CN114973668B - 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 - Google Patents
一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 Download PDFInfo
- Publication number
- CN114973668B CN114973668B CN202210552009.8A CN202210552009A CN114973668B CN 114973668 B CN114973668 B CN 114973668B CN 202210552009 A CN202210552009 A CN 202210552009A CN 114973668 B CN114973668 B CN 114973668B
- Authority
- CN
- China
- Prior art keywords
- trip
- travel
- distance
- trips
- 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.)
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于拓扑步数分析的城市道路交通薄弱环节区域识别方法及点散式识别方法,本发明以拓扑分析为基础,通过对出行过程中的拓扑步数及平均速度赋予参数,定义并计算一次出行的“出行体验值”;在城市中进行普遍性调查,获取大量任意出行的体验值数据;通过数据筛选,界定一次优质出行所需要满足的数量特征。以此特征作为评判标准,即可进行区域城市道路交通薄弱环节识别,识别结果可作为城市交通规划、道路交通建设计划制定以及交通管理等相关工作开展的重要参考依据。若无进行区域识别的条件或需求,本发明还给出了任意一次出行小汽车出行评价方法,用于开展道路交通薄弱环节的点散式识别,识别结果可作为城市规划、道路交通建设计划制定以及交通管理等相关工作开展的重要参考依据。
Description
技术领域
本发明涉及城市智慧交通领域,该领域是新一代信息技术在城市交通规划、建设和治理中的具体应用,尤其涉及一种基于拓扑步数分析的城市道路交通薄弱环节识别方法。
背景技术
在日常驾车或乘车出行中,“连续性”是影响出行体验的重要因素。若出行者在一次出行中多次或连续遇到红灯,其出行的心理距离及实际时耗均会增加,将会严重影响本次出行的体验;若出行者可保持连续通行,在实际车速可能并不高的情况下,却可以获得较短的心理距离及实际时耗。在城市交通中,考虑到出行者的实际出行感受,以出行起讫点间可以连续通行的路段数来评估一次出行,可以作为出行体验的重要评估指标。拓扑步数(topological step),或称拓扑距离,是一个没有米制距离考量,仅表示连接关系的数学概念,可以较好地拟合以上情况。
发明内容
本发明以拓扑分析为基础,通过对出行过程中的拓扑步数及平均速度赋予参数,定义并计算一次出行的“出行体验值”;在城市中进行普遍性调查,获取大量任意出行的体验值数据;通过数据筛选,界定一次优质出行所需要满足的数量特征。以此特征作为评判标准,即可进行区域城市道路交通薄弱环节识别,识别结果可作为城市交通规划、道路交通建设计划制定以及交通管理等相关工作开展的重要参考依据。若无进行区域识别的条件或需求,本文还给出了任意一次出行小汽车出行评价方法,用于开展道路交通薄弱环节的点散式识别。
为实现上述目的,本发明提供了出行体验值的定义及计算方法、体验值数据的获取及统计方法、优质出行数量特征的筛选及确定方法、区域道路交通薄弱环节识别方法、点散式道路交通薄弱环节识别方法(含任意一次出行小汽车出行评价方法),具体方案如下:
一种基于拓扑步数分析的城市道路交通薄弱环节区域识别方法,包括以下步骤:
S1:出行体验值的计算及优质出行的选取;
1.1)计算出行体验值E;
以出行距离将所有出行分为短距离出行,中距离出行和长距离出行;同时,计算出行体验值E,其中出行体验值E为出行体验的量化指标,E的计算式如下:
E=m× (30-TS) +n×AS (1)
式中:E——出行体验值
TS——拓扑步数
AS——平均速度
m,n——参数,短距离出行,m=0.7,n=0.3;中距离出行,m=0.5,n=0.5;长距离出行m=0.3,n=0.7
30——为减少参数赋值的误差,在对原始数据进行分析的基础上,对拓扑步数的取值进行调整;
1.2)选取优质出行;
1.2.1)定义“强出入口”:强贯通性或可连续通行道路与其他普通道路的转换节点;
1.2.2)在城市中选取一批起终点,进行出行体验值E的计算;再以出行距离将出行分为短距离出行,中距离出行和长距离出行三组,按出行体验值E由高到低选取前50%的出行起点,再对所选取的出行起点涉及的所有出行,根据出行体验值E由高到低选取前50%;通过两次筛选得出优质出行;
1.2.3)对一系列所述优质出行计算优质出行的特征条件:出行起点距强出入口的距离、出行起点距强出入口的拓扑步数、连续或快速通行长度占全程的比例、全程遇到的红绿灯数量;
S2:进行城市道路交通薄弱环节的区域识别;
2.1)选定研究范围,同时选取一定数量r的涵盖居住小区、工作/商务、休闲/购物、教育/医疗、交通枢纽的交通产生/吸引点作为研究对象;
2.2)得到一个r*r规模的矩阵,矩阵中的数值代表拓扑步数;
2.3)从上述矩阵中去除从自身出发到达自身的情况后,按照上述步骤S1对所选取的研究对象间的出行进行遍历分析,对短距离出行,中距离出行和长距离出行三组出行分别进行计算得出出行体验值E并选取优质出行、计算所述优质出行的特征条件;
2.4)对各优质出行的起点进行归类分析,即可得出所有出行被列入优质出行的概率,对其进行排序得到城市道路交通中的薄弱环节;继续分析出优质出行概率较小的起点分布情况,即可得到城市道路交通的薄弱片区;
2.5)将上述优质出行的概率等比转换为半径,在地图中对各研究对象优质出行的概率进行标识,使识别结果可视化。
一种基于拓扑步数分析的城市道路交通薄弱环节点散式识别方法,包括以下步骤:
S1:出行体验值的计算及优质出行的选取;
1.1)计算出行体验值E;
以出行距离将所有出行分为短距离出行,中距离出行和长距离出行;同时,计算出行体验值E,其中出行体验值E为出行体验的量化指标,E的计算式如下:
E=m× (30-TS) +n×AS (1)
式中:E——出行体验值
TS——拓扑步数
AS——平均速度
m,n——参数,短距离出行,m=0.7,n=0.3;中距离出行,m=0.5,n=0.5;长距离出行m=0.3,n=0.7
30——为减少参数赋值的误差,在对原始数据进行分析的基础上,对拓扑步数的取值进行调整;
1.2)选取优质出行;
1.2.1)定义“强出入口”:强贯通性或可连续通行道路与其他普通道路的转换节点;
1.2.2)在城市中选取一批起终点,进行出行体验值E的计算;再以出行距离将出行分为短距离出行,中距离出行和长距离出行三组,按出行体验值E由高到低选取前50%的出行起点,再对所选取的出行起点涉及的所有出行,根据出行体验值E由高到低选取前50%;通过两次筛选得出优质出行;
1.2.3)对一系列所述优质出行计算优质出行的特征条件:出行起点距强出入口的距离、出行起点距强出入口的拓扑步数、连续或快速通行长度占全程的比例、全程遇到的红绿灯数量;
S2:评价任意一次出行
计算任意一次出行的评价值:
R=a×(D-d)+b×(TS-ts)+c×100(p-P)+e×(L-l) (2)
式中:R——任意一次出行的评价值
D——优质出行的出行起点距强出入口的距离
d——一般出行的出行起点距强出入口的距离
TS——优质出行的出行起点距强出入口的拓扑步数
ts——一般出行的出行起点距强出入口的拓扑步数
P——优质出行的连续或快速通行长度占全程的比例
p——一般出行的连续或快速通行长度占全程的比例
L——优质出行全程遇到的红绿灯数量
l——一般出行全程遇到的红绿灯数量
a,b,c,e——参数,短距离出行,a=0.1,b=0.3,c=0.2,e=0.4;中距离出行,a=0.2,b=0.3,c=0.3,e=0.2;长距离出行a=0.3,b=0.3,c=0.3,e=0.1;
S3:重点交通产生点对外点散式道路交通辐射的薄弱环节识别
以重点交通产生点作为出行起点,依具体分析需求选择交通吸引点,确定各次出行为研究对象,以上述步骤S1-S2计算各次出行的评价值R,可得出此类点散式道路交通存在的薄弱环节。
本发明采用以上技术方案与现有技术相比,具有以下有益效果:
1、现有技术较多从平均速度等角度进行出行评价,未能考虑出行者的实际出行体验。本发明基于不同出行距离下出行者对连续性的接受程度变化,对长距离出行、中距离出行、短距离出行的拓扑步数及平均速度分别赋予权重,定义了“出行体验值”的概念并给出具体的量化计算公式,由此可在对城市道路交通出行的评价中增加对出行者实际出行体验的考量。
2、现有技术对城市道路交通的评价,或是停留在对瞬时运作的感知,或是仅从纯数学的角度进行网络化分析,不能很好地将交通设施供给与交通实际运作进行结合。本发明在定义出行体验值,并给出优质出行数量特征的确定方法后,可以将交通设施供给与交通实际运作纳入同一套评价体系,进行城市道路交通薄弱环节识别,并有一定的实际应用价值。
3、本发明能够用于城市道路交通薄弱环节的识别,具体可分为区域识别及点散式识别:区域识别:通过明确优质出行遴选的方法,通过人工计算进行任意范围的道路交通薄弱环节识别,也可通过计算机程序进行任意范围乃至全域的识别。点散式识别:若无开展区域识别的条件或需求,则可结合优质出行遴选的4个因素,给定任意一次出行的小汽车出行评价方法,从而可以较为简单地开展点散式道路交通薄弱环节识别。
4、本发明识别出道路交通薄弱环节后,可作为城市规划、道路交通建设计划制定以及交通管理等相关工作开展的重要参考依据。如在城市规划层面,可以统筹控制片区建设总量、指导新城或副中心建设、优化交通设施布局等;在基础设施建设计划制定方面,可以针对性优化道路建设时序,综合考虑重点解决城市交通发展中较为迫切的问题;在交通管理层面,可以分区域制定适宜的管理举措、加强对薄弱节点或片区的疏解及秩序整治等。
附图说明
图1为本发明的总体技术路线图。
图2为优质出行的选取流程图。
图3为实际应用示例中选取的研究范围图。
图4为实际应用示例中优质短距离出行下起点与强出入口距离及拓扑步数分布图。
图5为优质出行概率进行标识示意图。
具体实施方式
下面结合附图和实施例进一步描述本发明,应该理解,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如附图1所示,本发明的主要步骤如下:
1、出行体验值的计算
以车辆无停顿地连续通过一个路段作为一个“拓扑步数”,在城市中选取交通产生与吸引点,分析彼此间的出行拓扑步数,并选取路段车速、行驶距离等因素对拓扑步数进行加权,得到两点间一次小汽车出行的出行体验值。
在一次出行中,出行体验与平均车速及行车连续性密切相关。但对不同距离的出行,二者所占比重不同。在较短的出行中,出行者更加关注行车的连续性,不想在较短的行程中多次停车/启动(尤其是在路段交通较为通畅,车辆通过特定路段用时较短时,连续的行车-停车-行车-停车循环,会大幅降低出行体验);而在较长距离的出行中,出行者则对时间更加敏感,对停车次数的关注程度会相应下降。
本发明将出行距离划分为短、中、长等三种,小于7km为短距离出行,7-15km为中距离出行,大于15km为长距离出行(此处为举例,具体取值区间以城市实际出行特征调查结果为依据进行确定)。同时,定义E值(Experience)作为出行体验的量化指标:根据出行距离,对拓扑步数及平均速度赋予不同的权重并计算出相应的出行体验值E。
E的定义式为:
E=m× (30-TS)+n×AS (1)
式中:E——Experience,出行体验值
TS——Topological Step,拓扑步数
AS——Average Speed,平均速度
m,n——参数
30——为减少参数赋值的误差,在对原始数据进行分析的基础上,对拓扑步数的取值进行调整。
不同出行距离下的参数m,n取值如下表:
表1-参数m,n取值表
/ | m取值 | n取值 |
短距离出行(<7km) | 0.7 | 0.3 |
中距离出行(7-15km) | 0.5 | 0.5 |
长距离出行(>15km) | 0.3 | 0.7 |
2、优质出行的选取
如附图2所示,需对出行体验值进行排序,制定相应的策略选取出“优质出行”,对优质出行的数量特征进行总结归纳,从而给出在拓扑学意义上任意出行的评价指标计算方法。
将“强出入口”定义为强贯通性或可连续通行道路与其他普通道路的转换节点,类比轨道交通,分析从起点出发,到达强出入口的路径的拓扑步数与距离。
为了将数据进行量化,需要界定一次优质出行所满足的数量特征。具体方法如下:先在城市中选取一批起终点,进行E值的计算;之后,以出行距离将所有出行分为短、中、长三组,按出行体验值由高到低选取前50%的出行起点,再对所选取起点涉及的所有出行,根据出行体验值由高到低选取前50%。通过两次筛选后,得出一系列优质出行。之后对其进行“出行起点”与“强出入口”间拓扑步数与距离的分析。
同时,为了对连续出行进行定量的分析,同时统计每次优质出行中连续通行的里程占总里程的比例,并对遇到的红绿灯数量进行统计。
3、城市道路交通薄弱环节的识别(区域)
选定研究范围,同时选取涵盖居住小区、工作/商务、休闲/购物、教育/医疗、交通枢纽等各类型性质的研究对象,具体数量依城市主干路所围合的街区大小所确定,尽量保证每一个由主干路围合的街区内均有研究对象分布。
对所选取的研究对象间的出行进行遍历分析,选取出“优质出行”,对各优质出行的起点进行归类分析,得出以每一研究对象为起点的所有出行成为“优质出行”的概率,通过排序即可初步识别出城市道路交通中的薄弱环节。此外,可将概率等比转换为半径,在地图中对各研究对象的优质出行概率进行标识,以使识别结果可视化。
若以整个城市为研究对象,则需尽可能多的选取POI,以计算机程序进行优质出行的遍历及概率计算,标定色彩系统,以颜色标定各POI出现优质出行的概率,从而形成一张覆盖全市域范围的道路交通薄弱环节分布图。
4、城市道路交通薄弱环节的识别(点散式)
若需单独分析交通枢纽、重要旅游景点、重点发展平台、城市标志性建筑等交通产生点对外“点散式”交通辐射时的薄弱环节,可以选择以该点作为出行起点,再依具体分析需求选择交通吸引点,以“小汽车出行评价方法”计算各次出行的评价值,即可得出此类点散式交通存在的薄弱环节。
任意一次出行的小汽车出行评价方法如下:
针对短、中、长三种不同距离的出行,分析得出其分别成为优质出行的4个数据条件:起点距强出入口的距离、起点距强出入口的拓扑步数、连续通行距离占出行总里程的比例、全程遇到的红绿灯数量。
在任意一次出行中,得出以上4个数据,并分析其与优质出行条件的偏离程度,即可给出任意出行的评价指标计算方法:
R=a×(D-d)+b×(TS-ts)+c×100(p-P)+e×(L-l) (2)
式中:R——任意(Random)一次出行的评价值
D——Distance,出行起点距强出入口的距离
TS——Topological Step,出行起点距强出入口的拓扑步数
P——连续或快速通行长度占全程的比例(Proportion)
L——红绿灯(Light)数量
*注:D,TS,P,L四个值,大写表示为优质出行条件特征值,小写表示为任意出行的一般值
a,b,c,e——参数,取值如下表所示。
表2-出行评价方法参数取值表
短距离出行 | 中距离出行 | 长距离出行 | |
a | 0.1 | 0.2 | 0.3 |
b | 0.3 | 0.3 | 0.3 |
c | 0.2 | 0.3 | 0.3 |
e | 0.4 | 0.2 | 0.1 |
通过上述定义式求得的R值越大,表明出行越优质。
5、实际应用示例——广州市道路交通薄弱环节识别方法
①区域识别示例
如附图3所示,结合广州市实际城市延绵建成区,选取环城高速、华南快速路、广清高速围合区域为研究范围,涉及越秀、天河、海珠、荔湾、白云等五个行政区,总面积约320平方公里。
同时,选取30个交通产生/吸引点作为研究对象,涵盖居住小区、工作/商务、休闲/购物、教育/医疗、交通枢纽等五大类型,各类型的选点数量在具有一定规模的基础上,还尽量保证了均匀分布。所选点位只作为该点及其周边区域的统一名称代号,并不代表在实际的出行OD中必须到达该点。但为了研究方便,在本文的出行研究中仍以所选点位作为各次出行的起讫点。所选点位列表如下:
在分析过程中,得到一个30*30规模的矩阵,矩阵中的数值代表拓扑步数。同时,考虑到实际出行情况,调换起讫点一般不会导致出行条件的明显变化(至多因单行道或中央隔离带导致绕行或调头),因此不再对起讫点调换后的出行路径进行分析。从矩阵中除掉从自身出发到达自身的情况后,总计遍历435次出行。
以短距离出行为例,说明优质出行特征条件的确定方法。
短距离出行条件下,出行体验值位列前50%的起点有13个,以这13个点作为起点的所有短距离出行中,出行体验值位列前50%的有41个。这41次出行即为优质短距离出行。
对以上各出行起点与强出入口间的距离进行分析,可以看出,在所有优质短距离出行中,95%以上的起点距强出入口的距离均在2.5km以内,90%以上均在1.5km以内,75%以上的在1km以内。对以上各出行起点与强出入口间的拓扑步数进行分析,可以看出,在所有优质短距离出行中,80%以上的起点距强出入口的拓扑步数在5步及以下,70%以上的点在3步及以下。
因此可以认为,当出行起点与强出入口间的距离在1.2km以内、拓扑步数为5步或5步以下时,80%以上的短距离出行将成为优质出行。
从连续通行里程占行程总长度比例来看,仅48%左右的优质短距离出行,其连续通行里程占总行程长度比例可以达到70%以上,而所有优质短距离出行的平均值为64%,20%左右的优质短距离此项数据小于50%。
从红绿灯情况来看,一次优质的短距离出行平均会遇到6.97次红灯。
如附图4所示为优质短距离出行下起点与强出入口距离及拓扑步数分布图。
对短、中、长三种距离出行进行统计分析,得出优质出行的特征条件:
与强出入口的距离(km) | 与强出入口的拓扑步数 | 连续通行里程占比 | 红绿灯数量 | |
短距离出行 | 1.2 | 5及以下 | 64% | 6.97 |
中距离出行 | 0.9 | 2及以下 | 80% | 5.28 |
长距离出行 | 0.7 | 1 | 86% | 5.16 |
在遍历的435次出行,其中共有119次被列入优质出行。将这119次出行的起点进行归类分析,即可得出所有出行被列入优质出行的概率,对其进行排序,可以发现城市道路交通中的薄弱环节。分析数据得出,广州市范围内出现优质出行的平均概率为26.4%,表示在研究范围内的所有一次出行,仅26.4%可以达到上文定义的优质出行。
如附图5所示,为进一步分析优质出行概率的分布情况,可在地图中对各研究对象的优质出行概率进行标识(概率等比转换为半径),将数据可视化。
通过分析可以得出,优质出行概率较大的出行起点,基本均位于内环路、东风路、华南快速、环城高速等连续性好、贯通性强的道路附近。这与常规认识相符,同时也印证了上述研究结果。
也可以分析出优质出行概率较小的起点分布情况,也即城市道路交通的薄弱片区。如以中海花湾壹号为代表的西塱片区、以金碧花园为代表的海珠西南片区、以南方医院为代表的广州大道北沿线地区、内环路的老城中心区等。在白鹅潭商务区、海珠创新湾、白云湖数字科技城等的规划背景下,未来这些薄弱片区将面临更大的交通压力,需要在城市规划工作中进行重点关注。
②点散式识别示例
选取广州南站与广州市人民政府分别作为某次出行的起讫点,全程25.0公里,属于长距离交通,全程3个红绿灯。车辆沿途经过东新高速、鹤洞大桥、内环路、东濠涌高架、东风路等连续性或强贯通性道路,总长约21公里,占全部出行里程的84%;车辆从出发到进入东新高速,需要经过石兴大道南辅路及汉溪大道,全长约1.7公里,无红绿灯。
在上述所选的“广州南站-广州市人民政府”案例中,可以计算中其R值为2.612。
若选取“广州南站-广州国际金融中心”为案例,可以计算出其R值为-3.002,此即表明从广州南站出发,到广州市人民政府的出行比到广州国际金融中心更优质。在接下来的城市规划及道路建设中,应考虑加强广州南站与珠江新城间的便捷联系。
本发明采用以上技术方案与现有技术相比,具有以下有益效果:
1、现有技术较多从平均速度等角度进行出行评价,未能考虑出行者的实际出行体验。本发明基于不同出行距离下出行者对连续性的接受程度变化,对长距离出行、中距离出行、短距离出行的拓扑步数及平均速度分别赋予权重,定义了“出行体验值”的概念,由此可在对城市道路交通出行的评价中增加对出行者实际出行体验的考量。
2、现有技术对城市道路交通的评价,或是停留在对瞬时运作的感知,或是仅从纯数学的角度进行网络化分析,不能很好地将交通设施供给与交通实际运作进行结合。本发明在定义出行体验值,并给出优质出行数量特征的确定方法后,可以将交通设施供给与交通实际运作纳入同一套评价体系,进行城市道路交通薄弱环节识别,并有一定的实际应用价值。
3、本发明能够用于城市道路交通薄弱环节的识别,具体可分为区域识别及点散式识别:区域识别:通过明确优质出行遴选的方法,通过人工计算进行任意范围的道路交通薄弱环节识别,也可通过计算机程序进行任意范围乃至全域的识别。点散式识别:若无开展区域识别的条件或需求,则可结合优质出行遴选的4个因素,给定任意一次出行的小汽车出行评价方法,从而可以较为简单地开展点散式道路交通薄弱环节识别。
4、本发明识别出道路交通薄弱环节后,可作为城市规划、道路交通建设计划制定以及交通管理等相关工作开展的重要参考依据。如在城市规划层面,可以统筹控制片区建设总量、指导新城或副中心建设、优化交通设施布局等;在基础设施建设计划制定方面,可以针对性优化道路建设时序,综合考虑重点解决城市交通发展中较为迫切的问题;在交通管理层面,可以分区域制定适宜的管理举措、加强对薄弱节点或片区的疏解及秩序整治等。
对于本领域的普通技术人员来说,在不脱离本申请创造构思的前提下,还可以对本发明的实施例做出若干变型和改进,这些都属于本申请的保护范围。
Claims (2)
1.一种基于拓扑步数分析的城市道路交通薄弱环节区域识别方法,其特征在于,包括以下步骤:
S1:出行体验值的计算及优质出行的选取;
1.1)计算出行体验值E;
以出行距离将所有出行分为短距离出行,中距离出行和长距离出行;同时,计算出行体验值E,其中出行体验值E为出行体验的量化指标,E的计算式如下:
E=m×(30-TS)+n×AS (1)
式中:E——出行体验值
TS——拓扑步数
AS——平均速度
m,n——参数,短距离出行,m=0.7,n=0.3;中距离出行,m=0.5,n=0.5;长距离出行m=0.3,n=0.7
30——为减少参数赋值的误差,在对原始数据进行分析的基础上,对拓扑步数的取值进行调整;
1.2)选取优质出行;
1.2.1)定义“强出入口”:强贯通性或可连续通行道路与其他普通道路的转换节点;
1.2.2)在城市中选取一批起终点,进行出行体验值E的计算;再以出行距离将出行分为短距离出行,中距离出行和长距离出行三组,按出行体验值E由高到低选取前50%的出行起点,再对所选取的出行起点涉及的所有出行,根据出行体验值E由高到低选取前50%;通过两次筛选得出优质出行;
1.2.3)对一系列所述优质出行计算优质出行的特征条件:出行起点距强出入口的距离、出行起点距强出入口的拓扑步数、连续或快速通行长度占全程的比例、全程遇到的红绿灯数量;
S2:进行城市道路交通薄弱环节的区域识别;
2.1)选定研究范围,同时选取一定数量r的涵盖居住小区、工作/商务、休闲/购物、教育/医疗、交通枢纽的交通产生/吸引点作为研究对象;
2.2)得到一个r*r规模的矩阵,矩阵中的数值代表拓扑步数;
2.3)从上述矩阵中去除从自身出发到达自身的情况后,按照上述步骤S1对所选取的研究对象间的出行进行遍历分析,对短距离出行,中距离出行和长距离出行三组出行分别进行计算得出出行体验值E并选取优质出行、计算所述优质出行的特征条件;
2.4)对各优质出行的起点进行归类分析,即可得出所有出行被列入优质出行的概率,对其进行排序得到城市道路交通中的薄弱环节;继续分析出优质出行概率较小的起点分布情况,即可得到城市道路交通的薄弱片区;
2.5)将上述优质出行的概率等比转换为半径,在地图中对各研究对象优质出行的概率进行标识,使识别结果可视化。
2.一种基于拓扑步数分析的城市道路交通薄弱环节点散式识别方法,其特征在于,包括以下步骤:
S1:出行体验值的计算及优质出行的选取;
1.1)计算出行体验值E;
以出行距离将所有出行分为短距离出行,中距离出行和长距离出行;同时,计算出行体验值E,其中出行体验值E为出行体验的量化指标,E的计算式如下:
E=m×(30-TS)+n×AS (1)
式中:E——出行体验值
TS——拓扑步数
AS——平均速度
m,n——参数,短距离出行,m=0.7,n=0.3;中距离出行,m=0.5,n=0.5;长距离出行m=0.3,n=0.7
30——为减少参数赋值的误差,在对原始数据进行分析的基础上,对拓扑步数的取值进行调整;
1.2)选取优质出行;
1.2.1)定义“强出入口”:强贯通性或可连续通行道路与其他普通道路的转换节点;
1.2.2)在城市中选取一批起终点,进行出行体验值E的计算;再以出行距离将出行分为短距离出行,中距离出行和长距离出行三组,按出行体验值E由高到低选取前50%的出行起点,再对所选取的出行起点涉及的所有出行,根据出行体验值E由高到低选取前50%;通过两次筛选得出优质出行;
1.2.3)对一系列所述优质出行计算优质出行的特征条件:出行起点距强出入口的距离、出行起点距强出入口的拓扑步数、连续或快速通行长度占全程的比例、全程遇到的红绿灯数量;
S2:评价任意一次出行
计算任意一次出行的评价值:
R=a×(D-d)+b×(TS-ts)+c×100(p-P)+e×(L-l) (2)
式中:R——任意一次出行的评价值
D——优质出行的出行起点距强出入口的距离
d——一般出行的出行起点距强出入口的距离
TS——优质出行的出行起点距强出入口的拓扑步数
ts——一般出行的出行起点距强出入口的拓扑步数
P——优质出行的连续或快速通行长度占全程的比例
p——一般出行的连续或快速通行长度占全程的比例
L——优质出行全程遇到的红绿灯数量
l——一般出行全程遇到的红绿灯数量
a,b,c,e——参数,短距离出行,a=0.1,b=0.3,c=0.2,e=0.4;中距离出行,a=0.2,b=0.3,c=0.3,e=0.2;长距离出行a=0.3,b=0.3,c=0.3,e=0.1;
S3:重点交通产生点对外点散式道路交通辐射的薄弱环节识别
以重点交通产生点作为出行起点,依具体分析需求选择交通吸引点,确定各次出行为研究对象,以上述步骤S1-S2计算各次出行的评价值R,可得出此类点散式道路交通存在的薄弱环节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210552009.8A CN114973668B (zh) | 2022-05-18 | 2022-05-18 | 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210552009.8A CN114973668B (zh) | 2022-05-18 | 2022-05-18 | 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973668A CN114973668A (zh) | 2022-08-30 |
CN114973668B true CN114973668B (zh) | 2023-03-17 |
Family
ID=82984801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210552009.8A Active CN114973668B (zh) | 2022-05-18 | 2022-05-18 | 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973668B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629974B (zh) * | 2018-05-17 | 2020-09-08 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
CN112309117A (zh) * | 2020-10-30 | 2021-02-02 | 上海炬宏信息技术有限公司 | 一种基于密度聚类的交通事件融合系统和方法 |
CN113987103B (zh) * | 2021-12-27 | 2022-02-25 | 广州市交通规划研究院 | 一种面向城市综合交通网的组合出行路径搜索方法及系统 |
-
2022
- 2022-05-18 CN CN202210552009.8A patent/CN114973668B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114973668A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN105865472A (zh) | 一种基于最佳油耗的车载导航方法 | |
CN109543882B (zh) | 一种基于最优公交平均站间距的公交线网密度计算方法 | |
Imani et al. | Cycle accessibility and level of traffic stress: A case study of Toronto | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN109886474B (zh) | 一种面向自动驾驶车辆测试的封闭测试场规划方法 | |
CN113065685B (zh) | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 | |
CN109460937B (zh) | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110633558B (zh) | 一种城市交通系统建模系统 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN112017429A (zh) | 一种基于货车gps数据的治超监测布点方法 | |
CN106600030B (zh) | 一种基于路网行程时间可靠性的出行预留时间计算方法 | |
CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
CN114973668B (zh) | 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 | |
CN108304470A (zh) | 一种基于ArcGIS的城市地铁路径规划方法 | |
CN114880819B (zh) | 基于城镇节点重要度与交通区位线研究的空间优化方法 | |
CN106781504B (zh) | 一种基于浮动车gps数据的干线停车分析方法 | |
CN116187605A (zh) | 一种基于gis技术的公交线网选线方法 | |
CN105023063B (zh) | 公交线网新能源公交车运行能耗指标体系的建立方法 | |
CN112183871A (zh) | 基于空气指数的城市交通诱导系统 | |
CN114021295A (zh) | 一种基于分支定界法的多方式行车道精细化设置方法 | |
CN113011651A (zh) | 一种以提高骑行质量为目标的城市骑行路径规划方法 | |
CN110705827A (zh) | 一种基于“交通云”的城市交通健康指标的建立方法 |
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 |