CN114648433A - 一种基于量子游走的网约车流量多尺度特征解析方法 - Google Patents
一种基于量子游走的网约车流量多尺度特征解析方法 Download PDFInfo
- Publication number
- CN114648433A CN114648433A CN202210276630.6A CN202210276630A CN114648433A CN 114648433 A CN114648433 A CN 114648433A CN 202210276630 A CN202210276630 A CN 202210276630A CN 114648433 A CN114648433 A CN 114648433A
- Authority
- CN
- China
- Prior art keywords
- scale
- probability
- network
- flow
- traffic
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000005012 migration Effects 0.000 title claims description 10
- 238000013508 migration Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000003696 structure analysis method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000000717 retained effect Effects 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
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于量子游走的网约车流量多尺度特征解析方法，首先，运用量子游走模拟网约车在城市空间中的动态演化过程，据此生成网约车出现在不同位置上的随时间演化的多尺度概率模式；其次，根据网约车流量的时空异质性来筛选上述多尺度概率模式；以观测的网约车流量作为边界条件，基于逐步回归筛选出不同位置上的网约车出现的多尺度概率模式；最后，构建多尺度概率模式与网约车流量间的映射转化机制，从而实现网约车流量的多尺度特征解析。本发明能准确解析网约车流量的多尺度特征，有助于挖掘城市交通流中隐含的时空分布格局和结构，对交通管理乃至城市规划具有重要意义。
Description
技术领域
本发明属于交通地理和量子力学的交叉领域，具体涉及一种基于量子游走的网约车流量多尺度特征解析方法。
背景技术
交通系统，尤其是城市交通系统，是一个复杂的时变非线性系统。实际上，由轨迹聚合形成的城市交通流量变化具有复杂的多尺度时空特征。目前，城市交通流量特征分析是建设智能交通系统的关键措施之一。此外，车辆在运行过程中产生的各种数据，如轨迹、交通流量以及速度、密度等，都是衡量城市交通流时空特征潜在规律的指标。因此，准确挖掘的城市交通流量的多尺度特征有助于挖掘城市交通流种隐含的时空分布格局和结构，对交通管理乃至城市规划具有重要意义。
目前，城市交通流量模拟与多尺度特征解析的方法可分为两类：基于时间序列的方法和基于区域单元的方法。基于时间序列的方法是一种典型的交通量特征分析和结构重构方法，通常将交通流量、速度和密度等变量组织成时间序列，并根据其包含的信息进一步从这些时间序列中提取隐含的多尺度特征。典型的，基于时间序列的多尺度结构分析方法有时间序列分析、经验模式分解(EMD)、小波分析、多尺度熵、分形谱分析、主成分分析(PCA)、张量方法以及上述方法的组合方法等。一般来说，上述方法认为了交通流量是由不同尺度的多个分量的叠加聚合而成，从而进行交通流量的成分模拟和多尺度特性分析。基于时间序列的多尺度结构分析方法具有善于挖掘交通流隐含的多尺度结构，捕捉交通流量突变的优点。但此类方法是完全基于聚合的交通流时间序列的数据驱动的方法，很少考虑车辆空间分布的动态性对交通量的影响。因此，此类方法的分析结果可能具有伪尺度特征或“尺度混合”现象，进而导致对城市交通流多尺度结构的理解和认识与现实存在偏差。
第二类是基于区域单元的多尺度结构分析方法。该方法基于出行区域的视角来研究交通系统与城市空间的交互机制，分析城市空间对个体行为的空间约束，从而解析城市交通空间结构的差异性和多元性。例如，Louail等基于手机获取的用户位置数据，使用二阶矩阵提取出行网络的粗粒度特征，研究了住宅区与工作区之间的出行量与城市规模的关系。Lee等使用92个城市的出行路线数据﹐研究了城市街道结构与其功能使用之间的相互作用。此外，部分学者还探究了多空间尺度的交通设施网络的发展过程、演化模式与规律。通常，基于区域单元的多尺度结构分析方法常用于探索交通系统、交通出行模式和城市空间结构的空间格局和特征。然而，这些方法大多是宏观静态方法，侧重于交通流量与城市空间结构间的相关分析。事实上，城市交通流的动态性，尤其是网约车交通流，使得由车辆行驶轨迹聚合得到的交通流量具有显著的时空异质性，这对有效的城市交通流特征分析提出了挑战。也就是说，基于区域单元的方法很少考虑城市交通流在连续时间和空间上的动态演化过程，进而对由此演化形成的多尺度结构考虑不足。因此，基于区域单元的方法无法直观地探索动态的城市交通流的多尺度特征。
发明内容
发明目的：提出了一种基于量子游走的网约车流量多尺度特征解析方法，有助于加深对城市交通流的多尺度演化特征及其空间格局的理解与认识。
技术方案：本发明旨在一种基于量子游走的网约车流量多尺度特征解析方法，具体包括以下步骤：
(1)运用量子游走模拟网约车在城市空间中的动态演化过程，生成网约车出现在不同位置上的随时间演化的多尺度概率模式；
(2)根据网约车流量的时空异质性来筛选步骤(1)所述的多尺度概率模式：以观测的网约车流量作为边界约束条件，基于逐步回归筛选出不同位置上的网约车出现的多尺度概率模式；
(3)构建多尺度概率模式与网约车流量间的映射转化机制，实现网约车流量的多尺度特征解析。
进一步地，所述步骤(1)实现过程如下：
在量子游走中，游走者在t时刻的状态为：
ψ(δkt)＝U(δkt)ψ(0) (1)
其中，ψ(0)是游走者的初始状态，δk为尺度因子，表征网约车交通流的演化模式，
是时间演化算子，哈密顿量H控制着量子游走的动态演化；在固定尺度因子δk的情况下，计算出复数状态向量ψ(δkt)，共有I项，I为子区域数目，对于第i项ψi(δkt)，其平方表示在时刻t车辆出现在子区域Ni的概率，并将其记为Modei(δkt)＝|ψi(δkt)|2；将所有子区域的概率模式进行汇总，得到以下概率模式：
Mode(δkt)＝(Mode1(δkt),Mode2(δkt),…,ModeI(δkt)) (2)
且∑Mode(δkt)＝1；此外，根据参数集
不断调整尺度因子，生成各子区域所有的概率模式
对于固定的尺度因子δk，第k行表示量子游走在各子区域上生成的概率模式，第I列表示通过调整尺度因子
在子区域Ni上生成的所有概率模式。
进一步地，所述步骤(2)实现过程如下：
在多元线性模型中不断引入和删除变量构建最优的回归模型，并基于特定的准则和显著性检验决定变量是否保留；基于各子区域的网约车流量
和概率模式
进行逐步回归概率模式筛选；假设各子区域均筛选S个显著的概率模式，则筛选得到的概率模式为：
称这些概率模式为网约车流量的多尺度概率模式，并将其表示为：
基于上述多尺度概率模式，子区域Ni上的交通流量能够表示为：
因此，各子区域的网约车流量模拟为：
其中，
为模拟的网约车流量，
为概率模式到网约车流量的映射参数，反映了概率模式在对应子区域网约车流量的影响程度，
为残差项。
进一步地，所述步骤(3)实现过程如下：
对映射参数
进行降序排列，并按照相同的顺序重新排列与映射参数对应的概率模式
并将其称为第一/…/四尺度概率模式；结合不同子区域网约车流量的时空异质性，实现网约车流量多尺度概率模式系数的特征分析。
有益效果：与现有技术相比，本发明的有益效果：本发明考虑了城市交通流动态演化导致的网约车交通流量的时空异质性，实现对网约车流量复杂波动的重构与反演能力，揭示了多尺度概率模式影响程度的空间分布格局，验证了城市空间分区结构对交通流的影响；本发明有助于加深对城市交通流的多尺度演化特征及其空间格局的理解与认识。
附图说明
图1为本发明的流程图；
图2为研究区域与区块划分；
图3为多尺度概率模式的影响程度空间分布图；其中(a)～(d)分别为第一、第二、第三和第四尺度概率模式影响程度的空间分布图；
图4为多尺度概率模式的影响程度占比及其标准差分布；
图5为多尺度概率模式下城市交通流的空间格局。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示，本发明提出一种基于量子游走的网约车流量多尺度特征解析方法，首先，运用量子游走模拟网约车在城市空间中的动态演化过程，据此生成网约车出现在不同位置上的随时间演化的多尺度概率模式；其次，根据网约车流量的时空异质性来筛选上述多尺度概率模式；以观测的网约车流量作为边界条件，基于逐步回归筛选出不同位置上的网约车出现的多尺度概率模式；然后，构建多尺度概率模式与网约车流量间的映射转化机制，从而实现网约车流量的多尺度特征解析；最后，以成都市东北部区域的网约车流量作为实验数据，验证了本发明的适用性与可行性，具体包括以下步骤。
步骤1：生成多尺度概率模式。
量子游走是经典随机游走的拓展，是一种典型的不确定性建模工具。在观测之前，车辆可以同时选择任何具有不同概率的可能的节点。当对系统施加观测后，系统将坍塌到特定状态，车辆将出现在概率最高的节点。因此，车辆是否访问某个节点形成了一个动态变化的概率分布。在量子游走中，游走者的动态演化由波函数决定，波函数表示每个节点概率演化的动力学。因此，通过改变上述理论模型的波函数参数，可以生成不同结构的多尺度概率模式，据此反映网约车动态演化所形成的多尺度特征，最终生成能够表征网约车在多状态多情境下动态演化形成的多尺度概率模式。
通过量子游走来生成网约车在各子区域上动态演化形成的概率模式。在量子游走中，游走者在t时刻的状态可表示为：
ψ(δkt)＝U(δkt)ψ(0) (1)
其中，ψ(0)是游走者的初始状态，δk为尺度因子，能够表征网约车交通流的演化模式，U(δkt)是时间演化算子，可将其进一步表示为
且哈密顿量H控制着量子游走的动态演化，通常以网络的邻接矩阵来表示哈密顿量H。
因此，在固定尺度因子δk的情况下，能够计算出ψ(δkt)。它是一个复数状态向量，共有I项(I为子区域数目)。对于第i项ψi(δkt)，其平方表示在时刻t车辆出现在子区域Ni的概率，并将其记为Modei(δkt)＝|ψi(δkt)|2。将所有子区域的概率模式进行汇总，能够得到以下概率模式：
Mode(δkt)＝(Mode1(δkt),Mode2(δkt),…,ModeI(δkt)) (2)
且∑Mode(δkt)＝1。此外，根据参数集
不断调整尺度因子，能够生成各子区域所有的概率模式
步骤2：筛选多尺度概率模式。
由于网约车流量具有明显的时空分异性，因此根据实际观测的网约车流量对步骤1生成的多尺度概率模式进行优化筛选，得到不同区域的网约车流量特征。据此明晰如何选取多尺度概率模式来准确揭示网约车流量的诸如突变、峰值谷值以及交通拥堵等复杂特征，对解析网约车流量的复杂模态结构有重大意义。
通过上述概率模式的生成，获得了研究区域内所有的概率模式
它几乎囊括了网约车交通流中所有驾驶模式对应的概率模式。并将这些概率模式表示为：
对于固定的尺度因子δk，第k行表示量子游走在各子区域上生成的概率模式。第I列表示通过调整尺度因子
在子区域Ni上生成的所有概率模式。
虽然网约车交通流结构复杂，是众多驾驶模式组合形成的复杂巨系统。但网约车交通流的演化结构具有显著的空间异质性，也就是说不同子区域的概率模式不完全相同。因此，基于实际观测的网约车流量来筛选各子区域存在的显著概率模式是解析网约车流量多尺度特征的关键。逐步回归是一种典型的变量筛选方法，是显著概率模式筛选的可能途径。其基本思想是在多元线性模型中不断引入和删除变量来构建最优的回归模型。并基于特定的准则和显著性检验决定变量是否保留。本文基于AIC构建了向前逐步回归模型来进行概率模式筛选。
基于各子区域的网约车流量
和概率模式
进行了逐步回归概率模式筛选。假设各子区域均筛选S个显著的概率模式，则筛选得到的概率模式为：
称这些概率模式为网约车流量的多尺度概率模式，并将其表示为：
基于上述多尺度概率模式，子区域Ni上的交通流量能够表示为：
因此，各子区域的网约车流量可模拟为：
其中，
为模拟的网约车流量；
为概率模式到网约车流量的映射参数，反映了概率模式在对应子区域网约车流量的影响程度；
为残差项。
步骤3：对尺度特征解析。
研究多尺度概率模式与网约车流量间的特征提取与映射表达机制，据此突破如何选取网约车流量中的多尺度概率模式来准确揭示网约车流量的复杂特征这一难点。进而基于上述多尺度概率模式构建网约车流量的“特征指纹”，以简洁高效的原则展示网约车流量的复杂结构特征。通过综合运用微观与宏观、确定与随机分析相结合的研究方法，以及对城市交通流的“形”“数”“理”特征的深入分析，尝试揭示网约车动态演化和复杂特征结构的内在机理。
为了探索多尺度概率模式对网约车流量的影响以及多尺度概率模式系数的分布特征。对映射参数
进行降序排列，并按照相同的顺序重新排列与映射参数对应的概率模式
并将其称为第一/…/四尺度概率模式。最后，结合不同子区域网约车流量的时空异质性，实现网约车流量多尺度概率模式系数的特征分析。
本发选取成都市东北部(即104.0421°E-104.1221°E,30.65294°N-30.72294°N)为实验区域。并以0.01°×0.01°的空间分辨率将该区域格网化处理为56个子区域，记为N1,N2,…,N56，研究区域及区块划分如图2所示。对于实验数据的处理，基于2016年11月1日研究区域内的网约车轨迹数据，在10分钟的时间窗口下聚合得到各子区域长度为144的网约车流量时间序列，形成本文实验数据。此外，在生成多尺度概率模式时，在基于研究区域划分构造的城市空间拓扑结构上进行2000次量子游走，尺度因子δk从0.01增加至20，且间隔为0.01。
基于上述网约车流量时间序列，开展了以下实验：(1)影响程度特征分析。分别分析第一/第二/…/第四尺度概率模式的影响程度的空间分布，解析网约车流量的结构特征。(2)探索多尺度概率模式下城市交通流的空间格局。计算各子区域多尺度概率模式的影响程度的标准差，根据其差异性实现城市交通流空间格局的揭示。
各子区域前四尺度概率模式的影响程度空间分布如图3所示，(a)～(d)分别为第一、第二、第三和第四尺度概率模式影响程度的空间分布；其中，颜色由深到浅表示概率模式的影响程度由弱到强。特别地，由于本发明主要以数据驱动机制进行概率模式筛选与交通流量重构，导致子区域N47和N55的影响程度存在负值，在本发明中的研究价值不高，因此舍弃对这两个子区域的讨论。就单个概率模式而言，第一尺度概率模式的影响程度为0-128，其中该概率模式在子区域N22的影响程度最高，为126.24，表明第一尺度概率模式是该子区域内网约车流量的主要演化模式。第二尺度概率模式的影响程度为0-100，第一和第二尺度概率模式对子区域N16的影响程度较大，分别为116.86和96.83，表明第一和第二尺度概率模式决定了该子区域内网约车流量的整体演化结构。第三尺度概率模式的影响程度为0-40，第四尺度概率模式的影响程度为0-32，同样地，相较于其他子区域，第三和第四尺度概率模式对子区域N11的影响程度较大，为37.57和30.38。而第一和第二尺度概率模式对该子区域的影响程度分别为47.51和45.25。四个尺度的概率模式对子区域N11的影响程度较为显著且均衡，表明该子区域内交通流演化较为稳定。这是由于该子区域附近有众多重要场所(如四川科技馆、天府广场和成都体育中心等)，交通流密度大，车辆大多处于跟驰或缓行状态，演化稳定，因此多尺度概率模式影响程度均一。
就整体而言，四个尺度的概率模式的整体影响程度由西南-东北呈现出大-小的分布格局，这是由于从西南延申至东北的过程中，研究区域的主要功能分区经历了城区-郊区的过渡，交通流总体结构由高密度的城区交通逐步过渡为相对高自由度的郊区交通。城区交通以跟驰或缓行策略为主，车辆可自主调节的空间较小，交通流结构演化稳定，多尺度概率模式相对较少，因此多尺度概率模式的影响程度较大。对于郊区交通，驾驶员有一定的自由控制空间，多出现超车或变道等行为，导致郊区交通结构复杂，存在形态各异的概率模式，因此平均到单一尺度概率模式上的影响程度较小。
为探究多尺度概率模式作用下城市交通流的空间分布格局，还分析了各子区域多尺度概率模式的影响程度占比及其标准差分布，如图4所示。其中堆叠柱状图表示多尺度概率模式的影响程度占比，概率模式从第一尺度到第四尺度，其影响程度呈现出由强到弱的递减趋势。特别地，由于不同尺度概率模式的影响程度的变化情况具有衡量城市交通流空间格局的能力。因此根据多尺度概率模式影响程度的差异性(此处以标准差的四分之一和四分之三分位数作为分界线)将子区域分为三类，分别为突变型子区域、渐变型子区域和均匀型子区域(分别为图中圆点、三角形点和正方形点)。对于突变型子区域，其多尺度概率模式影响程度差异较大，特别是第一尺度对该子区域的绝对主导作用。渐变型子区域的概率模式影响程度存在一定差异，基本呈现出缓变的影响程度。均匀型子区域则是渐变型子区域的进一步弱化，多尺度概率模式在该子区域的影响程度几乎相等。
上述三种类型子区域的空间分布如图5所示，是对城市交通流空间格局的又一探索。其中，突变型子区域主要分布于城市交通流演化复杂的区域，如非商业区和郊区。这是由于在非商业区或郊区，驾驶员有更多的机会进行自主驾驶和控制，交通流演化复杂，因此多尺度概率模式影响程度差异较大。然而，渐变型和均匀型子区域则较为常见，均匀分布于研究区域。这些区域的交通流大多以缓行或跟车策略演化，车辆可自主调节的空间较小，交通流演化稳定，多尺度概率模式的影响程度较为均一。此外，三种类型子区域(突变型、渐变型和均匀型)的个数分别为14、26和14，也揭示了研究区域的交通流的空间格局—以渐变型为主，兼有突变型和均匀型的空间格局，这也符合公众对城市交通流的认知。
Claims (4)
1.一种基于量子游走的网约车流量多尺度特征解析方法，其特征在于，包括以下步骤：
(1)运用量子游走模拟网约车在城市空间中的动态演化过程，生成网约车出现在不同位置上的随时间演化的多尺度概率模式；
(2)根据网约车流量的时空异质性来筛选步骤(1)所述的多尺度概率模式：以观测的网约车流量作为边界约束条件，基于逐步回归筛选出不同位置上的网约车出现的多尺度概率模式；
(3)构建多尺度概率模式与网约车流量间的映射转化机制，实现网约车流量的多尺度特征解析。
2.根据权利要求1所述的基于量子游走的网约车流量多尺度特征解析方法，其特征在于，所述步骤(1)实现过程如下：
在量子游走中，游走者在t时刻的状态为：
ψ(δkt)＝U(δkt)ψ(0) (1)
其中，ψ(0)是游走者的初始状态，δk为尺度因子，表征网约车交通流的演化模式，
是时间演化算子，哈密顿量H控制着量子游走的动态演化；在固定尺度因子δk的情况下，计算出复数状态向量ψ(δkt)，共有I项，I为子区域数目，对于第i项ψi(δkt)，其平方表示在时刻t车辆出现在子区域Ni的概率，并将其记为Modei(δkt)＝|ψi(δkt)|2；将所有子区域的概率模式进行汇总，得到以下概率模式：
Mode(δkt)＝(Mode1(δkt),Mode2(δkt),…,ModeI(δkt)) (2)
且∑Mode(δkt)＝1；此外，根据参数集
不断调整尺度因子，生成各子区域所有的概率模式
对于固定的尺度因子δk，第k行表示量子游走在各子区域上生成的概率模式，第I列表示通过调整尺度因子
在子区域Ni上生成的所有概率模式。
3.根据权利要求1所述的基于量子游走的网约车流量多尺度特征解析方法，其特征在于，所述步骤(2)实现过程如下：
在多元线性模型中不断引入和删除变量构建最优的回归模型，并基于特定的准则和显著性检验决定变量是否保留；基于各子区域的网约车流量
和概率模式
进行逐步回归概率模式筛选；假设各子区域均筛选S个显著的概率模式，则筛选得到的概率模式为：
称这些概率模式为网约车流量的多尺度概率模式，并将其表示为：
基于上述多尺度概率模式，子区域Ni上的交通流量能够表示为：
因此，各子区域的网约车流量模拟为：
其中，
为模拟的网约车流量，
为概率模式到网约车流量的映射参数，反映了概率模式在对应子区域网约车流量的影响程度，
为残差项。
4.根据权利要求1所述的基于量子游走的网约车流量多尺度特征解析方法，其特征在于，所述步骤(3)实现过程如下：
对映射参数
进行降序排列，并按照相同的顺序重新排列与映射参数对应的概率模式
并将其称为第一/…/四尺度概率模式；结合不同子区域网约车流量的时空异质性，实现网约车流量多尺度概率模式系数的特征分析。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276630.6A CN114648433A (zh) | 2022-03-21 | 2022-03-21 | 一种基于量子游走的网约车流量多尺度特征解析方法 |
| PCT/CN2022/082655 WO2023178581A1 (zh) | 2022-03-21 | 2022-03-24 | 一种基于量子游走的网约车流量多尺度特征解析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210276630.6A CN114648433A (zh) | 2022-03-21 | 2022-03-21 | 一种基于量子游走的网约车流量多尺度特征解析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648433A true CN114648433A (zh) | 2022-06-21 |
Family
ID=81995177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210276630.6A Pending CN114648433A (zh) | 2022-03-21 | 2022-03-21 | 一种基于量子游走的网约车流量多尺度特征解析方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114648433A (zh) |
| WO (1) | WO2023178581A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759306A (zh) * | 2022-11-14 | 2023-03-07 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2590151A1 (en) * | 2011-11-03 | 2013-05-08 | Deutsche Telekom AG | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras |
| US10733877B2 (en) * | 2017-11-30 | 2020-08-04 | Volkswagen Ag | System and method for predicting and maximizing traffic flow |
| CN110111575B (zh) * | 2019-05-16 | 2020-10-27 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
| CN112614336B (zh) * | 2020-11-19 | 2021-12-07 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
| CN113327079B (zh) * | 2021-05-28 | 2022-06-28 | 东北师范大学 | 一种基于网约车轨迹的路径选择潜在因素可视分析方法 |
| CN113393488A (zh) * | 2021-06-08 | 2021-09-14 | 南京师范大学 | 一种基于量子游走的行为轨迹序列多特征模拟方法 |
-
2022
- 2022-03-21 CN CN202210276630.6A patent/CN114648433A/zh active Pending
- 2022-03-24 WO PCT/CN2022/082655 patent/WO2023178581A1/zh unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759306A (zh) * | 2022-11-14 | 2023-03-07 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
| CN115759306B (zh) * | 2022-11-14 | 2023-11-24 | 首约科技(北京)有限公司 | 模拟游走方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023178581A1 (zh) | 2023-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
| CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
| Leao et al. | Simulating urban growth in a developing nation’s region using a cellular automata-based model | |
| CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
| CN111696355A (zh) | 动态图卷积交通速度预测方法 | |
| CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| Gero et al. | An exploration‐based evolutionary model of a generative design process | |
| CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| Garcia‐Dorado et al. | Designing large‐scale interactive traffic animations for urban modeling | |
| Zhong et al. | Density-based evolutionary framework for crowd model calibration | |
| CN113053122B (zh) | 基于wmgirl算法的可变交通管控方案中区域流量分布预测方法 | |
| CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
| Song et al. | Traffic signal control under mixed traffic with connected and automated vehicles: a transfer-based deep reinforcement learning approach | |
| CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
| CN114648433A (zh) | 一种基于量子游走的网约车流量多尺度特征解析方法 | |
| KR102214360B1 (ko) | 지역적 토지피복 변화 기댓값을 이용한 격자 단위 토지피복 변화 추정 방법 | |
| Cosido et al. | Automatic calculation of bicycle routes by combining meta-heuristics and GIS techniques within the framework of smart cities | |
| CN110659774A (zh) | 大数据方法驱动的停车需求预测方法 | |
| Zhang et al. | Road section traffic flow prediction method based on the traffic factor state network | |
| Aghabayk et al. | New car-following model considering impacts of multiple lead vehicle types | |
| WO2022046087A1 (en) | Generation of novel knowledge representations | |
| CN112488375A (zh) | 一种交通运行风险预测方法及系统 | |
| Wen et al. | Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach | |
| CN117037483A (zh) | 一种基于多头注意力机制的交通流预测方法 | |
| Tao et al. | An attention-based approach for traffic conditions forecasting considering spatial-temporal features |
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 |