CN118096478A - 一种基于多维指标动态分析的关键交通基础设施辨识方法 - Google Patents
一种基于多维指标动态分析的关键交通基础设施辨识方法 Download PDFInfo
- Publication number
- CN118096478A CN118096478A CN202410489782.3A CN202410489782A CN118096478A CN 118096478 A CN118096478 A CN 118096478A CN 202410489782 A CN202410489782 A CN 202410489782A CN 118096478 A CN118096478 A CN 118096478A
- Authority
- CN
- China
- Prior art keywords
- traffic
- index
- traffic infrastructure
- infrastructure
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000013439 planning Methods 0.000 abstract description 2
- 239000011435 rock Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000010426 asphalt Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出一种基于多维指标动态分析的关键交通基础设施辨识方法，属于交通基础设施评估技术领域。包括以下步骤：S1.交通基础设施群性能状态评价指标体系构建，所述交通基础设施群性能状态评价指标体系包括交通固有属性指标、交通基础设施网络评价指标、交通基础设施性能状态评价指标和交通运行状态评价指标；S2.构建交通基础设施复杂网络模型；S3.基于抗毁性分析识别交通基础设施复杂网络模型中维持交通流全局连通性作用的城市交通基础设施。本发明模拟交通基础设施失效下动态交通流时空分布的影响，识别关键交通基础设施对象，解决无法精准识别分析关键基础设施脆弱性问题，为支撑城市交通基础设施规划建设、管理运维提供科学决策。
Description
技术领域
本发明涉及性能评估方法，尤其涉及一种基于多维指标动态分析的关键交通基础设施辨识方法，属于交通基础设施技术领域。
背景技术
目前最大规模的城市交通基础设施群已建成，其中，城市道路近50万公里、城市桥梁6.7万座、综合枢纽超过450座。其中大城市高密度核心地区城市空间复合立体，环境多变，长时间不均衡的交通出行时空分布导致基础设施快速损坏、基础设施异常引发交通网络拥堵等事件频发，产生巨大的经济社会损失。同时，随着未来城市交通基础设施相继步入养护维修高峰期，设施性态感知不全、诊断不准、研判不精等问题将更加凸显，亟需加快设施全生命周期技术体系的数字化转型。既有相关研究主要面向单体交通基础设施的单维度结构性态演化和关键基础设施系统的级联失效评估，缺乏针对环境下设施群性态演化机理与交通运行态势互馈影响机理的研究，难以保障多因素耦合下城市交通基础设施系统的安全稳定运行。
为了解决上述技术问题，有研究人员提出公开号为CN108039987A的一种基于多层耦合关系网络的关键基础设施脆弱性测评方法，包括，获取系统节点信息与历史故障数据，确定合适的节点数量、空间分布、时间范围与时间间隔；考虑节点间关联的时间延迟的方式定义每对节点之间的边权、方向、时间延迟等，形成加权有向的多层耦合关系网络；使用节点的度(连边数量)等网络结构指标，及其在整个网络上的均值等，作为单个节点乃至整个系统的故障耦合关系强弱的评价指标；通过以上步骤，发现与度量现实系统节点间客观存在的故障耦合关系；对于将来发展节点关键程度的评价方法具有启发性作用，从而为更好地理解基础设施的系统脆弱性服务。
但该方法在进行关键基础设施脆弱性测评主要考虑节点数量、空间分布、时间范围与时间间隔等数据指标，未考虑关键基础设施失效后对整个动态交通流的分布影响，无法精准识别分析关键基础设施脆弱性。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的无法精准识别分析关键基础设施脆弱性的技术问题，本发明提供一种基于多维指标动态分析的关键交通基础设施辨识方法。
方案一、一种基于多维指标动态分析的关键交通基础设施辨识方法，包括以下步骤：
S1.交通基础设施群性能状态评价指标体系构建，所述交通基础设施群性能状态评价指标体系包括交通基础设施固有属性指标、交通基础设施网络评价指标、交通基础设施性能状态评价指标和交通运行状态评价指标；
S2.构建交通基础设施网络模型，方法是，包括以下步骤：
S21.将道路、桥梁和隧道三类交通基础设施抽象为线型边元素，设施端点抽象为节点元素，将枢纽设施抽象为节点元素，基于实际交通基础设施系统的空间分布和连接关系将节点和边相连；
S22.将小汽车流量分配至交通基础设施网络模型；采用迭代平衡的方法将小汽车流量分配至交通基础设施网络模型，通过循环迭代不断调整各路段上的分配流量，使小汽车流量逐渐接近平衡；
S23.将公共交通流量分配至交通基础设施网络模型；采用排班的方法将公共交通流量分配至交通基础设施网络模型，考虑个体选择公共交通出行时的站点排班和班次车辆容量约束进行分配；
S24.将慢行流量分配至交通基础设施网络模型；
S3.基于抗毁性分析识别交通基础设施网络模型中维持交通流全局连通性作用的城市交通基础设施。
优选的，交通固有属性指标表征设施属性；设施属性包括，道路养护等级、桥梁养护等级和隧道养护等级；
交通基础设施网络评价指标表征节点在交通基础设施系统中的地位，包括度、介数中心性、pagerank、聚类系数和紧密中心性；
交通基础设施性能状态评价指标表征设施结构性态；设施结构性态包括结构完整性指数、结构形变指数和载荷指数；
交通运行状态评价指标表征系统整体连通情况和交通网运行效率。
优选的，S22包括以下步骤：
S221.将OD交通量迭代总次数设置为ns，将OD交通量均匀的分成ns份；
S222.在每一次迭代过程n中，将每一份OD交通量分配到交通基础设施网络中，并且每次迭代将OD之间的交通量分配到OD之间的最短路径上；
S223.根据交通量的分布情况，进行交通流量加载，得到各路段的行驶时间及交叉口延误，更新各路段的阻抗；
S224.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的路段阻抗重新计算OD最短路径信息，并按照最短路径进行交通量的分配；
S225.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量的路径分配；
S226.在每一次的迭代过程中，基于完整的交通交通基础设施网络交通流量，通过设定最大迭代次数和迭代精度条件判断算法是否终止。
优选的，S23包括以下步骤：
S231.将OD按照首次到站时间片进行排序；
S232.将排序好的OD按照预设的迭代总次数ns，均匀的分成ns份；
S233.在每一次迭代过程n中，获取每份包含备选班次OD路径数据，通过多进程并行筛选路径方案，统计出行方案广义出行成本，根据线路班次车辆满载率选择线路班次，并更新候车时间成本，利用logit模型计算出行方案的选择概率，将流量按概率进行分配；
S234.根据交通量的分布情况，进行交通流量加载，得到各线路各班次的满载率，更新各线路班次的站点停靠时间和出行成本；
S235.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的线路路段出行成本利用logit模型计算路径选择概率，并按照选择路径进行交通量的分配；
S236.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量路径分配。
优选的，S3包括以下步骤：
S31.计算交通基础设施网络模型中各节点的统计指标，并从大到小排序，构建出节点的指标顺序列表，从而得出攻击策略；
S32.将节点顺序列表中的第一个节点删除，并在网络中移除对应的节点；
S33.调用多模式交通分配算法，模拟移除节点后交通流时空分布，计算移除节点后网络性能指标的变化值，并将数值记录为本攻击策略下此被移除节点的单方面抗毁性；
S34.计算移除节点后网络性能指标的变化值；
S35.判断是否已经删除网络中的所有节点，如果否，则转入S33，如果是则输出各节点在攻击策略下的抗毁性。
优选的，执行攻击策略时，顺序移除节点过程中节点的抗毁性相当于交通基础设施网性能的变化数量，因此，单方面抗毁性公式为：
；
式中，为某网络攻击策略下的单方面抗毁性，及分别为节
点i失效前、失效后的交通基础设施网性能指标，为最初状态下网络的性态。
优选的，基于单方面抗毁性计算各节点的综合抗毁性，公式为：
；
式中，为网络中节点i的抗毁性；为各抗毁性指标对应的CRITIC权
重。
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于多维指标动态分析的关键交通基础设施辨识方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于多维指标动态分析的关键交通基础设施辨识方法。
本发明的有益效果如下：本发明利用网络元素抗毁性分析方法，模拟交通基础设施失效下动态交通流时空分布的影响，精准识别关键交通基础设施对象，解决现有技术中存在的无法精准识别分析关键基础设施脆弱性的技术问题，为支撑城市交通基础设施规划建设、管理运维提供科学决策，提升城市治理水平。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为一种基于多维指标动态分析的关键交通基础设施辨识方法的流程图；
图2为交通基础设施群性能状态评价指标体系示意图；
图3为拥挤度系数函数示意图；
图4为交通基础设施网络性能指标示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：参照图1-图4说明本实施方式，一种基于多维指标动态分析的关键交通基础设施辨识方法，包括以下步骤：
S1.交通基础设施群性能状态评价指标体系构建，交通基础设施群性能状态评价指标体系能够准确精细地体现交通基础设施对象自身的性能状态以及在城市交通基础设施群系统中的重要程度。
所述基础设施群性能状态评价指标体系包括交通固有属性指标、交通基础设施网络评价指标、交通基础设施性能状态评价指标和交通运行状态评价指标；
交通固有属性指标表征设施属性；
设施属性包括，道路养护等级、桥梁养护等级和隧道养护等级；
道路养护等级，基于道路等级进行划分；划分为高速路、快速路、主干道、次干道、支路和其他；
桥梁养护等级基于桥梁等级划分；划分为特大桥、中桥和小桥；
隧道养护等级口隧道等级划分；划分为一级隧道、二级隧道和三级隧道；
交通基础设施网络评价指标表征节点在交通基础设施系统中的地位；包括度、介数中心性、pagerank、聚类系数和紧密中心性；
度表征节点与其他节点的连通性和重要性，为节点相连的节点数或连边数；
介数中心性表征节点在交通基础设施网络运行中作为中转点的中介作用，为穿越节点的最短路径数；
Pagerank表征节点在交通基础设施网络中的传播能力，为节点在交通基础设施网中被访问的概率；
聚类系数表征紧密程度，为节点的聚类系数衡量一个节点的邻居间的真实连接数和可能最大连接数之比；
紧密中心性表征节点到其他节点的便利程度，为节点到交通基础设施网中其他节点的平均距离；
交通基础设施性能状态评价指标表征设施结构性态；包括结构完整性指数、结构形变指数和载荷指数；
结构完整性指数评估交通基础设施的结构完整性和健康状态，结构完整性指数为一个数值，表示结构的当前状态相对于理想或新建状态的程度；数值越高结构越好；数值越低结构存在问题或破损；结构完整性指数范围为0-100或根据实际情况设定其他范围；
结构形变指数评估交通基础设施的结构形变程度；结构形变指数为一个数值，表示结构当前形变状态相对于正常或初始状态的程度；数值越高形变越严重；数值越低表示形变较小或接近正常状态；结构形变指数范围为0-100或根据实际情况设定其他范围；
载荷指数评估交通基础设施能够承受的最大荷载或载荷的能力；载荷指数为一个数值，表示交通基础设施当前的荷载能力相对于其设计荷载能力的百分比；
结构完整性指数包括道路结构完整性、隧道结构完整性指数和桥梁结构完整性指数；
道路结构完整性指数的计算方法是：
；
；
；
其中，PCI表示路面状况指数，数值范围0~100；n表示单类损坏类型数，对沥青路面
n取值为4，分别对应裂缝类、形变类、松散类和其他类；对于水泥路面n取值为4，分别对应裂
缝类，接缝破坏类、表面破坏类和其他类；m表示某单类损坏所包含的单项损坏类型数，对于
沥青路面裂缝类损坏，m取值为3，分别对应线型、网裂和龟裂；表示第i单类损坏的
第j项损坏类型的单项扣分值，具体根据损坏密度确定，由表1损坏单项扣分表的值内插求
得；表示第i单项损坏中第J类损坏类型的权重，其值与该单项损坏扣分值和该单项损
坏所包含的所有扣分值和所有单类损坏扣分总和之比有关；表示第i单类损坏的第j项
损坏类型的单项扣分值与所有损坏类型扣分之和的比值；
表1损坏单项扣分表
隧道结构完整性指数的计算方法是：
；
其中：表示分项权重，表示隧道结构完整性指数；表示分
项状况值，值域0~4；隧道结构各分项权重宜按表2隧道结构各分项权重表取值；
表2隧道结构各分项权重表
桥梁结构完整性指数的计算方法是：
；
当=1时，U1=；
当≥2时，；
当DP=100时，；
表示上部结构第i类部件l构建的得分，值域为0-100；
表示下部结构第i类部件l构建的得分，值域为0-100；表示桥面结构第i类部件l构建
的得分，值域为0-100；k表示第i类部件l构件出现扣分的指标的种类数；表示
引入的变量；i表示部件类别，例如i表示上部承重构件、支座、桥墩等；j表示第i类部件l构
件的第j类检测指标；表示第i类部件l构件的第j类检测指标的扣分值；根据构件各
种检测指标扣分值进行计算，扣分值按表3构件各检测指标扣分值表规定取值。
表3构件各检测指标扣分值表
构件各检测指标扣分值根据指标类别所能达到的最高等级类别确定，当指标类别达到指标所能达到的最高等级类别为3类时，当指标类别为1类时扣分值为0分，当指标类别为2类时扣分值为20分，当指标类别为3类时扣分值为35分；当指标类别达到指标所能达到的最高等级类别为5类时，当指标类别为1类时扣分值为0分，当指标类别为2类时扣分值为35分，当指标类别为3类时扣分值为45分，当指标类别为4类时扣分值为60分，当指标类别为5类时扣分值为100分；
结构形变指数包括：道路结构形变指数、桥梁结构形变指数和隧道结构形变指数；
道路结构形变指数的计算方法是：根据沉降量确定道路结构形变指数，通过测量特定点位的高程变化确定沉降量，计算公式为：
；
其中，表示沉降量，和分别代表初始和当前的高程；
桥梁结构形变指数的计算方法是：通过梁的弯曲变形确定桥梁结构形变指数，通过弯矩公式来算，考虑到简支梁或悬臂梁等不同的受力条件，对于一个均匀负载的简支梁，最大弯曲变形（梁中点挠度）的公式为：
；
其中，表示梁中点的最大挠度，q表示单位长度上的均匀分布负载，L表示梁的跨
度，E表示材料的弹性模量，I表示梁的惯性矩；
隧道结构形变指数的计算方法是：用围岩的径向位移表征围岩的径向位移；
；
其中，U表示围岩的径向位移，表示隧道周围岩石的初始地压力，R表示隧道半
径，V表示岩石的泊松比，E表示岩石的弹性模量；
荷载指数包括道路荷载指数、桥梁荷载指数和隧道荷载指数；
道路荷载指数的计算方法是：用等效单轴荷载表征道路荷载指数；
；
其中，ESAL表示等效单轴荷载；w表示轴重（以吨为单位）；
桥梁荷载指数的计算方法是：用荷载与阻力因子表征桥梁荷载指数；
；
其中，LRFD表示荷载与阻力因子；G表示永久荷载（如桥梁自重）；Q是表示可变荷载（如雪载荷）；L表示活荷载（如车辆荷载）；
隧道荷载指数的计算方法是：用垂直荷载表征隧道荷载指数；
；
其中，P表示垂直荷载，垂直荷载为地表以上土壤或岩石的重量产生的压力,表
示土壤或岩石的单位重量，Z表示覆盖土壤或岩石的深度。
交通运行状态评价指标表征系统整体连通情况和交通网运行效率；
系统整体连通情况表征设施群之间的连通情况，为设施群网络中最大子图所包含的节点数；
运行效率表征设施群整体运行性能，为各节点对连通效率之和；
S2.构建交通基础设施网络模型，方法是，包括以下步骤：
S21.将道路、桥梁、隧道三类交通基础设施抽象为线型边元素，设施端点抽象为节点元素，将枢纽设施抽象为节点元素，基于实际交通基础设施系统的空间分布和连接关系将节点和边相连；
S22.将小汽车流量分配至交通基础设施网络模型；采用迭代平衡的方法将小汽车流量分配至交通基础设施网络模型，通过循环迭代不断调整各路段上的分配流量，使小汽车流量逐渐接近平衡；具体的方法为，包括以下步骤：
S221.将OD交通量按照预设的迭代总次数ns，均匀的分成ns份；
S222.在每一次迭代过程n中，将每一份OD交通量分配到交通基础设施网络中，并且每次迭代将OD之间的交通量分配到OD之间的最短路径上；
S223.根据交通量的分布情况，进行交通流量加载，得到各路段的行驶时间及交叉口延误，更新各路段的阻抗；
S224.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的路段阻抗重新计算OD最短路径信息，并按照最短路径进行交通量的分配；
S225.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量的路径分配；
S226.在每一次的迭代过程中，基于完整的交通交通基础设施网络交通流量，通过事先设定最大迭代次数和迭代精度条件判断算法是否终止，具有较高的准确度；
迭代平衡分配算法的优点在于在每一次的迭代过程中，基于完整的交通交通基础设施网络交通流量，同时通过事先设定最大迭代次数和迭代精度条件来判断算法是否终止，具有较高的准确度。
S23.将公共交通流量分配至交通基础设施网络模型；采用排班的方法将公共交通流量分配至交通基础设施网络模型，考虑个体选择公共交通出行时的站点排班和班次车辆容量约束进行分配，包括以下步骤：
S231.将OD按照首次到站时间片进行排序；
S232.将排序好的OD按照预设的迭代总次数ns，均匀的分成ns份；
S233.在每一次迭代过程n中，获取每份包含备选班次OD路径数据，通过多进程并行筛选路径方案，统计出行方案广义出行成本，根据线路班次车辆满载率选择线路班次，并更新候车时间成本，利用logit模型计算出行方案的选择概率，将流量按概率进行分配；
筛选路径方案的方法是，当方案出行时间大于1.5倍最短路径时，删除路径方案；
判断线路班次车辆满载率的方法是，若可达路径班次的容量均大于最大容量约束，则选择最近的线路班次；当出现多次换乘时，以最小断面容量为约束；
S234.根据交通量的分布情况，进行交通流量加载，得到各线路各班次的满载率，更新各线路班次的站点停靠时间（max (pick_number,drop_number）以及出行成本（满载率>100%,阻抗设为极大值99999999）；
S235.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的线路路段出行成本利用logit模型计算路径选择概率，并按照选择路径进行交通量的分配；
S236.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量路径分配。
S22-S23为多模式分配过程，基于多模式交通网络，利用流量分配算法进行交通流分配，本发明融合了自驾、公交和轨道交通基础设施数据构建的多模式交通网络。
出行方案广义出行成本用于计算旅行者感知路径的效用，确定到路径的客流分配，是一个路径的许多不同属性的组合，每个属性都被赋予自己的权重和系数，这些系数将组件转换为公共单位（时间或货币），并被选择以确保每个组件对乘客的相对重要性得到反映，具体为，将进入时间（起点至公交站台）、离开时间（公交站台至终点）、换乘时间（异站换乘）、候车时间、车内在途时间、换乘惩罚（参照表5换乘惩罚表）和过渡拥挤（参照图3拥挤度系数函数示意图）的时间参数通过时间价值VOT参数转为统一货币量纲，用于评估路径方案的出行成本，支撑路径选择；同时考虑不同类型行驶弧成本系数（参照表4不同类型行驶弧成本系数表），保证路径出行成本与实际出行偏好保持一致；
不同类型弧成本=不同类型行驶弧成本系数×时间价值VOT（元/小时）×不同类型行驶时间（小时），将不同类型弧的出行成本转为统一量纲。
表4不同类型行驶弧成本系数表
表5换乘惩罚表
S24.将慢行流量分配至交通基础设施网络模型；
慢行分配是指针对步行出行的用户，利用最短路径算法模拟步行的交通流。
S3.基于抗毁性分析识别交通基础设施网络模型中维持交通流全局连通性作用的城市交通基础设施；
抗毁性可以由节点失效后所造成的后果来量化，因此节点删除法也可以被用于交通基础设施网络中各要素的抗毁性的评价之中，即逐步移除交通基础设施网络中的节点对象，移除之后计算网络性能指标，评价交通基础设施群在部分交通基础设施对象失效下对整体性能状态的影响；若某一交通基础设施失效后对整个交通基础设施群性态影响较大，则该基础设施对象为重要基础设施，需要重点监控管理与安全维护；参照图4交通基础设施网络性能指标示意图，图中横坐标为移除的交通基础设施网络中节点数量所占比例，纵坐标为网络性能指标，不同颜色曲线为不同的节点移除策略，即先计算每个节点的度、介数中心性、紧密中心性和PageRand指标，并基于指标值大小从大到小对节点进行排序，构建出节点顺序列表，并基于该顺序依次移除节点，若为随机策略则随机移除节点；
S31.计算交通基础设施网络模型中各节点的统计指标，并从大到小排序，构建出节点的指标顺序列表，从而得出攻击策略；
S32.将节点顺序列表中的第一个节点删除，并在网络中移除对应的节点；
S33.调用多模式交通分配算法，模拟移除节点后交通流时空分布，计算移除节点后网络性能指标的变化值，并将数值记录为本攻击策略下此被移除节点的单方面抗毁性；
网络性能指标是指基础设施群性能状态评价指标体系中的各项指标；如，度、介数中心性、pagerank（pagerank含义为：用于衡量交通网络中节点重要性，一个节点的“重要性”可以理解为该节点在网络中的中心性或对流量分布的影响力。一个高pagerank值的节点可能是一个重要的交通枢纽，比如一个主要的公交站或者是多条道路交汇的关键交叉口。）、聚类系数和紧密中心性；
S34.计算移除节点后网络性能指标的变化值；
S35.判断是否已经删除网络中的所有节点，如果否，则转入S33，如果是则输出各节点在此攻击策略下的抗毁性；
执行攻击策略时，不断移除网络要素的过程中i节点的抗毁性就相当于交通基础设施网性能的变化数量，公式为：
；
式中，为某网络攻击策略下的单方面抗毁性，及分别为节
点i失效前、失效后的交通基础设施网性能指标，为最初状态下网络的性态。
网络中各节点的综合抗毁性，公式为：
；
式中，为网络中节点i的抗毁性；为各抗毁性指标对应的CRITIC权
重。
实施例2：本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种基于多维指标动态分析的关键交通基础设施辨识方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3：计算机可读存储介质实施例。
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种基于多维指标动态分析的关键交通基础设施辨识方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (9)
1.一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，包括以下步骤：
S1.交通基础设施群性能状态评价指标体系构建，所述交通基础设施群性能状态评价指标体系包括交通基础设施网络固有属性指标、交通基础设施网络评价指标、交通基础设施性能状态评价指标和交通运行状态评价指标；
S2.构建交通基础设施网络模型，包括以下步骤：
S21.将道路、桥梁和隧道三类交通基础设施抽象为线型边元素，设施端点抽象为节点元素，将枢纽设施抽象为节点元素，基于实际交通基础设施系统的空间分布和连接关系将节点和边相连；
S22.将小汽车流量分配至交通基础设施网络模型；采用迭代平衡的方法将小汽车流量分配至交通基础设施网络模型，通过循环迭代不断调整各路段上的分配流量，使小汽车流量逐渐接近平衡；
S23.将公共交通流量分配至交通基础设施网络模型；采用排班的方法将公共交通流量分配至交通基础设施网络模型，考虑个体选择公共交通出行时的站点排班和班次车辆容量约束进行分配；
S24.将慢行流量分配至交通基础设施网络模型；
S3.基于抗毁性分析识别交通基础设施网络模型中维持交通流全局连通性作用的城市交通基础设施。
2.根据权利要求1所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，交通固有属性指标表征设施属性；设施属性包括，道路养护等级、桥梁养护等级和隧道养护等级；
交通基础设施网络评价指标表征节点在交通基础设施系统中的地位，包括度、介数中心性、pagerank、聚类系数和紧密中心性；
交通基础设施性能状态评价指标表征设施结构性态；设施结构性态包括结构完整性指数、结构形变指数和载荷指数；
交通运行状态评价指标表征系统整体连通情况和交通网运行效率。
3.根据权利要求1所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，S22包括以下步骤：
S221.将OD交通量迭代总次数设置为ns，将OD交通量均匀的分成ns份；
S222.在每一次迭代过程n中，将每一份OD交通量分配到交通基础设施网络中，并且每次迭代将OD之间的交通量分配到OD之间的最短路径上；
S223.根据交通量的分布情况，进行交通流量加载，得到各路段的行驶时间及交叉口延误，更新各路段的阻抗；
S224.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的路段阻抗重新计算OD最短路径信息，并按照最短路径进行交通量的分配；
S225.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量的路径分配；
S226.在每一次的迭代过程中，基于完整的交通基础设施网络交通流量，通过设定最大迭代次数和迭代精度条件判断算法是否终止。
4.根据权利要求1所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，S23包括以下步骤：
S231.将OD按照首次到站时间片进行排序；
S232.将排序好的OD按照预设的迭代总次数ns，均匀的分成ns份；
S233.在每一次迭代过程n中，获取每份包含备选班次OD路径数据，通过多进程并行筛选路径方案，统计出行方案广义出行成本，根据线路班次车辆满载率选择线路班次，并更新候车时间成本，利用logit模型计算出行方案的选择概率，将流量按概率进行分配；
S234.根据交通量的分布情况，进行交通流量加载，得到各线路各班次的满载率，更新各线路班次的站点停靠时间和出行成本；
S235.在下一次迭代过程n+1中，继续分配新的OD交通量，根据更新后的线路路段出行成本利用logit模型计算路径选择概率，并按照选择路径进行交通量的分配；
S236.循环迭代直到迭代次数达到最大迭代次数ns，完成所有交通量路径分配。
5.根据权利要求1所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，S3包括以下步骤：
S31.计算交通基础设施网络模型中各节点的统计指标，并从大到小排序，构建出节点的指标顺序列表，从而得出攻击策略；
S32.将节点顺序列表中的第一个节点删除，并在网络中移除对应的节点；
S33.调用多模式交通分配算法，模拟移除节点后交通流时空分布，计算移除节点后网络性能指标的变化值，并将数值记录为本攻击策略下此被移除节点的单方面抗毁性；
S34.计算移除节点后网络性能指标的变化值；
S35.判断是否已经删除网络中的所有节点，如果否，则转入S33，如果是则输出各节点在攻击策略下的抗毁性。
6.根据权利要求1所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，执行攻击策略时，顺序移除节点过程中节点的抗毁性相当于交通基础设施网性能的变化数量，因此，单方面抗毁性公式为：
；
式中，为某网络攻击策略下的单方面抗毁性，/>及/>分别为节点i失效前、失效后的交通基础设施网性能指标，/>为最初状态下网络的性态。
7.根据权利要求5所述的一种基于多维指标动态分析的关键交通基础设施辨识方法，其特征在于，基于单方面抗毁性计算各节点的综合抗毁性，公式为：
；
式中，为网络中节点i的抗毁性；/>为各抗毁性指标对应的CRITIC权重。
8.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种基于多维指标动态分析的关键交通基础设施辨识方法的步骤。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种基于多维指标动态分析的关键交通基础设施辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410489782.3A CN118096478A (zh) | 2024-04-23 | 2024-04-23 | 一种基于多维指标动态分析的关键交通基础设施辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410489782.3A CN118096478A (zh) | 2024-04-23 | 2024-04-23 | 一种基于多维指标动态分析的关键交通基础设施辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118096478A true CN118096478A (zh) | 2024-05-28 |
Family
ID=91152084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410489782.3A Pending CN118096478A (zh) | 2024-04-23 | 2024-04-23 | 一种基于多维指标动态分析的关键交通基础设施辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096478A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110808863A (zh) * | 2019-11-08 | 2020-02-18 | 中国人民解放军陆军工程大学 | 基于区域毁伤的基础设施网络抗毁性评估方法和模型 |
| CN115048754A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于交通仿真的公交线网优化方法、电子设备及存储介质 |
| CN115496276A (zh) * | 2022-09-19 | 2022-12-20 | 北京交通大学 | 考虑级联失效的城市群交通网络抗毁性优化方法及系统 |
| CN117294511A (zh) * | 2023-10-18 | 2023-12-26 | 江苏大学 | 一种提高基础设施网络抗毁性的方法及其应用 |
-
2024
- 2024-04-23 CN CN202410489782.3A patent/CN118096478A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110808863A (zh) * | 2019-11-08 | 2020-02-18 | 中国人民解放军陆军工程大学 | 基于区域毁伤的基础设施网络抗毁性评估方法和模型 |
| CN115048754A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于交通仿真的公交线网优化方法、电子设备及存储介质 |
| CN115496276A (zh) * | 2022-09-19 | 2022-12-20 | 北京交通大学 | 考虑级联失效的城市群交通网络抗毁性优化方法及系统 |
| CN117294511A (zh) * | 2023-10-18 | 2023-12-26 | 江苏大学 | 一种提高基础设施网络抗毁性的方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Serulle et al. | Resiliency of transportation network of Santo Domingo, Dominican Republic: case study | |
| US8706459B2 (en) | Traffic sensor management | |
| Jha | Criteria-based decision support system for selecting highway alignments | |
| CN112069573B (zh) | 一种基于元胞自动机的城市群空间模拟方法、系统及设备 | |
| KR20040111446A (ko) | 지도 매칭 방법, 지도 매칭 장치, 형상 매칭용데이터베이스 및 형상 매칭 장치 | |
| Woensel et al. | Empirical validation of a queueing approach to uninterrupted traffic flows | |
| CN113516258A (zh) | 公路养护智能决策分析系统 | |
| CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
| CN110084491B (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 | |
| Jamous et al. | Assessing travel time reliability implications due to roadworks on private vehicles and public transport services in urban road networks | |
| Pollard et al. | Comparing the quality of OD matrices in time and between data sources | |
| CN114969263A (zh) | 一种城市交通知识图谱的构建方法、构建装置及应用 | |
| Zou et al. | Examining the impact of adverse weather on travel time reliability of urban corridors in Shanghai | |
| CN117273262A (zh) | 一种洪涝灾害下城市多模式交通网络功能韧性的评估方法 | |
| CN118096478A (zh) | 一种基于多维指标动态分析的关键交通基础设施辨识方法 | |
| CN114462898A (zh) | 基于地理信息的公路规划管理方法及系统 | |
| Chen et al. | A Simulation‐Based Optimization Method for Truck‐Prohibit Ramp Placement along Freeways | |
| Liu et al. | Analysis of passenger flow characteristics and their relationship with surrounding urban functional landscape pattern | |
| Chen et al. | Effects of variable message signs (VMS) for improving congestions | |
| CN111915889A (zh) | 一种基于遗传蚁群混合算法的车联网路侧单元部署方法 | |
| Lai et al. | Fine‐scale simulation of spatial population distribution by coupling GA–ABM and big data: A case study of Dongguan, China | |
| CN111914039A (zh) | 道路网更新方法及装置 | |
| Sun et al. | A Novel Model for Accessibility of Bus Station and Its Application to Bottlenecks Identification: A Case Study in Harbin | |
| CN116738631B (zh) | 一种基于蒙特卡洛方法的地铁网络节点韧性评估方法 | |
| JP7217896B2 (ja) | 交通状況予測装置、交通状況予測方法及びプログラム |
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 |