CN116090268B - 一种公路交通网络枢纽节点识别方法、装置、设备和介质 - Google Patents

一种公路交通网络枢纽节点识别方法、装置、设备和介质 Download PDF

Info

Publication number
CN116090268B
CN116090268B CN202310387351.1A CN202310387351A CN116090268B CN 116090268 B CN116090268 B CN 116090268B CN 202310387351 A CN202310387351 A CN 202310387351A CN 116090268 B CN116090268 B CN 116090268B
Authority
CN
China
Prior art keywords
node
sequence set
nodes
node sequence
traffic 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
Application number
CN202310387351.1A
Other languages
English (en)
Other versions
CN116090268A (zh
Inventor
陆涛
李鸣策
赵丽
刘维栋
胡锴
程建
黄骏
沈立
陈俊宇
吴思思
戚邓波
侯睿杰
邓煜
唐彬凯
马璇
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.)
Sichuan Communication Surveying and Design Institute Co Ltd
Original Assignee
Sichuan Communication Surveying and Design Institute Co Ltd
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 Sichuan Communication Surveying and Design Institute Co Ltd filed Critical Sichuan Communication Surveying and Design Institute Co Ltd
Priority to CN202310387351.1A priority Critical patent/CN116090268B/zh
Publication of CN116090268A publication Critical patent/CN116090268A/zh
Application granted granted Critical
Publication of CN116090268B publication Critical patent/CN116090268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种公路交通网络枢纽节点识别方法、装置、设备和介质，涉及交通规划技术领域，解决了现有方法对枢纽节点的识别准确率较低的技术问题。所述方法包括：获取公路历史交通数据；基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；基于所述公路交通网络，获得枢纽节点序列集；基于所述枢纽节点序列集，获得目标枢纽节点。

Description

一种公路交通网络枢纽节点识别方法、装置、设备和介质
技术领域
本申请涉及交通规划技术领域，尤其涉及一种公路交通网络枢纽节点识别方法、装置、设备和介质。
背景技术
公路交通运输系统作为重要的关键基础设施，其可靠性直接影响着最基本的民生问题，而不同的路段/节点的损坏对整个系统的可靠性影响是完全不同的。因此，识别系统的关键枢纽节点，进而对其制定不同的维护保障措施，是十分必要且有益的。但由于公路交通运输规模庞大、连接复杂，实质上表现为一种互联互通的网络形态。但现有技术在对公路交通运输系统中枢纽节点进行识别时，无法准确捕捉公路交通运输网络的结构特性，从而导致所识别的枢纽节点存在偏差。
发明内容
本申请实施例提供了一种公路交通网络枢纽节点识别方法、装置、设备和介质，解决了现有方法对枢纽节点的识别准确率较低的技术问题。
一方面，本申请实施例提供了一种公路交通网络枢纽节点识别方法，包括：
获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；
基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；
基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；
基于所述枢纽节点序列集，获得目标枢纽节点。
作为本申请一些可选实施方式，所述基于所述公路交通网络，获得枢纽节点序列集，包括：
基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集；
基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集；
基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集。
作为本申请一些可选实施方式，所述基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集，包括：
将所述公路交通网络中的各节点分别进行逐一删除，分别获得删除各节点后的第一公路交通网络；
基于删除各节点后的第一公路交通网络，获得最大连通子团中的节点数量值；
基于所述最大连通子团中的节点数量值，对所述公路交通网络中的各节点进行升序排序，获得第一枢纽节点序列集。
作为本申请一些可选实施方式，所述基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集，包括：
基于社团结构分析方法，将所述公路交通网络划分成多个社团；
基于各社团中各节点到其他社团各节点的最短距离值，获得各社团中各节点的最短距离加和值；
基于各节点的最短距离加和值，对所述公路交通网络中的各节点进行升序排序，获得第二枢纽节点序列集。
作为本申请一些可选实施方式，所述基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集，包括：
获取所述公路交通网络中各节点的中心性参数值；其中，所述中心性参数值包括度中心性值、介数中心性值、接近中心性值和特征向量中心性值；
基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集。
作为本申请一些可选实施方式，所述基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集，包括：
基于度中心性值，对所述公路交通网络中的各节点进行降序排序，获得A节点序列集；
基于介数中心性值，对所述公路交通网络中的各节点进行降序排序，获得B节点序列集；
基于接近中心性值，对所述公路交通网络中的各节点进行降序排序，获得C节点序列集；
基于特征向量中心性值，对所述公路交通网络中的各节点进行降序排序，获得D节点序列集；
基于所述A节点序列集、B节点序列集、C节点序列集和D节点序列集，获得第三枢纽节点序列集。
作为本申请一些可选实施方式，所述基于所述枢纽节点序列集，获得目标枢纽节点，包括：
基于各节点在所述第一枢纽节点序列集中的排序，获得第一排序值；
基于各节点在所述第二枢纽节点序列集中的排序，获得第二排序值；
基于各节点在所述第三枢纽节点序列集中的排序，获得第三排序值；
将每个节点的第一排序值、第二排序值和第三排序值进行加和，获得每个节点的排序加和值；
基于所述排序加和值，将各节点进行升序排序，按照预设阈值获得目标枢纽节点。
再一方面，本申请实施例提供了一种公路交通网络枢纽节点识别装置，包括：
第一获取模块，用于获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；
第二获取模块，用于基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；
第三获取模块，用于基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；
识别模块，用于基于所述枢纽节点序列集，获得目标枢纽节点。
再一方面，本申请实施例提供了一种电子设备，包括：存储器和处理器，所述存储器中存储有获取机程序，所述处理器执行所述获取机程序，实现前述方法。
再一方面，本申请实施例提供了一种获取机可读存储介质，所述获取机可读存储介质上存储有获取机程序，所述处理器执行所述获取机程序，实现前述方法。
目前现有技术通常是基于复杂网络理论对其进行建模，在建立的公路交通运输网络的基础上，从静态的网络拓扑结构出发，基于节点度分析、强度分析等方式计算交通网络的结构特征参数，以找到网络中的关键节点。或动态的改变网络结构，以渗流攻击下的网络连通性分析识别网络的关键节点；因此无法准确捕捉公路交通运输网络的结构特性，从而导致所识别的枢纽节点存在偏差。基于此，本申请从宏观、中观和微观等三个尺度分别获取公路交通网络中枢纽节点序列集，再进行整合后获得目标枢纽节点，以充分利用网络的所有结构特征，实现更加准确的关键节点识别。即本申请的实施例提供一种公路交通网络枢纽节点识别方法，包括：获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；基于所述枢纽节点序列集，获得目标枢纽节点。通过本申请所述方法融合了公路交通网络多个尺度上的结构特征，从而更准确地对目标枢纽节点进行识别；在实际应用过程中，可以帮助公路设计、维护相关人员准确识别目标枢纽节点，并通过对目标枢纽节点加强维护保养以保障公路交通运输的可靠性，具有较高的工程应用价值。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种电子设备的结构示意图；
图2是本申请实施例提供的一种公路交通网络枢纽节点识别方法的流程示意图；
图3是本申请实施例提供的一种公路交通网络结构示意图；
图4是本申请实施例提供的一种公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值统计图；
图5是本申请实施例提供的一种公路交通网络的社团划分情况示意图；
图6是本申请实施例提供的一种公路交通网络所有节点的最短距离加和值统计图；
图7是本申请实施例提供的一种公路交通网络中所有节点的中心性参数值统计图；
图8是本申请实施例提供的一种公路交通网络枢纽节点识别装置示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：一种公路交通网络枢纽节点识别方法，包括：获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；基于所述枢纽节点序列集，获得目标枢纽节点。
当前公路交通网络枢纽节点识别过程主要包括：基于复杂网络理论对其进行建模，在建立的公路交通运输网络的基础上，从静态的网络拓扑结构出发，基于节点度分析、强度分析等方式计算交通网络的结构特征参数，以找到网络中的关键节点。或动态的改变网络结构，以渗流攻击下的网络连通性分析识别网络的关键节点；因此无法准确捕捉公路交通运输网络的结构特性，从而导致所识别的枢纽节点存在偏差。
为此，本申请提供一种解决方案，从宏观、中观和微观等三个尺度分别获取公路交通网络中枢纽节点序列集，再进行计算后获得目标枢纽节点。由于充分利用了公路交通网络的所有结构特征，从而提升了对枢纽节点的识别准确性。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的公路交通网络枢纽节点识别装置，并执行本申请实施例提供的公路交通网络枢纽节点识别方法。
参见图2，本申请的实施例提供了一种公路交通网络枢纽节点识别方法，包括：
步骤S10、获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据。
在具体实施过程中，所述公路历史交通数据是指需要识别目标枢纽节点的公路网络的历史交通数据。所述历史交通数据包括道路历史交通数据和交叉口历史交通数据，所述交叉口是指公路站点，即不同公路道路交汇之处。所述历史交通数据包括该公路网络中道路的数量值和交叉口的数量值，以及对应的历史流量数据。
在获取上述历史交通数据后，可根据实际识别需求，对上述历史交通数据进行预处理，以使所述历史交通数据满足预设格式要求，从而便于后续的公路交通网络建模。
在对所述公路历史交通数据进行收集时，应当综合考虑所述公路的特点、数据的可获取性以及数据采集的成本、难易程度以及相关数据对于识别枢纽节点的重要性等。一般来说，所采集的公路历史交通数据越多，对网络中的枢纽节点识别准确性越高。
步骤S20、基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据。
在具体实施过程中，所述公路交通网络通过NetworkX网络建模工具构建获得；所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据。如将所述公路交通网络表示为
Figure SMS_1
；其中，/>
Figure SMS_2
为节点集合，节点总数为n；/>
Figure SMS_3
为边集合，边的总数为m。其中，所述节点总数与所述公路交通网络中的交叉口总数相同，所述边的总数与所述道路的总数相同。
举例说明，如图3所示，某待识别枢纽节点的微小道路网含75条道路、25个交叉口，基于上述数据构建的公路交通网络G含25个节点（n=75）和75条边（m=75），其网络示意图如图3所示，其中图3中的数字编号代表节点的序号。
本申请所述公路交通网络的原理是：所述公路交通网络以交叉口为节点，道路为连边，再分别从宏观角度、中观角度和微观角度同时对所述公路交通网络中的各节点进行排序，并将上述第一排序值、第二排序值和第三排序值进行整合，从而全面客观地对所述公路交通网络中的所有节点的重要程度进行判断，以获得目标枢纽节点。
步骤S30、基于所述公路交通网络，获得枢纽节点序列集。
具体来说，所述基于所述公路交通网络，获得枢纽节点序列集，包括：
步骤S31、基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集。具体来说，所述基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集，包括：将所述公路交通网络中的各节点分别进行逐一删除，分别获得删除各节点后的第一公路交通网络；基于删除各节点后的第一公路交通网络，获得最大连通子团中的节点数量值；基于所述最大连通子团中的节点数量值，对所述公路交通网络中的各节点进行升序排序，获得第一枢纽节点序列集。
通俗来说，即基于渗流分析方法，逐一删除网络的节点
Figure SMS_4
，并计算删除/>
Figure SMS_5
后网络最大连通子团包含的节点数量/>
Figure SMS_6
，需要注意的是本申请每次都是在初始完整网络中删除某节点，而不是连续删除。最大连通子团的节点数量一定程度上代表了网络的连通性，因而删除/>
Figure SMS_7
后/>
Figure SMS_8
越小，则意味着/>
Figure SMS_9
对网络的连通性影响越大。
因此，依据每次删除
Figure SMS_10
后/>
Figure SMS_11
的值，将网络G的所有节点进行排序，/>
Figure SMS_12
越小，则对应的节点/>
Figure SMS_13
排序越靠前，/>
Figure SMS_14
值相同的节点随机排序，据此得到宏观重要节点序列集ImpSeq mac，维度为/>
Figure SMS_15
。
举例来说，如图4所示，所述公路交通网络G含25个节点和75条边，使用需要0~24代表网络的25个节点。因此可以从节点0开始，分别单独删除每个节点，并计算删除节点后的最大连通子团的数量。基于删除节点后的最大连通子团的数量，可知节点2和节点15故障后，对网络的影响最大，因此其重要性最高，在ImpSeq mac的排序最靠前。基于上述方法获得的ImpSeq mac为[2, 15, 0, 7, 1, 3, 4, 5, 6, 8, 9, 10, 11, 12, 13, 14, 16, 17,18, 19, 20, 21, 22, 23, 24]。
步骤S32、基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集。具体来说，所述基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集，包括：基于社团结构分析方法，将所述公路交通网络划分成多个社团；基于各社团中各节点到其他社团各节点的最短距离值，获得各社团中各节点的最短距离加和值；基于各节点的最短距离加和值，对所述公路交通网络中的各节点进行升序排序，获得第二枢纽节点序列集。
如：将所述公路交通网络基于社团结构分析方法进行社团划分，分别获得第一社团和第二社团；所述第一社团中至少包括A1节点和B1节点；所述第二社团中至少包括A2节点和B2节点；分别计算所述A1节点到第二社团中所有节点的最短距离值，并进行加和，获得A1节点的最短距离加和值；同理计算B1节点的最短距离加和值。需要说明的是，在计算第二社团中的A2节点和B2节点的最短距离加和值时，是分别计算所述A2节点到第一社团中所有节点的最短距离值，并进行加和，获得A2节点的最短距离加和值；同理计算B2节点的最短距离加和值。再将所述A1节点、B1节点、A2节点和B2节点按照对应的最短距离加和值进行升序排序，获得第二枢纽节点序列集。
通俗来讲，首先采用louvain算法等社区发现算法对该公路交通网络进行社团结构分析，将其划分k个社团，记为
Figure SMS_17
。不同社团之间连接稀疏，而同一社团内的节点则连接紧密，且存在少数的节点连通着不同的社团。本申请认为不同社团间的连接节点是也是一种重要节点。一旦该节点发生拥堵、损坏等情况，则必然对交通产生重大影响。因此，对于每一个社团内的每一个节点/>
Figure SMS_23
，计算其到其他社团内的节点/>
Figure SMS_26
的最短距离/>
Figure SMS_18
，并计算的最短距离之和/>
Figure SMS_22
。于是，/>
Figure SMS_27
越小，代表社团/>
Figure SMS_30
内的节点/>
Figure SMS_16
到其他所有社团的最短距离越小，则/>
Figure SMS_20
为社团/>
Figure SMS_25
连接其他社团的重要程度越高。因此，基于
Figure SMS_28
将网络G的所有节点进行排序，/>
Figure SMS_19
越小，则对应的节点/>
Figure SMS_21
排序越靠前，/>
Figure SMS_24
值相同的节点随机排序，据此得到中观重要节点序列集ImpSeq mes，维度为/>
Figure SMS_29
。
举例来说，如图5所示为公路交通网络G的社团划分情况示意图，网络G被划分为4个社团，同一社团内的节点面积大小相同。可以看出其划分情况具体为[[0, 6, 10, 14,15, 16], [1, 3, 4, 5, 12, 13, 24], [2, 9, 11, 17, 18, 19, 20, 21, 22, 23],[7, 8]]。随后计算每个节点的值。结果如图6所示，由此可以得出中观重要节点序列ImpSeq mes为[2, 15, 19, 20, 9, 17, 18, 21, 23, 12, 24, 3, 11, 1, 5, 0, 22, 16,6, 14, 4, 13, 7, 10, 8]。
步骤S33、基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集。具体来说，所述基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集，包括：获取所述公路交通网络中各节点的中心性参数值；其中，所述中心性参数值包括度中心性值、介数中心性值、接近中心性值和特征向量中心性值；基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集。
即，基于建立的公路交通网络，计算所述公路交通网络中节点
Figure SMS_32
的度中心性
Figure SMS_35
、介数中心性/>
Figure SMS_38
、接近中心性/>
Figure SMS_34
和特征向量中心性/>
Figure SMS_37
四类中心性参数。并对计算得到的中心性参数值进行降序排序，中心性参数值相同的节点随机排序，其对应的节点顺序即为微观尺度的重要节点序列，即A节点序列集（/>
Figure SMS_39
）、B节点序列集（
Figure SMS_41
）、C节点序列集（/>
Figure SMS_33
）和D节点序列集（/>
Figure SMS_36
），维度均为/>
Figure SMS_40
。
展开来说，所述基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集，包括：
基于度中心性值，对所述公路交通网络中的各节点进行降序排序，获得A节点序列集。在实际应用中，可以采用NetworkX中的degree_centrality算法计算获取所述公路交通网络中节点
Figure SMS_42
的度中心性值/>
Figure SMS_43
。通过上述算法计算获得所述公路交通网络中所有节点的度中心性值/>
Figure SMS_44
如图7所示。
基于介数中心性值，对所述公路交通网络中的各节点进行降序排序，获得B节点序列集。在实际应用中，可以采用NetworkX中的betweenness_centrality算法计算获取所述公路交通网络中节点
Figure SMS_45
的介数中心性值/>
Figure SMS_46
。通过上述算法计算获得所述公路交通网络中所有节点的介数中心性值/>
Figure SMS_47
如图7所示。
基于接近中心性值，对所述公路交通网络中的各节点进行降序排序，获得C节点序列集。在实际应用中，可以采用NetworkX中的closeness_centrality算法计算获取所述公路交通网络中节点
Figure SMS_48
的接近中心性值/>
Figure SMS_49
。通过上述算法计算获得所述公路交通网络中所有节点的接近中心性值/>
Figure SMS_50
如图7所示。
基于特征向量中心性值，对所述公路交通网络中的各节点进行降序排序，获得D节点序列集。在实际应用中，可以采用NetworkX中的eigenvector_centrality算法计算获取所述公路交通网络中节点
Figure SMS_51
的特征向量中心性值/>
Figure SMS_52
。通过上述算法计算获得所述公路交通网络中所有节点的特征向量中心性值/>
Figure SMS_53
如图7所示。
基于所述A节点序列集、B节点序列集、C节点序列集和D节点序列集，获得第三枢纽节点序列集。
基于图7所述度中心性值、介数中心性值、接近中心性值和特征向量中心性值大小，对所述公路交通网络中所有节点进行降序排序，可以分别获得A节点序列集为
Figure SMS_54
为[15, 2, 20, 17, 19, 23, 9, 3, 1, 24, 18, 12, 22, 21, 5, 11, 0, 4,16, 13, 7, 14, 10, 8, 6]；B节点序列集为/>
Figure SMS_55
为[15, 2, 0, 7, 20, 5, 1, 3,19, 12, 17, 9, 23, 24, 4, 22, 21, 18, 16, 14, 13, 11, 10, 8, 6]；C节点序列集为
Figure SMS_56
为[15, 2, 20, 19, 17, 23, 9, 24, 3, 12, 1, 18, 5, 21, 0, 11, 16, 22,14, 7, 6, 4, 13, 10, 8]；D节点序列集为/>
Figure SMS_57
为[15, 2, 20, 17, 19, 23, 9,18, 24, 21, 12, 1, 22, 3, 11, 5, 0, 16, 4, 14, 6, 7, 13, 10, 8]。
步骤S40、基于所述枢纽节点序列集，获得目标枢纽节点。
在具体实施过程中，所述基于所述枢纽节点序列集，获得目标枢纽节点，包括：基于各节点在所述第一枢纽节点序列集中的排序，获得第一排序值；基于各节点在所述第二枢纽节点序列集中的排序，获得第二排序值；基于各节点在所述第三枢纽节点序列集中的排序，获得第三排序值；将每个节点的第一排序值、第二排序值和第三排序值进行加和，获得每个节点的排序加和值；基于所述排序加和值，将各节点进行升序排序，按照预设阈值获得目标枢纽节点。
即：分别基于所述公路交通网络中节点i在所述第一枢纽节点序列集（ImpSeq mac）、所述第二枢纽节点序列集（ImpSeq mes）和所述第三枢纽节点序列集（
Figure SMS_59
、/>
Figure SMS_62
、
Figure SMS_65
、/>
Figure SMS_60
）中的排序位置，分别获得第一排序值（/>
Figure SMS_63
）、第二排序值（
Figure SMS_66
）和第三排序值（/>
Figure SMS_68
、/>
Figure SMS_58
、/>
Figure SMS_61
和/>
Figure SMS_64
）。在基于上述第一排序值、第二排序值和第三排序值进行加和，获得排序加和值（/>
Figure SMS_67
），即：
Figure SMS_69
。
再基于所述公路交通网络中每个节点的排序加和值对所有节点进行升序排序，即排序加和值越小，所对应节点的排序越靠前，再根据实际需求设置的预设阈值，获得目标枢纽节点。如可将预设阈值设置为（1,2,3....n）个，其中n为正整数；或将预设阈值设置为百分制，如（5%，10%，20%，30%，40%...80%），可根据实际需求进行设置。
举例来说，所述公路交通网络G的第一枢纽节点序列集（ImpSeq mac）、第二枢纽节点序列集（ImpSeq mes）、第三枢纽节点序列集（
Figure SMS_70
、/>
Figure SMS_71
、/>
Figure SMS_72
、/>
Figure SMS_73
）如表1所示：
表1：
Figure SMS_74
基于表1所示的序列集中的排序，计算每个节点的排序和。以节点2和节点15为例：
节点2在6个重要度序列中的排序分别为1、1、2、2、2、2，排序和为10；而节点15在6个重要度序列中的排序分别为2、2、1、1、1、1，排序和为8。因此节点15比节点2更重要，在最终的重要节点序列ImpSeq中，节点15更靠前。
在计算每一个节点的排序和后，可以得出最终重要节点序列ImpSeq为[15, 2,20, 19, 17, 9, 3, 1, 23, 12, 0, 5, 18, 24, 21, 7, 11, 22, 4, 16, 14, 6, 13,10, 8]，即节点15为公路交通网络G中最重要的枢纽节点。
在实际应用过程中，可根据实际需求按比例取ImpSeq中的节点视为目标枢纽节点，如通常可取ImpSeq中前20%的节点为目标枢纽节点，即[15, 2, 20, 19, 17]，对上述5个目标枢纽节点加强维护保养措施，就可以以一定程度上保障公路交通运输的可靠性。
参见图8，基于相同的发明思路，本申请的实施例还提供一种公路交通网络枢纽节点识别装置，包括：
第一获取模块，用于获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；
第二获取模块，用于基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；
第三获取模块，用于基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；
识别模块，用于基于所述枢纽节点序列集，获得目标枢纽节点。
需要说明的是，本实施例中公路交通网络枢纽节点识别装置中各模块是与前述实施例中的公路交通网络枢纽节点识别方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述公路交通网络枢纽节点识别方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请还提供一种电子设备，所述电子设备包括处理器，存储器以及存储在所述存储器中的获取机程序，所述获取机程序被处理器运行时实现前述实施例中方法的步骤。
此外，在一种实施例中，本申请还提供一种获取机存储介质，所述获取机存储介质上存储有获取机程序，所述获取机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，获取机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。获取机可以是包括智能终端和服务器在内的各种获取设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在获取环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个获取设备上执行，或者在位于一个地点的多个获取设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个获取设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该获取机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，获取机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
以上所揭露的仅为本申请的局部实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (8)

1.一种公路交通网络枢纽节点识别方法，其特征在于，包括：
获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；
基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；
基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；
基于所述枢纽节点序列集，获得目标枢纽节点；
其中，所述基于所述公路交通网络，获得枢纽节点序列集，包括：基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集；基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集；基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集；
其中，所述基于所述枢纽节点序列集，获得目标枢纽节点，包括：基于各节点在所述第一枢纽节点序列集中的排序，获得第一排序值；基于各节点在所述第二枢纽节点序列集中的排序，获得第二排序值；基于各节点在所述第三枢纽节点序列集中的排序，获得第三排序值；将每个节点的第一排序值、第二排序值和第三排序值进行加和，获得每个节点的排序加和值；基于所述排序加和值，将各节点进行升序排序，按照预设阈值获得目标枢纽节点。
2.根据权利要求1所述公路交通网络枢纽节点识别方法，其特征在于，所述基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集，包括：
将所述公路交通网络中的各节点分别进行逐一删除，分别获得删除各节点后的第一公路交通网络；
基于删除各节点后的第一公路交通网络，获得最大连通子团中的节点数量值；
基于所述最大连通子团中的节点数量值，对所述公路交通网络中的各节点进行升序排序，获得第一枢纽节点序列集。
3.根据权利要求1所述公路交通网络枢纽节点识别方法，其特征在于，所述基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集，包括：
基于社团结构分析方法，将所述公路交通网络划分成多个社团；
基于各社团中各节点到其他社团各节点的最短距离值，获得各社团中各节点的最短距离加和值；
基于各节点的最短距离加和值，对所述公路交通网络中的各节点进行升序排序，获得第二枢纽节点序列集。
4.根据权利要求1所述公路交通网络枢纽节点识别方法，其特征在于，所述基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集，包括：
获取所述公路交通网络中各节点的中心性参数值；其中，所述中心性参数值包括度中心性值、介数中心性值、接近中心性值和特征向量中心性值；
基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集。
5.根据权利要求4所述公路交通网络枢纽节点识别方法，其特征在于，所述基于所述各节点的中心性参数值，对所述公路交通网络中的各节点进行降序排序，获得第三枢纽节点序列集，包括：
基于度中心性值，对所述公路交通网络中的各节点进行降序排序，获得A节点序列集；
基于介数中心性值，对所述公路交通网络中的各节点进行降序排序，获得B节点序列集；
基于接近中心性值，对所述公路交通网络中的各节点进行降序排序，获得C节点序列集；
基于特征向量中心性值，对所述公路交通网络中的各节点进行降序排序，获得D节点序列集；
基于所述A节点序列集、B节点序列集、C节点序列集和D节点序列集，获得第三枢纽节点序列集。
6.一种公路交通网络枢纽节点识别装置，其特征在于，包括：
第一获取模块，用于获取公路历史交通数据；其中，所述公路历史交通数据包括道路历史交通数据和交叉口历史交通数据；
第二获取模块，用于基于公路历史交通数据，并通过NetworkX网络建模工具构建公路交通网络；其中，所述公路交通网络以道路历史交通数据为边集合数据，以交叉口历史交通数据为节点集合数据；
第三获取模块，用于基于所述公路交通网络，获得枢纽节点序列集；其中，所述枢纽节点序列集包括第一枢纽节点序列集、第二枢纽节点序列集和第三枢纽节点序列集；所述第一枢纽节点序列集基于渗流分析方法获得，所述第二枢纽节点序列集基于社团结构分析方法获得，所述第三枢纽节点序列集基于节点中心性分析方法获得；其中，所述基于所述公路交通网络，获得枢纽节点序列集，包括：基于所述公路交通网络中各节点渗流删除后对应的网络最大连通子团中的节点数量值，获得第一枢纽节点序列集；基于所述公路交通网络中不同社团各节点到其他社团各节点的最短距离加和值，获得第二枢纽节点序列集；基于所述公路交通网络中各节点的中心性参数值，获得第三枢纽节点序列集；
识别模块，用于基于所述枢纽节点序列集，获得目标枢纽节点；其中，所述基于所述枢纽节点序列集，获得目标枢纽节点，包括：基于各节点在所述第一枢纽节点序列集中的排序，获得第一排序值；基于各节点在所述第二枢纽节点序列集中的排序，获得第二排序值；基于各节点在所述第三枢纽节点序列集中的排序，获得第三排序值；将每个节点的第一排序值、第二排序值和第三排序值进行加和，获得每个节点的排序加和值；基于所述排序加和值，将各节点进行升序排序，按照预设阈值获得目标枢纽节点。
7.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有获取机程序，所述处理器执行所述获取机程序，实现如权利要求1-5中任一项所述的方法。
8.一种获取机可读存储介质，所述获取机可读存储介质上存储有获取机程序，处理器执行所述获取机程序，实现如权利要求1-5中任一项所述的方法。
CN202310387351.1A 2023-04-12 2023-04-12 一种公路交通网络枢纽节点识别方法、装置、设备和介质 Active CN116090268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310387351.1A CN116090268B (zh) 2023-04-12 2023-04-12 一种公路交通网络枢纽节点识别方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310387351.1A CN116090268B (zh) 2023-04-12 2023-04-12 一种公路交通网络枢纽节点识别方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN116090268A CN116090268A (zh) 2023-05-09
CN116090268B true CN116090268B (zh) 2023-07-14

Family

ID=86199581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310387351.1A Active CN116090268B (zh) 2023-04-12 2023-04-12 一种公路交通网络枢纽节点识别方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116090268B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317704A (zh) * 2017-06-22 2017-11-03 西京学院 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN109377048A (zh) * 2018-10-23 2019-02-22 北京航空航天大学 一种综合交通网络枢纽节点选择方法
CN110135092A (zh) * 2019-05-21 2019-08-16 江苏开放大学（江苏城市职业学院） 基于半局部中心性的复杂加权交通网关键节点识别方法
CN115131966A (zh) * 2022-06-27 2022-09-30 北京航空航天大学 一种考虑交叉口运行特性的路网关键节点识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110364B (zh) * 2009-12-28 2013-12-11 日电（中国）有限公司 基于路口和路段的交通信息处理方法和装置
US10078962B1 (en) * 2017-04-28 2018-09-18 International Business Machines Corporation Identification and control of traffic at one or more traffic junctions
CN107517201B (zh) * 2017-07-28 2020-11-13 北京航空航天大学 一种基于时序移除的网络脆弱性辨识方法
CN108520353B (zh) * 2018-04-09 2020-02-21 交通运输部公路科学研究所 一种综合交通运输网络安全风险点辨识方法
CN109446628B (zh) * 2018-10-22 2022-04-19 太原科技大学 基于复杂网络的多层城市交通网构建及关键节点识别方法
CN110738853B (zh) * 2019-10-25 2020-10-09 北京航空航天大学 一种基于复杂网络相关性的关键节点识别方法
CN111178678B (zh) * 2019-12-06 2022-11-08 中国人民解放军战略支援部队信息工程大学 基于社团影响力的网络节点重要性评估方法
CN115358496A (zh) * 2022-10-21 2022-11-18 中国兵器科学研究院 一种联合投送网络构建方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317704A (zh) * 2017-06-22 2017-11-03 西京学院 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN109377048A (zh) * 2018-10-23 2019-02-22 北京航空航天大学 一种综合交通网络枢纽节点选择方法
CN110135092A (zh) * 2019-05-21 2019-08-16 江苏开放大学（江苏城市职业学院） 基于半局部中心性的复杂加权交通网关键节点识别方法
CN115131966A (zh) * 2022-06-27 2022-09-30 北京航空航天大学 一种考虑交叉口运行特性的路网关键节点识别方法

Also Published As

Publication number Publication date
CN116090268A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN110609759B (zh) 一种故障根因分析的方法及装置
CN111210269B (zh) 基于大数据的对象识别方法、电子装置及存储介质
CN109872535B (zh) 一种智慧交通通行预测方法、装置及服务器
CN110826819B (zh) 一种自动化集装箱码头车辆的路径规划方法
CN109981326B (zh) 家庭宽带感知故障定位的方法及装置
CN112990235B (zh) 点云数据的处理方法、装置及电子设备
Tantawi A scalable algorithm for placement of virtual clusters in large data centers
Berghida et al. EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows
CN112380439A (zh) 目标物推荐方法、装置、电子设备及计算机可读存储介质
CN116522552A (zh) 机房布线方法和系统
CN116090268B (zh) 一种公路交通网络枢纽节点识别方法、装置、设备和介质
CN110657815A (zh) 一种基于云计算的Dijkstra导航方法、系统、终端及存储介质
CN112652189B (zh) 基于策略流的交通分配方法、装置、设备及可读存储介质
CN111221517A (zh) 一种模型创建方法、装置、计算机设备和可读存储介质
CN113821579A (zh) 路线的生成方法、装置、电子设备和存储器
CN113553794A (zh) 一种用于电路设计的人工智能实现系统及方法
CN112860996A (zh) 一种兴趣点处理方法、装置、电子设备和介质
Jenabi et al. An accelerated Benders decomposition algorithm for stochastic power system expansion planning using sample average approximation
CN111160738A (zh) 事件处理方法、装置、存储介质及电子装置
CN113704624B (zh) 基于用户分流的策略推荐方法、装置、设备及介质
CN114913008A (zh) 基于决策树的债券价值分析方法、装置、设备及存储介质
CN113297714A (zh) 一种配电台区末端电压分析方法及系统
CN111836274B (zh) 一种业务处理的方法及装置
CN108075918A (zh) 互联网业务变更检测方法及系统
CN115062386B (zh) 模板支架工程量的计算方法、装置、设备和可读存储介质

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