CN117235556B - 一种面向交通管理者的多模式交通复合网络构建方法 - Google Patents
一种面向交通管理者的多模式交通复合网络构建方法 Download PDFInfo
- Publication number
- CN117235556B CN117235556B CN202311499609.3A CN202311499609A CN117235556B CN 117235556 B CN117235556 B CN 117235556B CN 202311499609 A CN202311499609 A CN 202311499609A CN 117235556 B CN117235556 B CN 117235556B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- mode
- residents
- questionnaire
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 95
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明涉及智能交通技术领域,具体涉及一种面向交通管理者的多模式交通复合网络构建方法,包括:构建包含所有方式链信息的多模式交通复合网络拓扑结构;获取居民的问卷调查数据,获取居民在不同时间段出行的方式链结构;获取不同时间段的不同类别的问卷调查数据;获取每条边的影响权重;获取每条边的第一边权值;获取每条边的交通流量满意阈值;对每条边的不同类别的问卷调查数据进行分类,获取第一类别和第二类别;获取多每条边的第二边权值;将每条边的边权值更新为第二边权值,得到更新后的多模式交通复合网络拓扑结构,将更新后的多模式交通复合网络拓扑结构进行展示。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种面向交通管理者的多模式交通复合网络构建方法。
背景技术
科学合理地构建映射城市交通系统中全方式的复合网络,刻画网络中各种交通方式流量,有助于交通管理者了解城市多模式交通网络演化规律与平衡状态,并提供用于决策的信息支持,促进城市智能交通管理水平的提升。
多模式交通网络的构建分为数据模型和网络拓扑两个重要方面。作为道路交通数据应用的核心基础技术,交通网络数据模型是对现实世界的路网及其相关的地理特性进行数据抽象,以建立应用于交通系统领域的可以共享的交通网络模型。以传统交通小区为单元构建交通网络,在空间拓扑上主要聚焦地面交通网络构建,无法建立全方式交通网络间的关联;在时间上无法刻画城市总体交通出行需求的多模式特点在复合网络上的映射关系与演化机理。
发明内容
为了解决上述问题,本发明提供一种面向交通管理者的多模式交通复合网络构建方法。
本发明的一种面向交通管理者的多模式交通复合网络构建方法采用如下技术方案:
本发明一个实施例提供了一种面向交通管理者的多模式交通复合网络构建方法,该方法包括以下步骤:
构建包含所有方式链信息的多模式交通复合网络拓扑结构,所述多模式交通复合网络拓扑结构包含若干个节点以及节点之间相连的边;
获取居民的问卷调查数据,获取居民在不同时间段出行的方式链结构,所述问卷调查数据包括居民在不同时间段的出行方式以及交通流量数据;
通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据;
根据不同时间段的不同类别的居民的问卷调查数据的分布来获取每条边的影响权重;
通过多模式交通复合网络拓扑结构的节点之间相连的边对应的交通流量数据,获取每条边的第一边权值;
通过不同时间段交通流量数据以及不同时间段的不同类别的居民的问卷调查数据中的满意度值和边的影响权重,获取多模式交通复合网络拓扑结构中每条边的交通流量满意阈值;
对多模式交通复合网络拓扑结构的每条边的不同类别的问卷调查数据进行分类,获取第一类别和第二类别,所述第一类别的平均影响权重大于第二类别的平均影响权重;
根据多模式交通复合网络拓扑结构节点之间相连的每条边的影响权重,交通流量满意阈值以及第一边权值,获取多模式交通复合网络拓扑结构中每条边的第二边权值;
通过多模式交通复合网络拓扑结构中每条边的边权值更新为第二边权值,得到更新后的多模式交通复合网络拓扑结构,将更新后的多模式交通复合网络拓扑结构进行展示。
进一步的,所述构建包含所有方式链信息的多模式交通复合网络拓扑结构,包括的具体步骤如下:
将二维的路网按不同出行方式进行三维展开,转换成由步行网络、自行车网络、地铁网络、公交网络及小汽车网络组成的多模式交通复合网络拓扑结构;
将构建的多模式交通复合网络拓扑结构通过表示,其中/>表示网络节点集合,/>表示路段集,/>表示五种出行方式层,分别用/>和/>表示步行、自行车、地铁、公交车和小汽车,其中网络节点包括地面路网交叉口、自行车停放点、地铁站、公交站、小汽车停车场,路段集包括步行路段、自行车行驶路段、地铁站行驶路段、公交行驶路段、小汽车行驶路段。
进一步的,所述获取居民在不同时间段出行的方式链结构,包括的具体步骤如下:
在任意时间段内,根据采集的问卷调查数据确定居民的出行路线,分别形成步行网络拓扑、自行车网络拓扑、小汽车网络拓扑、地铁线网络拓扑和公交车线网络拓扑,其中采集的不同出行方式网络路程的交通流量数据可以对应到多模式交通复合网络拓扑结构中的相邻连接节点之间的边的交通流量数据。
进一步的,所述通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据,包括的具体步骤如下:
第个问卷调查数据与第/>个问卷调查数据之间的相似度/>的计算方法为:
其中,表示问卷调查数据的维度的数量,/>表示第/>个维度数据的预设超参数,/>表示以自然常数为底的指数函数,/>表示第/>个问卷调查数据与第/>个问卷调查数据在第/>个维度的数据序列之间的/>距离,所述/>距离由DTW算法得到;
预设相似度阈值,若任意两个问卷调查数据之间的相似度大于该阈值,则将两个问卷调查数据聚类为同一类;
将所有问卷调查数据进行聚类,获取不同时间段的不同类别的居民的问卷调查数据。
进一步的,所述获取每条边的影响权重,包括的具体步骤如下:
多模式交通复合网络拓扑结构中的第个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重/>的计算方法为:
其中,表示第/>个时间段的第/>个类别的居民的问卷调查数据之间的密度,/>表示第/>个时间段的所有类别中居民的问卷调查数据之间的密度的最大值;
其中,的获取方式为:根据第/>个时间段的所有居民的问卷调查数据获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据的数量记为/>;
其中,的获取方式为:根据第/>个时间段的第/>个类别的居民的问卷调查数获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据后的第/>个边对应路段的数量记为/>。
进一步的,所述获取每条边的第一边权值,包括的具体步骤如下:
多模式交通复合网络中的第个时间段的第/>个边的第一边权值/>的计算方法为:
其中,表示第/>个时间段的第/>个边的交通流量数据均值,/>表示第/>个时间段的边的数量,/>表示第/>个时间段的所有边的交通流量数据的最大值,/>表示获取最大值的函数。
进一步的,所述获取多模式交通复合网络拓扑结构中每条边的交通流量满意阈值,包括的具体步骤如下:
根据居民的问卷调查数据获取居民对于不同时间段的出行方式的满意度值;
根据获取的时间段的交通流量数据值构建统计分布曲线;
根据任意时间段的不同类别的居民的满意度值获取满意度均值,结合统计分布曲线中纵坐标最大的前五个交通流量值的均值作为交通流量满意阈值的基准值,第个时间段的第/>个边的交通流量满意阈值的/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的满意度均值,/>表示第/>个时间段的第/>个边的前五个交通流量值的均值获取的交通流量满意阈值的基准值。
进一步的,所述获取第一类别和第二类别,包括的具体步骤如下:
对于多模式交通复合网络拓扑结构中每条边的不同类别的居民的问卷调查数据,将每条边的不同类别的居民的问卷调查数据进行多次划分,每次划分方式时将问卷调查数据分为两个类别,每类中包含若干问卷调查数据;
将所有次划分后的每个类别中问卷调查数据对应的边的影响权重值记为影响权重值集合;
根据影响权重值集合,使用最大类间方差法,获得最优划分方式,根据最优划分方式将每条边的不同类别的居民的问卷调查数据分为第一类别和第二类别。
进一步的,所述获取多模式交通复合网络拓扑结构中每条边的第二边权值,包括的具体步骤如下:
当前时间段下多模式交通复合网络拓扑结构中边对应的路段的交通流量数据小于获取到的交通流量满意阈值,则每条边的第二边权值为该边的第一边权值;
当前时间段下多模式交通复合网络拓扑结构中边对应的路段的交通流量数据大于获取到的交通流量满意阈值,则根据边的影响权重值以及第一边权值获得第二边权值。
进一步的,所述根据边的影响权重值以及第一边权值获得第二边权值,包括的具体步骤如下:
当前时间段为第个时间段,对于第/>个边调整后的第二边权值/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示第二类别的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第二类别的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示当前时间段的第/>个时间段的第/>个边的交通流量数据,/>表示第/>个时间段的第/>个边的交通流量满意阈值,/>表示第/>个时间段的第/>个边的第一边权值,/>表示sigmoid归一化函数。
本发明的技术方案的有益效果是:本发明通过构建一种面向交通管理者的多模式交通复合网络,并进行动态更新网络边权值,来进行为交通管理者决策提供信息支持。通过问卷调查统计居民在不同时间段的常用出行方式链中的换乘次数、所使用的方式,得到居民在不同时间段的出行常用的方式链结构,并获取不同出行方式的交通流量数据来构建包含所有方式链信息的多模式交通复合网络拓扑结构。对居民的问卷调查数据进行聚类分析,根据不同时间段的不同类别的居民的问卷调查数据的分布来获取多模式交通复合网络节点之间相连的每条边的影响权重。并结合采集的交通流量数据,获取多模式交通复合网络节点之间相连的每条边的第一边权值。根据交通流量数据和居民的满意度以及影响权重,获取对于此路段交通流量满意阈值,分析当前时间段下的交通流量数据与交通流量满意阈值的差异,对多模式交通复合网络中的此时间段对应的第一边权值进行动态调整,对面向交通管理者进行交通指挥决策。保证了在构建多模式交通复合网络的过程中,可以根据当前时间段进行准确的动态更新边的权重值,进而保证了为交通管理者决策的过程中的准确性,提高交通复合网络的结构强度和泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的一种面向交通管理者的多模式交通复合网络构建方法的步骤流程图;
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种面向交通管理者的多模式交通复合网络构建方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种面向交通管理者的多模式交通复合网络构建方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种面向交通管理者的多模式交通复合网络构建方法的步骤流程图,该方法包括以下步骤:
S001.构建包含所有方式链信息的多模式交通复合网络拓扑结构,并通过获取居民的问卷调查数据,获取居民在不同时间段出行的方式链结构。
需要说明的是,本实施例的目的是通过问卷调查以及获取的不同出行方式网络路层的交通流量数据,并结合二维路网来构建不同出行方式网络层来构建多模式交通复合网络,并在构建过程中根据居民的出行情况和交通流量数据对多模式交通复合网络结构进行优化,因此需要通过问卷调查的方式调查统计居民在不同时间段的出行方式,同时还需要获取二维路网以及对应的不同出行方式网络路层的交通流量数据。
具体的,本实施例中通过向居民分发问卷调查的方式来获取居民不同时间段的出行方式,并获取近期100天每天不同时间段中不同出行方式网络路层的交通流量数据。其中问卷调查的内容包括如下维度:性别、年龄、职业、7点到9点出行方式以及满意度、9点到12点出行方式以及满意度、12点到14点出行方式以及满意度、14点到17点出行方式以及满意度、17点到19点出行方式以及满意度、19点到22点出行方式以及满意度等,其中本实施例所述的不同时间段表示的为每一天中的不同时间段。
进一步的,将二维的路网按不同出行方式进行三维展开,转换成由步行网络、自行车网络、地铁网络、公交网络及小汽车网络组成的多模式交通复合网络拓扑结构。借鉴超级网络概念及其拓扑方法,将构建的多模式交通复合网络,由表示,其中/>表示网络节点集合,/>表示路段集,/>表示前述的五种出行方式层,分别用/>和/>表示步行、自行车、地铁、公交车和小汽车,即/>,其中网络节点包括地面路网交叉口、自行车停放点、地铁站、公交站、小汽车停车场等,路段包括步行路段、自行车行驶路段、地铁站行驶路段、公交行驶路段、小汽车行驶路段。根据采集的问卷调查数据确定居民的出行路线,分别形成步行网络拓扑、自行车网络拓扑、小汽车网络拓扑、地铁线网络拓扑和公交车线网络拓扑,其中网络拓扑构建为公知技术,在本实施例中不再赘述。需要说明的是,网络拓扑包含相同出行方式层的网络拓扑,也同样包含不同出行方式层转换的网络拓扑,其中合实际出行方式,将不同方式间的转换模式“方式1→方式2” 以步行网络为依托,拆分为“方式1→步行”+“步行→方式2”,同出行方式线路之间的转换模式“1线→2线”,拆分“1线→步行”+“步行→2线”。其中采集的不同出行方式网络路程的交通流量数据可以对应到多模式交通复合网络中的相邻连接节点之间的边的交通流量数据。
S002.获取的居民的问卷调查数据进行预处理,并通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据。根据不同时间段的不同类别的居民的问卷调查数据的分布来获取每条边的影响权重。
需要说明的是,本实施例中对获取的居民的问卷调查数据进行预处理,并通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据,进行预处理。在计算多模式交通符合网络节点之间相连的每条边的第一边权值的过程中,对每条边需要分析不同类别的居民的影响权重,来表征不同类别的居民对边所对应的路段的影响,因此需要对不同时间段的居民问卷调查数据进行聚类分析,获取不同时间段的不同类别的居民的问卷数据。在不同类别的居民问卷调查数据中,结合同一类别的居民的问卷调查数据的分布以及出现的路段的频数了确定此类别的居民数据对该路段对应的边的影响权重。
具体的,对获取的居民的问卷调查数据进行预处理,并通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据。其中预处理过程包括数据转换、数据清洗、数据标准化等。将获取的居民的问卷调查数据进行数据转换,例如将居民的出行方式数据转换为由网络节点、路段、出行方式构成,例如问卷调查数据中填写的为“从道路F步行地铁站X,再坐地铁换乘至地铁站Y”,则将数据转换为出行方式维度序列以及线路维度序列,其中出行方式维度中将步行方式转换为1,地铁出行方式转换为2,则该出行方式维度序列为1212,其中线路维度将所有出行方式的线路统一转换,其中道路F转换为54,地铁站X换乘至地铁站Y转换为102、103、104、105、…、112,其中地铁站X转换为102,地铁站Y转换为112,其它的数字表示的为两个地铁站中经过的其他地铁站,本实施例中不再赘述。将转换后的数据输入到计算机中获取得到不同维度的数据集,其中不同维度的表示的为不同内容数据,例如,年龄为一个维度的数据、性别为另外一个维度的数据;数据清洗是删除错误、修复不完整的数据,并进行逻辑一致性检查,该数据清洗过程为公知技术,在本实施例中不再赘述;数据标准化采用的Min-Max标准化对不同维度的数据进行处理。对预处理后的不同维度的数据进行相似度的计算进行问卷调查数据的聚类,本实施例对每个维度的设置超参数,出行方式维度本实施例设置为0.8,线路维度设置为0.7,职业维度设置为0.5,其他维度设置为0.4,即本实施例认为出行方式维度和线路维度最能体现出行信息,而时间维度和职业维度在表征信息能力上大于其他维度,因此按照上述方法进行设置。第个问卷调查数据与第/>个问卷调查数据为例,第/>个问卷调查数据与第/>个问卷调查数据之间的相似度/>的计算方法为:
其中,表示问卷调查数据的维度的数量,/>表示本实施例设置的第/>个维度数据的超参数,/>表示以自然常数为底的指数函数,本实施例通过/>函数来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,/>表示第/>个问卷调查数据与第/>个问卷调查数据在第/>个维度的数据序列之间的/>距离,/>表示两个数据序列通过/>算法计算得到的两个数据序列之间的/>距离,DTW算法为公知技术,在本实施例中不再赘述。其中,本实施例中通过/>距离表示两个问卷调查数据的同一个维度的数据序列之间的相似度,/>距离越小,两个问卷调查数据的同一个维度的数据序列之间的越大;采用第/>个维度的超参数/>作为相似度的权重值,该权重值越大,表明该维度的相似度在两个问卷调查数据之间的相似度时比重越大。本实施例中预先设置相似度阈值,本实施例有效程度阈值采用0.6进行叙述,若两个问卷调查数据之间的相似度大于该阈值,则表明两个问卷调查数据属于同一类。按照上述方法将所有问卷调查数据进行聚类,获取不同类别的居民的问卷调查数据。
进一步的,根据在不同时间段的不同类别的居民的问卷调查数据进行分析。根据不同时间段的不同类别的居民的问卷调查数据的分布来获取多模式交通复合网络节点之间相连的每条边的影响权重。以多模式交通复合网络中的第个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重/>为例,该边的影响权重的计算方法为:
其中,表示第/>个时间段的第/>个类别的居民的问卷调查数据之间的密度,/>表示第/>个时间段的所有类别中居民的问卷调查数据之间的密度的最大值,其中,/>的获取方式为:根据第/>个时间段的所有居民的问卷调查数据获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据的数量记为/>;
其中,的获取方式为:根据第/>个时间段的第/>个类别的居民的问卷调查数获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据后的第/>个边对应路段的数量记为/>。
其中,此时间段的该类别的居民问卷调查数据密度越大,且此路段在问卷调查中出现的数量越多,表明该类别的居民之间的出行方式以及其他维度的数据越相似,则该类居民是主要的此路段的出行人员,则对该路段的影响权重越大。
S003.通过多模式交通复合网络拓扑结构的每条边的交通流量数据,获取每条边的第一边权值。并通过居民的问卷调查数据中的满意度值和边的影响权重,获取每条边的交通流量满意阈值。对每条边的不同类别的问卷调查数据进行分类,获取第一类别和第二类别,并获取每条边的第二边权值。
需要说明的是,在动态调整边的权重值过程中,需要分析当前时间段下与获取的近期100天内的不同时间段交通流量数据的差异。在计算交通流量数据的差异情况下,不同类别的居民对路段的满意度并不相同,因此需要结合获取的近期100天内的不同时间段交通流量数据以及不同时间段的不同类别的居民的满意度值和边的影响权重,来获取交通流量满意阈值。根据获取的当前时间段下的交通流量数据与交通流量满意阈值的差异后,由于影响权重较大的一类居民的是此路段的主要的出行人员,因此需要动态调整对于边的第二类别的居民,去动态的合理对边权值进行调整。
具体的,通过采集的多模式交通复合网络的节点之间相连的边对应的交通流量数据,获取多模式交通复合网络节点之间相连的每条边的第一边权值。以多模式交通复合网络中的第个时间段的第/>个边的第一边权值/>为例,该第一边权值的计算方法为:
其中,表示第/>个时间段的第/>个边的交通流量数据均值,/>表示第/>个时间段的边的数量,/>表示第/>个时间段的所有边的交通流量数据的最大值,/>表示获取最大值的函数。
进一步的,通过获取的近期100天内的不同时间段交通流量数据以及不同时间段的不同类别的居民的满意度值和边的影响权重,获取交通流量满意阈值。以第个时间段的第/>个边为例,根据获取的近期100天内的此时间段的交通流量数据值,构建统计分布曲线,其中统计分布曲线的横坐标为从小到大的交通流量数据值,纵坐标为每个交通流量数据值在100天内的此时间段下的出现的频率大小。根据此时间段的不同类别的居民的满意度值获取满意度均值,结合统计分布曲线中纵坐标较大的前五个交通流量值的均值作为交通流量满意阈值的基准值,则第/>个时间段的第/>个边的交通流量满意阈值的/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的满意度均值,/>表示第/>个时间段的第/>个边的前五个交通流量值的均值获取的交通流量满意阈值的基准值。其中通过问卷调查数据获取的对于居民的不同时间段的出行方式的满意度值是多个路段为同一数值,若第/>个类别的居民的问卷调查数据对于第/>个边的影响权重越大,则表明该类别的居民的问卷调查数据中的满意度越重要,且满意度越大,表明获取的交通流量满意阈值的基准值是在居民的满意度允许下的范围,则可以调整交通流量满意阈值的幅度就越大,其中/>表示的为在原有的交通流量满意阈值的基准值上增加的幅度。
进一步的,根据当前时间段的交通流量数据与近期100天内的对应的时间段的交通流量满意阈值的基准值进行分析,并结合不同类别的居民的问卷调查数据对于各个边的影响权重,对多模式交通复合网络中的此时间段对应的第一边权值进行动态调整,其中当前时间段下边对应的路段的交通流量数据小于获取到的交通流量满意阈值,则不进行动态调整。获取当前时间段的各个边对应的路段的交通流量数据,其中当前时间段为实时情况下的各个路段的交通流量数据。其中对于多模式交通复合网络拓扑结构中每条边的不同类别的居民的问卷调查数据,将每条边的不同类别的居民的问卷调查数据进行多次划分,每次划分方式时将问卷调查数据分为两个类别,每类中包含若干问卷调查数据;其中分类过程中不设定同一类中的居民类别数量,由于存在多种划分方式,例如第个边有4个类别的居民问卷调查数据分别为/>和/>,其存在多种划分方式:/>和/>这是一种划分方式,/>和/>是另一种划分方式,将所有次划分后的每个类别中问卷调查数据对应的边的影响权重值记为影响权重值集合;根据影响权重值集合,使用最大类间方差法,获得最优划分方式,根据最优划分方式将每条边的不同类别的居民的问卷调查数据分为第一类别和第二类别。记当前时间段为第/>个时间段,对于第/>个边调整后的第二边权值/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示最优划分方式中的影响权重值小一类中的居民的问卷调查数据的类别数量,/>表示第z个时间段的第二类别的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示当前时间段的第/>个时间段的第/>个边的交通流量数据,/>表示第/>个时间段的第/>个边的交通流量满意阈值,/>表示第/>个时间段的第/>个边的第一边权值,/>表示sigmoid归一化函数,其中本实施例采用sigmoid函数进行归一化处理,实施者可根据实际情况设置归一化函数。其中边权的调整与当前时间段的交通流量与交通流量满意阈值之间的差异有关,若差异值越大,则边权的调整程度越大,其中在该时间段中将不同类别的居民的问卷调查数据分为第一类别和第二类别,其中第一类别的居民的问卷调查数据对该边的影响较大,是主要的此路段的出行人员,若调整这类人员,会造成调整错误,则在调整边权值的过程中,需要将第二类别对应的居民表征的交通流量数据的差异调整,因此根据第二类别对应的居民影响权重占比对交通流量与交通流量满意阈值之间的差异进行分配,将此边的第一边权值调小为第二边权值。按照上述方法,对当前时间段下的多模式交通复合网络的其他边的第二边权值进行计算,进而实现多模式交通复合网络的动态边权值的更新。
S004.通过多模式交通复合网络拓扑结构中每条边的边权值更新为第二边权值,得到更新后的多模式交通复合网络拓扑结构,将更新后的多模式交通复合网络拓扑结构进行展示。
通过多模式交通复合网络拓扑结构中每条边的边权值更新为第二边权值,得到更新后的多模式交通复合网络拓扑结构,将更新后的多模式交通复合网络拓扑结构对交通管理者进行实时展示结果,交通管理者根据多模式交通复合网络的结果制定并实施各种交通管理策略。例如,通过动态调整信号灯的时间或者改变一些道路的行驶方向,以尽可能减少交通拥堵;根据不同时间、地点的人流量和交通需求,调整公共交通的运行频率和路线;或实时推荐居民出行方式,来改善城市交通状况。
通过以上步骤,完成了一种面向交通管理者的多模式交通复合网络构建方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,该方法包括以下步骤:
构建包含所有方式链信息的多模式交通复合网络拓扑结构,所述多模式交通复合网络拓扑结构包含若干个节点以及节点之间相连的边;
获取居民的问卷调查数据,获取居民在不同时间段出行的方式链结构,所述问卷调查数据包括居民在不同时间段的出行方式以及交通流量数据;
通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据;
根据不同时间段的不同类别的居民的问卷调查数据的分布来获取每条边的影响权重;
通过多模式交通复合网络拓扑结构的节点之间相连的边对应的交通流量数据,获取每条边的第一边权值;
通过不同时间段交通流量数据以及不同时间段的不同类别的居民的问卷调查数据中的满意度值和边的影响权重,获取多模式交通复合网络拓扑结构中每条边的交通流量满意阈值;
对多模式交通复合网络拓扑结构的每条边的不同类别的问卷调查数据进行分类,获取第一类别和第二类别,所述第一类别的平均影响权重大于第二类别的平均影响权重;
根据多模式交通复合网络拓扑结构节点之间相连的每条边的影响权重,交通流量满意阈值以及第一边权值,获取多模式交通复合网络拓扑结构中每条边的第二边权值;
通过多模式交通复合网络拓扑结构中每条边的边权值更新为第二边权值,得到更新后的多模式交通复合网络拓扑结构,将更新后的多模式交通复合网络拓扑结构进行展示。
2.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述构建包含所有方式链信息的多模式交通复合网络拓扑结构,包括的具体步骤如下:
将二维的路网按不同出行方式进行三维展开,转换成由步行网络、自行车网络、地铁网络、公交网络及小汽车网络组成的多模式交通复合网络拓扑结构;
将构建的多模式交通复合网络拓扑结构通过表示,其中/>表示网络节点集合,表示路段集,/>表示五种出行方式层,分别用/>和/>表示步行、自行车、地铁、公交车和小汽车,其中网络节点包括地面路网交叉口、自行车停放点、地铁站、公交站、小汽车停车场,路段集包括步行路段、自行车行驶路段、地铁站行驶路段、公交行驶路段、小汽车行驶路段。
3.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取居民在不同时间段出行的方式链结构,包括的具体步骤如下:
在任意时间段内,根据采集的问卷调查数据确定居民的出行路线,分别形成步行网络拓扑、自行车网络拓扑、小汽车网络拓扑、地铁线网络拓扑和公交车线网络拓扑,其中采集的不同出行方式网络路程的交通流量数据对应到多模式交通复合网络拓扑结构中的相邻连接节点之间的边的交通流量数据。
4.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述通过对居民的不同时间段的问卷调查数据进行聚类分析,获取不同时间段的不同类别的问卷调查数据,包括的具体步骤如下:
第个问卷调查数据与第/>个问卷调查数据之间的相似度/>的计算方法为:
其中,表示问卷调查数据的维度的数量,/>表示第/>个维度数据的预设超参数,/>表示以自然常数为底的指数函数,/>表示第/>个问卷调查数据与第/>个问卷调查数据在第/>个维度的数据序列之间的/>距离,所述/>距离由DTW算法得到;
预设相似度阈值,若任意两个问卷调查数据之间的相似度大于该阈值,则将两个问卷调查数据聚类为同一类;
将所有问卷调查数据进行聚类,获取不同时间段的不同类别的居民的问卷调查数据。
5.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取每条边的影响权重,包括的具体步骤如下:
多模式交通复合网络拓扑结构中的第个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重/>的计算方法为:
其中,表示第/>个时间段的第/>个类别的居民的问卷调查数据之间的密度,/>表示第/>个时间段的所有类别中居民的问卷调查数据之间的密度的最大值;
其中,的获取方式为:根据第/>个时间段的所有居民的问卷调查数据获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据的数量记为/>;
其中,的获取方式为:根据第/>个时间段的第/>个类别的居民的问卷调查数获取出行方式,根据出行方式将各个路段的数据进行划分,划分的数据后的第/>个边对应路段的数量记为/>。
6.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取每条边的第一边权值,包括的具体步骤如下:
多模式交通复合网络中的第个时间段的第/>个边的第一边权值/>的计算方法为:
其中,表示第/>个时间段的第/>个边的交通流量数据均值,/>表示第/>个时间段的边的数量,/>表示第/>个时间段的所有边的交通流量数据的最大值,/>表示获取最大值的函数。
7.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取多模式交通复合网络拓扑结构中每条边的交通流量满意阈值,包括的具体步骤如下:
根据居民的问卷调查数据获取居民对于不同时间段的出行方式的满意度值;
根据获取的时间段的交通流量数据值构建统计分布曲线;
根据任意时间段的不同类别的居民的满意度值获取满意度均值,结合统计分布曲线中纵坐标最大的前五个交通流量值的均值作为交通流量满意阈值的基准值,第个时间段的第/>个边的交通流量满意阈值的/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的满意度均值,/>表示第/>个时间段的第/>个边的前五个交通流量值的均值获取的交通流量满意阈值的基准值。
8.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取第一类别和第二类别,包括的具体步骤如下:
对于多模式交通复合网络拓扑结构中每条边的不同类别的居民的问卷调查数据,将每条边的不同类别的居民的问卷调查数据进行多次划分,每次划分方式时将问卷调查数据分为两个类别,每类中包含若干问卷调查数据;
将所有次划分后的每个类别中问卷调查数据对应的边的影响权重值记为影响权重值集合;
根据影响权重值集合,使用最大类间方差法,获得最优划分方式,根据最优划分方式将每条边的不同类别的居民的问卷调查数据分为第一类别和第二类别。
9.根据权利要求1所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述获取多模式交通复合网络拓扑结构中每条边的第二边权值,包括的具体步骤如下:
当前时间段下多模式交通复合网络拓扑结构中边对应的路段的交通流量数据小于获取到的交通流量满意阈值,则每条边的第二边权值为该边的第一边权值;
当前时间段下多模式交通复合网络拓扑结构中边对应的路段的交通流量数据大于获取到的交通流量满意阈值,则根据边的影响权重值以及第一边权值获得第二边权值。
10.根据权利要求9所述的一种面向交通管理者的多模式交通复合网络构建方法,其特征在于,所述根据边的影响权重值以及第一边权值获得第二边权值,包括的具体步骤如下:
当前时间段为第个时间段,对于第/>个边调整后的第二边权值/>的计算方法为:
其中,表示第/>个时间段的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示第二类别的居民的问卷调查数据的类别数量,/>表示第/>个时间段的第二类别的第/>个类别的居民的问卷调查数据对于第/>个边的影响权重,/>表示当前时间段的第/>个时间段的第/>个边的交通流量数据,/>表示第/>个时间段的第/>个边的交通流量满意阈值,/>表示第/>个时间段的第/>个边的第一边权值,/>表示sigmoid归一化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499609.3A CN117235556B (zh) | 2023-11-13 | 2023-11-13 | 一种面向交通管理者的多模式交通复合网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311499609.3A CN117235556B (zh) | 2023-11-13 | 2023-11-13 | 一种面向交通管理者的多模式交通复合网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235556A CN117235556A (zh) | 2023-12-15 |
CN117235556B true CN117235556B (zh) | 2024-02-27 |
Family
ID=89082884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311499609.3A Active CN117235556B (zh) | 2023-11-13 | 2023-11-13 | 一种面向交通管理者的多模式交通复合网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235556B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017115342A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
CN110414833A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 一种城市多模式交通网络运能协调评价方法 |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110599760A (zh) * | 2019-10-17 | 2019-12-20 | 东南大学 | 一种多模式交通网络下的出行行为模拟方法 |
WO2020147317A1 (zh) * | 2019-01-18 | 2020-07-23 | 郑州云海信息技术有限公司 | 一种网络异常行为确定方法、装置、设备及可读存储介质 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 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 |
JP2021170410A (ja) * | 2020-12-16 | 2021-10-28 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッドApollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | 交通データの分析方法、装置、デバイス、車両、記憶媒体及びプログラム |
CN113724495A (zh) * | 2021-08-09 | 2021-11-30 | 东南大学 | 一种城市共享出行的流量预测方法 |
CN114117700A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 基于复杂网络理论的城市公共交通网络优化研究方法 |
CN114461934A (zh) * | 2021-12-31 | 2022-05-10 | 北京工业大学 | 基于动态交通网络的多模态出行方式融合推荐方法 |
WO2023029234A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京航空航天大学杭州创新研究院 | 一种面向有缺失数据的公交车到站时间预测方法 |
WO2023131215A1 (zh) * | 2022-01-07 | 2023-07-13 | 北华航天工业学院 | 一种复杂交通网络的多尺度聚集模式分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101682B (zh) * | 2020-09-25 | 2024-04-09 | 北京百度网讯科技有限公司 | 流量模式预测方法、装置、服务器以及可读介质 |
-
2023
- 2023-11-13 CN CN202311499609.3A patent/CN117235556B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017115342A1 (en) * | 2016-01-03 | 2017-07-06 | Yosef Mintz | System and methods to apply robust predictive traffic load balancing control and robust cooperative safe driving for smart cities |
WO2020147317A1 (zh) * | 2019-01-18 | 2020-07-23 | 郑州云海信息技术有限公司 | 一种网络异常行为确定方法、装置、设备及可读存储介质 |
CN110414833A (zh) * | 2019-07-26 | 2019-11-05 | 东南大学 | 一种城市多模式交通网络运能协调评价方法 |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110599760A (zh) * | 2019-10-17 | 2019-12-20 | 东南大学 | 一种多模式交通网络下的出行行为模拟方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 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 |
JP2021170410A (ja) * | 2020-12-16 | 2021-10-28 | アポロ インテリジェント コネクティビティ (ベイジン) テクノロジー カンパニー リミテッドApollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | 交通データの分析方法、装置、デバイス、車両、記憶媒体及びプログラム |
CN113724495A (zh) * | 2021-08-09 | 2021-11-30 | 东南大学 | 一种城市共享出行的流量预测方法 |
WO2023029234A1 (zh) * | 2021-09-01 | 2023-03-09 | 北京航空航天大学杭州创新研究院 | 一种面向有缺失数据的公交车到站时间预测方法 |
CN114117700A (zh) * | 2021-11-29 | 2022-03-01 | 吉林大学 | 基于复杂网络理论的城市公共交通网络优化研究方法 |
CN114461934A (zh) * | 2021-12-31 | 2022-05-10 | 北京工业大学 | 基于动态交通网络的多模态出行方式融合推荐方法 |
WO2023131215A1 (zh) * | 2022-01-07 | 2023-07-13 | 北华航天工业学院 | 一种复杂交通网络的多尺度聚集模式分析方法 |
Non-Patent Citations (3)
Title |
---|
Congestion pricing for multii-modal transportation systems;Hamdoueh Y 等;《Transportation Research》;全文 * |
基于复合网络的城市多模式交通结构调控方法;陈梦微 等;《 中国博士学位论文全文数据库》;全文 * |
多模式城市交通网络拓扑集成模型及出行路径分析;陈少沛;丘健妮;;测绘科学(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235556A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248283B (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN105513370B (zh) | 基于稀疏车牌识别数据挖掘的交通小区划分方法 | |
CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN115062873B (zh) | 交通出行方式预测方法和装置、存储介质及电子设备 | |
CN107729938A (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN104240507A (zh) | 一种基于多视角融合的交通小区划分方法 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN106651181A (zh) | 网络化运营条件下的公交客流拥塞风险评价方法 | |
CN107832779A (zh) | 一种轨道站点分类系统 | |
Yue et al. | Detecting clusters over intercity transportation networks using K-shortest paths and hierarchical clustering: a case study of mainland China | |
CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及系统 | |
CN112184282A (zh) | 影院选址模型建立方法、影院选址方法及影院选址平台 | |
CN115171382A (zh) | 城市路网自动驾驶专用车道部署方法 | |
CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
CN114723596A (zh) | 一种基于多源交通出行数据和主题模型的城市功能区识别方法 | |
CN107066501A (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
CN113380043A (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
CN117235556B (zh) | 一种面向交通管理者的多模式交通复合网络构建方法 |
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 |