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
基于复杂网络的智能可变车道的关键节点挖掘方法 Download PDFInfo
- Publication number
- CN114937353B CN114937353B CN202210368343.8A CN202210368343A CN114937353B CN 114937353 B CN114937353 B CN 114937353B CN 202210368343 A CN202210368343 A CN 202210368343A CN 114937353 B CN114937353 B CN 114937353B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- center index
- index
- traffic flow
- 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
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
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
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
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,……vn);v1,v2,……vn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va和节点vb,其中,a≠b,a=1,2,…,n,b=1,2,…,n,如果节点va到节点vb存在一条由节点va驶向节点vb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va为起始节点,节点vb为终止节点,节点vb是节点va的一级相连节点,则建立对应的有向边eab,作为有向边集E的元素;有向边eab的权重表示为kab;
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vi,i=1,2,…,n,采用以下方法,计算得到节点vi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vi的一级相连节点,假设共有x个,分别表示为:节点v1 [i],v2 [i],…,vx [i];
步骤3.1.2,分别计算得到节点vi到节点v1 [i]的有向边权重k(vi,v1 [i]),节点vi到节点v2 [i]的有向边权重k(vi,v2 [i]),…,节点vi到节点vx [i]的有向边权重k(vi,vx [i]);
步骤3.1.3,对有向边权重k(vi,v1 [i]),有向边权重k(vi,v2 [i]),…,有向边权重k(vi,vx [i])求和,得到节点vi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vi,i=1,2,…,n,采用以下方法,识别得到节点vi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vi的n-1个节点,组成集合P=(p1,p2,……pn-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ps和pt,其中,s≠t,s=1,2,…,n-1,t=1,2,…,n-1,以节点ps为起点,以节点pt为终点,执行以下步骤:
判断节点ps到pt是否存在通过节点vi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ps到pt的最短路径是否通过节点vi,如果不通过,则C2(i)的值保持不变;如果通过,则识别到节点ps到pt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vi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vi,i=1,2,…,n,采用以下方法,计算得到节点vi的第3中心指标C3(i);
步骤3.3.1,对于集合P=(p1,p2,……pn-1),分别计算得到节点vi到节点p1的最短路径长度h(vi,p1),节点vi到节点p2的最短路径长度h(vi,p2),…,节点vi到节点pn-1的最短路径长度h(vi,pn-1);
步骤3.3.2,采用下式,得到节点vi的第3中心指标C3(i);
步骤3.4,归一化处理:
分别对节点vi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vi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vi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,……vn,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Er,其中,r=1,2,3;
其中:
zri代表第i个节点vi的第r中心指标的权重,通过以下公式计算得到:
SCr代表n个节点v1,v2,……vn归一化后的第r中心指标Cr”(1)、Cr”(2),…,Cr”(n)的和;
Cr"(i)代表节点vi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Wr:
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,……vn);v1,v2,……vn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va和节点vb,其中,a≠b,a=1,2,…,n,b=1,2,…,n,如果节点va到节点vb存在一条由节点va驶向节点vb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va为起始节点,节点vb为终止节点,节点vb是节点va的一级相连节点,则建立对应的有向边eab,作为有向边集E的元素;有向边eab的权重表示为kab;
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eab为例,是指从节点va指向节点vb的边,代表一条从节点va驶向节点vb的有向车道。对于有向边eab,节点va为起始节点,节点vb为终止节点。而如果存在从节点vb驶向节点va的有向车道,则采用有向边eba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eab,以节点va驶向节点vb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eab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va驶向节点vb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eab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vi,i=1,2,…,n,采用以下方法,计算得到节点vi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vi的一级相连节点,假设共有x个,分别表示为:节点v1 [i],v2 [i],…,vx [i];
步骤3.1.2,分别计算得到节点vi到节点v1 [i]的有向边权重k(vi,v1 [i]),节点vi到节点v2 [i]的有向边权重k(vi,v2 [i]),…,节点vi到节点vx [i]的有向边权重k(vi,vx [i]);
步骤3.1.3,对有向边权重k(vi,v1 [i]),有向边权重k(vi,v2 [i]),…,有向边权重k(vi,vx [i])求和,得到节点vi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vi,i=1,2,…,n,采用以下方法,识别得到节点vi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vi的n-1个节点,组成集合P=(p1,p2,……pn-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ps和pt,其中,s≠t,s=1,2,…,n-1,t=1,2,…,n-1,以节点ps为起点,以节点pt为终点,执行以下步骤:
判断节点ps到pt是否存在通过节点vi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ps到pt的最短路径是否通过节点vi,如果不通过,则C2(i)的值保持不变;如果通过,则识别到节点ps到pt的最短路径总数sum(st),并令
其中,节点ps到pt的路径是指:以节点ps为起点,节点pt为终点,经过的有向边的权重和;如果节点ps到pt存在多条路径,则在多条路径中,最短路径长度即为节点ps到pt的最短路径,并且,节点ps到pt的最短路径也可能存在多条,因此,最短路径总数,即为节点ps到pt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vi的第2中心指标C2(i),是指经过节点vi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vi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vi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vi,i=1,2,…,n,采用以下方法,计算得到节点vi的第3中心指标C3(i);
步骤3.3.1,对于集合P=(p1,p2,……pn-1),分别计算得到节点vi到节点p1的最短路径长度h(vi,p1),节点vi到节点p2的最短路径长度h(vi,p2),…,节点vi到节点pn-1的最短路径长度h(vi,pn-1);
步骤3.3.2,采用下式,得到节点vi的第3中心指标C3(i);
节点vi的第3中心指标C3(i)的含义为:如果节点vi与其他节点的最短距离最小,表明节点vi到达其他节点的时间越短,因此,节点vi越重要。
步骤3.4,归一化处理:
分别对节点vi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vi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,……vn,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vi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Er,其中,r=1,2,3;
其中:
zri代表第i个节点vi的第r中心指标的权重,通过以下公式计算得到:
SCr代表n个节点v1,v2,……vn归一化后的第r中心指标Cr”(1)、Cr”(2),…,Cr”(n)的和;
Cr"(i)代表节点vi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Wr:
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,……vn,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,……vn);v1,v2,……vn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va和节点vb,其中,a≠b,a=1,2,…,n,b=1,2,…,n,如果节点va到节点vb存在一条由节点va驶向节点vb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va为起始节点,节点vb为终止节点,节点vb是节点va的一级相连节点,则建立对应的有向边eab,作为有向边集E的元素;有向边eab的权重表示为kab;
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vi,i=1,2,…,n,采用以下方法,计算得到节点vi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vi的一级相连节点,假设共有x个,分别表示为:节点v1 [i],v2 [i],…,vx [i];
步骤3.1.2,分别计算得到节点vi到节点v1 [i]的有向边权重k(vi,v1 [i]),节点vi到节点v2 [i]的有向边权重k(vi,v2 [i]),…,节点vi到节点vx [i]的有向边权重k(vi,vx [i]);
步骤3.1.3,对有向边权重k(vi,v1 [i]),有向边权重k(vi,v2 [i]),…,有向边权重k(vi,vx [i])求和,得到节点vi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vi,i=1,2,…,n,采用以下方法,识别得到节点vi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vi的n-1个节点,组成集合P=(p1,p2,……pn-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ps和pt,其中,s≠t,s=1,2,…,n-1,t=1,2,…,n-1,以节点ps为起点,以节点pt为终点,执行以下步骤:
判断节点ps到pt是否存在通过节点vi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ps到pt的最短路径是否通过节点vi,如果不通过,则C2(i)的值保持不变;如果通过,则识别到节点ps到pt的最短路径总数sum(st),并令
节点ps到pt的路径是指:以节点ps为起点,节点pt为终点,经过的有向边的权重和;如果节点ps到pt存在多条路径,则在多条路径中,最短路径长度即为节点ps到pt的最短路径,并且,节点ps到pt的最短路径也可能存在多条,因此,最短路径总数,即为节点ps到pt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vi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vi,i=1,2,…,n,采用以下方法,计算得到节点vi的第3中心指标C3(i);
步骤3.3.1,对于集合P=(p1,p2,……pn-1),分别计算得到节点vi到节点p1的最短路径长度h(vi,p1),节点vi到节点p2的最短路径长度h(vi,p2),…,节点vi到节点pn-1的最短路径长度h(vi,pn-1);
步骤3.3.2,采用下式,得到节点vi的第3中心指标C3(i);
步骤3.4,归一化处理:
分别对节点vi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vi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,……vn,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vi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,……vn,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Er,其中,r=1,2,3;
其中:
zri代表第i个节点vi的第r中心指标的权重,通过以下公式计算得到:
SCr代表n个节点v1,v2,……vn归一化后的第r中心指标Cr”(1)、Cr”(2),…,Cr”(n)的和;
Cr″(i)代表节点vi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Wr:
至此得到W1、W2和W3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210368343.8A CN114937353B (zh) | 2022-04-08 | 2022-04-08 | 基于复杂网络的智能可变车道的关键节点挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210368343.8A CN114937353B (zh) | 2022-04-08 | 2022-04-08 | 基于复杂网络的智能可变车道的关键节点挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937353A CN114937353A (zh) | 2022-08-23 |
CN114937353B true CN114937353B (zh) | 2023-04-25 |
Family
ID=82863249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210368343.8A Active CN114937353B (zh) | 2022-04-08 | 2022-04-08 | 基于复杂网络的智能可变车道的关键节点挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937353B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379220B (zh) * | 2018-10-10 | 2021-06-15 | 太原理工大学 | 基于组合优化的复杂网络关键节点簇挖掘的方法 |
CN109859480B (zh) * | 2019-04-04 | 2020-12-15 | 浙江工业大学 | 基于复杂网络的拥堵路段建模和评估方法 |
CN110033048A (zh) * | 2019-04-18 | 2019-07-19 | 西南交通大学 | 一种轨道交通关键节点及关键路段识别方法 |
CN110232819B (zh) * | 2019-05-16 | 2021-03-09 | 北京航空航天大学 | 一种基于复杂网络的城市关键道路的发掘方法 |
CN110111574B (zh) * | 2019-05-16 | 2020-10-09 | 北京航空航天大学 | 一种基于流量树分析的城市交通不平衡评价方法 |
CN111340384B (zh) * | 2020-03-09 | 2022-04-29 | 西南交通大学 | 一种多制式轨道交通系统的关键节点识别及故障恢复方法 |
CN113486217A (zh) * | 2021-08-03 | 2021-10-08 | 太原理工大学 | 一种基于多属性决策的复杂网络关键模体挖掘的方法 |
-
2022
- 2022-04-08 CN CN202210368343.8A patent/CN114937353B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114937353A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112466122B (zh) | 一种公交线网的备选线路集生成、线路规划方法及装置 | |
CN108694278B (zh) | 一种基于道路负载均衡的城市离散交通网络设计方法 | |
CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
CN107167156B (zh) | 一种面向一体化出行的多方式出行链优选方法及系统 | |
CN108492557A (zh) | 基于多模型融合的高速公路拥堵等级判断方法 | |
CN105389987A (zh) | 一种道路交通状况预测方法及装置 | |
CN109269516B (zh) | 一种基于多目标Sarsa学习的动态路径诱导方法 | |
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
CN110232819B (zh) | 一种基于复杂网络的城市关键道路的发掘方法 | |
CN114613163B (zh) | 一种可变导向车道与交叉口信号配时交互关系的控制方法 | |
CN113554323A (zh) | 面向路网关键节点的应急保障优化设计方法 | |
CN111060119B (zh) | 基于街景图视觉要素评分的城市慢行出行导航方法和系统 | |
CN111882909B (zh) | 基于双层规划的应急救援调度与动态路径集成方法 | |
CN114550482B (zh) | 一种基于低碳目标的导航方法及停车场导航方法 | |
CN108776721A (zh) | 一种基于目标配流的城市离散交通网络设计方法 | |
CN110930696B (zh) | 一种基于ai导航的智慧城市交通管理运行方法及其系统 | |
CN114842668A (zh) | 一种基于层次分析法的多场景停车车位导引方法 | |
CN114937353B (zh) | 基于复杂网络的智能可变车道的关键节点挖掘方法 | |
WO2022179321A1 (zh) | 一种道路检测设备布设方法、装置及存储介质 | |
CN112348152B (zh) | 基于改进层次分析法的交通拥堵疏导方法及系统 | |
CN112446538A (zh) | 一种基于个性化避险的最优路径获取方法 | |
CN110807916B (zh) | 一种基于路网拓扑结构的交通状态评定方法及系统 | |
CN112488375A (zh) | 一种交通运行风险预测方法及系统 | |
CN111578961A (zh) | 基于领导者海豚群求解不确定条件车辆路径优化算法 | |
CN114842641B (zh) | 面向省域的多模式链式交通分配方法 |
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 |