CN114937353B - 基于复杂网络的智能可变车道的关键节点挖掘方法 - Google Patents

Abstract

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，包括以下步骤：步骤1，确定研究区域和研究时间周期；步骤2，构建交通流传输网络G；步骤3，对交通流传输网络G的结构特征进行分析，挖掘得到影响交通拥堵的关键节点。本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，利用复杂网络理论，基于大区域内交通路口的大数据车流量统计，实现大区域内关键节点挖掘，可以快速挖掘到交通拥堵严重和交通流传输能力强的关键节点，从而可为获取可变车道动态切换控制决策提供基础数据。

Description

基于复杂网络的智能可变车道的关键节点挖掘方法

技术领域

本发明属于智慧交通技术领域，具体涉及一种基于复杂网络的智能可变车道的关键节点挖掘方法。

背景技术

随着车辆保有量的快速增长，城市交通拥堵问题日益严重，有效确定城市交通网络中的影响交通拥堵的关键节点，并对其采用相应的交通措施，是解决城市交通拥堵的关键。现有技术中，难以在大区域的交通网络中，有效快速的确定关键节点。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，包括以下步骤：

步骤1，确定研究区域和研究时间周期；

步骤2，构建交通流传输网络G；

以研究区域内道路路口为节点，道路路口之间的有向车道为有向边，每条有向车道在研究时间周期内车流量的均值为有向边权重，构建得到交通流传输网络；

将交通流传输网络表示为G＝(V,E)；其中，V为节点集，表示为：V＝(v₁,v₂,……v_n)；v₁,v₂,……v_n代表交通流传输网络的n个节点；E为有向边集，含义为：对于节点v_a和节点v_b，其中，a≠b，a＝1,2,…,n,b＝1,2,…,n，如果节点v_a到节点v_b存在一条由节点v_a驶向节点v_b的有向车道，并且，该有向车道不通过其他节点，也就是说，节点v_a为起始节点，节点v_b为终止节点，节点v_b是节点v_a的一级相连节点，则建立对应的有向边e_ab，作为有向边集E的元素；有向边e_ab的权重表示为k_ab；

步骤3，对交通流传输网络G的结构特征进行分析，挖掘得到影响交通拥堵的关键节点。

优选的，步骤3具体为：

步骤3.1，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第1中心指标C₁(i)：

步骤3.1.1，在交通流传输网络G中，确定节点v_i的一级相连节点，假设共有x个，分别表示为：节点v₁ ^[i],v₂ ^[i],…,v_x ^[i]；

步骤3.1.2，分别计算得到节点v_i到节点v₁ ^[i]的有向边权重k(v_i,v₁ ^[i])，节点v_i到节点v₂ ^[i]的有向边权重k(v_i,v₂ ^[i]),…,节点v_i到节点v_x ^[i]的有向边权重k(v_i,v_x ^[i])；

步骤3.1.3，对有向边权重k(v_i,v₁ ^[i])，有向边权重k(v_i,v₂ ^[i]),…,有向边权重k(v_i,v_x ^[i])求和，得到节点v_i的第1中心指标C₁(i)；

步骤3.2，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，识别得到节点v_i的第2中心指标C₂(i)；

步骤3.2.1，对于交通流传输网络G中不包括节点v_i的n-1个节点，组成集合P＝(p₁,p₂,……p_n-1)；

步骤3.2.2，令C₂(i)＝0；

步骤3.2.3，对于集合P中的任意两个节点p_s和p_t，其中，s≠t，s＝1,2,…,n-1,t＝1,2,…,n-1，以节点p_s为起点，以节点p_t为终点，执行以下步骤：

判断节点p_s到p_t是否存在通过节点v_i的路径，如果不存在，则C₂(i)的值保持不变；如果存在，则进一步判断节点p_s到p_t的最短路径是否通过节点v_i，如果不通过，则C₂(i)的值保持不变；如果通过，则识别到节点p_s到p_t的最短路径总数sum(st),并令

步骤3.2.4，然后，从集合P中选择其他节点分别作为起点和终点，返回步骤3.2.3，直到完成对集合P的遍历，最终得到的C₂(i)即为节点v_i的第2中心指标C₂(i)；

步骤3.3，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第3中心指标C₃(i)；

步骤3.3.1，对于集合P＝(p₁,p₂,……p_n-1)，分别计算得到节点v_i到节点p₁的最短路径长度h(v_i,p₁),节点v_i到节点p₂的最短路径长度h(v_i,p₂),…,节点v_i到节点p_n-1的最短路径长度h(v_i,p_n-1)；

步骤3.3.2，采用下式，得到节点v_i的第3中心指标C₃(i)；

步骤3.4，归一化处理：

分别对节点v_i的第1中心指标C₁(i)、第2中心指标C₂(i)和第3中心指标C₃(i)进行归一化处理，得到归一化后的节点v_i的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)；

步骤3.5，采用以下方法，对节点v_i的归一化后的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)进行统一综合，生成综合性中心性指标C(i)：

C(i)＝W₁ C₁”(i)+W₂C₂”(i)+W₃ C₃”(i)

其中：

W₁、W₂和W₃，分别代表第1中心指标权重系数，第2中心指标权重系数和第3中心指标权重系数；

步骤3.6，至此，对于交通流传输网络G的n个节点v₁,v₂,……v_n，分别计算得到对应的综合性中心性指标C(1)，C(2),……C(n)；

按照综合性中心性指标由大到小的顺序，对n个节点进行排序，选择排序靠前的若干个节点，作为挖掘到的关键节点。

优选的，对于W₁、W₂和W₃，通过以下方式确定：

1)采用下式，确定第r中心指标信息熵E_r，其中，r＝1,2,3；

其中：

z_ri代表第i个节点v_i的第r中心指标的权重，通过以下公式计算得到：

SC_r代表n个节点v₁,v₂,……v_n归一化后的第r中心指标C_r”(1)、C_r”(2),…,C_r”(n)的和；

C_r"(i)代表节点v_i归一化后的第r中心指标；

2)由此计算得到第1中心指标信息熵E₁、第2中心指标信息熵E₂和第3中心指标信息熵E₃；

采用下式，得到第r中心指标权重系数W_r：

至此得到W₁、W₂和W₃。

本发明提供的基于复杂网络的智能可变车道的关键节点挖掘方法具有以下优点：

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，利用复杂网络理论，基于大区域内交通路口的大数据车流量统计，实现大区域内关键节点挖掘，可以快速挖掘到交通拥堵严重和交通流传输能力强的关键节点，从而可为获取可变车道动态切换控制决策提供基础数据。

附图说明

图1为本发明提供的基于复杂网络的智能可变车道的关键节点挖掘方法的流程示意图；

图2为本发明提供的交通流传输网络的一种示例图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，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。

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，利用复杂网络理论，基于大区域内交通路口的大数据车流量统计，实现大区域内关键节点挖掘，从而可为获取可变车道动态切换控制决策提供基础数据。

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，主要步骤为：

1)确定研究区域，一般以一个区县大小为例。

2)确定研究时间范围，一般以小时为时间间隔。

3)获取研究区域内各路口的交通流数据。

4)构建研究区域内交通流传输网络。

5)分析交通流传输网络的结构特征。

6)利用本发明提供的关键节点挖掘算法，挖掘出在交通流传输网络中重要的关键节点。

参考图1，本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，详细步骤如下：

步骤1，确定研究区域和研究时间周期；

例如，研究区域为一个区县；研究时间周期为一个小时。

步骤2，构建交通流传输网络G；

以研究区域内道路路口为节点，道路路口之间的有向车道为有向边，每条有向车道在研究时间周期内车流量的均值为有向边权重，构建得到交通流传输网络；

将交通流传输网络表示为G＝(V,E)；其中，V为节点集，表示为：V＝(v₁,v₂,……v_n)；v₁,v₂,……v_n代表交通流传输网络的n个节点；E为有向边集，含义为：对于节点v_a和节点v_b，其中，a≠b，a＝1,2,…,n,b＝1,2,…,n，如果节点v_a到节点v_b存在一条由节点v_a驶向节点v_b的有向车道，并且，该有向车道不通过其他节点，也就是说，节点v_a为起始节点，节点v_b为终止节点，节点v_b是节点v_a的一级相连节点，则建立对应的有向边e_ab，作为有向边集E的元素；有向边e_ab的权重表示为k_ab；

例如，在图2中，共有5个节点，分别为：v₁,v₂,……v₅；共有6条有向边，分别为：e₂₁,e₃₂,e₂₃,e₃₅,e₃₄,e₄₅。

因此，本发明中，交通流传输网络G为加权有向图，图中的边为有向的和有权的。每条边两端对应节点集V中的两个节点。

边的有向性是指：以有向边e_ab为例，是指从节点v_a指向节点v_b的边，代表一条从节点v_a驶向节点v_b的有向车道。对于有向边e_ab，节点v_a为起始节点，节点v_b为终止节点。而如果存在从节点v_b驶向节点v_a的有向车道，则采用有向边e_ba表示。

边的有权性是指：网络中的每条边赋有相应的权值，表示两个节点之间联系的强度；本发明中，例如，对于有向边e_ab，以节点v_a驶向节点v_b的有向车道在研究时间周期内的车流量的平均值，作为有向边e_ab的权重。例如，以1个小时为研究时间周期，在该研究时间周期中，每隔10分钟采集一次节点v_a驶向节点v_b的有向车道的车流量，因此，一个研究时间周期共采集到6个车流量，对采集到的6个车流量取平均值，即为该研究时间周期内有向边e_ab的权重。

因此，本发明构建的交通流传输网络G，是指在研究区域内，在某个研究时间周期内，构建得到的交通流传输网络G。通常情况下，可采用距离当前时间最近的一个研究时间周期，构建对应的交通流传输网络G。

步骤3，对交通流传输网络G的结构特征进行分析，挖掘得到影响交通拥堵的关键节点。

步骤3具体为：

步骤3.1，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第1中心指标C₁(i)：

步骤3.1.1，在交通流传输网络G中，确定节点v_i的一级相连节点，假设共有x个，分别表示为：节点v₁ ^[i],v₂ ^[i],…,v_x ^[i]；

步骤3.1.2，分别计算得到节点v_i到节点v₁ ^[i]的有向边权重k(v_i,v₁ ^[i])，节点v_i到节点v₂ ^[i]的有向边权重k(v_i,v₂ ^[i]),…,节点v_i到节点v_x ^[i]的有向边权重k(v_i,v_x ^[i])；

步骤3.1.3，对有向边权重k(v_i,v₁ ^[i])，有向边权重k(v_i,v₂ ^[i]),…,有向边权重k(v_i,v_x ^[i])求和，得到节点v_i的第1中心指标C₁(i)；

例如，在图2中，当计算节点v₃的第1中心指标C₁(3)时，方法如下：

节点v₃共有3个一级相连节点，分别为：节点v₂、节点v₅和节点v₄；分别计算得到有向边e₃₂,e₃₅和e₃₄的权重，再对计算得到的三个权重求和，即为节点v₃的第1中心指标C₁(3)。

在交通流传输网络G中，不同权重的边重要性不同，当节点与越多高权重边连接时，表明节点在网络中掌握的重要信息越多，影响力越大。因此，本发明通过计算节点v₃的第1中心指标C₁(3)，反映节点v₃的重要程度。

步骤3.2，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，识别得到节点v_i的第2中心指标C₂(i)；

步骤3.2.1，对于交通流传输网络G中不包括节点v_i的n-1个节点，组成集合P＝(p₁,p₂,……p_n-1)；

步骤3.2.2，令C₂(i)＝0；

步骤3.2.3，对于集合P中的任意两个节点p_s和p_t，其中，s≠t，s＝1,2,…,n-1,t＝1,2,…,n-1，以节点p_s为起点，以节点p_t为终点，执行以下步骤：

判断节点p_s到p_t是否存在通过节点v_i的路径，如果不存在，则C₂(i)的值保持不变；如果存在，则进一步判断节点p_s到p_t的最短路径是否通过节点v_i，如果不通过，则C₂(i)的值保持不变；如果通过，则识别到节点p_s到p_t的最短路径总数sum(st),并令

其中，节点p_s到p_t的路径是指：以节点p_s为起点，节点p_t为终点，经过的有向边的权重和；如果节点p_s到p_t存在多条路径，则在多条路径中，最短路径长度即为节点p_s到p_t的最短路径，并且，节点p_s到p_t的最短路径也可能存在多条，因此，最短路径总数，即为节点p_s到p_t的最短路径总数。

例如，在图2中，节点v₂到节点v₅存在两条路径，第1条路径为：有向边e₂₃、e₃₄和e₄₅，形成一条路径，其长度为e₂₃、e₃₄和e₄₅的权重和；第2条路径：有向边e₂₃和e₃₅。

节点v_i的第2中心指标C₂(i)，是指经过节点v_i的最短路径数量与最短路径总数之比，其值越高，表明该节点v_i越重要。

步骤3.2.4，然后，从集合P中选择其他节点分别作为起点和终点，返回步骤3.2.3，直到完成对集合P的遍历，最终得到的C₂(i)即为节点v_i的第2中心指标C₂(i)；

步骤3.3，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第3中心指标C₃(i)；

步骤3.3.1，对于集合P＝(p₁,p₂,……p_n-1)，分别计算得到节点v_i到节点p₁的最短路径长度h(v_i,p₁),节点v_i到节点p₂的最短路径长度h(v_i,p₂),…,节点v_i到节点p_n-1的最短路径长度h(v_i,p_n-1)；

步骤3.3.2，采用下式，得到节点v_i的第3中心指标C₃(i)；

节点v_i的第3中心指标C₃(i)的含义为：如果节点v_i与其他节点的最短距离最小，表明节点v_i到达其他节点的时间越短，因此，节点v_i越重要。

步骤3.4，归一化处理：

分别对节点v_i的第1中心指标C₁(i)、第2中心指标C₂(i)和第3中心指标C₃(i)进行归一化处理，得到归一化后的节点v_i的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)；

具体的，采用min-max归一化方法。以第1中心指标C₁(i)为例，归一化方法为：

其中：对于n个节点v₁,v₂,……v_n，其第1中心指标分别为：C₁(1)，C₁(2),…,C₁(n)；因此，min代表C₁(1)，C₁(2),…,C₁(n)中的最小值；max代表C₁(1)，C₁(2),…,C₁(n)中的最大值。

步骤3.5，采用以下方法，对节点v_i的归一化后的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)进行统一综合，生成综合性中心性指标C(i)：

C(i)＝W₁ C₁”(i)+W₂C₂”(i)+W₃ C₃”(i)

其中：

W₁、W₂和W₃，分别代表第1中心指标权重系数，第2中心指标权重系数和第3中心指标权重系数；

对于W₁、W₂和W₃，通过以下方式确定：

1)采用下式，确定第r中心指标信息熵E_r，其中，r＝1,2,3；

其中：

z_ri代表第i个节点v_i的第r中心指标的权重，通过以下公式计算得到：

SC_r代表n个节点v₁,v₂,……v_n归一化后的第r中心指标C_r”(1)、C_r”(2),…,C_r”(n)的和；

C_r"(i)代表节点v_i归一化后的第r中心指标；

2)由此计算得到第1中心指标信息熵E₁、第2中心指标信息熵E₂和第3中心指标信息熵E₃；

采用下式，得到第r中心指标权重系数W_r：

至此得到W₁、W₂和W₃。

采用此种方法确定的各中心指标权重系数，更能反应各中心指标的重要度关系。

步骤3.6，至此，对于交通流传输网络G的n个节点v₁,v₂,……v_n，分别计算得到对应的综合性中心性指标C(1)，C(2),……C(n)；

按照综合性中心性指标由大到小的顺序，对n个节点进行排序，选择排序靠前的若干个节点，作为挖掘到的关键节点。

本发明提供的基于复杂网络的智能可变车道的关键节点挖掘方法，可以快速挖掘到交通拥堵严重和交通流传输能力强的局地节点，即：关键节点，关键节点是重要度排序靠前的节点，能够在更大范围上影响网络功能的节点。因此，对于挖掘到的关键节点，在整体结构下或区域中选择关键节点倾斜资金，重点治理。本发明通过构建交通流传输网络，可以确定研究区域内影响交通拥堵的关键路口及高相似度路口之间的关联关系，为交通管理部门获取智能可变车道切换控制决策提供依据。

下面介绍一个实施例：

以下以一个县为研究区域，确定研究区域内共有n个路口，获取n个路口一个月时间段内的分时刻交通流数据。以n个路口作为交通流传输网络的节点，以路口之间相连的车道作为边，以每个时刻每条边上的交通流总量作为边的权重，构建交通流传输网络，具体如下：

1)首先计算分时刻交通流传输网络的连接情况，然后利用Python编程构建周期内有向加权交通流传输网络。

2)利用网络关键节点挖掘算法，挖掘出网络中的重要节点，如交通流传输网络中Top-10关键点作为关键节点。

3)通过对整个交通流传输网络的结构进行分析与预测，分析出研究区域内影响交通状况的关键路口，然后对路口关联的道路所涉及的可变车道采取控制措施。

本发明提供的基于复杂网络的智能可变车道的关键节点挖掘方法，主要包括(1)将复杂网络的方法应用于交通领域的智能可变车道车流控制；(2)以路口为节点、以路口之间相连的车道为边、以边的交通流为权重的交通流传输网路构建方法；(3)从宏观层面把控各路口之间的相关关系，以此来调整可变车道车流控制的方法。

本发明提供一种基于复杂网络的智能可变车道的关键节点挖掘方法，利用复杂网络理论，基于大区域内交通路口的大数据车流量统计，实现大区域内关键节点挖掘，可以快速挖掘到交通拥堵严重和交通流传输能力强的关键节点，从而可为获取可变车道动态切换控制决策提供基础数据。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (1)

1.一种基于复杂网络的智能可变车道的关键节点挖掘方法，其特征在于，包括以下步骤：

步骤1，确定研究区域和研究时间周期；

步骤2，构建交通流传输网络G；

以研究区域内道路路口为节点，道路路口之间的有向车道为有向边，每条有向车道在研究时间周期内车流量的均值为有向边权重，构建得到交通流传输网络；

将交通流传输网络表示为G＝(V,E)；其中，V为节点集，表示为：V＝(v₁,v₂,……v_n)；v₁,v₂,……v_n代表交通流传输网络的n个节点；E为有向边集，含义为：对于节点v_a和节点v_b，其中，a≠b，a＝1,2,…,n,b＝1,2,…,n，如果节点v_a到节点v_b存在一条由节点v_a驶向节点v_b的有向车道，并且，该有向车道不通过其他节点，也就是说，节点v_a为起始节点，节点v_b为终止节点，节点v_b是节点v_a的一级相连节点，则建立对应的有向边e_ab，作为有向边集E的元素；有向边e_ab的权重表示为k_ab；

步骤3，对交通流传输网络G的结构特征进行分析，挖掘得到影响交通拥堵的关键节点；

其中，步骤3具体为：

步骤3.1，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第1中心指标C₁(i)：

步骤3.1.1，在交通流传输网络G中，确定节点v_i的一级相连节点，假设共有x个，分别表示为：节点v₁ ^[i],v₂ ^[i],…,v_x ^[i]；

步骤3.1.2，分别计算得到节点v_i到节点v₁ ^[i]的有向边权重k(v_i,v₁ ^[i])，节点v_i到节点v₂ ^[i]的有向边权重k(v_i,v₂ ^[i]),…,节点v_i到节点v_x ^[i]的有向边权重k(v_i,v_x ^[i])；

步骤3.1.3，对有向边权重k(v_i,v₁ ^[i])，有向边权重k(v_i,v₂ ^[i]),…,有向边权重k(v_i,v_x ^[i])求和，得到节点v_i的第1中心指标C₁(i)；

步骤3.2，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，识别得到节点v_i的第2中心指标C₂(i)；

步骤3.2.1，对于交通流传输网络G中不包括节点v_i的n-1个节点，组成集合P＝(p₁,p₂,……p_n-1)；

步骤3.2.2，令C₂(i)＝0；

步骤3.2.3，对于集合P中的任意两个节点p_s和p_t，其中，s≠t，s＝1,2,…,n-1,t＝1,2,…,n-1，以节点p_s为起点，以节点p_t为终点，执行以下步骤：

判断节点p_s到p_t是否存在通过节点v_i的路径，如果不存在，则C₂(i)的值保持不变；如果存在，则进一步判断节点p_s到p_t的最短路径是否通过节点v_i，如果不通过，则C₂(i)的值保持不变；如果通过，则识别到节点p_s到p_t的最短路径总数sum(st),并令

节点p_s到p_t的路径是指：以节点p_s为起点，节点p_t为终点，经过的有向边的权重和；如果节点p_s到p_t存在多条路径，则在多条路径中，最短路径长度即为节点p_s到p_t的最短路径，并且，节点p_s到p_t的最短路径也可能存在多条，因此，最短路径总数，即为节点p_s到p_t的最短路径总数；

步骤3.2.4，然后，从集合P中选择其他节点分别作为起点和终点，返回步骤3.2.3，直到完成对集合P的遍历，最终得到的C₂(i)即为节点v_i的第2中心指标C₂(i)；

步骤3.3，对于交通流传输网络G的任意节点v_i，i＝1,2,…,n，采用以下方法，计算得到节点v_i的第3中心指标C₃(i)；

步骤3.3.1，对于集合P＝(p₁,p₂,……p_n-1)，分别计算得到节点v_i到节点p₁的最短路径长度h(v_i,p₁),节点v_i到节点p₂的最短路径长度h(v_i,p₂),…,节点v_i到节点p_n-1的最短路径长度h(v_i,p_n-1)；

步骤3.3.2，采用下式，得到节点v_i的第3中心指标C₃(i)；

步骤3.4，归一化处理：

分别对节点v_i的第1中心指标C₁(i)、第2中心指标C₂(i)和第3中心指标C₃(i)进行归一化处理，得到归一化后的节点v_i的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)；

采用min-max归一化方法；对于第1中心指标C₁(i)，归一化方法为：

其中：对于n个节点v₁,v₂,……v_n，其第1中心指标分别为：C₁(1)，C₁(2),…,C₁(n)；因此，min代表C₁(1)，C₁(2),…,C₁(n)中的最小值；max代表C₁(1)，C₁(2),…,C₁(n)中的最大值；

步骤3.5，采用以下方法，对节点v_i的归一化后的第1中心指标C₁”(i)、第2中心指标C₂”(i)和第3中心指标C₃”(i)进行统一综合，生成综合性中心性指标C(i)：

C(i)＝W₁C₁”(i)+W₂C₂”(i)+W₃C₃”(i)

其中：

W₁、W₂和W₃，分别代表第1中心指标权重系数，第2中心指标权重系数和第3中心指标权重系数；

步骤3.6，至此，对于交通流传输网络G的n个节点v₁,v₂,……v_n，分别计算得到对应的综合性中心性指标C(1)，C(2),……C(n)；

按照综合性中心性指标由大到小的顺序，对n个节点进行排序，选择排序靠前的若干个节点，作为挖掘到的关键节点；

其中，对于W₁、W₂和W₃，通过以下方式确定：

1)采用下式，确定第r中心指标信息熵E_r，其中，r＝1,2,3；

其中：

z_ri代表第i个节点v_i的第r中心指标的权重，通过以下公式计算得到：

SC_r代表n个节点v₁,v₂,……v_n归一化后的第r中心指标C_r”(1)、C_r”(2),…,C_r”(n)的和；

C_r″(i)代表节点v_i归一化后的第r中心指标；

2)由此计算得到第1中心指标信息熵E₁、第2中心指标信息熵E₂和第3中心指标信息熵E₃；

采用下式，得到第r中心指标权重系数W_r：

至此得到W₁、W₂和W₃。

Images