446051A CN202210009019.7A CN202210009019A CN114446051A CN 114446051 A CN114446051 A CN 114446051A CN 202210009019 A CN202210009019 A CN 202210009019A CN 114446051 A CN114446051 A CN 114446051A
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- toughness
- traffic
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011084 recovery Methods 0.000 claims abstract description 12
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 230000009193 crawling Effects 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 13
- 238000012937 correction Methods 0.000 abstract description 5
- 238000004140 cleaning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008901 benefit Effects 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
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Library & Information Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市路网韧性薄弱点识别方法,编写了对视频卡口数据清洗和筛选的程序来获取路网对应的交通指标,同时运用网络爬虫通过高德地图的API接口爬取区域路网的运行速度和路段的基础信息;通过构建路网退化‑恢复模型可以有效模拟路网性能的退化和恢复的情形;提出一种基于干扰情形下对路网韧性量化评估的方法,结合路网效率与速度提出一种韧性指标能够有效衡量路网的判别路段的恢复情况,通过I_raw法对各个路段的重要度进行评估;提出基于客流修正的韧性评估模型,可以有效地衡量路段在不受干扰下段与整体路网的关联性和在整体路网中的重要程度;综合两个模型所得出的数据,可以对路段的重要度进行排序,从而识别城市路网的韧性薄弱点。
Description
技术领域
本发明属于城市交通网络韧性研究领域,具体涉及一种城市路网交通韧性薄弱识别方法。
背景技术
城市交通拥堵问题日益严重。城市交通拥堵经常发生在一些特定的道路、地点或区域。这些点段往往对周边路段或区域路网的影响较大,是区域路网产生拥堵的重要原因之一,而城市多模式交通系统的协同机理和耦合特性日趋复杂,使得城市交通网络在外部冲击和扰动下呈现出相当的脆弱性。这些突发事件往往造成交通系统运行延误甚至局部中断,系统承载力和运输能力急剧下降。
近年来,“韧性”概念及其相关指标被广泛应用于城市应急管控和交通网络优化设计中,旨在研究系统抵抗、吸收和适应外界干扰并恢复正常功能的能力。相对于可靠性与脆弱性,韧性可以更全面描述扰动事件下的路网性能。相对于可靠性与脆弱性,韧性可以更全面描述扰动事件下的路网性能。
发明内容
本发明的目的在于解决现有的道路交通网络存在薄弱点但无法有效识别的方法未将受干扰和不受干扰下路网情况综合考虑的一个评价测度,导致路网薄弱点识别不精确的问题。本发明基于以往数据对路段重要度进行排序,实现路网薄弱点识别。该方案可以有效量化分析城市交通系统的抵抗外界干扰并恢复正常功能的能力。本发明将通过韧性评估原理及方法,选取适当的韧性评价指标形成韧性评价指标体系从而来实现评估城市路网韧性,同时关键路段通行能力的大小是决定城市道路交通系统是否能够高效运转的重要因素之一。对于关键路段的识别,也为居民日常出行、交通规划等提供了不可或缺的决策支撑,对缓解交通压力具有很重要的意义。
为解决上述问题,本发明提供以下技术方案:
一种城市路网交通韧性薄弱识别方法,具体操作步骤如下:
1)通过视频卡口数据清洗和筛选的程序,来获取研究区域路网的各个路段的日交通量和高峰小时;
2)运用网络爬虫通过高德地图的API接口,爬取该区域路网的运行速度和路段的基础信息;
3)分别构建干扰与不受干扰两种情形下的韧性评估模型;
4)采用韧性增加值方法对路段重要度进行排序,其中重要度越高的路段韧性越薄弱,以完成路网的薄弱点识别。
进一步地,所述步骤1)中,具体包括以下步骤:
11)在初次提取某市一月的卡口数据后,选择其中的两周数据进行筛选处理。首先通过获取的数据确定所研究的路网范围,经过处理整合,获取该路网的各个路段的日交通量。经过转换和一部分计算,从而获得该路网的高峰小时。
12)数据预处理:
121)本发明所处理的数据有如下特点:
1211)数据量大:所拥有的卡口数据和车辆GPS数据总共有234G;
1212)有准确的地理位置:卡口数据有卡口编码,车辆数据有GPS定位;
1213)数据格式不一:由于这两类数据格式差异较大,需要进行格式调制;
122)通过确定路网,来确认所需要的卡口数据(即确认卡口编码),从而对总体数据进行筛选;而路网的确定可以采用某一日的数据,归类其中的卡口编码,对其进行可视化,选择卡口密集处搭建路网。
123)在将路段网络拓扑化之前,需要选择合适的区域进行搭建,本发明应用ARCGIS软件对卡口数据可视化展示,确定重点研究区域,具体步骤如下:
1231)打开Arcmap,选择新建地图,添加Basemap:中国地图彩色英文版;随后添加数据(如果找不到所需要的数据,则需要数据所在的文件需要进行关联)。
1232)选择合适的数据条作为坐标系的XY轴,展示到整个地图上。
1233)若显示的地理位置与实际有偏差,因此首先调整图层的坐标系:将其从WGS84转换到Beijing1954,发现仍然还有一些差异,采用编辑器中的平移功能将点位数据平移到同一位置(其中需要选择合适的点位作为参照点)。
124)数据筛选:由于所处理的数据量大,并且分布以txt的格式,在本次数据筛选中我们选择先将同日的所有卡口交通数据合并到一个txt中,再应用python将属于我们构建的小路网的数据条导入新建的EXCEL表格中。再对EXCEL中的数据进行进一步处理分析,具体步骤如下:
1241)将txt文件合并:首先将需要合并的多个车辆运行数据的txt文件复制到同一文件夹下;需要注意按照时间分类,命名方式采用日期,注意按文件名称顺序调整好顺序。在电脑的搜索框里输入“cmd”命令,进入命令行窗口。在命令行窗口中,输入CD+需要合并的txt文件的目录,从而进入txt所在的文件夹位置。确认目录正确后,输入“type*.txt>>C:\1\1.txt”,该命令可以将把当前目录下的所有txt文件的内容输出到C:\1\1.txt。
1242)筛选txt数据:选用pandas和codecs这两最常用的包,首先将合并后的txt的路径设置;然后调整txt内的数据格式,在运行如果出现格式报错,在codecs.open中添加'ignore'。随后导入EXCEL(所选择的节点编码),并将txt里的数据格式转变为utf-8,且逐一进行处理。最终本章获得14日对应路网的卡口数据,完成数据的筛选
进一步地:所述步骤2)中运用网络爬虫通过高德地图的API接口爬取区域路网的运行速度和路段的基础信息,具体步骤如下:
21)采用高德地图API提供的交通态势接口提供的反馈信息;
22)利用python进行读取和区域网络划分,最终得到交通系统的各个路段的信息;
23)各个路段的速度是由高德地图提供的API端口,利用其可以有效的反馈该路网系统内的路段车辆行驶速度以及路段的堵塞状况,获取的数据是路段的经度坐标、地址名、路段编号、路段通行速度和路段的纬度坐标;
24)通过Python的Urllib,抓取URL内容,temp=urllib.request.urlopen(uri)temp=json.loads(temp.read()),从而获取深圳市福田区该路段的路段信息;
25)同时将返回的JSON类型数据通过代码解析转化的方式将其存入CSV文件中,通过Python split指定分隔符对字符串进行切片,设置循环依次对每个数据进行处理;将处理好的数据放入DataFrame()最后以Excel形式导出。
进一步地:所述步骤3)中干扰情形下包括以下步骤:
31)一种评价干扰下交通系统平均累计性能的韧性指标,系统在时刻t的韧性为:
整个路网的韧性为斜线区域(下方)的面积S1与整个阴影区域(包含斜线区域)的面积S2的比值;由于时间是离散的,实际公式如下:
式中R(t)表示系统在t时刻的韧性;F0(τ)表示τ时刻期望系统达到的性能,一般满足F0(t)=F(t0)。t0表示干扰发生前的任一个初始时刻,te表示干扰开始时刻,tr表示交通系统性能恢复到最佳的时刻;F(t0)表示t0时刻交通系统的性能,F(τ)表示τ时刻交通系统的性能。
32)将交通道路网络当作拓扑网络即:G=(N,A),其中N为该网络节点,A为该网络的路段集合。W为OD对集合。干扰发生后,对受影响的路段采取修复行为,假设路段通行能力恢复满足如下函数条件关系:
式中:Va(t)为在修复过程中路段a恢复的通行能力,Va表示干扰发生前路段a的通行能力;λa,αa,γa分别表示路段a的退化速度参数、吸收能力参数和恢复速率参数。此类数值可根据干扰类型和强度差异性,并结合历史数据与实地情况来合理确定。λa与路段性能退化速度正相关;αa与路段吸收干扰能力正相关,与性能退化程度负相关;γa与路段性能恢复速度正相关。,td为交通系统性能退化到最低程度的时刻。
33)本次研究中ca(t)是代表了该路段的通行时间,可采用BPR函数来实现,一般函数可描述为:
其中ca(t)表示路段α在时刻t时的路段通行时间,ca,f代表了路段α上的自由通行时间,va(t)为路段a在时刻t时的流量,n1,n2为待定参数,一般取1,4,但由于此系数是根据美国的道路交通状况所定,因此可能不符合我国的道路实际情况,本发明选择系数确定为0.15,3。
34)采用路网效率作为韧性评判指标。但由于在干扰的情况下,交通流往往呈现拥堵状态,两个区域间的车辆的流量显著下降,是无法确定是拥堵加剧还是需求下降的状态,因此添加平均速度作为考量因素,可以有效衡量路网效率,其中平均速度为常量,各个路段的平均速度不同。本次干扰下的韧性指标公式如下:
Fw(t):干扰情形下t时刻路段w的路网效率;
fw(t):t时刻路段w的流量;
cw(t):t时刻路段w的路段阻抗,采用BPR函数;
Sw(t):t时刻车辆在路段w所有行程总距离;
Tw(t):t时刻车辆在路段w所有行程总时间;
F0(τ)=max{Fw(t),0≤t≤tr}。
进一步地:所述步骤3)中不受干扰情形下,具体包括以下步骤:
41)通过计算道路网络系统中任意两个道路节点(j,k)的最短路径数量,若在这些最短路径中,有很多条最短路径都经过了某个特定道路节点v:
其中CB(v)是特定节点v的介数中心性,σst是节点j到节点k的最短路径数量,σ'jk(v)是节点j到节点k的经过特定节点v的最短路径数量,V是路网节点集合。
42)本次无干扰下的韧性评估模型采用介数中心性来处理,可以很好的判别这个节点所在路段与整体路网的关联性和在整体路网中的重要程度。考虑到路段流量会影响车辆的行驶,因此本文选取基于客流修正的介数中心性模型进行修正:
其中Ci表示道路节点i的介数中心性,Fi表示道路节点i的集散量,F表示道路节点的平均集散量,N表示道路节点总数,njk表示道路节点j与道路节点k之间最短路径的数量,njk(i)表示道路节点j与道路节点k之间包含了道路节点i的最短路径的数量。
进一步地:由于韧性是系统的韧性,由于本次设计的目的是完成路网的薄弱点识别,需要路段的恢复性进行识别排序,因此本文采用韧性增加值方法对路段进行判断排序。
IRAW,a(t)代表了t时刻路段的重要程度,R(t|Va(t)=Va)代表了路段中断导致路网性能下降后导致的路网指标数值(分别假定各个路段不受干扰的情况下,由式(1)计算得到),R(t)代表t时刻完整的路网系统的韧性。
有益效果:本发明相对于现有技术而言,解决了现有的道路交通网络存在薄弱点但无法有效识别的方法未将受干扰和不受干扰下路网情况综合考虑的一个评价测度,导致路网薄弱点识别不精确的问题。为城市轨道运输系统中关键站点的识别与资源优先配置等决策提供依据。
附图说明
图1为路段重要度(IRAW)效果图;
图2为本发明的计算流程图。
具体实施方式
下面结合实施例以及附图对本发明进行进一步地说明。
在一个实施例中,如图2所示,提供了一种城市路网交通韧性薄弱识别方法,体步骤如下:
1)获取研究区域路网的各个路段的日交通量和高峰小时;
2)运用网络爬虫通过高德地图的API接口,爬取该区域路网的运行速度和路段的基础信息;
3)分别构建干扰与不受干扰两种情形下的韧性评估模型;
4)采用韧性增加值方法对路段重要度进行排序,其中重要度越高的路段韧性越薄弱,以完成路网的薄弱点识别。
在一个实施例中,在初次提取某市一月的卡口数据后,选择其中的两周数据进行筛选处理。首先通过获取的数据确定所研究的路网范围,经过处理整合,获取该路网的各个路段的日交通量。经过转换和一部分计算,从而获得该路网的高峰小时。
12)数据预处理:
121)本发明所处理的数据有如下特点:
1211)数据量大:所拥有的卡口数据和车辆GPS数据总共有234G;
1212)有准确的地理位置:卡口数据有卡口编码,车辆数据有GPS定位;
1213)数据格式不一:由于这两类数据格式差异较大,需要进行格式调制;
122)通过确定路网,来确认所需要的卡口数据(即确认卡口编码),从而对总体数据进行筛选;而路网的确定可以采用某一日的数据,归类其中的卡口编码,对其进行可视化,选择卡口密集处搭建路网。
123)在将路段网络拓扑化之前,需要选择合适的区域进行搭建,本发明应用ARCGIS软件对卡口数据可视化展示,确定重点研究区域,具体步骤如下:
1231)打开Arcmap,选择新建地图,添加Basemap:中国地图彩色英文版;随后添加数据(如果找不到所需要的数据,则需要数据所在的文件需要进行关联)。
1232)选择合适的数据条作为坐标系的XY轴,展示到整个地图上。
1233)若显示的地理位置与实际有偏差,因此首先调整图层的坐标系:将其从WGS84转换到Beijing1954,发现仍然还有一些差异,采用编辑器中的平移功能将点位数据平移到同一位置(其中需要选择合适的点位作为参照点)。
124)数据筛选:由于所处理的数据量大,并且分布以txt的格式,在本次数据筛选中我们选择先将同日的所有卡口交通数据合并到一个txt中,再应用python将属于我们构建的小路网的数据条导入新建的EXCEL表格中。再对EXCEL中的数据进行进一步处理分析,具体步骤如下:
1241)将txt文件合并:首先将需要合并的多个车辆运行数据的txt文件复制到同一文件夹下;需要注意按照时间分类,命名方式采用日期,注意按文件名称顺序调整好顺序。在电脑的搜索框里输入“cmd”命令,进入命令行窗口。在命令行窗口中,输入CD+需要合并的txt文件的目录,从而进入txt所在的文件夹位置。确认目录正确后,输入“type*.txt>>C:\1\1.txt”,该命令可以将把当前目录下的所有txt文件的内容输出到C:\1\1.txt。
1242)筛选txt数据:选用pandas和codecs这两最常用的包,首先将合并后的txt的路径设置;然后调整txt内的数据格式,在运行如果出现格式报错,在codecs.open中添加′ignore′。随后导入EXCEL(所选择的节点编码),并将txt里的数据格式转变为utf-8,斌且逐一进行处理。最终本章获得14日对应路网的卡口数据,完成数据的筛选。
在一个实施例中,运用网络爬虫通过高德地图的API接口爬取区域路网的运行速度和路段的基础信息,具体步骤如下:
21采用高德地图API提供的交通态势接口提供的反馈信息;
22利用python进行读取和区域网络划分,最终得到交通系统的各个路段的信息;
23各个路段的速度是由高德地图提供的API端口,利用其可以有效的反馈该路网系统内的路段车辆行驶速度以及路段的堵塞状况,获取的数据是路段的经度坐标、地址名、路段编号、路段通行速度和路段的纬度坐标;
24通过Python的Urllib,抓取URL内容,temp=urllib.request.urlopen(uri)temp=json.loads(temp.read()),从而获取深圳市福田区该路段的路段信息;
25同时将返回的JSON类型数据通过代码解析转化的方式将其存入CSV文件中,通过Python split指定分隔符对字符串进行切片,设置循环依次对每个数据进行处理;将处理好的数据放入DataFrame()最后以Excel形式导出。
在一个实施例中,在干扰情形下对路网韧性进行量化评估,具体包括以下步骤:
31)一种评价干扰下交通系统平均累计性能的韧性指标,系统在时刻t的韧性为:
整个路网的韧性为斜线区域(下方)的面积S1与整个阴影区域(包含斜线区域)的面积S2的比值;由于时间是离散的,实际公式如下:
式中R(t)表示系统在t时刻的韧性;F0(t)表示t时刻期望系统达到的性能,一般满足F0(t)=F(t0)。
32)将交通道路网络当作拓扑网络即:G=(N,A),其中N为该网络节点,A为该网络的路段集合。W为OD对集合。干扰发生后,对受影响的路段采取修复行为,参考文献[2],假设路段通行能力恢复满足如下函数条件关系:
式中:Va表示干扰前路段a的通行能力;λa,αa,γa分别表示路段a的退化速度参数、吸收能力参数和恢复速率参数。此类数值可根据干扰类型和强度差异性,并结合历史数据与实地情况来合理确定。λa与路段性能退化速度正相关;αa与路段吸收干扰能力正相关,与性能退化程度负相关;γa与路段性能恢复速度正相关。
33)本次研究中ca(t)是代表了该路段的通行时间,可采用BPR函数来实现,一般函数可描述为:
其中ca(t)表示路段a在时刻t时的路段通行时间,ca,f代表了路段a上的自由通行时间,va(t)为路段流量,Va(t)即为在恢复过程中的路段恢复的通行能力,n1,n2为待定参数,一般取1,4,但由于此系数是根据美国的道路交通状况所定,因此可能不符合我国的道路实际情况,本节选择系数确定为0.15,3。
34)采用路网效率作为韧性评判指标。但由于在干扰的情况下,交通流往往呈现拥堵状态,两个区域间的车辆的流量显著下降,是无法确定是拥堵加剧还是需求下降的状态,因此添加平均速度作为考量因素,可以有效衡量路网效率,其中平均速度为常量,各个路段的平均速度不同。本次干扰下的韧性指标公式如下:
Fw(t):扰动后时刻t的路段w的路网效率;
fw(t):时刻t路段w的流量;
cw(t):路段阻抗,采用BPR函数;
Sw(t):时刻t出租车在路段w所有行程总距离;
Tw(t):时刻t出租车在路段w所有行程总时间;
F0(ε):Max(Fw(t))0≤t≤tr。
计算获得各个时刻路网系统的韧性值如表1所示:
表1
编码 | D1 | D2 | D3 | D4 | D5 | D6 | D7 |
1 | 10845.8 | 667.6 | 37.0 | 2.7 | 55730.0 | 64532.3 | 69631.6 |
2 | 9543.3 | 667.7 | 16.6 | 3.0 | 25309.7 | 26182.2 | 30323.8 |
3 | 19418.6 | 12561.7 | 7346.8 | 5306.4 | 10216.0 | 14634.1 | 17476.5 |
4 | 10724.2 | 698.1 | 22.2 | 1.6 | 29289.7 | 37719.8 | 41481.4 |
5 | 9196.3 | 485.4 | 18.7 | 2.3 | 23340.0 | 31597.0 | 35675.1 |
6 | 22230.9 | 5245.0 | 711.2 | 107.2 | 28830.8 | 23969.6 | 27821.3 |
7 | 15217.4 | 5735.2 | 2124.6 | 498.2 | 8411.4 | 7003.8 | 8020.6 |
8 | 18375.4 | 2448.7 | 292.4 | 50.3 | 42273.6 | 45220.4 | 47171.5 |
9 | 52222.2 | 32118.7 | 19161.2 | 7545.4 | 19822.1 | 36762.1 | 45369.8 |
10 | 5830.7 | 141.1 | 4.8 | 0.1 | 23874.3 | 40060.0 | 48006.2 |
11 | 7579.2 | 188.0 | 5.3 | 0.2 | 25818.6 | 35323.3 | 37601.5 |
在一个实施例中,不受干扰情形下对路网韧性进行量化评估具体包括以下步骤:
41)通过计算道路网络系统中任意两个节点(j,k)的最短路径数量,若在这些最短路径中,有很多条最短路径都经过了某个特定节点v:
42)本次无干扰下的韧性评估模型采用介数中心性来处理,可以很好的判别这个节点所在路段与整体路网的关联性和在整体路网中的重要程度。考虑到路段流量会影响车辆的行驶,因此本文选取基于客流修正的介数中心性模型进行修正:
Ci:为道路节点i的介数中心性;
Fi:为道路节点i的集散量;
F:为各道路节点的平均集散量;
N:为道路节点总数;
njk:为道路节点j与道路节点k之间最短路径的数量;
njk(i):为道路节点j与道路节点k之间包含了节点的最短路径的数量。
按照此模型计算可获得各个韧性值变化如表2所示:
表2
编号 | 流量 | n<sub>i</sub>/n<sub>jk</sub> | 重要度 |
1 | 19418 | 13 | 0.266621 |
2 | 20561 | 9.5 | 0.206307 |
3 | 20669 | 14 | 0.305637 |
4 | 21651 | 15 | 0.343022 |
5 | 21993 | 14.5 | 0.336829 |
6 | 11289 | 12.5 | 0.149045 |
7 | 5792 | 13 | 0.079533 |
8 | 21642 | 15 | 0.342881 |
9 | 21915 | 12 | 0.277766 |
10 | 22227 | 16.5 | 0.387363 |
11 | 18664 | 7 | 0.137993 |
在一个实施例中,由于韧性是系统的韧性,由于本次设计的目的是完成路网的薄弱点识别,需要路段的恢复性进行识别排序,因此本文采用韧性增加值方法对路段进行判断排序。
IRAW,a(t)代表了路段的重要程度,R(t|Va(t)=Va)代表了路段中断导致路网性能下降后导致的路网指标数值,R(t)代表完整的路网系统的韧性(如图1所示)。
本发明应用真实卡口数据,依托已构建的路网韧性评估模型,对路网进行韧性评估。本案例表明,本发明提出的韧性模型可以较为全面的描述:在受到干扰的情形下,路网性能退化与回复的全过程,更加符合韧性的本质:受到干扰而恢复;两种指标均能有效识别路段重要程度。此外,路段重要度存在时间存依性,即重要度会随时间动态变化。本发明的结论可为后续提升路网韧性提供决策上的支持。
应当指出,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也在本申请权利要求的保护范围内。
Claims (9)
1.一种城市路网交通韧性薄弱识别方法,其特征在于:具体步骤如下:
1)获取研究区域路网的各个路段的日交通量和高峰小时;
2)运用网络爬虫通过高德地图的API接口,爬取该区域路网的运行速度和路段的基础信息;
3)分别构建干扰与不受干扰两种情形下的韧性评估模型;
4)采用韧性增加值方法对路段重要度进行排序,其中重要度越高的路段韧性越薄弱,以完成路网的薄弱点识别。
2.根据权利要求1所述的城市路网交通韧性薄弱识别方法,其特征在于:所述步骤1)中基于研究区域的卡口数据,获取该区域路网的各个路段的日交通量和高峰小时。
3.根据权利要求1所述的城市路网交通韧性薄弱识别方法,其特征在于:所述步骤2)中运用网络爬虫通过高德地图的API接口,爬取研究区域路网的运行速度和各路段的基础信息。
4.根据权利要求1所述的城市路网交通韧性薄弱识别方法,其特征在于:路段的基础信息包括路段的经度坐标、地址名、路段编号、路段通行速度和路段的纬度坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009019.7A CN114446051A (zh) | 2022-01-06 | 2022-01-06 | 一种城市路网交通韧性薄弱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210009019.7A CN114446051A (zh) | 2022-01-06 | 2022-01-06 | 一种城市路网交通韧性薄弱识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114446051A true CN114446051A (zh) | 2022-05-06 |
Family
ID=81366687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210009019.7A Pending CN114446051A (zh) | 2022-01-06 | 2022-01-06 | 一种城市路网交通韧性薄弱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446051A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311858A (zh) * | 2022-08-08 | 2022-11-08 | 长安大学 | 基于交通流韧性的城市路段分级管制方法 |
CN115359663A (zh) * | 2022-10-21 | 2022-11-18 | 四川省公路规划勘察设计研究院有限公司 | 山区公路灾害路段抗灾韧性计算方法、装置以及电子设备 |
CN115620513A (zh) * | 2022-09-20 | 2023-01-17 | 东南大学 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
CN115660282A (zh) * | 2022-10-28 | 2023-01-31 | 北京交通大学 | 面向乘客出行服务的轨道交通路网韧性评估方法及系统 |
CN116307260A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种面向缺陷路段扰动的城市路网韧性优化方法及系统 |
CN116343487A (zh) * | 2023-05-19 | 2023-06-27 | 武汉理工大学 | 兼顾全局效率与局部错位的城市交通路网韧性评估方法 |
CN117292547A (zh) * | 2023-10-27 | 2023-12-26 | 重庆交通大学 | 一种大型活动多级影响区路网连通性评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599180A (zh) * | 2020-06-02 | 2020-08-28 | 悉地(苏州)勘察设计顾问有限公司 | 城市公交线路韧性评估方法及系统 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
CN113887895A (zh) * | 2021-09-17 | 2022-01-04 | 同济大学 | 一种韧性城市智能规划系统、方法和存储介质 |
-
2022
- 2022-01-06 CN CN202210009019.7A patent/CN114446051A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599180A (zh) * | 2020-06-02 | 2020-08-28 | 悉地(苏州)勘察设计顾问有限公司 | 城市公交线路韧性评估方法及系统 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
CN113887895A (zh) * | 2021-09-17 | 2022-01-04 | 同济大学 | 一种韧性城市智能规划系统、方法和存储介质 |
Non-Patent Citations (2)
Title |
---|
吕彪 等: "道路交通系统韧性及路段重要度评估", 《交通运输系统工程与信息》 * |
杜佳昕等: "基于加权流量介数中心性的路网脆弱性分析——以无锡市为例", 《浙江大学学报(理科版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311858A (zh) * | 2022-08-08 | 2022-11-08 | 长安大学 | 基于交通流韧性的城市路段分级管制方法 |
CN115620513A (zh) * | 2022-09-20 | 2023-01-17 | 东南大学 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
CN115620513B (zh) * | 2022-09-20 | 2023-10-03 | 东南大学 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
CN115359663A (zh) * | 2022-10-21 | 2022-11-18 | 四川省公路规划勘察设计研究院有限公司 | 山区公路灾害路段抗灾韧性计算方法、装置以及电子设备 |
CN115359663B (zh) * | 2022-10-21 | 2023-03-14 | 四川省公路规划勘察设计研究院有限公司 | 山区公路灾害路段抗灾韧性计算方法、装置以及电子设备 |
CN115660282A (zh) * | 2022-10-28 | 2023-01-31 | 北京交通大学 | 面向乘客出行服务的轨道交通路网韧性评估方法及系统 |
CN116307260A (zh) * | 2023-05-11 | 2023-06-23 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种面向缺陷路段扰动的城市路网韧性优化方法及系统 |
CN116307260B (zh) * | 2023-05-11 | 2023-08-08 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种面向缺陷路段扰动的城市路网韧性优化方法及系统 |
CN116343487A (zh) * | 2023-05-19 | 2023-06-27 | 武汉理工大学 | 兼顾全局效率与局部错位的城市交通路网韧性评估方法 |
CN117292547A (zh) * | 2023-10-27 | 2023-12-26 | 重庆交通大学 | 一种大型活动多级影响区路网连通性评价方法 |
CN117292547B (zh) * | 2023-10-27 | 2024-05-07 | 重庆交通大学 | 一种大型活动多级影响区路网连通性评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114446051A (zh) | 一种城市路网交通韧性薄弱识别方法 | |
US10878328B2 (en) | Method and system for analyzing driver behaviour based on telematics data | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
An et al. | How the built environment promotes public transportation in Wuhan: A multiscale geographically weighted regression analysis | |
CN115440032B (zh) | 一种长短期公共交通流量预测方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN103942312B (zh) | 公交换乘线路规划方法和装置 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Miler et al. | Extracting accurate location information from a highly inaccurate traffic accident dataset: A methodology based on a string matching technique | |
CN109118769A (zh) | 一种基于交通监测数据的路段自由流速度挖掘方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
Karimzadeh et al. | Optimal clustering of pavement segments using K-prototype algorithm in a high-dimensional mixed feature space | |
CN115496316A (zh) | 一种基于多源数据的公交线路客流动态分配方法 | |
CN113159457A (zh) | 一种智能路径规划的方法、系统及电子设备 | |
CN112699955A (zh) | 一种用户分类方法、装置、设备及存储介质 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
Zhu et al. | Validating rail transit assignment models with cluster analysis and automatic fare collection data | |
CN112598338B (zh) | 路径选择模型的构建方法及客流分配方法 | |
CN115331428A (zh) | 一种基于规则库的交通信号优化方法 | |
CN112785044B (zh) | 公共交通工具的实时满载率预测方法、装置、设备和介质 | |
CN113962599A (zh) | 一种城市轨道交通网络化运营管理方法及系统 | |
CN111754019A (zh) | 一种基于时空图信息最大化模型的路段特征表示学习算法 | |
CN111882475B (zh) | 一种城市轨道交通站点的出行模式可视化分析方法 | |
CN113538920B (zh) | 目标行驶路线的确定方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220506 |
|
RJ01 | Rejection of invention patent application after publication |