CN116523397B - 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 - Google Patents
基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 Download PDFInfo
- Publication number
- CN116523397B CN116523397B CN202310459563.6A CN202310459563A CN116523397B CN 116523397 B CN116523397 B CN 116523397B CN 202310459563 A CN202310459563 A CN 202310459563A CN 116523397 B CN116523397 B CN 116523397B
- Authority
- CN
- China
- Prior art keywords
- traffic
- network
- elasticity
- index
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000011156 evaluation Methods 0.000 claims abstract description 151
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011425 standardization method Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,包括以下步骤:将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;采用最小‑最大规范化方法对拓扑结构评价指标值和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;根据信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;通过GMM聚类算法划分弹性等级。本发明可准确地评估城市交通路网弹性,提高评估结果的可靠性。
Description
技术领域
本专利涉及交通路网弹性评估,尤其是一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法。
背景技术
全球高速城市化导致出行者越来越多,交通基础设施网络在提供便利的同时伴随着交通流的复杂运行:出行需求强度高、扰动冲击频度高和风险因素随机等特征。在这种人居环境日益严峻的城市模式中,突发事件将直接造成交通拥堵甚至整个路网瘫痪。因此,深入研究交通系统弹性的本质和规律,构建关键特性评价指标体系和评估模型,可以为缓解城市道路压力、保障居民在常态拥挤下的出行时间稳定性以及系统恢复能力提供理论依据。
但交通网络错杂复杂,交通运行存在众多不确定性、相互依赖性和脆弱性等。众多学者已经针对脆弱性和可靠性展开一系列分析,但其实出行者更关心破坏后恢复正常状态的效率以及如何快速恢复。虽然已经有针对脆弱性和韧性的一系列评价,但这些方法往往依赖于专家的经验和判断,容易受到主观因素的影响,可能导致评估结果不够客观或者评估精度低。
为了衡量路网对抗潜在破坏时的性能,脆弱性和可靠性应该进一步结合全面的影响弹性的指标综合评估路网弹性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提出一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,为构建更综合的评价体系提供客观依据,能够更全面、准确地提高评估结果的可靠性。在城市交通路网弹性优化等领域具有重要意义。
为了达到上述目的,本发明采用以下技术方案予以实现:
一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,包括以下步骤:
将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;
根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;
采用最小-最大规范化方法对拓扑结构评价指标值和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;
根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;
基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;
对城市交通路网弹性指数通过GMM聚类算法划分弹性等级。
作为本发明的进一步技术方案为,所述将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;具体包括:所述拓扑结构评价指标包括复杂网络中度数、边介数、入度的中介中心性、出度的中介中心性和聚类系数;所述交通基础评价指标包括车流量、路段容量、自由流走行时间、路段长度、路段饱和度、平均车速、通行时间和延误时间。
作为本发明的进一步技术方案为,所述根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;具体包括:根据Sioux-Falls网络公开数据的路段起点、路段终点由python构建区域拓扑网络并计算拓扑网络结构和交通基础评价指标值。作为本发明的进一步技术方案为,所述采用最小-最大规范化方法对区域交通系统拓扑网络和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;具体包括:
所述最小-最大规范化方法,算法如下:
Xnorm=(X-Xmin)/(Xmax-Xmin);
其中,Xnorm为归一化后的数据;X为原始数据;Xmin、Xmax分别为数据中的最小值和最大值;
所述将与路网弹性呈负相关的指标值反向转换;算法如下:
X′norm=1-Xnorm;
其中,Xnorm为归一化后的数据;X′norm为反向转换的数据。
作为本发明的进一步技术方案为,所述路网弹性为道路交通系统在面对外部冲击时的适应能力和恢复能力;其中外部冲击包括交通拥堵、道路封闭、天气恶劣;
所述与路网弹性呈负相关为评价指标值增加/降低/时,路网弹性会降低/增加;其中与路网弹性呈负相关的指标包括车流量、路段饱和度、通行时间和延误时间。
作为本发明的进一步技术方案为,所述根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;具体包括:
计算转换后的区域交通系统拓扑网络和交通基础评价指标值的信息熵确定权重;所述信息熵确定权重,算法如下:
Hi=-∑P(Xij)log2(P(Xij)),i=1~n;
其中,Hi为第i个指标的信息熵;P(Xij)是第i个指标在第j方案中的概率,P(Xij)=Rij/Ri(k),Rij表示第i个指标在第j个方案的数,Ri(k)表示所有方案在第k个指标上的得分之和;Wi为第i个指标的权重;n表示指标数量;
加权组合转换后的区域交通系统拓扑网络和交通基础评价指标值构建综合评价指标;所述加权组合,算法如下:
evaluayion_topology=W9KInorm+W10KOnorm+W11B(eij)norm+W12CBiInorm+W13CBiOnorm+W14Ci(norm);
其中,W1、W2...W13W14分别为车流量、道路容量、自由流走行时间、路段长度、路段饱和度、平均车速、通行时间、延误时间、入度、出度、边介数、入度的中介中心性、出度的中介中心性和聚类系数的权重;Cnorm为为道路容量、t_freenorm为自由流走行时间、Lnorm为路段长度,为平均车速、KInorm为入度,KOnorm为出度,B(eij)norm为边介数,CBiInorm为入度的中介中心性、CBiOnorm为出度的中介中心性,Ci(norm)为聚类系数的归一化数据,Q′norm为车流量的归一化后反向转换的值,SR′norm为路段饱和度的归一化后反向转换的值、t_travel′norm通行时间的归一化后反向转换的值和t_delay′norm为延误时间的归一化后反向转换的值;evaluayion_traffic表示交通基础综合评价指标,evaluayion_topology代表拓扑结构综合评价指标。
作为本发明的进一步技术方案为,所述基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;具体包括:
所述熵权法分析evaluayion_traffic和evaluayion_topology信息熵;具体包括:
计算第j个指标下,第i个道路所占的比重Pi,j:
计算第j个指标的熵值Zj:
计算第j个指标的差异系数gj:
计算evaluayion_traffic和evaluayion_topology指标的权重wj:
加权组合evaluayion_traffic和evaluayion_topolo计算弹性指数Si:
其中,Xi,j表示第i个道路第j个指标的值;a>0,a=1/lnN,ej≥0;b为总指标数,
所述计算城市路网弹性指数;具体包括:
elastic_index=w1×evaluayion_traffic+w2×evaluayion_topology;
其中,elastic_index为道路弹性指数、evaluayion_traffic为道路交通基础综合评价指标的值、evaluayion_topology为道路拓扑结构综合评价指标的值、w1和w2分别为二者的权重。
作为本发明的进一步技术方案为,将路网弹性指数由GMM聚类算法划分弹性等级;具体包括:
第一步,初始化:选择K个高斯分布作为初始聚类中心,每个高斯分布的均值、协方差矩阵、权重系数(每个高斯分布对应的样本数量)需要初始化;
第二步,E步骤:对于每个样本点,计算其属于每个高斯分布的概率,即计算每个高斯分布在当前样本点上的后验概率。根据贝叶斯定理,后验概率可以通过当前样本点在每个高斯分布上的概率密度函数与各自的权重系数相乘得到;具体公式如下:
其中,zk表示第k个高斯分布,zi表示第i个样本点,p(zk|xi)表示第i个样本点属于第k个高斯分布的后验概率,p(xi|zk)表示第k个高斯分布在第i个样本点上的概率密度函数,πk表示第k个高斯分布的权重系数;
第三步,M步骤:根据样本点在当前各个高斯分布上的后验概率重新估计每个高斯分布的参数,包括均值、协方差矩阵和权重系数;具体公式如下:
其中,μk表示第k个高斯分布的均值∑k表示第k个高斯分布的协方差矩阵,πk表示第k个高斯分布的权重系数,N表示样本点的总数;
第四步,重复第二步和第三步,直到算法收敛,即每个样本点都属于某个高斯分布;
第五步,根据每个样本点属于的高斯分布进行聚类划分等级。
作为本发明的进一步技术方案为,所述根据每个样本点属于的高斯分布进行聚类划分等级,具体为:将聚类划分等级定义为五类,分别为表示道路弹性的“较好”、“好”、“中等”、“差”和“较差”5种等级。
本发明的有益技术效果为:
本发明针对Sioux-Falls网络公开数据起始端点和终点端点由python构建了区域交通系统拓扑网络,并基于复杂网络理论拓扑特征参量计算了网络的拓扑结构指标,基于此数据继续计算了反映交通运行的交通基础评价指标;通过最小-最大规范化方法归一化计算数据后又将与路网弹性呈负相关的指标数据反向转换;接着计算各个指标的信息熵确定权重并加权组合为交通网络每条道路的的拓扑结构综合评价结果和交通基础综合评价结果;利用熵权法针对两个不同层面的评价结果计算了城市路网弹性最终得分;由GMM聚类算法将路网弹性得分划分等级,评估此交通网络弹性水平。
本发明涉及的拓扑结构评价指标主要评估交通网络的形态、结构和连接性等特征,从交通网络的形态、结构、连接性、可靠性、适应性等特征评价指标,利用熵权法多指标决策综合评估路网弹性并由GMM聚类算法将弹性划分等级,不但提高了评估结果的可靠性,而且直观的反映了交通网络每条道路弹性情况,为城市交通网络弹性优化提供了可靠依据。
附图说明
图1为本发明提出的基于熵权法和GMM聚类算法的城市交通路网弹性评估流程图;
图2为本发明提出的有向交通网络拓扑图;
图3为本发明提出的熵权法计算流程图;
图4为本发明提出的两个相同交叉口但方向不同的路段统一无向交通网络拓扑图;
图5为本发明提出的GMM聚类弹性指数等级划分流程图;
图6为本发明提出的弹性指数聚类分布图;
图7是本发明提出的弹性指数聚类个数图;
图8为本发明提出的交通网络道路弹性指数图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式:
交通网络结构以及不同路段承担的交通流都制约着路网弹性。城市路网可以抽象为图模型分析由交叉口与路段组成的复杂网络拓扑结构特征,因此,选用复杂网络理论拓扑特征参量与描述交通运行的特征参量作为影响城市交通路网弹性的拓扑结构和交通基础评价指标。
熵权法属于一种综合评价方法,可以综合各个指标变异性大小客观赋权。指标的信息熵越小,表明指标值得变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大。相反反之。针对提出的两大类评价指标各个小的特征参量,通过计算指标的信息熵确定权重并加权组合为综合评价指标,最终给出得分。
GMM聚类算法是一种基于统计学习的聚类算法。它将数据点看作是由多个高斯分布组成的混合模型,然后利用EM算法来估计每个高斯分布的均值、方差以及每个高斯分布在混合模型中的权重,从而实现对数据的聚类,即赋予弹性不同水平等级。
参见图1,为本发明提出的一种基于熵权法和GMM聚类算法的城市交通路网弹性评估流程图。
如图1所示,本发明提出了一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,包括以下步骤:
步骤S1,将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;
步骤S2,根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;
步骤S3,采用最小-最大规范化方法对拓扑结构评价指标值和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;
步骤S4,根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;
步骤S5,基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;
步骤S6,对城市交通路网弹性指数通过GMM聚类算法划分弹性等级。
本发明基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,深入研究交通系统弹性的本质和规律,构建了全面的关键特性评价指标体系。
本发明针对Sioux-Falls网络公开数据起始端点和终点端点由python构建了区域交通系统拓扑网络,并基于复杂网络理论拓扑特征参量计算了网络的拓扑结构指标,基于此数据继续计算了反映交通运行的交通基础评价指标;通过最小-最大规范化方法归一化计算数据后又将与路网弹性呈负相关的指标数据反向转换;接着计算各个指标的信息熵确定权重并加权组合为交通网络每条道路的的拓扑结构综合评价结果和交通基础综合评价结果;利用熵权法针对两个不同层面的评价结果计算了城市路网弹性最终得分;由GMM聚类算法将路网弹性得分划分等级,评估此交通网络弹性水平。
本发明涉及的拓扑结构评价指标主要评估交通网络的形态、结构和连接性等特征,评估指标主要包括节点度、边介数、聚类系数等,可以帮助理解和捕获交通网络的复杂度、可靠性以及冗余,冗余会影响事件后的功能和恢复,具有冗余的运输网络更有可能有效地恢复到可接受的功能级别,因为可能存在多种恢复策略,它会改善受限优化问题(如恢复规划)的结果;交通基础类指标是指交通网络的基本设施和功能,包括道路容量、交通流量、车速等,这些指标反映了交通网络的建设和覆盖情况,对交通网络的连通性、可靠性和适应性产生影响。例如,道路网密度和道路长度的增加可以提高交通网络的连通性和覆盖范围,从而增强交通网络的弹性,而交通设施的改善可以提高交通的安全性和效率,增加交通网络的适应性和可靠性。
针对上述提出的从交通网络的形态、结构、连接性、可靠性、适应性等特征评价指标,利用熵权法多指标决策综合评估路网弹性并由GMM聚类算法将弹性划分等级,不但提高了评估结果的可靠性,而且直观的反映了交通网络每条道路弹性情况,为城市交通网络弹性优化提供了可靠依据。
在步骤S1中,将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;具体包括:由复杂网络中度数(出度、入度)、边介数、入度的中介中心性、出度的中介中心性和聚类系数作为拓扑结构评价指标,由Sioux-Falls网络公开数据集车流量(每小时车辆数)、路段容量(每小时车辆数)、自由流走行时间(分钟)、路段长度(英里)、BPR函数参数b=0.15、power=4等参量继续计算了路段饱和度、平均车速、通行时间和延误时间,将这8个描述交通运行状态的参量作为交通基础评价指标;其中,
所述度数,算法如下:
其中,N为节点总数;δij表示节点i是否与j相连。以某一个顶点为起点的边的条数为出度,为终点的边的条数为入度。
出度用于表示该交叉口向外连接的其他交叉口的数量,出度评价越高的交叉口扮演的角色越重要,因为出度可以向更多的交叉口疏散并缓解交通流量;
入度表示进入一个交叉口的边的数量,表示该交叉口从其他交叉口获得的连接数量,入度评价结果越高的交叉口也具有更重要的角色,因为入度能够从更多的交叉口获得信息和资源;
边介数表示一个交叉口在网络中的所有最短路径中被经过的次数,边介数评价结果越高,表示为交通网络的重要桥梁,因为边介数能够将不同的交叉口连接起来,促进信息传播和资源分配;边介数的算法如下:
其中,N为节点总数;B(eij)为边eij的介数;nst(eij)为连接点连接s和t经过边eij的最短路径数量;nst为st间的最短路的个数;
入度的中介中心性指在所有最短路径中经过该交叉口的数量除以所有最短路径的数量,该指标测量了一个交叉口在接收信息方面的重要性,即该交叉口在网络中扮演了多少个其他交叉口的信息传递的桥梁;出度的中介中心性上同;
中介中心性的算法如下:
其中,N为节点总数;Pjk为节点j到节点k的最短路径数目;Pjik为节点j到节点k经过节点i的最短路径数目。
聚类系数指一个交叉口的邻居交叉口之间连接的数量与所有可能的邻居交叉口连接的数量之比,聚类系数测量了交叉口之间的互相关联程度,即该交叉口所在的群体在网络中形成的程度;聚类系数的算法如下:
其中,Ci为节点i的聚类系数;ki为节点i的度数;Ei代表ki个节点实际相互连接边的数目。
在本发明实施例中,上述指标可以衡量不同的道路的影响和重要性,可以综合作为拓扑结构指标结果。
车流量低于路段容量时,道路的弹性较高,可以容纳更多的车流量而不会出现交通拥堵,但是,当车流量超过路段容量时,道路的弹性会降低,交通拥堵会随之出现;路段容量越大时,道路的弹性越高,能够适应更多的交通流量变化,相反,很容易出现交通拥堵;自由流走行时间是指车辆在没有任何阻碍的情况下通过路段所需的时间,当自由流走行时间较短时,交通流量较大会容易产生拥堵,道路的弹性会降低;路段长度越长,更容易适应交通流量,减小拥堵,弹性越大;平均车速较快时,车辆可以更快地通过路段较小道路压力,道路的弹性越高;路段饱和度较低时,道路系统可以适应更多的交通流量变化,道路的弹性越高,当路段饱和度接近或达到100%时,道路的弹性会降低,因为任何小的交通流量变化都可能引起交通拥堵;而实际通行时间和延误时间越小,路段越畅通,弹性越大,具体算法如下:
路段饱和度的算法为:
SR=Q/C
其中,SR为路段饱和度;Q为车流量;C为路段容量。
平均车速的算法如为:
其中,为平均车速;t_free为自由流走行时间;Q为车流量;C为路段容量。
通行时间的算法如下:
t_travel=t_free×(1+b(Q/C)power)
其中,t_travel为通行时间;Q为车流量;C为路段容量;b、power为BPR函数参数。
延误时间的算法如下:
其中,t_delay为延误时间;L为路段长度;为平均车速;t_free为自由流走行时间。
在步骤S2中,根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算交通基础评价指标值;具体包括:根据Sioux-Falls网络公开数据的路段起点、路段终点由python构建区域拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值。
在本发明实施例中,Sioux-Falls数据是包含24个节点,76条路段(同一路段的往返记为两条道路)的有向交通网络,各个路段车流量、道路容量、自由流走行时间和路段长度已知,部分数据如表1所示。由python根据节点连接关系生成的有向交通网络如图2所示。对生成的交通网络计算各个交通基础评价指标和拓扑结构评价指标,计算交通基础评价指标值部分数据如表2所示,拓扑结构评价指标部分数据如表3所示:
表1
其中,表内Source为起始端点,Target为终点端点,road_name表示路段名称。
表2
表3
在步骤S3中,采用最小-最大规范化方法处理数据并将与路网弹性呈负相关的指标数据反向转换;具体包括:归一化数据且将负向指标反向转换。
在本发明实施例中,交通指标归一化的部分数据如表4所示;拓扑指标归一化的部分数据如表5所示,反向转换的指标部分数据如表6所示:
表4
表5
表6
在步骤S4中,根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;具体包括:
计算转换后的区域交通系统拓扑网络和交通基础评价指标值的信息熵确定权重;所述信息熵确定权重,算法如下:
Hi=-∑P(Xij)log2(P(Xij)),i=1~n;
其中,Hi为第i个指标的信息熵;P(Xij)是第i个指标在第j方案中的概率,P(Xij)=Rij/Ri(k),Rij表示第i个指标在第j个方案的数,Ri(k)表示所有方案在第k个指标上的得分之和;Wi为第i个指标的权重;n表示指标数量;
加权组合转换后的区域交通系统拓扑网络和交通基础评价指标值构建综合评价指标;所述加权组合,算法如下:
evaluayion_topology=W9KInorm+W10KOnorm+W11B(eij)norm+W12CBiInorm+W13CBiOnorm+W14Ci(norm);
其中,W1、W2...W13W14分别为车流量、道路容量、自由流走行时间、路段长度、路段饱和度、平均车速、通行时间、延误时间、入度、出度、边介数、入度的中介中心性、出度的中介中心性和聚类系数的权重;Cnorm为为道路容量、t_freenorm为自由流走行时间、Lnorm为路段长度,为平均车速、KInorm为入度,KOnorm为出度,B(eij)norm为边介数,CBiInorm为入度的中介中心性、CBiOnorm为出度的中介中心性,Ci(norm)为聚类系数的归一化数据,Q′norm为车流量的归一化后反向转换的值,SR′norm为路段饱和度的归一化后反向转换的值、t_travel′norm通行时间的归一化后反向转换的值和t_delay′norm为延误时间的归一化后反向转换的值;evaluayion_traffic表示交通基础综合评价指标,evaluayion_topology代表拓扑结构综合评价指标。
在本发明实施例中,交通基础指标权重计算结果如表7所示,拓扑结构指标权重计算结果如表8所示,最终交通基础加权评价结果部分数据和拓扑结构加权评价结果部分数据如表9所示:
表7
表9
其中,evaluayion_traffic表示交通基础加权评价结果,evaluayion_topology表示拓扑结构加权评价结果。
如图3所示,在步骤S5中,基于熵权法针对两个不同层面描述交通网络的综合评价指标计算城市路网弹性指数;具体包括:基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;具体包括:
所述熵权法分析evaluayion_traffic和evaluayion_topology信息熵;具体包括:
计算第j个指标下,第i个道路所占的比重Pi,j:
计算第j个指标的熵值Zj:
计算第j个指标的差异系数gj:
计算evaluayion_traffic和evaluayion_topology指标的权重wj:
加权组合evaluayion_traffic和evaluayion_topolo计算弹性指数Si:
其中,Xi,j表示第i个道路第j个指标的值;a>0,a=1/lnN,ej≥0;b为总指标数,
所述计算城市路网弹性指数;具体包括:
elastic_index=w1×evaluayion_traffic+w2×evaluayion_topology;
其中,elastic_index为道路弹性指数、evaluayion_traffic为道路交通基础综合评价指标的值、evaluayion_topology为道路拓扑结构综合评价指标的值、w1和w2分别为二者的权重。
将路网弹性指数由GMM聚类算法划分弹性等级;具体包括:
第一步,初始化:选择K个高斯分布作为初始聚类中心,每个高斯分布的均值、协方差矩阵、权重系数(每个高斯分布对应的样本数量)需要初始化。
第二步,E步骤:对于每个样本点,计算其属于每个高斯分布的概率,即计算每个高斯分布在当前样本点上的后验概率。根据贝叶斯定理,后验概率可以通过当前样本点在每个高斯分布上的概率密度函数与各自的权重系数相乘得到;具体公式如下:
其中,zk表示第k个高斯分布,xi表示第i个样本点,p(zk|xi)表示第i个样本点属于第k个高斯分布的后验概率,p(xi|zk)表示第k个高斯分布在第i个样本点上的概率密度函数,πk表示第k个高斯分布的权重系数;
第三步,M步骤:根据样本点在当前各个高斯分布上的后验概率重新估计每个高斯分布的参数,包括均值、协方差矩阵和权重系数;具体公式如下:
其中,μk表示第k个高斯分布的均值∑k表示第k个高斯分布的协方差矩阵,πk表示第k个高斯分布的权重系数,N表示样本点的总数;
第四步,重复第二步和第三步,直到算法收敛,即每个样本点都属于某个高斯分布;
第五步,根据每个样本点属于的高斯分布进行聚类划分等级。
在本发明实施例中,交通基础综合指标与拓扑结构综合指标权重计算结果如表10所示,路网弹性指数及得分排名如表11所示:
表10
表11
其中,elastic_index表示路段弹性指数,ranked_score代表路段的评排名。从弹性指数和评价排名中可以看出,方向相反的同一条道路,即使车流量不同,最终弹性指数和评分排名也相差不大且排名一前一后。例如上表路段Road_0和路段Road_2是交叉口分别为1和2的同一条道路,最终弹性得分相近且排名位于33和34,因此,本实施案例将两个相同交叉口但方向不同的路段统一为一条路,即弹性指数为两者平均值。对此,统一路段后的交通网络如图4所示,统一后的交通网络起始点、终点、路段名称、弹性指数以及评分排名结果如表12所示:
表12
其中,统一后的交通网络视为无向网络,包含24个节点,39条边。
在步骤S5中,将路网弹性水平由GMM聚类算法划分等级,如图5所示;具体包括:将道路弹性水平划分不同等级。
在本发明实施例中,弹性指数聚成五类,将道路划分成“较好”、“好”、“中等”、“差”和“较差”五个等级。将弹性指数的评价结果矩阵输入到GMM聚类算法中,算法会输出每个样本属于每个簇的概率。根据每个样本属于每个簇的概率,将每个样本划分到最可能的簇中。最终,每个簇代表一个等级,等级的“较好”到“较低”等级根据聚类结果的区间划分。其中弹性“较好”的道路有9条、弹性“好”的道路有7条,弹性“中等”的道路有5条,弹性“差”的道路有14条,弹性“较差”的道路有4条,弹性指数聚类分布和聚类个数如图6和图7所示。交通网络弹性“较好”的道路如图8所示。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (4)
1.一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,其特征在于,包括以下步骤:
将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;
根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;
采用最小-最大规范化方法对拓扑结构评价指标值和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;
根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;
基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;
对城市交通路网弹性指数通过GMM聚类算法划分弹性等级;
所述将复杂网络理论拓扑特征参量与描述交通运行的特征参量作为城市交通路网弹性的拓扑结构评价指标和交通基础评价指标;具体包括:所述拓扑结构评价指标包括复杂网络中度数、边介数、入度的中介中心性、出度的中介中心性和聚类系数;所述交通基础评价指标包括车流量、路段容量、自由流走行时间、路段长度、路段饱和度、平均车速、通行时间和延误时间;
所述根据拓扑结构评价指标和交通基础评价指标构建区域交通系统拓扑网络并计算拓扑结构评价指标值和交通基础评价指标值;具体包括:根据Sioux-Falls网络公开数据的路段起点、路段终点由python构建区域拓扑网络并计算拓扑网络结构和交通基础评价指标值;
所述路网弹性为道路交通系统在面对外部冲击时的适应能力和恢复能力;其中外部冲击包括交通拥堵、道路封闭、天气恶劣;
所述与路网弹性呈负相关为评价指标值增加/降低/时,路网弹性会降低/增加;其中与路网弹性呈负相关的指标包括车流量、路段饱和度、通行时间和延误时间;
所述根据转换后的拓扑结构评价指标值和交通基础评价指标值的信息熵确定权重并加权组合为拓扑结构和交通基础综合评价指标;具体包括:
计算转换后的区域交通系统拓扑网络和交通基础评价指标值的信息熵确定权重;所述信息熵确定权重,算法如下:
Hi=-∑P(Xij)log2(P(Xij)),i=1~n;
其中,Hi为第i个指标的信息熵;P(Xij)是第i个指标在第j方案中的概率,P(Xij)=Rij/Ri(k),Rij表示第i个指标在第j个方案的数,Ri(k)表示所有方案在第k个指标上的得分之和;Wi为第i个指标的权重;n表示指标数量;
加权组合转换后的区域交通系统拓扑网络和交通基础评价指标值构建综合评价指标;所述加权组合,算法如下:
evaluayion_topology=W9KInorm+W10KOnorm+W11B(eij)norm+W12CBiInorm+W13CBiOnorm+W14Ci(norm);
其中,W1、W2...W13W14分别为车流量、道路容量、自由流走行时间、路段长度、路段饱和度、平均车速、通行时间、延误时间、入度、出度、边介数、入度的中介中心性、出度的中介中心性和聚类系数的权重;Cnorm为为道路容量、t_freenorm为自由流走行时间、Lnorm为路段长度,为平均车速、KInorm为入度,KOnorm为出度,B(eij)norm为边介数,CBiInorm为入度的中介中心性、CBiOnorm为出度的中介中心性,Ci(norm)为聚类系数的归一化数据,Q'norm为车流量的归一化后反向转换的值,SR'norm为路段饱和度的归一化后反向转换的值、t_travel'norm通行时间的归一化后反向转换的值和t_delay'norm为延误时间的归一化后反向转换的值;evaluayion_traffic表示交通基础综合评价指标,evaluayion_topology代表拓扑结构综合评价指标;
所述基于熵权法对拓扑结构和交通基础综合评价指标计算城市交通路网弹性指数;具体包括:
所述熵权法分析evaluayion_traffic和evaluayion_topology信息熵;具体包括:
计算第j个指标下,第i个道路所占的比重Pi,j:
计算第j个指标的熵值Zj:
计算第j个指标的差异系数gj:
计算evaluayion_traffic和evaluayion_topology指标的权重wj:
加权组合evaluayion_traffic和evaluayion_topolo计算弹性指数Si:
其中,Xi,j表示第i个道路第j个指标的值;a>0,a=1/lnN,ej≥0;b为总指标数,
所述计算城市交通路网弹性指数;具体包括:
elastic_index=w1×evaluayion_traffic+w2×evaluayion_topology;
其中,elastic_index为道路弹性指数、evaluayion_traffic为道路交通基础综合评价指标的值、evaluayion_topology为道路拓扑结构综合评价指标的值、w1和w2分别为二者的权重。
2.根据权利要求1所述的一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,其特征在于,所述采用最小-最大规范化方法对拓扑结构评价指标值和交通基础评价指标值进行处理并将与路网弹性呈负相关的指标值反向转换;具体包括:
所述最小-最大规范化方法,算法如下:
Xnorm=(X-Xmin)/(Xmax-Xmin);
其中,Xnorm为归一化后的数据;X为原始数据;Xmin、Xmax分别为数据中的最小值和最大值;
所述将与路网弹性呈负相关的指标值反向转换;算法如下:
X′norm=1-Xnorm;
其中,Xnorm为归一化后的数据;X'norm为反向转换的数据。
3.根据权利要求1所述的一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,其特征在于,将路网弹性指数由GMM聚类算法划分弹性等级;具体包括:
第一步,初始化:选择K个高斯分布作为初始聚类中心,每个高斯分布的均值、协方差矩阵、权重系数需要初始化;
第二步,E步骤:对于每个样本点,计算其属于每个高斯分布的概率,即计算每个高斯分布在当前样本点上的后验概率,根据贝叶斯定理,后验概率可以通过当前样本点在每个高斯分布上的概率密度函数与各自的权重系数相乘得到;具体公式如下:
其中,zk表示第k个高斯分布,xi表示第i个样本点,p(zk|xi)表示第i个样本点属于第k个高斯分布的后验概率,p(xi|zk)表示第k个高斯分布在第i个样本点上的概率密度函数,πk表示第k个高斯分布的权重系数;
第三步,M步骤:根据样本点在当前各个高斯分布上的后验概率重新估计每个高斯分布的参数,包括均值、协方差矩阵和权重系数;具体公式如下:
其中,μk表示第k个高斯分布的均值∑k表示第k个高斯分布的协方差矩阵,πk表示第k个高斯分布的权重系数,N表示样本点的总数;
第四步,重复第二步和第三步,直到算法收敛,即每个样本点都属于某个高斯分布;
第五步,根据每个样本点属于的高斯分布进行聚类划分等级。
4.根据权利要求3所述的一种基于熵权法和GMM聚类算法的城市交通网络弹性评估方法,其特征在于,所述根据每个样本点属于的高斯分布进行聚类划分等级,具体为:将聚类划分等级定义为五类,分别为表示道路弹性的“较好”、“好”、“中等”、“差”和“较差”5种等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459563.6A CN116523397B (zh) | 2023-04-25 | 2023-04-25 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459563.6A CN116523397B (zh) | 2023-04-25 | 2023-04-25 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523397A CN116523397A (zh) | 2023-08-01 |
CN116523397B true CN116523397B (zh) | 2024-03-08 |
Family
ID=87398807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459563.6A Active CN116523397B (zh) | 2023-04-25 | 2023-04-25 | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523397B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117292547B (zh) * | 2023-10-27 | 2024-05-07 | 重庆交通大学 | 一种大型活动多级影响区路网连通性评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409628A (zh) * | 2018-08-17 | 2019-03-01 | 国网浙江省电力有限公司 | 基于计量大数据聚类模型的采集终端生产厂商评价方法 |
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 |
WO2019149147A1 (zh) * | 2018-01-30 | 2019-08-08 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
CN112949999A (zh) * | 2021-02-04 | 2021-06-11 | 浙江工业大学 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
CN113362604A (zh) * | 2021-07-19 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于扇区动态交通特征的管制员工作负荷评估方法 |
CN113887878A (zh) * | 2021-09-09 | 2022-01-04 | 北京工业大学 | 一种基于熵权-topsis法的交通网络可靠性评价方法 |
CN115048988A (zh) * | 2022-05-25 | 2022-09-13 | 河海大学 | 基于高斯混合模型的不平衡数据集分类融合方法 |
CN115689106A (zh) * | 2022-10-14 | 2023-02-03 | 中国测绘科学研究院 | 复杂网络视角的区域空间结构定量识别方法、装置及设备 |
-
2023
- 2023-04-25 CN CN202310459563.6A patent/CN116523397B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019149147A1 (zh) * | 2018-01-30 | 2019-08-08 | 中国矿业大学 | 一种基于煤炭资源开发的生态地质环境类型划分方法 |
CN109409628A (zh) * | 2018-08-17 | 2019-03-01 | 国网浙江省电力有限公司 | 基于计量大数据聚类模型的采集终端生产厂商评价方法 |
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 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
CN112949999A (zh) * | 2021-02-04 | 2021-06-11 | 浙江工业大学 | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 |
CN113362604A (zh) * | 2021-07-19 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于扇区动态交通特征的管制员工作负荷评估方法 |
CN113887878A (zh) * | 2021-09-09 | 2022-01-04 | 北京工业大学 | 一种基于熵权-topsis法的交通网络可靠性评价方法 |
CN115048988A (zh) * | 2022-05-25 | 2022-09-13 | 河海大学 | 基于高斯混合模型的不平衡数据集分类融合方法 |
CN115689106A (zh) * | 2022-10-14 | 2023-02-03 | 中国测绘科学研究院 | 复杂网络视角的区域空间结构定量识别方法、装置及设备 |
Non-Patent Citations (5)
Title |
---|
"Short-Term Traffic Flow Prediction via Improved Mode Decomposition and Self-Attention Mechanism Based Deep Learning Approach";Jie Li et al;《IEEE SENSORS JOURNAL》;20220715;第22卷(第14期);14356-14365 * |
"基于ETC数据的高速公路事故性拥堵快速识别模型";于翔;《CNKI优秀硕士学位论文全文库》;20231231;1-74页 * |
Xinfei Li et al."Can a Win-Win Situation of Economy and Environment Be Achieved in Cities by the Government's Environmental Regulations?".《Impacts of Climate Change on Economy and Environmrntal Policies for Sustainable Development》.2021,1-20. * |
基于博弈论-云模型的城市道路交通运行状态综合评价;徐建闽;韦佳;首艳芳;;广西师范大学学报(自然科学版);20200715(第04期);1-10 * |
复杂动态环境下运动车辆的识别方法;刘博艺;程杰仁;唐湘滟;殷建平;;计算机科学与探索;20161125(第01期);134-143 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523397A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN110634287B (zh) | 一种基于边缘计算的城市交通状态精细化判别方法 | |
GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN112749904A (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
CN107607954B (zh) | 一种基于t-s模型的fnn降水粒子相态识别方法 | |
CN116523397B (zh) | 基于熵权法和gmm聚类算法的城市交通网络弹性评估方法 | |
CN109961180A (zh) | 一种基于时空相关性的短时交通流量预测方法 | |
CN112949999A (zh) | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 | |
CN114093168A (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
Chang et al. | Counterpropagation fuzzy–neural network for streamflow reconstruction | |
CN111145544A (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 | |
CN109214604A (zh) | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN110084491A (zh) | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 | |
CN112562312A (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
Li et al. | Short-term traffic flow prediction based on recurrent neural network | |
CN113780432A (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN113884807A (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
Chang et al. | Traffic-flow forecasting using a 3-stage model | |
Fonseca et al. | The role of non-recurring congestion in massive hurricane evacuation events | |
Ji et al. | Analysis of total carbon emissions from transport in the world: A visibility graph network approach | |
CN112183597B (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
CN113409574B (zh) | 一种基于贝叶斯网络的交通健康诊断方法 |
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 |