CN115620513B - 基于韧性分析的城市道路网络状态监测方法及可视化系统 - Google Patents
基于韧性分析的城市道路网络状态监测方法及可视化系统 Download PDFInfo
- Publication number
- CN115620513B CN115620513B CN202211144275.3A CN202211144275A CN115620513B CN 115620513 B CN115620513 B CN 115620513B CN 202211144275 A CN202211144275 A CN 202211144275A CN 115620513 B CN115620513 B CN 115620513B
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- toughness
- section
- network
- 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
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
- G08G1/0129—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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于韧性分析的城市道路网络状态监测方法及可视化系统,根据城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;获得路网静和动态属性数据,输入韧性表征模型以量化监测时段路网韧性值;基于时韧性值,确定路网在监测时间内的状态为正常或异常;若路网状态正常,则对上述路网实时韧性数据统计分析,得到路网潜在风险路段;若路网状态被判定为异常,则在计算路网潜在风险路段的基础上,进一步利用路网实时韧性数据,采用交通仿真技术识别路网薄弱点。本发明基于监测区域的静态和动态数据及路网韧性值的计算结果,实现路网异常状态的实时监测,有助于为管理部门快速响应突发事件、及时采取控制措施提供方法支持。
Description
技术领域
本发明属于城市道路交通网络韧性研究领域,具体涉及基于韧性分析的城市道路网络状态监测方法及可视化系统。
背景技术
随着城市规模的不断扩张,道路交通网络的结构、功能和运行特性日趋复杂,所面临的安全形势日趋严峻,导致其在外部干扰下呈现出显著的脆弱性,通过构建安全韧性的城市社区和交通网络以更有效应对各类大规模非常态事件已成为共识。
韧性多指系统具备抵御、适应潜在的扰动并能从中快速恢复的能力。因此,当遭受自然灾害、事故灾难、公共卫生事件等大规模突发事件影响时,韧性不足的道路交通网络难以承受大规模冲击,其承载力和服务性能将大幅下降,导致运行局部失效甚至大范围瘫痪,严重加剧由事件本身造成的损失,且难以恢复至正常态。道路交通网络作为城市的动脉和核心基础设施,更要注重韧性塑造与提升,增强其抗干扰能力和快速恢复能力。
由于掌握城市路网交通的实时状态、分析供需关系,是提升路网运行效率、增强路网可持续性、易恢复性的关键。因此,将韧性分析应用到城市路网交通监测中对管理者准确感知网络状态、科学制定优化方案及高效实施管控措施具有重要意义。
发明内容
为了解决现有技术的问题,本发明提出了:基于韧性分析的城市道路网络状态监测方法及可视化系统。
为实现上述目的,本发明提供如下技术方案:基于韧性分析的城市道路网络状态监测方法,包括如下步骤:
S1、根据城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;
S2、在监测时间段内实时获取城市路网静态属性数据和动态属性数据,将城市路网静态属性数据和动态属性数据输入韧性表征模型,获得监测时间段内的城市路网韧性值;
S3、根据步骤S2获得的城市路网韧性值,结合预设状态阈值,判定城市路网在监测时间内的状态为正常或异常;若路网状态正常则进入步骤S4;若路网状态异常则进入步骤S5;
S4、对路网状态正常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态正常城市路网低韧性值及其对应的潜在风险路段;
S5、对路网状态异常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态异常城市路网高韧性值及其对应的风险路段;之后利用交通仿真识别风险路段的薄弱点。
进一步地,前述的步骤S1包括如下子步骤:
S1.1、按如下公式计算路网平均度:
其中,NODi为与节点i所连边的个数,n为城市路网节点个数;
S1.2、按如下公式计算路网平均连通程度:
其中,DISij为节点(i,j)间的最短路径长度;
S1.3、按如下公式计算交通运行效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗,
其中,α和β是参数,Ve(t)为未受扰动时路段e的流量;
S1.4、按如下公式计算路网性能:
其中,γ、为指标权重;
S1.5、按如下公式构建路网韧性表征模型:
其中,PI*(n)为n时刻期望路网达到的性能。
进一步地,前述的步骤S2包括如下子步骤:
S2.1、通过路网的GIS数据获取路网静态属性数据,包括:路网的经纬坐标、地址名、路段编号、路段的经纬坐标、拓扑结构;
S2.2、通过路网的卡口数据和GPS数据获取路网动态属性数据,包括:交通量、行程速度。
进一步地,前述的步骤S3具体为:
S3.1、按如下公式计算路网观测数据离群值分数NAD:
其中,NWR(t)为时刻t的路网韧性值,AQ为不同天不同时刻的历史路网韧性值集合,AQ(w,t)为每一周第w天时刻t所对应的历史韧性值集合,|AQ(w,t)|为集合的元素数量;S3.2、设定状态阈值为NAD的α%分位数,计算集合AQ(w,t)内所有元素的离群值分数NAD,将其与状态阈值对比,若时刻t的NAD值小于状态阈值,则判定城市路网状态正常,否则城市路网状态为异常。
进一步地,前述的步骤S4包括如下子步骤:
S4.1、按如下公式计算第e条路段所连接节点的节点度均值:
其中,NODe,1,NODe,2分别为第e条路段两端点所连边的个数;
S4.2、按如下公式计算第e条路段的边介数:
其中,SDN(i,j)为节点i和节点j之间最短路的个数,SDN(i,j|e)为节点i和节点j之间最短路中经过路段e的路线个数;
S4.3、按如下公式计算第e条路段在t时刻的路段交通效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗;
S4.4、按如下公式计算路段性能:
其中,PIe(t)为第e条路段在t时刻的性能,NDe为第e条路段所连接节点的节点度均值,EINe为第e条路段的边介数,TrEe(t)为第e条路段在t时刻的路段交通效率,γe、为指标权重;
S4.5按如下公式计算路段韧性值:
其中,NWRe(t)为第e条路段在t时刻的路段韧性值,PIe(n)为第e条路段n时刻的路段性能,为第e条路段在n时刻期望达到的性能值;
S4.6、利用路网韧性表征模型计算监测时段路网中每条路段的韧性值,将历史路段韧性值集合根据道路等级划分为4个子集合,即Gk,k=1,2,3,4,并且对应设定不同的潜在风险路段阈值μm,m=1,2,3,4;对于当前需要判别的路段,若当前时刻t其路段韧性指数低于其对应道路等级子集合阈值时,将其判定为潜在风险路段。
进一步地,前述的步骤S5包括如下子步骤:
S5.1、计算当前时刻路网的韧性值;
S5.2、计算每个路段在中断的情况下的路网韧性值,得到每个路段在现实情况和中断情况下路网韧性值的减少值RRWe(t);
S5.3、将城市路网中每个路段韧性减少值RRWe(t)进行从大到小排序;然后获得每个路段韧性减少值大到小排序对应的路段薄弱成都由强到弱的排序;
进一步地,前述的步骤S5.2包括如下子步骤:
S5.2.1、利用仿真技术通过限制路段中车辆通行来模拟对路网的攻击,
S5.2.2、运行仿真,计算不同路段受攻击下路网韧性值,
S5.2.3、计算不同路段受攻击下路网韧性减少值RRWe(t)。
进一步地,前述的,步骤S5.2.3中,按如下公式计算不同路段受攻击下路网韧性减少值RRWe(t):
其中,RRWe(t)为第e条路段在t时刻的韧性减少值,NWR(t)为t时刻的路网韧性值,NWRE-e(t+Δt)为在仿真Δt时间后中断第e条路段得到的路网韧性值。
本发明另一方面提出基于韧性分析的城市道路网络状态监测可视化系统,包括:城市路网韧性表征模型构建模块,基于城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;
城市路网韧性值获取模块,用于以监测时间段内实时获取的城市路网静态属性数据和动态属性数据为输入,将城市路网静态属性数据和动态属性数据输入韧性表征模型,监测时间段内的城市路网韧性值为输出;
城市路网状态检测模块,用于以城市路网韧性值为输入,结合预设状态阈值,城市路网在监测时间内的状态为正常或异常为输出;
潜在风险路段获取模块,用于以路网状态正常的城市路网韧性值为输入,结合预设风险路段阈值,状态正常城市路网低韧性值及其对应的潜在风险路段为输出;
风险路段薄弱点获取模块,以路网状态异常的城市路网韧性值为输入,结合预设风险路段阈值,状态异常城市路网高韧性值及其对应的风险路段为输出;并利用交通仿真识别风险路段的薄弱点;
可视化模块,用于实时显示城市路网的状态、运行情况,以及潜在风险路段、风险路段薄弱点。
与现有技术相比,本发明的有益效果主要表现在:实现了多层级城市道路交通网络韧性值计算、路网状态的辨识与可视化显示。基于本发明,研究人员能够获得不同监测时间和空间粒度的城市路网韧性和状态的计算结果,掌握监测区域内路网供需关系变化情况,为管理部门科学决策提供参考依据,更好地辅助相关部门对路网进行管理。
附图说明
图1为本发明实城市路网异常监测的流程图;
图2为本发明实城市路网潜在风险路段识别的流程图;
图3为本发明实城市路网薄弱点识别的流程图;
图4为本发明实路网薄弱点识别结果示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
如图1所示,本发明的基于韧性分析的城市道路网络状态监测方法,包括如下步骤,S1、根据城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;
S2、在监测时间段内实时获取城市路网静态属性数据和动态属性数据,将城市路网静态属性数据和动态属性数据输入韧性表征模型,获得监测时间段内的城市路网韧性值;
S3、根据步骤S2获得的城市路网韧性值,结合预设状态阈值,判定城市路网在监测时间内的状态为正常或异常;若路网状态正常则进入步骤S4;若路网状态异常则进入步骤S5;
S4、对路网状态正常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态正常城市路网低韧性值及其对应的潜在风险路段;
S5、对路网状态异常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态异常城市路网高韧性值机器对应的风险路段;之后利用交通仿真识别风险路段薄弱点。步骤S1,构建路网韧性表征模型包括如下子步骤:
S1.1、按如下公式计算路网平均度:
其中,NODi为与节点i所连边的个数,n为城市路网节点个数;
S1.2、按如下公式计算路网平均连通程度:
其中,DISij为节点(i,j)间的最短路径长度,n为节点个数;
S1.3、按如下公式计算交通运行效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗,其中,Qe(0)为自由流状态下路段e的流量,Qe(t)为t时刻路段e的流量,α和β是参数,Ve(t)为未受扰动时路段e的流量。
S1.4、按如下公式计算路网性能:
其中,γ、为指标权重。
S1.5、按如下公式构建路网韧性表征模型:
其中,PI*(n)为n时刻期望路网达到的性能。
步骤S2中,获得监测时间段内的城市路网韧性值,在初次提取某地一段时间的卡口数据和GPS数据后,通过所获数据确定研究的路网范围,本实施例以浙江省绍兴市上虞区的真实路网为研究对象,路网范围涵盖40×50公里,全长21985公里,时间范围为2021年6月27日至2021年7月31日;
对上述数据进行预处理,然后带入韧性表征模型计算不同时刻下路网韧性。
对数据进行预处理具体为:本实施例中所处理的数据有如下特点:数据分为静态属性数据(GIS数据)和动态属性数据(卡口数据和GPS数据)。其中,GPS数据用于验证各AVI所记录数据的正确性,利用正确数据占总数据量的比值度量结果的可信度。经计算,本实施例所使用的数据的可信度为97.8%;
对于静态数据,根据研究范围对其进行裁剪;对于动态数据,经过处理整合,获取该路网的各个路段流量和行程时间,进而计算各个路段的交通运行效率,计算获得各时刻路网的韧性值如表1所示(以路段101/1为例):
表1
步骤S3中,判定城市路网在监测时间内的状态为正常或异常包括如下子步骤:
S3.1、按如下公式计算路网观测数据离群值分数NAD:
其中,NWR(t)为时刻t的路网韧性值,AQ为不同天不同时刻的历史路网韧性值集合,AQ(w,t)为每一周第w天时刻t所对应的历史韧性值集合,|AQ(w,t)|为集合的元素数量;
S3.2、设定状态阈值为NAD的α%分位数,计算集合AQ(w,t)内所有元素的离群值分数NAD,将其与状态阈值对比,若时刻t的NAD值小于状态阈值,则判定城市路网状态正常,否则城市路网状态为异常。历史韧性值集合中大部分为该城市路网正常运行状态下的韧性值集合,包含部分由于交通事故、气象灾害和大型活动等较大异常事件造成的路网运行异常数据,本实施例中为由于一周台风天气导致的路网异常数据;
如图2所示,实施例中,步骤S4的潜在风险路段的获得包括如下子步骤:
S4.1、按如下公式计算第e条路段所连接节点的节点度均值:
其中,NODe,1,NODe,2分别为第e条路段两端点所连边的个数;
S4.2、按如下公式计算第e条路段的边介数:
其中,SDN(i,j)为节点i和节点j之间最短路的个数,SDN(i,j|e)为节点i和节点j之间最短路中经过路段e的路线个数;
S4.3、按如下公式计算第e条路段在t时刻的路段交通效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗;
S4.4、按如下公式计算路段性能:
其中,PIe(t)为第e条路段在t时刻的性能,NDe为第e条路段所连接节点的节点度均值,EINe为第e条路段的边介数,TrEe(t)为第e条路段在t时刻的路段交通效率,γe、为指标权重。
S4.5按如下公式计算路段韧性值:
其中,NWRe(t)为第e条路段在t时刻的路段韧性值,PIe(n)为第e条路段n时刻的路段性能,为第e条路段在n时刻期望达到的性能值;
S4.6、利用路网韧性表征模型计算监测时段路网中每条路段的韧性值,将历史路段韧性值集合根据道路等级划分为4个子集合,即Gk,k=1,2,3,4,并且对应设定不同的潜在风险路段阈值μm,m=1,2,3,4;对于当前需要判别的路段,若当前时刻t其路段韧性指数低于其对应道路等级子集合阈值时,将其判定为潜在风险路段。
计算获得路网潜在风险路段如表2所示:
表2
表2中,路段编号为潜在风险路段在路网中的编号;路段韧性值为该条潜在风险路段在监测时刻的路段韧性值。
如图3所示的网薄弱点识别的流程图,实施例中,步骤S5识别风险路段薄弱点包括如下子步骤:
S5.1、计算当前时刻路网的韧性值;
S5.2、计算每个路段在中断的情况下的路网韧性值,得到每个路段在现实情况和中断情况下路网韧性值的减少值RRWe(t);
S5.3、将城市路网中每个路段韧性减少值RRWe(t)进行从大到小排序;然后获得每个路段韧性减少值大到小排序对应的路段薄弱成都由强到弱的排序;
其中,步骤S5.2包括如下子步骤:
S5.2.1、利用仿真技术通过限制路段中车辆通行来模拟对路网的攻击,
S5.2.2、运行仿真,计算不同路段受攻击下路网韧性值,
S5.2.3、计算不同路段受攻击下路网韧性减少值RRWe(t)。
步骤S5.2.3中,按如下公式计算不同路段受攻击下路网韧性减少值RRWe(t):
其中,RRWe(t)为第e条路段在t时刻的韧性减少值,NWR(t)为t时刻的路网韧性值,NWRE-e(t+Δt)为在仿真Δt时间后中断第e条路段得到的路网韧性值。
识别获得的路网薄弱点如图4所示,其中,通过可视化模块标注了薄弱排名前五十的路段,前十名为红色,剩余为黄色。
本发明还包括基于韧性分析的城市道路网络状态监测可视化系统,包括:
路网韧性表征模型构建模块,用于基于城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型。
城市路网韧性值获取模块,用于在监测时间段内实时获取城市路网静态属性数据和动态属性数据,用于将城市路网静态属性数据和动态属性数据输入韧性表征模型,获得监测时间段内的城市路网韧性值。
路网状态检测模块,用于以城市路网韧性值为输入,结合预设状态阈值,城市路网在监测时间内的状态为正常或异常为输出。
潜在风险路段获取模块,用于以路网状态正常的城市路网韧性值为输入,结合预设风险路段阈值,获得状态正常城市路网低韧性值及其对应的潜在风险路段。
风险路段薄弱点获取模块,用于以路网状态异常的城市路网韧性值为输入,结合预设风险路段阈值,获得状态异常城市路网高韧性值及其对应的风险路段;并利用交通仿真识别风险路段的薄弱点。
实时动态的路网异常监测为管理部门及时采取控制措施提供了参考依据,在管理部门获取到路网异常信息后,可以及时对路网薄弱点进行管控,防止城市道路网络运行条件的进一步恶化。同时,在异常事件未发生时,可以通过对潜在风险路段的监测提前主动防控交通运行风险,为快速响应突发事件提供方法支撑。
虽然本发明已以较佳实施例阐述如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (5)
1.基于韧性分析的城市道路网络状态监测方法,其特征在于,包括如下步骤:S1、根据城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;
步骤S1包括如下子步骤:
S1.1、按如下公式计算路网平均度:
其中,NODi为与节点i所连边的个数,n为城市路网节点个数;
S1.2、按如下公式计算路网平均连通程度:
其中,DISij为节点(i,j)间的最短路径长度;
S1.3、按如下公式计算交通运行效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗,
其中,α和β是参数,Ve(t)为未受扰动时路段e的流量;
S1.4、按如下公式计算t时刻的路网性能:
其中,γ、为指标权重;
S1.5、按如下公式构建路网韧性表征模型:
其中,PI*(n)为n时刻期望路网达到的性能;
S2、在监测时间段内实时获取城市路网静态属性数据和动态属性数据,将城市路网静态属性数据和动态属性数据输入韧性表征模型,获得监测时间段内的城市路网韧性值;
S3、根据步骤S2获得的城市路网韧性值,结合预设状态阈值,判定城市路网在监测时间内的状态为正常或异常;若路网状态正常则进入步骤S4;若路网状态异常则进入步骤S5;
其中,判定城市路网在监测时间内的状态为正常或异常包括如下子步骤:
S3.1、按如下公式计算路网观测数据离群值分数NAD:
其中,NWR(t)为时刻t的路网韧性值,AQ为不同天不同时刻的历史路网韧性值集合,AQ(w,t)为每一周第w天时刻t所对应的历史韧性值集合,|AQ(w,t)|为集合的元素数量;
S3.2、设定状态阈值为NAD的α%分位数,计算集合AQ(w,t)内所有元素的离群值分数NAD,将其与状态阈值对比,若时刻t的NAD值小于状态阈值,则判定城市路网状态正常,否则城市路网状态为异常;
S4、对路网状态正常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态正常城市路网低韧性值及其对应的潜在风险路段;具体包括如下子步骤:S4.1、按如下公式计算第e条路段所连接节点的节点度均值:
其中,NODe,1,NODe,2分别为第e条路段两端点所连边的个数;
S4.2、按如下公式计算第e条路段的边介数:
其中,SDN(i,j)为节点i和节点j之间最短路的个数,SDN(i,j|e)为节点i和节点j之间最短路中经过路段e的路线个数;
S4.3、按如下公式计算第e条路段在t时刻的路段交通效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗;
S4.4、按如下公式计算路段性能:
其中,PIe(t)为第e条路段在t时刻的性能,NDe为第e条路段所连接节点的节点度均值,EINe为第e条路段的边介数,TrEe(t)为第e条路段在t时刻的路段交通效率,γe、为指标权重;
S4.5、按如下公式计算路段韧性值:
其中,NWRe(t)为第e条路段在t时刻的路段韧性值,为第e条路段在n时刻期望达到的性能值;
S4.6、利用路网韧性表征模型计算监测时段路网中每条路段的韧性值,将历史路段韧性值集合根据道路等级划分为4个子集合,即Gk,k=1,2,3,4,并且对应设定不同的潜在风险路段阈值μm,m=1,2,3,4;对于当前需要判别的路段,若当前时刻t其路段韧性指数低于其对应道路等级子集合阈值时,将其判定为潜在风险路段;
S5、对路网状态异常的城市路网韧性值进行统计分析,结合预设风险路段阈值,获得状态异常城市路网高韧性值及其对应的风险路段;之后利用交通仿真识别风险路段的薄弱点;具体包括如下子步骤:
S5.1、计算当前时刻路网的韧性值;
S5.2、计算每个路段在中断的情况下的路网韧性值,得到每个路段在现实情况和中断情况下路网韧性值的减少值RRWe(t);
S5.3、将城市路网中每个路段韧性减少值RRWe(t)进行从大到小排序;然后获得每个路段韧性减少值大到小排序对应的路段薄弱成都由强到弱的排序。
2.根据权利要求1所述的基于韧性分析的城市道路网络状态监测方法,其特征在于,步骤S2包括如下子步骤:
S2.1、通过路网的GIS数据获取路网静态属性数据,包括:路网的经纬坐标、地址名、路段编号、路段的经纬坐标、拓扑结构;
S2.2、通过路网的卡口数据和GPS数据获取路网动态属性数据,包括:交通量、行程速度。
3.根据权利要求1所述的基于韧性分析的城市道路网络状态监测方法,其特征在于,步骤S5.2包括如下子步骤:
S5.2.1、利用仿真技术通过限制路段中车辆通行来模拟对路网的攻击,S5.2.2、运行仿真,计算不同路段受攻击下路网韧性值,
S5.2.3、计算不同路段受攻击下路网韧性减少值RRWe(t)。
4.根据权利要求3所述的基于韧性分析的城市道路网络状态监测方法,其特征在于,步骤S5.2.3中,按如下公式计算不同路段受攻击下路网韧性减少值RRWe(t):
其中,RRWe(t)为第e条路段在t时刻的韧性减少值,NWR(t)为t时刻的路网韧性值,NWRE-e(t+Δt)为在仿真Δt时间后中断第e条路段得到的路网韧性值。
5.基于韧性分析的城市道路网络状态监测可视化系统,其特征在于,包括:城市路网韧性表征模型构建模块、城市路网韧性值获取模块、城市路网状态检测模块、潜在风险路段获取模块、风险路段薄弱点获取模块、可视化模块;
所述城市路网韧性表征模型构建模块,用于根据城市道路交通网络特性选取路网性能指标,构建路网韧性表征模型;被配置执行如下动作:
S1.1、按如下公式计算路网平均度:
其中,NODi为与节点i所连边的个数,n为城市路网节点个数;
S1.2、按如下公式计算路网平均连通程度:
其中,DISij为节点(i,j)间的最短路径长度;
S1.3、按如下公式计算交通运行效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗,
其中,α和β是参数,Ve(t)为未受扰动时路段e的流量;
S1.4、按如下公式计算t时刻的路网性能:
其中,γ、为指标权重;
S1.5、按如下公式构建路网韧性表征模型:
其中,PI*(n)为n时刻期望路网达到的性能;
所述城市路网韧性值获取模块,用于以监测时间段内实时获取的城市路网静态属性数据和动态属性数据为输入,将城市路网静态属性数据和动态属性数据输入韧性表征模型,监测时间段内的城市路网韧性值为输出;
所述城市路网状态检测模块,用于以城市路网韧性值为输入,结合预设状态阈值,城市路网在监测时间内的状态为正常或异常为输出;被配置执行如下动作:
S3.1、按如下公式计算路网观测数据离群值分数NAD:
其中,NWR(t)为时刻t的路网韧性值,AQ为不同天不同时刻的历史路网韧性值集合,AQ(w,t)为每一周第w天时刻t所对应的历史韧性值集合,|AQ(w,t)|为集合的元素数量;
S3.2、设定状态阈值为NAD的α%分位数,计算集合AQ(w,t)内所有元素的离群值分数NAD,将其与状态阈值对比,若时刻t的NAD值小于状态阈值,则判定城市路网状态正常,否则城市路网状态为异常;
所述潜在风险路段获取模块,用于以路网状态正常的城市路网韧性值为输入,结合预设风险路段阈值,状态正常城市路网低韧性值及其对应的潜在风险路段为输出;
被配置执行如下动作:
S4.1、按如下公式计算第e条路段所连接节点的节点度均值:
其中,NODe,1,NODe,2分别为第e条路段两端点所连边的个数;
S4.2、按如下公式计算第e条路段的边介数:
其中,SDN(i,j)为节点i和节点j之间最短路的个数,SDN(i,j|e)为节点i和节点j之间最短路中经过路段e的路线个数;
S4.3、按如下公式计算第e条路段在t时刻的路段交通效率:
其中,Qe(0)为自由流状态下路段e的流量,Ce(0)为自由流状态下路段e的阻抗,Qe(t)为t时刻路段e的流量,Ce(t)为t时刻路段e的阻抗;
S4.4、按如下公式计算路段性能:
其中,PIe(t)为第e条路段在t时刻的性能,NDe为第e条路段所连接节点的节点度均值,EINe为第e条路段的边介数,TrEe(t)为第e条路段在t时刻的路段交通效率,γe、为指标权重;
S4.5、按如下公式计算路段韧性值:
其中,NWRe(t)为第e条路段在t时刻的路段韧性值,为第e条路段在n时刻期望达到的性能值;
S4.6、利用路网韧性表征模型计算监测时段路网中每条路段的韧性值,将历史路段韧性值集合根据道路等级划分为4个子集合,即Gk,k=1,2,3,4,并且对应设定不同的潜在风险路段阈值μm,m=1,2,3,4;对于当前需要判别的路段,若当前时刻t其路段韧性指数低于其对应道路等级子集合阈值时,将其判定为潜在风险路段;
所述风险路段薄弱点获取模块,以路网状态异常的城市路网韧性值为输入,结合预设风险路段阈值,状态异常城市路网高韧性值及其对应的风险路段为输出;并
利用交通仿真识别风险路段的薄弱点;被配置执行如下动作:
S5.1、计算当前时刻路网的韧性值;
S5.2、计算每个路段在中断的情况下的路网韧性值,得到每个路段在现实情况和中断情况下路网韧性值的减少值RRWe(t);
S5.3、将城市路网中每个路段韧性减少值RRWe(t)进行从大到小排序;然后获得每个路段韧性减少值大到小排序对应的路段薄弱成都由强到弱的排序;
所述可视化模块,用于实时显示城市路网的状态、运行情况,以及潜在风险路段、风险路段薄弱点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144275.3A CN115620513B (zh) | 2022-09-20 | 2022-09-20 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144275.3A CN115620513B (zh) | 2022-09-20 | 2022-09-20 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620513A CN115620513A (zh) | 2023-01-17 |
CN115620513B true CN115620513B (zh) | 2023-10-03 |
Family
ID=84858974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211144275.3A Active CN115620513B (zh) | 2022-09-20 | 2022-09-20 | 基于韧性分析的城市道路网络状态监测方法及可视化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620513B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307260B (zh) * | 2023-05-11 | 2023-08-08 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种面向缺陷路段扰动的城市路网韧性优化方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011213247A (ja) * | 2010-03-31 | 2011-10-27 | Honda Motor Co Ltd | 車両の運動制御装置 |
CN104282143A (zh) * | 2014-10-22 | 2015-01-14 | 东南大学 | 一种面向过饱和控制的城市疏散干路网络提取方法 |
CN111144727A (zh) * | 2019-12-18 | 2020-05-12 | 东南大学 | 一种城市轨道交通进站客流韧性评估系统及方法 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
CN113724510A (zh) * | 2021-07-22 | 2021-11-30 | 东南大学 | 一种应急信号优先与社会车辆动态路径诱导协同优化方法 |
CN114093168A (zh) * | 2021-11-18 | 2022-02-25 | 长安大学 | 一种基于韧性视角下的城市道路交通运行状态评价方法 |
CN114446051A (zh) * | 2022-01-06 | 2022-05-06 | 东南大学 | 一种城市路网交通韧性薄弱识别方法 |
CN114723350A (zh) * | 2022-06-10 | 2022-07-08 | 北京科技大学 | 震后道路通行受阻对建筑修复进度影响的分析方法及装置 |
CN115063988A (zh) * | 2022-05-05 | 2022-09-16 | 北京联合大学 | 一种应急车辆优先的跨交通子区信号协同控制方法 |
-
2022
- 2022-09-20 CN CN202211144275.3A patent/CN115620513B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011213247A (ja) * | 2010-03-31 | 2011-10-27 | Honda Motor Co Ltd | 車両の運動制御装置 |
CN104282143A (zh) * | 2014-10-22 | 2015-01-14 | 东南大学 | 一种面向过饱和控制的城市疏散干路网络提取方法 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN111144727A (zh) * | 2019-12-18 | 2020-05-12 | 东南大学 | 一种城市轨道交通进站客流韧性评估系统及方法 |
CN112185116A (zh) * | 2020-09-29 | 2021-01-05 | 重庆文理学院 | 一种城市道路交通网络抗灾韧性能力评估方法 |
CN113724510A (zh) * | 2021-07-22 | 2021-11-30 | 东南大学 | 一种应急信号优先与社会车辆动态路径诱导协同优化方法 |
CN114093168A (zh) * | 2021-11-18 | 2022-02-25 | 长安大学 | 一种基于韧性视角下的城市道路交通运行状态评价方法 |
CN114446051A (zh) * | 2022-01-06 | 2022-05-06 | 东南大学 | 一种城市路网交通韧性薄弱识别方法 |
CN115063988A (zh) * | 2022-05-05 | 2022-09-16 | 北京联合大学 | 一种应急车辆优先的跨交通子区信号协同控制方法 |
CN114723350A (zh) * | 2022-06-10 | 2022-07-08 | 北京科技大学 | 震后道路通行受阻对建筑修复进度影响的分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
任刚 ; 陆丽丽 ; 许丽 ; 张水潮 ; .城市道路网络功能匹配度建模与实证分析.中国公路学报.2012,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115620513A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN110059963A (zh) | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 | |
CN102663264B (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
CN107203450A (zh) | 故障的分类方法和设备 | |
CN106250905A (zh) | 一种结合高校建筑结构特征的实时能耗异常检测方法 | |
CN101997709A (zh) | 一种根告警数据分析的方法及其系统 | |
CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN115620513B (zh) | 基于韧性分析的城市道路网络状态监测方法及可视化系统 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
Shi et al. | Detecting anomalies in spatio-temporal flow data by constructing dynamic neighbourhoods | |
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN108257385B (zh) | 一种基于公共交通的异常事件的甄别方法 | |
CN111598467A (zh) | 一种对集输联合站以及关键设备的可靠性评价方法及系统 | |
CN113053063A (zh) | 基于移动端的灾害在线处置流程实现方法 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN113177857A (zh) | 一种基于台风灾害预估的资源弹性调配方法 | |
CN111966746A (zh) | 一种气象防灾减灾流程监控系统及其监控方法 | |
CN111157245A (zh) | 一种轨道交通走行部轴承的监管方法及系统 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
WO2024088025A1 (zh) | 一种基于多维数据的5gc网元自动化纳管方法及装置 | |
CN112036754B (zh) | 基于区块链的金融大数据风控系统 | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
CN116432469A (zh) | 一种基于大数据的数据通道管理系统及方法 |
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 |