CN115527366A - 一种大规模城市路网交通拥堵瓶颈辨识方法 - Google Patents

一种大规模城市路网交通拥堵瓶颈辨识方法 Download PDF

Info

Publication number
CN115527366A
CN115527366A CN202211103834.6A CN202211103834A CN115527366A CN 115527366 A CN115527366 A CN 115527366A CN 202211103834 A CN202211103834 A CN 202211103834A CN 115527366 A CN115527366 A CN 115527366A
Authority
CN
China
Prior art keywords
congestion
road network
traffic
block
bottleneck
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.)
Granted
Application number
CN202211103834.6A
Other languages
English (en)
Other versions
CN115527366B (zh
Inventor
欧吉顺
聂庆慧
王天昊
龙秀江
黄湘梅
周志刚
张俊
刘路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN202211103834.6A priority Critical patent/CN115527366B/zh
Publication of CN115527366A publication Critical patent/CN115527366A/zh
Application granted granted Critical
Publication of CN115527366B publication Critical patent/CN115527366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种大规模城市路网交通拥堵瓶颈辨识方法，包括：获取研究路网的GIS经纬度信息，将研究路网划分为大小相同的网格区块，提取分析时间周期内拥堵持续时间大于给定时长的网格区块，将提取的区块设定为候选交通拥堵瓶颈区块，确定候选交通拥堵瓶颈区块集合，构建交通拥堵传播图，根据交通拥堵传播图辨识独立拥堵区域进行分析，根据构建分析的交通拥堵传播图，对路网中主动产生拥堵最早的区块进行辨识，识别源头拥堵区块，定义源头拥堵区块集合，确定交通拥堵瓶颈区域。本发明能够基于车辆出行轨迹数据和网格划分技术对路网网格区块交通状态进行研判，精准辨识城市路网在不同时段的交通拥堵瓶颈区域。

Description

一种大规模城市路网交通拥堵瓶颈辨识方法
技术领域
本发明属于道路交通信息监测领域，具体涉及一种大规模城市路网交通拥堵瓶颈辨识方法。
背景技术
随着我国现代化进程不断加快，城市居民汽车保有量急剧增加。
从交通供需关系角度来看，交通拥堵瓶颈是交通供需矛盾体现最为激烈的地方，是交通拥堵产生的源头。拥堵瓶颈被激活后，将使产生的拥堵在时间和空间上进行扩散和转移，从而引发更大范围、更加剧烈的交通拥堵。在极端情形下，若不对交通拥堵瓶颈进行及时有效干预，甚至会导致整个路网瘫痪。鉴于此，及时准确辨识城市路网中的交通拥堵瓶颈区域对于缓解和治理交通拥堵具有重要的现实意义。
早期的交通拥堵瓶颈辨识研究工作主要以高速公路为研究对象，所提出的方法包括经验分析法、交通参数阈值法、数据驱动法和基于交通流理论的方法。与高速公路不同，城市道路行人及车流密集，道路交通流容易受到交通管控设施、交通出行模式、路网结构约束以及复杂路径选择行为等多个复杂交通条件的影响，使得交通拥堵瓶颈辨识任务充满挑战性。当前针对城市道路交通拥堵瓶颈进行辨识的方法主要以结构相对简单的小规模路网为分析对象，而现实情形中的城市道路网络往往为拥堵空间分布不均匀或拥堵时间分布不一致的大规模城市路网，这对现有方法提出了新的挑战。
发明内容
为解决上述问题，本发明公开了一种面向大规模城市路网的交通拥堵瓶颈辨识方法。
为达到上述目的，本发明的技术方案如下：
一种大规模城市路网交通拥堵瓶颈辨识方法，包括如下步骤：
S1：获取研究路网的GIS经纬度信息，将研究路网划分为大小相同的网格区块，确定路网中每一网格区块的经纬度信息及其空间范围，根据研究路网的车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，对研究路网中含有道路对象的网格区块的道路交通状态进行研判；
S2：提取分析时间周期内拥堵持续时间大于给定时长的网格区块，将提取的区块设定为候选交通拥堵瓶颈区块，确定候选交通拥堵瓶颈区块集合；
S3：构建交通拥堵传播图，根据交通拥堵传播图辨识独立拥堵区域，分别构建分析时间周期内交通拥堵传播图的图节点和有向边；
S4：根据构建分析的交通拥堵传播图，对路网中主动产生拥堵最早的区块进行辨识，识别源头拥堵区块，定义源头拥堵区块集合；
S5：根据候选交通拥堵瓶颈区块集合和源头拥堵区块集合，确定交通拥堵瓶颈区域。
进一步的，所述步骤S1具体包括以下步骤：
S1-1：获取研究路网的GIS经纬度信息，将路网划分为m×n个大小相对的网格区块，其中，m为划分的行数，n为划分的列数，设定Cell(i,j)表示路网区域中行索引为i，列索引为j的网格区块，1≤i≤m，1≤j≤n，设定分析时间周期为T，其由Ntime个等大小的连续时间间隔构成，根据公式：
Figure BDA0003841642200000021
其中，tk为第k个待分析的时间间隔；
S1-2：获取研究路网内部的车辆出行轨迹数据，根据车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，将每一车辆出行轨迹数据样本映射到分析时间周期T 内各个时间间隔所对应的路网网格中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判。
进一步的，所述步骤S1-2中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判的过程，包括以下步骤：
设定第k个时间间隔为tk，1≤k≤Ntime，提取落入网格区块的每个车辆出行轨迹数据样本提供的瞬时速度信息，设定网格区块内车辆出行轨迹的平均速度为
Figure BDA0003841642200000022
根据公式：
Figure BDA0003841642200000023
其中，
Figure BDA0003841642200000024
为第k个时间间隔网格区块Cell(i,j)内轨迹数据样本的数量，
Figure BDA0003841642200000025
为第k个时间间隔网格区块内第l个轨迹数据样本的瞬时速度，
Figure BDA0003841642200000031
为网格区块Cell(i,j)所在的道路的最高限制速度；
根据第k个时间间隔网格区块的交通状态标识，研判网格区块的交通状态，设定第k个时间间隔网格区块的交通状态标识为
Figure BDA0003841642200000032
根据公式：
Figure BDA0003841642200000033
其中，
Figure BDA0003841642200000034
表示第k个时间间隔网格区块的交通状态为拥堵态，否则为非拥堵态，
Figure BDA0003841642200000035
为网格区块Cell(i,j)在当天所有时间间隔的平均速度的95％分位数，γ为速度比阈值。
进一步的，所述步骤S2具体包括以下步骤：
S2-1：获取研判网格区块Cell(i,j)内每一时间间隔的交通状态
Figure BDA0003841642200000036
1≤k≤Ntime；
S2-2：对每一网格区块在分析周期T内的拥堵的时间间隔进行分组，判定任意两个拥堵的时间间隔在时序上是否相邻，若任意两个拥堵的时间间隔在时序上相邻，将两个时间间隔归为同一组，若任意两个拥堵的时间间隔在时序上不相邻，则将他们划分为两个不同的组；
S2-3：按照时间先后顺序对各个分组进行排序，提取每组的最早时间间隔和最晚时间间隔，设定为该组对应的拥堵时间段的起始时间和结束时间，将时间上连续拥堵的网格区块Cell(i,j)标记为
Figure BDA0003841642200000037
其中
Figure BDA0003841642200000038
和
Figure BDA0003841642200000039
分别表示网格区块Cell(i,j 在某一连续拥堵时段的起始时间和结束时间，当一个网格区块存在多个连续拥堵时段，则对这多个连续拥堵时段的网格区块均进行标记；
S2-4：设定网格区块Cell(i,j)的每个连续拥堵时段的持续时间为
Figure BDA00038416422000000310
并挑选出持续时间Tjam大于给定时长的连续拥堵的区块，设定为候选交通拥堵瓶颈区块，添加至候选交通拥堵瓶颈区块集合，设定候选交通拥堵瓶颈区块集合表示为Bcdd，根据公式：
Figure BDA00038416422000000311
其中，bq是Bcdd中第q个候选交通拥堵瓶颈区块，
Figure BDA00038416422000000312
和
Figure BDA00038416422000000313
分别是bq发生拥堵的开始时间和结束时间，Ncdd是候选交通拥堵瓶颈区块的数目，icdd和jcdd是bq在路网中的行索引和列索引，指示了bq在路网中的空间位置，1≤icdd≤m，1≤jcdd≤n。
进一步的，所述步骤S3具体包括以下步骤：
S3-1：构建交通拥堵传播图，将交通拥堵传播图定义为一个有向无环图，其中，图节点表示某一时间间隔内路网中一块独立的拥堵区域，有向边表示前后相邻两个时间间隔内相互独立的拥堵区域之间发生了拥堵传播现象；
S3-2：令有向无环图表示为GD＝(VD,ED)，其中VD表示节点的集合，ED表示有向边的集合，分别构建有向无环图的图节点和有向边。
进一步的，所述步骤S3-2中，构建有向无环图的图节点的过程，包括以下步骤：
S32-1：针对给定的时间间隔tk，查找研究路网中所有网格区块的交通状态为拥堵态的拥堵区块，即交通状态标识
Figure BDA0003841642200000041
的区块，将查找出的拥堵区块表示为Ck，
Figure BDA0003841642200000042
Figure BDA0003841642200000043
其中，
Figure BDA0003841642200000044
是第k个时间间隔内路网中的第p个拥堵区块，Nk是第k个时间间隔内路网中的拥堵区块的总数目；
S32-2：将查找出的拥堵区块在研究路网中的位置关系表达为一个具有Nk个节点的无向无环图，用邻接矩阵Ak进行表征，邻接矩阵Ak中的元素表示两个节点之间是否存在连边，若存在连边则元素值为1，否则，元素值为0，设定邻接矩阵Ak中元素的总数目为Nk×Nk，设定邻接矩阵Ak中的元素为Ak(iA,jA)，其中，1≤iA≤Nk，1≤jA≤Nk，根据公式：
Figure BDA0003841642200000045
其中，iA和jA分别表示矩阵的行索引和列索引，
Figure BDA0003841642200000046
和
Figure BDA0003841642200000047
分别表示第k个时间间隔提取的第iA个和第jA个拥堵区块，
Figure BDA0003841642200000048
表示拥堵区块
Figure BDA0003841642200000049
与拥堵区块
Figure BDA00038416422000000410
路网空间位置上相连通；
S32-3：根据图邻接矩阵Ak构建无向无环图，令无向无环图表示为GU＝(VU,EU)，其中，VU表示图节点集合，EU表示无向边集合，构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支；
S32-4：重复步骤S32-1至S32-3，以对分析周期T内所有时间间隔的独立拥堵区域进行辨识和提取，将提取出的独立拥堵区域对应交通拥堵传播图的所有图节点。
进一步的，所述步骤S32-3中，构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支的过程，包括以下步骤：
A-1：将在给定的时间间隔tk内，查找出的拥堵区块Ck中的拥堵区块定义为无向无环图GU的图节点，并将其添加至图节点集合VU中，若邻接矩阵Ak中的元素Ak(iA,jA)＝1，且拥堵区块
Figure BDA0003841642200000051
与
Figure BDA0003841642200000052
对应的图节点之间没有连边，则在两个图节点之间添加一条无向边，并将该边添加至无向边集合EU中，重复添加，直至邻接矩阵Ak中所有元素均遍历完毕；
B-2：设定无向无环图GU中的一个连通分支对应了在路网空间上相互连通的一块独立拥堵区域，设定无向无环图GU中任一节点为vU，vU∈VU，若vU没有归属节点，则创建一个新的连通分支，并将vU添加到该连通分支当中，同时以vU为根节点，对无向无环图GU中的节点进行深度优先遍历，并标记vU为遍历到的每个节点的归属节点，若vU拥有归属节点，表示该节点存在于已有的连通分支当中，将该节点添加至其归属节点对应的连通分支当中，重复对vU进行判定，直至对无向无环图GU中的所有节点都遍历完毕。
进一步的，所述步骤S3-2中，构建有向无环图的有向边的过程，包括以下步骤：
令前一个时间间隔的某一独立拥堵区域表示为
Figure BDA0003841642200000053
其中，Npr是该区域中拥堵区块的数量，Cellg是该区域中第g个拥堵区块，令后一个时间间隔的某一独立拥堵区域表示为
Figure BDA0003841642200000054
Nnx为该区域中拥堵区块的数量，Cellh为该区域中第h个拥堵区块；
判断上述两个独立拥堵区域对应的图节点之间是否应该添加有向边，根据公式：
Figure BDA0003841642200000055
其中，
Figure BDA0003841642200000056
这一判断条件成立的标准为Rpr中拥堵区块与Rnx中拥堵区块为相同区块的数目大于0，若e(Rpr,Rnx)＝1，则在两个独立拥堵区域对应的图节点之间添加一条由前一个时间间隔对应节点为起点至后一时间间隔对应节点为终点的有向边，对分析周期内两两相邻时间间隔对应的两个节点进行上述重复过程的研判，完成构建整个分析周期的交通拥堵传播图。
进一步的，所述步骤S4具体包括以下步骤：
S4-1：根据构建的交通拥堵传播图，对交通拥堵传播图中的源头节点进行辨识，其中，设定源头节点为交通拥堵传播图中入度为0的节点，根据图节点的入度辨识源头图节点；
S4-2：计算交通拥堵传播图各个节点的入度，设定任一节点为vD，vD∈VD，设定其入度表示为α(vD)，计算为交通拥堵传播图中指向该节点的有向边的数目；
S4-3：基于计算的入度对交通拥堵传播图中的源头图节点进行辨识，设定源头图节点为vsrc，根据公式：
Figure BDA0003841642200000061
Figure BDA0003841642200000062
其中，交通拥堵传播图中入度为0的图节点为源头图节点；
S4-4：源头图节点对应了路网中不同时间间隔出现的源头拥堵区块，设定源头拥堵区块集合为Bsrc，根据公式：
Figure BDA0003841642200000063
其中，bs为交通拥堵传播图中找到的第s个源头拥堵区块，
Figure BDA0003841642200000064
和
Figure BDA0003841642200000065
分别表示bs发生拥堵的开始时间和结束时间，Nsrc为源头拥堵区块的数目，isrc和jsrc表示bs在路网中的行索引和列索引，指示了bs在路网中的空间位置，1≤isrc≤m，1≤jsrc≤n。
进一步的，所述步骤S5具体包括以下步骤：
提取候选交通拥堵瓶颈区块集合Bcdd和源头交通拥堵瓶颈区块集合Bsrc，确定交通拥堵瓶颈区块集合，设定交通拥堵瓶颈区块集合为Bfinal，根据公式：
Figure BDA0003841642200000066
获取交通拥堵瓶颈区块集合为Bfinal后，对交通拥堵瓶颈区块集合Bfinal中每一起始时间间隔对应的交通拥堵瓶颈区块进行空间聚类，从而获得每一时间间隔对应的交通拥堵瓶颈区域。
本发明的有益效果为：
本发明方法基于车辆出行轨迹数据和网格划分技术对路网网格区块交通状态进行研判，通过构建交通拥堵传播图能够自动精准辨识城市路网在不同时段的交通拥堵瓶颈区域。本发明为大城市交通拥堵监测、管理和控制提供了更加可靠的决策支撑，有利于进一步缓解和治理城市交通拥堵。
附图说明
图1为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的总步骤示意图；
图2为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的步骤S1中具体步骤示意图；
图3为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的步骤S2中具体步骤示意图；
图4为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的步骤S3中具体步骤示意图；
图5为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的步骤S4中具体步骤示意图；
图6为本发明提供的一种大规模城市路网交通拥堵瓶颈辨识方法的步骤S5的具体步骤示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明实施例提供了一种大规模城市路网交通拥堵瓶颈辨识方法，其流程如图1所示，包括如下步骤：
S1：获取研究路网的GIS经纬度信息，将研究路网划分为大小相同的网格区块，确定路网中每一网格区块的经纬度信息及其空间范围，根据研究路网的车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，对研究路网中含有道路对象的网格区块的道路交通状态进行研判；
步骤S1的具体流程参照图2，包括以下步骤：
S1-1：获取研究路网的GIS经纬度信息，将路网划分为m×n个大小相对的网格区块，其中，m为划分的行数，n为划分的列数，设定Cell(i,j)表示路网区域中行索引为i(1≤i≤m)，列索引为j(1≤j≤n)的网格区块，设定待分析时间周期为T，其由Ntime个等大小的连续时间间隔构成，根据公式：
Figure BDA0003841642200000071
其中，tk为第k个待分析的时间间隔。
S1-2：获取研究路网内部的车辆出行轨迹数据，根据车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，将每一车辆出行轨迹数据样本映射到分析时间周期T 内各个时间间隔所对应的路网网格中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判。
需要具体说明的是，映射车辆出行轨迹样本时不考虑不含道路对象的网格区块，若有轨迹数据样本被映射到该类网格区块，需要将其重新分配到相邻的含有道路对象的网格区块内。
具体地说，步骤S1-2中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判，包括以下步骤：
设定第k个时间间隔为tk，1≤k≤Ntime，提取落入网格区块的每个车辆出行轨迹数据样本提供的瞬时速度信息，设定网格区块内车辆出行轨迹的平均速度为
Figure BDA0003841642200000081
根据公式：
Figure BDA0003841642200000082
其中，
Figure BDA0003841642200000083
为第k个时间间隔网格区块Cell(i,j)内轨迹数据样本的数量，
Figure BDA0003841642200000084
为第k个时间间隔网格区块内第l个轨迹数据样本的瞬时速度，
Figure BDA0003841642200000085
为网格区块Cell(i,j)所在的道路的最高限制速度；
根据第k个时间间隔网格区块的交通状态标识，研判网格区块的交通状态，设定第k个时间间隔网格区块的交通状态标识为
Figure BDA0003841642200000086
根据公式：
Figure BDA0003841642200000087
其中，
Figure BDA0003841642200000088
表示第k个时间间隔网格区块的交通状态为拥堵态，否则为非拥堵态，
Figure BDA0003841642200000089
为网格区块Cell(i,j)在当天所有时间间隔的平均速度的95％分位数，γ为速度比阈值。
S2：提取分析时间周期T内拥堵持续时间大于给定时长的网格区块，将提取的区块设定为候选交通拥堵瓶颈区块，确定候选交通拥堵瓶颈区块集合；
步骤S2的具体流程参照图3，包括以下步骤：
S2-1：获取研判网格区块Cell(i,j)内每一时间间隔的交通状态
Figure BDA00038416422000000810
1≤k≤Ntime)；
S2-2：对每一网格区块在分析周期T内的拥堵的时间间隔进行分组，即对
Figure BDA00038416422000000811
对应的时间间隔进行分组，判定任意两个拥堵的时间间隔在时序上是否相邻，若任意两个拥堵的时间间隔在时序上相邻，将两个时间间隔归为同一组，若任意两个拥堵的时间间隔在时序上不相邻，则将他们划分为两个不同的组；
S2-3：按照时间先后顺序对各个分组进行排序，提取每组的最早时间间隔和最晚时间间隔，设定为该组对应的拥堵时间段的起始时间和结束时间，将时间上连续拥堵的网格区块Cell(i,j)标记为
Figure BDA0003841642200000091
其中
Figure BDA0003841642200000092
和
Figure BDA0003841642200000093
分别表示网格区块Cell(i,j 在某一连续拥堵时段的起始时间和结束时间，当一个网格区块存在多个连续拥堵时段，则对这多个连续拥堵时段的网格区块均进行标记；
S2-4：设定网格区块Cell(i,j)的每个连续拥堵时段的持续时间为
Figure BDA0003841642200000094
并挑选出持续时间Tjam大于给定时长的连续拥堵的区块，设定为候选交通拥堵瓶颈区块，添加至候选交通拥堵瓶颈区块集合，设定候选交通拥堵瓶颈区块集合表示为Bcdd，根据公式：
Figure BDA0003841642200000095
其中，bq是Bcdd中第q个候选交通拥堵瓶颈区块，
Figure BDA0003841642200000096
和
Figure BDA0003841642200000097
分别是bq发生拥堵的开始时间和结束时间，Ncdd是候选交通拥堵瓶颈区块的数目，icdd(1≤icdd≤m)和 jcdd(1≤jcdd≤n)是bq在路网中的行索引和列索引，指示了bq在路网中的空间位置。
S3：构建交通拥堵传播图，根据交通拥堵传播图辨识独立拥堵区域，分别构建分析时间周期内交通拥堵传播图的图节点和有向边；
步骤S3的具体流程参照图4，包括以下步骤：
S3-1：构建交通拥堵传播图，将交通拥堵传播图定义为一个有向无环图，其中，图节点表示某一时间间隔内路网中一块独立的拥堵区域，有向边表示前后相邻两个时间间隔内相互独立的拥堵区域之间发生了拥堵传播现象；
S3-2：令有向无环图表示为GD＝(VD,ED)，其中VD表示节点的集合，ED表示有向边的集合，分别构建有向无环图的图节点和有向边。其中构建有向无环图的图节点过程，具体包括以下步骤：
S32-1：针对给定的时间间隔tk，查找研究路网中所有网格区块的交通状态为拥堵态的拥堵区块，即交通状态标识
Figure BDA0003841642200000098
的区块，将查找出的拥堵区块表示为Ck，
Figure BDA0003841642200000099
Figure BDA00038416422000000911
其中，
Figure BDA00038416422000000910
是第k个时间间隔内路网中的第p个拥堵区块，Nk是第k个时间间隔内路网中的拥堵区块的总数目；
S32-2：将查找出的拥堵区块在研究路网中的位置关系表达为一个具有Nk个节点的无向无环图，用邻接矩阵Ak进行表征，邻接矩阵Ak中的元素表示两个节点之间是否存在连边，若存在连边则元素值为1，否则，元素值为0，设定邻接矩阵Ak中元素的总数目为Nk×Nk，设定邻接矩阵Ak中的元素为Ak(iA,jA)其中，1≤iA≤Nk，1≤jA≤Nk，根据公式：
Figure BDA0003841642200000101
其中，iA和jA分别表示矩阵的行索引和列索引，
Figure BDA0003841642200000102
和
Figure BDA0003841642200000103
分别表示第k个时间间隔提取的第iA个和第jA个拥堵区块，
Figure BDA0003841642200000104
表示拥堵区块
Figure BDA0003841642200000105
与拥堵区块
Figure BDA0003841642200000106
路网空间位置上相连通；
S32-3：根据图邻接矩阵Ak构建无向无环图，令无向无环图表示为GU＝(VU,EU)，其中，VU表示图节点集合，EU表示无向边集合，构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支；本步骤中构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支的过程，包括以下步骤：
A-1：将在给定的时间间隔tk内查找出的拥堵区块Ck中的拥堵区块定义为无向无环图GU的图节点，并将其添加至图节点集合VU中，若邻接矩阵Ak中的元素Ak(iA,jA)＝1，且拥堵区块
Figure BDA0003841642200000107
与
Figure BDA0003841642200000108
对应的图节点之间没有连边，则在两个图节点之间添加一条无向边，并将该边添加至无向边集合EU中，重复添加，直至邻接矩阵Ak中所有元素均遍历完毕；
B-2：设定无向无环图GU中的一个连通分支对应了在路网空间上相互连通的一块独立拥堵区域，设定无向无环图GU中任一节点为vU，vU∈VU，若vU没有归属节点，则创建一个新的连通分支，并将vU添加到该连通分支当中，同时以vU为根节点，对无向无环图GU中的节点进行深度优先遍历，并标记vU为遍历到的每个节点的归属节点，若vU拥有归属节点，表示该节点存在于已有的连通分支当中，将该节点添加至其归属节点对应的连通分支当中，重复对vU进行判定，直至对无向无环图GU中的所有节点都遍历完毕。
S32-4：重复步骤S32-1至S32-3，以对分析周期T内所有时间间隔的独立拥堵区域进行辨识和提取，将提取出的独立拥堵区域对应交通拥堵传播图的所有图节点。
步骤S3-2中，构建有向无环图的有向边的过程，包括以下步骤：
令前一个时间间隔的某一独立拥堵区域表示为
Figure BDA0003841642200000111
其中，Npr是该区域中拥堵区块的数量，Cellg是该区域中第g个拥堵区块，令后一个时间间隔的某一独立拥堵区域表示为
Figure BDA0003841642200000112
Nnx为该区域中拥堵区块的数量，Cellh为该区域中第h个拥堵区块；
判断上述两个独立拥堵区域对应的图节点之间是否应该添加有向边，根据公式：
Figure BDA0003841642200000113
其中，
Figure BDA0003841642200000114
这一判断条件成立的标准为Rpr中拥堵区块与Rnx中拥堵区块为相同区块的数目大于0，若e(Rpr,Rnx)＝1，则在两个独立拥堵区域对应的图节点之间添加一条由前一个时间间隔对应节点为起点至后一时间间隔对应节点为终点的有向边，对分析周期内两两相邻时间间隔对应的两个节点进行上述重复过程的研判，完成构建整个分析周期T的交通拥堵传播图。
S4：根据构建分析的交通拥堵传播图，对路网中主动产生拥堵最早的区块进行辨识，识别源头拥堵区块，定义源头拥堵区块集合；
步骤S4的具体流程参照图5，包括以下步骤：
S4-1：根据构建的交通拥堵传播图，对交通拥堵传播图中的源头节点进行辨识，其中，设定源头节点为交通拥堵传播图中入度为0的节点，根据图节点的入度辨识源头图节点；
S4-2：计算交通拥堵传播图各个节点的入度，设定任一节点为vD，vD∈VD，设定其入度表示为α(vD)，计算为交通拥堵传播图中指向该节点的有向边的数目；
S4-3：基于计算的入度对交通拥堵传播图中的源头图节点进行辨识，设定源头图节点为vsrc，根据公式：
Figure BDA0003841642200000115
Figure BDA0003841642200000116
其中，交通拥堵传播图中入度为0的图节点为源头图节点；
S4-4：源头图节点对应了路网中不同时间间隔出现的源头拥堵区块，设定源头拥堵区块集合为Bsrc，根据公式：
Figure BDA0003841642200000121
其中，bs为交通拥堵传播图中找到的第s个源头拥堵区块，
Figure BDA0003841642200000122
和
Figure BDA0003841642200000123
分别表示bs发生拥堵的开始时间和结束时间，Nsrc为源头拥堵区块的数目，isrc(1≤isrc≤m)和 jsrc(1≤jsrc≤n)表示bs在路网中的行索引和列索引，指示了bs在路网中的空间位置。
S5：根据候选交通拥堵瓶颈区块集合和源头拥堵区块集合，确定交通拥堵瓶颈区域。
步骤S5的具体流程参照图6，包括以下步骤：
提取候选交通拥堵瓶颈区块集合Bcdd和源头交通拥堵瓶颈区块集合Bsrc，确定交通拥堵瓶颈区块集合，设定交通拥堵瓶颈区块集合为Bfinal，根据公式：
Figure BDA0003841642200000124
获取交通拥堵瓶颈区块集合为Bfinal后，对交通拥堵瓶颈区块集合Bfinal中每一起始时间间隔对应的交通拥堵瓶颈区块进行空间聚类，从而获得每一时间间隔对应的交通拥堵瓶颈区域。
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，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，这些改进和润饰均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，包括如下步骤：
S1：获取研究路网的GIS经纬度信息，将研究路网划分为大小相同的网格区块，确定路网中每一网格区块的经纬度信息及其空间范围，根据研究路网的车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，对研究路网中含有道路对象的网格区块的道路交通状态进行研判；
S2：提取分析时间周期内拥堵持续时间大于给定时长的网格区块，将提取的区块设定为候选交通拥堵瓶颈区块，确定候选交通拥堵瓶颈区块集合；
S3：构建交通拥堵传播图，根据交通拥堵传播图辨识独立拥堵区域，分别构建分析时间周期内交通拥堵传播图的图节点和有向边；
S4：根据构建分析的交通拥堵传播图，对路网中主动产生拥堵最早的区块进行辨识，识别源头拥堵区块，定义源头拥堵区块集合；
S5：根据候选交通拥堵瓶颈区块集合和源头拥堵区块集合，确定交通拥堵瓶颈区域。
2.根据权利要求1所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S1具体包括以下步骤：
S1-1：获取研究路网的GIS经纬度信息，将路网划分为m×n个大小相对的网格区块，其中，m为划分的行数，n为划分的列数，设定Cell(i,j)表示路网区域中行索引为i，列索引为j的网格区块，1≤i≤m，1≤j≤n，设定分析时间周期为T，其由Ntime个等大小的连续时间间隔构成，根据公式：
Figure FDA0003841642190000011
其中，tk为第t个待分析的时间间隔；
S1-2：获取研究路网内部的车辆出行轨迹数据，根据车辆出行轨迹数据提供的车辆定位的时间和经纬度信息，将每一车辆出行轨迹数据样本映射到分析时间周期T内各个时间间隔所对应的路网网格中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判。
3.根据权利要求2所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S1-2中，基于落入网格区块的车辆出行轨迹数据样本，对每一时间间隔的各个网格区块的交通状态进行研判的过程，包括以下步骤：
设定第k个时间间隔为tk，1≤k≤Ntime，提取落入网格区块的每个车辆出行轨迹数据样本提供的瞬时速度信息，设定网格区块内车辆出行轨迹的平均速度为
Figure FDA0003841642190000021
根据公式：
Figure FDA0003841642190000022
其中，
Figure FDA0003841642190000023
为第k个时间间隔网格区块Cell(i,j)内轨迹数据样本的数量，
Figure FDA0003841642190000024
为第k个时间间隔网格区块内第l个轨迹数据样本的瞬时速度，
Figure FDA0003841642190000025
为网格区块Cell(i,j)所在的道路的最高限制速度；
根据第k个时间间隔网格区块的交通状态标识，研判网格区块的交通状态，设定第k个时间间隔网格区块的交通状态标识为
Figure FDA0003841642190000026
根据公式：
Figure FDA0003841642190000027
其中，
Figure FDA0003841642190000028
表示第k个时间间隔网格区块的交通状态为拥堵态，否则为非拥堵态，
Figure FDA0003841642190000029
为网格区块Cell(i,j)在当天所有时间间隔的平均速度的95％分位数，γ为速度比阈值。
4.根据权利要求1所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S2具体包括以下步骤：
S2-1：获取研判网格区块Cell(i,j)内每一时间间隔的交通状态
Figure FDA00038416421900000210
1≤k≤Ntime；
S2-2：对每一网格区块在分析周期T内的拥堵的时间间隔进行分组，判定任意两个拥堵的时间间隔在时序上是否相邻，若任意两个拥堵的时间间隔在时序上相邻，将两个时间间隔归为同一组，若任意两个拥堵的时间间隔在时序上不相邻，则将他们划分为两个不同的组；
S2-3：按照时间先后顺序对各个分组进行排序，提取每组的最早时间间隔和最晚时间间隔，设定为该组对应的拥堵时间段的起始时间和结束时间，将时间上连续拥堵的网格区块Cell(i,j)标记为
Figure FDA00038416421900000211
其中
Figure FDA00038416421900000212
和
Figure FDA00038416421900000213
分别表示网格区块Cell(i,j)在某一连续拥堵时段的起始时间和结束时间，当一个网格区块存在多个连续拥堵时段，则对这多个连续拥堵时段的网格区块均进行标记；
S2-4：设定网格区块Cell(i,j)的每个连续拥堵时段的持续时间为
Figure FDA0003841642190000031
并挑选出持续时间Tjam大于给定时长的连续拥堵的区块，设定为候选交通拥堵瓶颈区块，添加至候选交通拥堵瓶颈区块集合，设定候选交通拥堵瓶颈区块集合表示为Bcdd，根据公式：
Figure FDA0003841642190000032
其中，bq是Bcdd中第q个候选交通拥堵瓶颈区块，
Figure FDA0003841642190000033
和
Figure FDA0003841642190000034
分别是bq发生拥堵的开始时间和结束时间，Ncdd是候选交通拥堵瓶颈区块的数目，icdd和jcdd是bq在路网中的行索引和列索引，指示了bq在路网中的空间位置，1≤icdd≤m，1≤jcdd≤n。
5.根据权利要求1所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S3具体包括以下步骤：
S3-1：构建交通拥堵传播图，将交通拥堵传播图定义为一个有向无环图，其中，图节点表示某一时间间隔内路网中一块独立的拥堵区域，有向边表示前后相邻两个时间间隔内相互独立的拥堵区域之间发生了拥堵传播现象；
S3-2：令有向无环图表示为GD＝(VD,ED)，其中VD表示节点的集合，ED表示有向边的集合，分别构建有向无环图的图节点和有向边。
6.根据权利要求5所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S3-2中，构建有向无环图的图节点的过程，包括以下步骤：
S32-1：针对给定的时间间隔tk，查找研究路网中所有网格区块的交通状态为拥堵态的拥堵区块，即交通状态标识
Figure FDA0003841642190000035
的区块，将查找出的拥堵区块表示为Ck，
Figure FDA0003841642190000036
Figure FDA0003841642190000037
其中，
Figure FDA0003841642190000038
是第k个时间间隔内路网中的第p个拥堵区块，Nk是第k个时间间隔内路网中的拥堵区块的总数目；
S32-2：将查找出的拥堵区块在研究路网中的位置关系表达为一个具有Nk个节点的无向无环图，用邻接矩阵Ak进行表征，邻接矩阵Ak中的元素表示两个节点之间是否存在连边，若存在连边则元素值为1，否则，元素值为0，设定邻接矩阵Ak中元素的总数目为Nk×Nk，设定邻接矩阵Ak中的元素为Ak(iA,jA)，其中，1≤iA≤Nk，1≤jA≤Nk，根据公式：
Figure FDA0003841642190000041
其中，iA和jA分别表示矩阵的行索引和列索引，
Figure FDA0003841642190000042
和
Figure FDA0003841642190000043
分别表示第k个时间间隔提取的第iA个和第jA个拥堵区块，
Figure FDA0003841642190000044
表示拥堵区块
Figure FDA0003841642190000045
与拥堵区块
Figure FDA0003841642190000046
路网空间位置上相连通；
S32-3：根据图邻接矩阵Ak构建无向无环图，令无向无环图表示为GU＝(VU,EU)，其中，VU表示图节点集合，EU表示无向边集合，构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支；
S32-4：重复步骤S32-1至S32-3，以对分析周期T内所有时间间隔的独立拥堵区域进行辨识和提取，将提取出的独立拥堵区域对应交通拥堵传播图的所有图节点。
7.根据权利要求6所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S32-3中，构建无向无环图GU，并在构建的无向无环图中查找出所有连通分支的过程，包括以下步骤：
A-1：将在给定的时间间隔tk内，查找出的拥堵区块Ck中的拥堵区块定义为无向无环图GU的图节点，并将其添加至图节点集合VU中，若邻接矩阵Ak中的元素Ak(iA,jA)＝1，且拥堵区块
Figure FDA0003841642190000047
与
Figure FDA0003841642190000048
对应的图节点之间没有连边，则在两个图节点之间添加一条无向边，并将该边添加至无向边集合EU中，重复添加，直至邻接矩阵Ak中所有元素均遍历完毕；
B-2：设定无向无环图GU中的一个连通分支对应了在路网空间上相互连通的一块独立拥堵区域，设定无向无环图GU中任一节点为vU，vU∈VU，若vU没有归属节点，则创建一个新的连通分支，并将vU添加到该连通分支当中，同时以vU为根节点，对无向无环图GU中的节点进行深度优先遍历，并标记vU为遍历到的每个节点的归属节点，若vU拥有归属节点，表示该节点存在于已有的连通分支当中，将该节点添加至其归属节点对应的连通分支当中，重复对vU进行判定，直至对无向无环图GU中的所有节点都遍历完毕。
8.根据权利要求5所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S3-2中，构建有向无环图的有向边的过程，包括以下步骤：
令前一个时间间隔的某一独立拥堵区域表示为
Figure FDA0003841642190000051
其中，Npr是该区域中拥堵区块的数量，Cellg是该区域中第g个拥堵区块，令后一个时间间隔的某一独立拥堵区域表示为
Figure FDA0003841642190000052
Nnx为该区域中拥堵区块的数量，Cellh为该区域中第h个拥堵区块；
判断上述两个独立拥堵区域对应的图节点之间是否应该添加有向边，根据公式：
Figure FDA0003841642190000053
其中，
Figure FDA0003841642190000054
这一判断条件成立的标准为Rpr中拥堵区块与Rnx中拥堵区块为相同区块的数目大于0，若e(Rpr,Rnx)＝1，则在两个独立拥堵区域对应的图节点之间添加一条由前一个时间间隔对应节点为起点至后一时间间隔对应节点为终点的有向边，对分析周期内两两相邻时间间隔对应的两个节点进行上述重复过程的研判，完成构建整个分析周期的交通拥堵传播图。
9.根据权利要求1所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S4具体包括以下步骤：
S4-1：根据构建的交通拥堵传播图，对交通拥堵传播图中的源头节点进行辨识，其中，设定源头节点为交通拥堵传播图中入度为0的节点，根据图节点的入度辨识源头图节点；
S4-2：计算交通拥堵传播图各个节点的入度，设定任一节点为vD，vD∈VD，设定其入度表示为α(vD)，计算为交通拥堵传播图中指向该节点的有向边的数目；
S4-3：基于计算的入度对交通拥堵传播图中的源头图节点进行辨识，设定源头图节点为vsrc，根据公式：
Figure FDA0003841642190000055
Figure FDA0003841642190000056
其中，交通拥堵传播图中入度为0的图节点为源头图节点；
S4-4：源头图节点对应了路网中不同时间间隔出现的源头拥堵区块，设定源头拥堵区块集合为Bsrc，根据公式：
Figure FDA0003841642190000061
其中，bd为交通拥堵传播图中找到的第s个源头拥堵区块，
Figure FDA0003841642190000062
和
Figure FDA0003841642190000063
分别表示bs发生拥堵的开始时间和结束时间，Nsrc为源头拥堵区块的数目，isrc和jsrc表示bs在路网中的行索引和列索引，指示了bs在路网中的空间位置，1≤isrc≤m，1≤jsrc≤n。
10.根据权利要求1所述的大规模城市路网交通拥堵瓶颈辨识方法，其特征在于，所述步骤S5具体包括以下步骤：
提取候选交通拥堵瓶颈区块集合Bcdd和源头交通拥堵瓶颈区块集合Bsrc，确定交通拥堵瓶颈区块集合，设定交通拥堵瓶颈区块集合为Bfinal，根据公式：
Figure FDA0003841642190000064
获取交通拥堵瓶颈区块集合为Bfinal后，对交通拥堵瓶颈区块集合Bfinal中每一起始时间间隔对应的交通拥堵瓶颈区块进行空间聚类，从而获得每一时间间隔对应的交通拥堵瓶颈区域。
CN202211103834.6A 2022-09-09 2022-09-09 一种大规模城市路网交通拥堵瓶颈辨识方法 Active CN115527366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211103834.6A CN115527366B (zh) 2022-09-09 2022-09-09 一种大规模城市路网交通拥堵瓶颈辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211103834.6A CN115527366B (zh) 2022-09-09 2022-09-09 一种大规模城市路网交通拥堵瓶颈辨识方法

Publications (2)

Publication Number Publication Date
CN115527366A true CN115527366A (zh) 2022-12-27
CN115527366B CN115527366B (zh) 2023-07-25

Family

ID=84698514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211103834.6A Active CN115527366B (zh) 2022-09-09 2022-09-09 一种大规模城市路网交通拥堵瓶颈辨识方法

Country Status (1)

Country Link
CN (1) CN115527366B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150081196A1 (en) * 2013-09-18 2015-03-19 Iteris, Inc Traffic bottleneck detection and classification on a transportation network graph
CN108062860A (zh) * 2018-01-16 2018-05-22 毛国强 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN108109382A (zh) * 2018-02-05 2018-06-01 青岛大学 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN111325968A (zh) * 2018-12-13 2020-06-23 深圳先进技术研究院 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备
CN111488336A (zh) * 2020-04-14 2020-08-04 北京航空航天大学 一种集成小波变换和图像二值化的路网交通瓶颈识别方法
CN111640304A (zh) * 2020-06-04 2020-09-08 扬州大学 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN113487869A (zh) * 2021-07-12 2021-10-08 腾讯科技（深圳）有限公司 拥堵瓶颈点确定方法、装置、计算机设备和存储介质
CN113506439A (zh) * 2021-07-09 2021-10-15 阿波罗智联(北京)科技有限公司 路网交通瓶颈的识别方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150081196A1 (en) * 2013-09-18 2015-03-19 Iteris, Inc Traffic bottleneck detection and classification on a transportation network graph
CN108062860A (zh) * 2018-01-16 2018-05-22 毛国强 基于拥塞传播分析的道路瓶颈识别方法及其系统
CN108109382A (zh) * 2018-02-05 2018-06-01 青岛大学 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN111325968A (zh) * 2018-12-13 2020-06-23 深圳先进技术研究院 一种基于拥堵扩散的交通瓶颈预测方法、系统及电子设备
CN111488336A (zh) * 2020-04-14 2020-08-04 北京航空航天大学 一种集成小波变换和图像二值化的路网交通瓶颈识别方法
CN111640304A (zh) * 2020-06-04 2020-09-08 扬州大学 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN113506439A (zh) * 2021-07-09 2021-10-15 阿波罗智联(北京)科技有限公司 路网交通瓶颈的识别方法、装置及电子设备
CN113487869A (zh) * 2021-07-12 2021-10-08 腾讯科技（深圳）有限公司 拥堵瓶颈点确定方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN115527366B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN110598953A (zh) 一种时空相关的空气质量预测方法
CN102521965B (zh) 基于车牌识别数据的交通需求管理措施效果评价方法
CN104865353A (zh) 基于无人机的工业园区大气污染数据采集方法
CN110211378A (zh) 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN113724489B (zh) 基于多源数据的交通拥堵溯源方法
CN105489004B (zh) 面向道路实时速度计算的卡口与浮动车数据融合方法
CN104900057B (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN107945510B (zh) 一种考虑交通需求和道路网络运行效率的路段检测方法
CN109636171A (zh) 一种区域植被恢复的综合诊断与风险评价方法
CN109615215A (zh) 一种区域植被恢复的特征分析方法
CN112651548B (zh) 一种高原湖滨生态景观修复规划的评估识别方法
CN112365708B (zh) 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN113269352B (zh) 基于移动互联网的城市内涝监测预警方法、系统及介质
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
Östh et al. Integrating infrastructure and accessibility in measures of bespoke neighbourhoods
CN114186491A (zh) 基于改进lur模型的细颗粒物浓度时空特征分布方法
Fafoutellis et al. Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data
CN115527366A (zh) 一种大规模城市路网交通拥堵瓶颈辨识方法
Ding et al. Spatial and temporal urban air pollution patterns based on limited data of monitoring stations
CN113159511A (zh) 一种高速公路路基施工过程质量综合评价方法
CN112598896A (zh) 一种基于gps数据的工业园区物流关键路段识别方法
CN117312784A (zh) 一种基于受体模型和大数据联用的污染源溯源方法
CN113284030B (zh) 一种城市交通网络社区划分方法
CN111785024B (zh) 一种分区域分时域的城市车辆工况构建方法

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