WO2023131215A1 - 一种复杂交通网络的多尺度聚集模式分析方法 - Google Patents
一种复杂交通网络的多尺度聚集模式分析方法 Download PDFInfo
- Publication number
- WO2023131215A1 WO2023131215A1 PCT/CN2023/070582 CN2023070582W WO2023131215A1 WO 2023131215 A1 WO2023131215 A1 WO 2023131215A1 CN 2023070582 W CN2023070582 W CN 2023070582W WO 2023131215 A1 WO2023131215 A1 WO 2023131215A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- matrix
- node
- road
- weight
- network
- Prior art date
Links
- 230000002776 aggregation Effects 0.000 title claims abstract description 36
- 238000004220 aggregation Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 158
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000013016 damping Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Definitions
- the invention relates to the technical field of highway traffic networks, in particular to a method for analyzing multi-scale aggregation patterns of complex traffic networks.
- the highway transportation network is an important infrastructure serving the economy, society and the public, and is the backbone of the comprehensive transportation system.
- Multi-scale analysis of complex transportation networks, mining functional blocks of network structures, and identifying distribution characteristics of networks from geospatial perspectives are important aspects of analyzing highway transportation networks.
- the k-means clustering algorithm is mostly used to divide the road network aggregation blocks.
- the road network data is a typical high-dimensional data, and the use of k-means clustering algorithm to process high-dimensional data is not dominant, resulting in certain limitations in the research results.
- the purpose of the present invention is to provide a multi-scale aggregation mode analysis method for complex traffic networks, which can analyze the block characteristics of the road traffic network, obtain the block aggregation characteristics of the road traffic network across administrative divisions, and then provide traffic planning, Design work and maintenance, maintenance work, etc. provide decision-making reference.
- the present invention provides the following scheme:
- a multi-scale aggregation pattern analysis method for a complex traffic network comprising the following steps:
- the location attribute matrix F is constructed by using POI points as a 500-meter buffer zone to view the customized location attribute values of the covered road network sections. set to 0;
- w ij represents the reciprocal of the shortest path length between node i and node j;
- d ij is the shortest path length between node i and node j in the initial traffic network structure, the unit is km;
- Road grade matrix Element l ij refers to the weight of the road grade between node i and node j, the higher the road grade, the higher the weight;
- Traffic congestion degree matrix by time period The element t ij represents the weight of the traffic congestion degree between node i and node j, the higher the degree of congestion, the greater the weight of the road;
- the road network weight influence factor is added to obtain an improved PageRank algorithm to determine the ordering of key nodes; specifically include:
- the Google matrix of PageRank represented by G, is defined as:
- a * is the transition matrix of the adjacency matrix A obtained by the original traffic network
- N represents the number of nodes in the traffic network
- I N ⁇ N is a unit matrix of N order
- k j represents the jth column of the weighting matrix K
- S3 draw a two-dimensional decision-making diagram through the two indicators of key node ranking and shortest path distance, determine the center point of spectral clustering and the number of clusters k, and add position and distance to the similarity matrix in spectral clustering , road grade and dynamic traffic congestion degree weight matrix to obtain a new weighted matrix in line with the actual road network conditions, and then perform cluster analysis to obtain road network aggregation blocks.
- step S3 is to draw a two-dimensional decision-making diagram through the two indicators of the key node ranking and the shortest path distance, determine the spectral clustering center point and the number k of clusters, and at the same time in the similarity matrix in the spectral clustering Based on the weight matrix of location, distance, road grade and dynamic traffic congestion degree, a new weighted matrix that conforms to the actual road network conditions is obtained, and then cluster analysis is performed to obtain road network aggregation blocks, including:
- the method of two-dimensional decision diagram is used to select the cluster center point, the number of cluster center points is the number of clusters, the cluster center point is determined by considering ⁇ and ⁇ , ⁇ is the horizontal axis, and ⁇ is the vertical axis:
- step S2 the expression of A * is as follows:
- the multi-scale aggregation mode analysis method of the complex traffic network provided by the present invention first constructs the analysis method that adds location attribute weight, geographical distance weight, road grade weight and dynamic
- the road network theoretical model of the influence factor of traffic congestion degree weight in time period provides a theoretical model basis for subsequent research; then an improved PageRank (APA, Adapted PageRank) algorithm is proposed to obtain the ranking of key nodes in the road traffic network, and through the ranking of key nodes and the shortest path distance to determine the cluster center point and the number of clusters; and then propose the APA-spectral clustering algorithm, which crosses the limitation of administrative divisions and obtains the division results of special common blocks in the road traffic network, keeping the distance between blocks The connectivity between them can improve the overall efficiency of the traffic road network.
- APA Adapted PageRank
- Fig. 1 is the schematic flow chart of the multi-scale aggregation mode analysis method of the complex traffic network of the present invention
- Fig. 2 is a schematic diagram of point distribution of the decision-making diagram of an embodiment of the present invention
- Fig. 3 is a schematic diagram of a decision value result of a decision diagram in an embodiment of the present invention.
- Fig. 4 is an application result diagram of the multi-scale aggregation mode analysis method of the complex traffic network of the present invention, taking Langfang City, China as an example.
- the purpose of the present invention is to provide a multi-scale aggregation mode analysis method for complex traffic networks, which can analyze the block characteristics of the road traffic network, obtain the block aggregation characteristics of the road traffic network across administrative divisions, and then provide traffic planning, Design work and maintenance, maintenance work, etc. provide decision-making reference.
- the multi-scale aggregation mode analysis method of the complex traffic network includes the following steps:
- part A of the adjacency matrix in this embodiment is shown in the following table (because the corresponding adjacency matrix of Langfang City in China is 16921 rows*16921 columns, it is not convenient to show it here, so only part A of the matrix is provided):
- This example shows the connection of 4 nodes. If there is a road connection between node 1 and node 3, the value is 1; if there is no road connection between node 1 and node 2, the value is 0.
- the location attribute matrix F is constructed by using POI points as a 500-meter buffer zone to view the customized location attribute values of the covered road network sections. set to 0.
- This example shows the position attribute weighting of four nodes corresponding to the road network.
- the road connecting node 2 and node 3 has POI points, and the value is 1; the road between node 1 and node 2 has no POI points. then the value is 0.
- d ij is the shortest path length between node i and node j in the initial traffic network structure, the unit is km;
- Road grade matrix Element l ij refers to the weight value of the road grade between node i and node j. The higher the road grade, the higher the weight value.
- the specific weight value settings are shown in Table 4.
- this example shows the road grade weighting of the four nodes corresponding to the road network.
- the road connecting node 1 and node 3 is a highway, and the value is 0.333; there is no road between node 1 and node 2 connection, the weight value is 0.
- Traffic congestion degree matrix by time period The element t ij represents the weight of the traffic congestion degree between node i and node j. The higher the degree of congestion, the greater the weight of the road.
- the specific weight settings are shown in Table 6.
- Table 7 shows the weighted situation of the road traffic congestion degree corresponding to the road network of four nodes. For example, if the road congestion of node 1 and node 3 is smooth, the value is 0.0875; between node 1 and node 2 If there is no road connection, the value is 0.
- the road network weight influence factor is added to obtain an improved PageRank algorithm to determine the ranking of key nodes, including:
- the Google matrix of PageRank represented by G, is defined as:
- a * is the transfer matrix of the adjacency matrix A obtained from the original traffic network;
- N represents the number of nodes (intersection points of roads in the road traffic network) in the traffic network,
- I N ⁇ N is a cell matrix of order N.
- k j represents the jth column of the matrix K.
- Table 8 shows the weighting of the road network corresponding to the four nodes.
- the weighted value of the road between node 1 and node 3 is 1.42017; the weighted value of the road between node 1 and node 2 is 0.
- the value of the component indicates the importance of the node, and the larger the value, the more important the node and the higher the criticality level.
- the cluster center is an important node surrounded by low-impact neighbors
- the initial cluster centers are evenly distributed in the physical network, and the "distance" between the center points is relatively large.
- the present invention adopts the method of two-dimensional decision-making diagram to select the center point of clustering.
- the number of cluster centers is the number of clusters.
- the cluster center points are determined by considering ⁇ and ⁇ , with ⁇ being the horizontal axis and ⁇ being the vertical axis:
- the decision-making diagram is shown in Figure 2 and Figure 3. From Figure 3, it can be seen that the No. 1 and No. 10 data points have large values of ⁇ and ⁇ at the same time, and they "stand out” in the data set (Pop up) . These two data points happen to be the two cluster centers of the data set shown in Figure 2.
- Table 9 shows a similarity matrix composed of 4 nodes.
- the similarity value between node 1 and node 3 is 0.021049927; the similarity value between node 1 and node 4 is 0.023497721.
- Table 10 shows part of the weight matrix R.
- the weighted value between node 1 and node 3 is 1.441219927; the weighted value between node 1 and node 2 is 0.000117981.
- step S2 the expression of A * is as follows:
- FIG. 4 is an application result diagram of the multi-scale aggregation mode analysis method for a complex traffic network in Langfang City, China (due to the complexity of the road network in Langfang City, China, and the huge amount of data, the key implementation data is given in the form of an attachment), showing China's
- the division results of the highway traffic network in Langfang City The area formed by triangle intersections is Block 1; the area formed by circular intersections is Block 2; the area formed by rhombus intersections is Block 3.
- the road nodes in the block are more closely connected to each other.
- the central positions (black squares) of the 3 blocks can be clearly found. From the perspective of geospatial structure, improving the connectivity and convenience of these three block structures can effectively improve the road traffic conditions in Langfang City, China.
- the route connecting the central point of the graph is the key route. This provides a certain reference basis for relevant departments, showing the trend of road traffic network connectivity.
- the location of the road traffic network that is mainly maintained and improved can also be determined on the road network connected by the block structure. Improving the connectivity of the central point can improve the connectivity of the overall road traffic network in Langfang City, China, and also maintain Operational efficiency of road transport networks.
- the existing analysis of complex traffic networks mostly stays at a single scale, and the dynamic influence factors are not considered in the research on block aggregation characteristics of road traffic networks, and the road network aggregation block division methods mostly use k-means suitable for low-dimensional data Clustering algorithm, resulting in a certain gap between the analysis results and the real situation.
- the present invention analyzes the complex traffic network of the multi-scale aggregation mode, and improves the division method of the road network aggregation blocks.
- an improved spectral clustering algorithm is proposed for the division of road network aggregation blocks; for the shortcomings of the spectral clustering algorithm itself, an improved PageRank (APA) algorithm is proposed to obtain the key nodes of the road traffic network Sorting situation; then determine the spectral clustering center point and the number of clusters through the two indicators of key node sorting and shortest path distance; finally obtain the APA-spectral clustering algorithm, which crosses the limitation of administrative divisions and obtains the special commonality of road traffic network
- the division results of blocks; maintaining the connectivity between blocks can improve the overall efficiency of the traffic road network.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种复杂交通网络的多尺度聚集模式分析方法，属于公路交通网络领域，首先计算公路交通网络的邻接矩阵、位置属性矩阵、距离权重矩阵、道路等级矩阵、分时段交通拥堵程度矩阵；其次在PageRank算法基础上加入路网权重影响因子，以确定关键性节点排序情况；最后通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定谱聚类中心点和聚类个数，在谱聚类中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析得到路网聚集区块。本发明可分析公路交通网络跨越行政区划的区块聚集特性，为交通规划、设计、养护、维护工作等提供决策参考。
Description
本申请要求于2022年01月07日提交中国专利局、申请号为202210015815.1、发明名称为“一种复杂交通网络的多尺度聚集模式分析方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本发明涉及公路交通网络技术领域，特别是涉及一种复杂交通网络的多尺度聚集模式分析方法。
公路交通网络是服务经济、社会及公众的重要基础设施，是综合交通运输体系的骨干。多尺度分析复杂交通网络，挖掘网络结构的功能区块，识别地理空间角度网络的分布特征是分析公路交通网络的重要方面。
目前，对复杂交通网络进行多尺度分析的研究较少。杨盼等提出尺度是客观世界的基本特征(杨盼.城市家具色彩的多尺度研究--以合肥市为例[D].合肥工业大学，2019.)，多尺度研究是认识客观世界复杂系统的重要手段。公路交通网络具有其复杂系统性，为得出公路交通网络科学合理的设计策略和原则，应多层次多角度分析路网。多尺度研究无疑为路网分析提供独特的视角。其次，现有对公路交通网络区块聚集特性的研究存在数据类型上的不足，Zheng和Gao等对无标度(scale-free)交通网络上动态的流量信息研究(Zheng J.F.,Gao Z.Y.and Zhao X.M.,Properties of transportation dynamics onscale-free networks[J].PhyicasA,2007,373(none):837-844.)，发现拥挤行为对交通网络存在影响。添加动态车流拥堵程度等权重影响因子构建路网理论模型可为交通决策和服务人员提供更全面的理论支撑。另外，进行路网聚集模式分析需要选用合适的聚类算法，复杂网络中识别模块的算法有很多，如顶点聚类算法、基于密度的算法、随机游走法、电路逼近法、谱聚类算法等。目前多采用k-means聚类算法进行路网聚集区块划分。但是路网数据是典型的高维数据，使用k-means聚类算法处理高维数据不占优势，致使研究结果有一定的局限性。
发明内容
本发明的目的是提供一种复杂交通网络的多尺度聚集模式分析方法，可分析公路交通网络所具有的区块特征，取得公路交通网络跨越行政区划的区块聚 集特性结果，进而为交通规划、设计工作以及养护、维护工作等提供决策参考。
为实现上述目的，本发明提供了如下方案：
一种复杂交通网络的多尺度聚集模式分析方法，包括如下步骤：
S1，计算公路交通网络的邻接矩阵A、位置属性矩阵F、距离权重矩阵W、道路等级矩阵L、分时段交通拥堵程度矩阵T；
具体来看：
(1)邻接矩阵A＝(a
ij)
N×N是一个N阶方阵，第i行、第j列上的元素a
ij定义如下：
若节点i和j节点之间有路段连接，则e
ij＝1；否则，e
ij＝0；
(2)位置属性矩阵F的构造是通过POI点作500米缓冲区范围查看覆盖的公路网络路段定制位置属性值，在缓冲区范围内的路段权重值设置为1，其他公路网路段权重值设定为0；
假设v
i＝1(1≤i≤N)根据所研究的问题或交通网络实际情况表示路段i的位置属性，v
i＝0表示其他情况，构造位置属性矩阵F：
F＝(v
1,v
2,...,v
N)
1×N (1-2)
(3)距离权重矩阵
其中，w
ij表示节点i和节点j之间最短路径长度的倒数；
其中，d
ij为初始交通网络结构中节点i与节点j之间的最短路径长度，单位为km；
(4)道路等级矩阵
元素l
ij指节点i和节点j之间道路等级的权值，道路等级越高，权值越高；
(5)分时段交通拥堵程度矩阵
元素t
ij表示节点i和节点j之间 的交通拥堵程度权值，拥堵程度越高，表明道路权重越大；
S2，在原有PageRank算法基础上加入路网权重影响因子，得到改进的PageRank算法，以确定关键性节点排序情况；具体包括：
(1)PageRank的Google矩阵，用G表示，定义为：
其中，A
*是由原始交通网络得到的邻接矩阵A的转移矩阵；α为阻尼因子，使用α＝0.85，N表示交通网络中节点个数，I
N×N是一个N阶的单元矩阵；
(2)利用位置属性矩阵F、距离权重矩阵W、道路等级矩阵L和分时段交通拥堵程度矩阵T，定义一个新的加权矩阵K：
K＝F+W+L+T＝(k
1,k
2,…,k
j,…,k
N) (1-5)
其中，k
j表示加权矩阵K的第j列；
(3)对加权矩阵K的每一列向量k
j进行标准化处理，得到标准矩阵K
N；
(4)构造新的矩阵G
*，用式子(1-α)K
N代替式子
得到：
G
*＝αA
*+(1-α)K
N (1-6)
根据Perron-Frobenius定理，取特征向量的特征值λ＝1，计算G
*的主特征向量
得到关键节点的等级；g(1)，g(2)，…，g(N)表示主特征向量
的各个分量，分量值大小表示节点的重要程度，值越大表示节点越重要，即关键性等级越高；
S3，通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定谱聚类中心点和聚类个数k，同时在谱聚类中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析，得到路网聚集区块。
进一步的，所述步骤S3，通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定谱聚类中心点和聚类个数k，同时在谱聚类中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析，得到路网聚集区块，具体包括：
(1)构建二维决策图选择聚类中心点，确定聚类簇个数：
采用二维决策图的方法选择聚类中心点，聚类中心点的个数即聚类簇个数，聚类中心点通过考虑ρ和δ来确定，ρ为横轴，δ为纵轴:
γ
i＝ρ
iδ
i,i∈I
S (1-7)
式中，ρ
i表示主特征向量
的第i分量，评估节点i的重要性；δ
i代表节点i与较高关键性节点之间的最短路径长度，较高关键性节点为分量值大于设定阈值的关键性节点，即δ
i代表节点i与各关键性节点之间的最短路径长度；I
S表示区域S中的节点集；计算一个综合值序列
其中γ
i＝ρ
iδ
i,i∈I
S表示节点i的综合值；参考γ值越大，越有可能是聚类中心，因此，需要按降序排列
然后从前到后截取若干数据点作为区块中心，选择分布在决策图右上方的k个节点作为聚类中心，k即为聚类簇个数；
(2)构建加权矩阵，并利用谱聚类进行路网聚集区块划分，具体步骤如下：
已有n个样本点X＝{x
1,x
2,...,x
n}和聚类簇个数k；
①计算n*n的相似度矩阵S＝{s
ij|1≤i≤n,1≤j≤n}，
式中，||x
i-x
j||表示两样本点之间距离，参数σ控制着样本点的邻域宽度，即σ越大表示样本点与距离较远的样本点的相似度越大，反之亦然；
②在相似度矩阵S的基础上，加入位置权重矩阵F、距离权重矩阵W、道路等级权重矩阵L和动态交通拥堵程度权重矩阵T，得到新的符合实际路网情况的加权矩阵R；
R＝S+F+W+L+T (1-9)
③计算度矩阵D，
即加权矩阵R的每一行元素之和，D为d
i组成的n*n对角矩阵；
④计算拉普拉斯阵L＝D
-1/2LD
-1/2＝D
-1/2(D-W)D
-1/2；
⑤计算拉普拉斯阵L的特征值，将特征值从小到大排序；
⑥根据二维决策图，选取中心节点，并得到聚类簇个数k；
⑦取拉普拉斯阵L前k个特征值，并计算前k个特征值的特征向量u
1,u
2,...,u
k；
⑧将前k个特征值的特征向量组成矩阵U＝{u
1,u
2,...,u
k},U∈R
n+k；
⑨令y
i∈R
k是U的第i行的向量，其中i＝1,2,...,n；
⑩对于i＝1,2,...,n，将y
i∈R
k依次单位化，使得|y
i|＝1；
进一步的，步骤S2中，A
*的表达式如下：
其中：
当e
ij＝1时，表示节点i和节点j之间有路段连接；当e
ij＝0时，为其他情况。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的复杂交通网络的多尺度聚集模式分析方法，首先构建加入位置属性权重、地理距离权重、道路等级权重和动态的分时段交通拥堵程度权重影响因子的路网理论模型，为后续研究提供理论模型基础；然后提出改进的PageRank(APA，Adapted PageRank)算法，得到公路交通网络的关键性节点排序情况，通过关键性节点排序和最短路径距离两个指标确定聚类中心点和聚类个数；进而提出APA-谱聚类算法，跨越行政区划界限的限制，获得公路交通网络特殊共性区块的划分结果，保持区块之间的连通性，可以提高交通路网的整体效率。
说明书附图
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明复杂交通网络的多尺度聚集模式分析方法的流程示意图；
图2是本发明实施例决策图的点位分布情况示意图；
图3是本发明实施例决策图的决策值结果示意图；
图4是本发明以中国廊坊市为例进行的复杂交通网络的多尺度聚集模式分析方法的应用成果图。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种复杂交通网络的多尺度聚集模式分析方法，可分析公路交通网络所具有的区块特征，取得公路交通网络跨越行政区划的区块聚集特性结果，进而为交通规划、设计工作以及养护、维护工作等提供决策参考。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的复杂交通网络的多尺度聚集模式分析方法，包括如下步骤：
S1，计算公路交通网络的邻接矩阵A、位置属性矩阵F、距离权重矩阵W、道路等级矩阵L、分时段交通拥堵程度矩阵T；
具体来看：
(1)邻接矩阵A＝(a
ij)
N×N是一个N阶方阵，第i行、第j列上的元素a
ij定义如下：
若节点i和j之间有路段连接，则e
ij＝1；否则，e
ij＝0。
本实施例中邻接矩阵A部分内容示例如下表所示(由于中国廊坊市对应邻接矩阵为16921行*16921列，在此不便展示，因此只提供矩阵A部分内容)：
表1 公路交通网络的邻接矩阵A部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 1 | 1 |
| 2 | 0 | 0 | 0 | 0 |
| 3 | 1 | 0 | 0 | 1 |
| 4 | 1 | 0 | 1 | 0 |
说明：本示例中展示的是4个节点的连接情况，节点1与节点3之间有道路连接，则值为1；节点1与节点2之间没有道路连接，则值为0。
(2)位置属性矩阵F的构造是通过POI点作500米缓冲区范围查看覆盖的公路网络路段定制位置属性值，在缓冲区范围内的路段权重值设置为1，其他公路网路段权重值设定为0。
假设v
i＝1(1≤i≤N)根据所研究的问题或交通网络实际情况表示路段i的位置属性，v
i＝0表示其他情况，构造位置属性矩阵F：
F＝(v
1,v
2,...,v
N)
1×N (1-2)
表2 位置属性加权矩阵F部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 0 | 0 |
| 2 | 0 | 0 | 1 | 0 |
| 3 | 0 | 1 | 0 | 0 |
| 4 | 0 | 0 | 0 | 0 |
说明：本示例中展示的是4个节点对应路网的位置属性加权情况，连接节点2与节点3的道路有POI点存在，则值为1；节点1与节点2的道路没有POI点存在，则值为0。
(3)距离权重矩阵
其中w
ij表示节点i和节点j之间最短路径 长度的倒数；
其中，d
ij为初始交通网络结构中节点i与节点j之间的最短路径长度，单位为km；
表3 距离权重矩阵W部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 0.99967 | 0.49405 |
| 2 | 0 | 0 | 0 | 0 |
| 3 | 0.99967 | 1 | 0 | 0.99928 |
| 4 | 0.494051 | 0 | 0.99928 | 0 |
说明：本示例中展示的是4个节点对应路网的距离加权情况，计算节点1与节点3之间距离的导数，再进行统一归一化后得到权重值为0.99967，节点1与节点2之间没有道路连接，即距离值的导数接近于0，则权值为0。
(4)道路等级矩阵
元素l
ij指节点i和节点j之间道路等级的权值，道路等级越高，权值越高，具体权值设置如表4所示。
表4 道路等级权重分布
| 路 | 高速公路 | 一级公路 | 二级公路 | 三级公路 | 四级公路 |
| 权重 | 0.333 | 0.267 | 0.200 | 0.133 | 0.067 |
表5 道路等级权重矩阵L部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 0.333 | 0.133 |
| 2 | 0 | 0 | 0 | 0 |
| 3 | 0.133 | 0 | 0 | 0.267 |
| 4 | 0.133 | 0 | 0.267 | 0 |
说明：如表5，本示例中展示的是4个节点对应路网的道路等级加权情况，连接节点1与节点3的道路为高速公路，则值为0.333；节点1与节点2之间没有道路连接，则权重值为0。
(5)分时段交通拥堵程度矩阵
元素t
ij表示节点i和节点j之间的交通拥堵程度权值，拥堵程度越高，表明道路权重越大，具体权值设置如表6所示。
表6 道路交通拥堵度级别权重分布
| 交通拥堵度分级 | 畅通(IV) | 轻度拥堵(III) | 中度拥堵(II) | 严重拥堵(I) |
| 权重 | 0.0875 | 0.1875 | 0.3125 | 0.4125 |
表7 道路交通拥堵程度矩阵T部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 0.0875 | 0.3125 |
| 2 | 0 | 0 | 0 | 0 |
| 3 | 0.0875 | 0 | 0 | 0.1875 |
| 4 | 0.3125 | 0 | 0.1875 | 0 |
说明：表7所示的示例中展示的是4个节点对应路网的道路交通拥堵程度加权情况，例如节点1与节点3道路拥堵情况为畅通，则值为0.0875；节点1与节点2之间没有道路连接，则值为0。
S2，在原有PageRank算法基础上加入路网权重影响因子，得到改进的PageRank算法，以确定关键性节点排序情况，具体包括：
(1)PageRank的Google矩阵，用G表示，定义为：
其中，A
*是由原始交通网络得到的邻接矩阵A的转移矩阵；α为阻尼因子，一般使用α＝0.85，N表示交通网络中节点(公路交通网络中道路的交点)个数，I
N×N是一个N阶的单元矩阵。
(2)利用位置属性矩阵F、距离权重矩阵W、道路等级矩阵L和分时段交通拥堵程度矩阵T，定义一个新的加权矩阵K：
K＝F+W+L+T＝(k
1,k
2,…,k
j,…,k
N) (1-5)
其中，k
j表示矩阵K的第j列。
表8 新的加权矩阵K部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0 | 1.42017 | 0.93955 |
| 2 | 0 | 0 | 1 | 0 |
| 3 | 1.42017 | 1 | 0 | 1.45328 |
| 4 | 0.93955 | 0 | 1.45378 | 0 |
说明：表8所表示的示例中展示的是4个节点对应路网的加权情况，节点1与节点3之间道路加权之后值为1.42017；节点1与节点2之间道路加权之后值为0。
(3)对矩阵K的每一列向量k
j进行标准化处理，得到标准矩阵K
N。
(4)构造新的矩阵G
*，用式子(1-α)K
N代替式子
得到：
G
*＝αA
*+(1-α)K
N (1-6)
根据Perron-Frobenius定理，取特征向量的特征值λ＝1，计算G
*的主特征向量
得到关键节点的等级；g(1)，g(2)，…，g(N)表示主特征向量
的各个分量，分量值大小表示节点的重要程度，值越大表示节点越重要，即关键性等级越高；
根据Perron-Frobenius定理(具体内容可参考Golub G H,Loan C F V.Matrixcomputation[M].Baltimore:The Johns Hopkins UniversityPress,1996,728(94):208-209)，取特征向量的特征值λ＝1，计算G
*的主特征向量
得到关键节点的等级；g(1)，g(2)，…，g(N)表示主特征向量
的各个分量，分量值大小表示节点的重要程度，值越大表示节点越重要，关键性等级越高。
S3，通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定 谱聚类中心点和聚类个数k，同时在谱聚类算法中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析，得到路网聚集区块。具体步骤如下：
(1)构建二维决策图选择聚类中心点，确定聚类簇个数：
Alex Rodriguez和Alessandro Laio在science上发表的文章(Stanfill C,WaltzD.Toward memory-based reasoning[J].Communications of the ACM,1986,29(12):1213-1228.)指出聚类中心同时具有以下两个属性：
①聚类中心是被低影响邻居包围的重要节点；
②初始聚类中心均匀的分布在物理网络中，并且中心点之间的“距离”相对更大。
本发明采用二维决策图的方法选择聚类中心点。聚类中心点的个数即为聚类簇个数。聚类中心点通过考虑ρ和δ来确定，ρ为横轴，δ为纵轴:
γ
i＝ρ
iδ
i,i∈I
S (1-7)
式中，ρ
i表示主特征向量
的第i分量，评估节点i的重要性；δ
i代表节点i与较高关键性节点之间的最短路径长度，较高关键性节点为分量值大于设定阈值的关键性节点，首先计算节点
i与各关键性节点之间的路径长度，最短
的路径长度即为δ
i；I
S表示区域S中的节点集；计算一个综合值序列
其中γ
i＝ρ
iδ
i,i∈I
S表示节点i的综合值，N表示节点个数。参考γ值越大，越有可能是聚类中心。因此，需要按降序排列
然后从前到后截取若干数据点作为区块中心。选择分布在决策图右上方的k个节点作为聚类中心，k即为聚类簇个数。
例如：决策图如图2和图3所示，从图3中可以看出第1号和第10号数据点同时具有较大的ρ值和δ值，在数据集中“脱颖而出”(Pop up)。这两个数据点恰好是图2所示数据集的两个聚类中心。
(2)构建加权矩阵，并利用谱聚类进行路网聚集区块划分，具体步骤如下：
已有n个样本点X＝{x
1,x
2,...,x
n}和聚类簇个数k。
①计算n*n的相似度矩阵S＝{s
ij|1≤i≤n,1≤j≤n}；
其中，||x
i-x
j||表示两样本点之间距离，参数σ控制着样本点的邻域宽度，即σ越大表示样本点与距离较远的样本点的相似度越大，反之亦然；
表9 相似度矩阵S部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 1.18E-04 | 0.021049927 | 0.023497721 |
| 2 | 1.18E-04 | 0 | 0.021018653 | 0.023467179 |
| 3 | 0.021049927 | 0.021018653 | 0 | 0.002452333 |
| 4 | 0.023497721 | 0.023467179 | 0.002452333 | 0 |
说明：表9所示的示例中展示的是4个节点组成的相似度矩阵，节点1与节点3之间相似度值为0.021049927；节点1与节点4之间相似度值为0.023497721。
②在相似度矩阵S的基础上，加入位置权重矩阵F、距离权重矩阵W、道路等级权重矩阵L和动态交通拥堵程度权重矩阵T，得到新的符合实际路网情况的加权矩阵R；
R＝S+F+W+L+T (1-9)
表10 加权矩阵R部分内容示例
| 1 | 2 | 3 | 4 | |
| 1 | 0 | 0.000117981 | 1.441219927 | 0.963047721 |
| 2 | 0.000117981 | 0 | 1.021018653 | 0.023467179 |
| 3 | 1.441219927 | 1.021018653 | 0 | 1.455732333 |
| 4 | 0.963047721 | 0.023467179 | 1.456232333 | 0 |
说明：表10所示的示例中展示的是加权矩阵R部分内容，节点1与节点 3之间加权值为1.441219927；节点1与节点2之间加权值为0.000117981。
③计算度矩阵D，
即加权矩阵R的每一行元素之和，D为d
i组成的n*n对角矩阵；
④计算拉普拉斯阵L＝D
-1/2LD
-1/2＝D
-1/2(D-W)D
-1/2；
⑤计算拉普拉斯阵L的特征值，将特征值从小到大排序；
⑥根据二维决策图，选取中心节点，并得到聚类簇个数k；
⑦取拉普拉斯阵L前k个特征值，并计算前k个特征值的特征向量u
1,u
2,...,u
k；
⑧将前k个特征值的特征向量组成矩阵U＝{u
1,u
2,...,u
k},U∈R
n+k；
⑨令y
i∈R
k是U的第i行的向量，其中i＝1,2,...,n；
⑩对于i＝1,2,...,n，将y
i∈R
k依次单位化，使得|y
i|＝1；
其中，步骤S2中，A
*的表达式如下：
式中：
当e
ij＝1时，表示节点i和j之间有路段连接；当e
ij＝0时，为其他情况。
本发明实施例以中国廊坊市和中国雄安新区两个尺度复杂交通网络为例进行多尺度聚集模式分析。图4是以中国廊坊市为例进行的复杂交通网络的多尺度聚集模式分析方法的应用成果图(由于中国廊坊市路网复杂，数据庞大，关键实施数据以附件形式给出)，展示了中国廊坊市公路交通网络区块划分结果。三角形交点组成的区域是区块1；圆形交点组成的区域是区块2；菱形交 点组成的区域是区块3。如区块划分的结果所示，区块内的道路节点相互连接更加紧密。从图4中，可以清楚地找到3个区块的中心位置(黑色正方形)。从地理空间结构的角度去理解，提高这3个区块结构的连通性能以及便利程度能有效提高中国廊坊市全市的公路交通状况。连通图中中心点位置的路线是关键路线。这为有关部门提供了一定的参考基础，呈现了公路交通网络连通的趋势。同时，重点维护和改进的公路交通网络的位置也可以确定在区块结构连接的公路网络上，提高中心点的连通性可以使中国廊坊市整体公路交通网络的连通性得到提升，同时也维护了公路交通网络的运行效率。
现有对复杂交通网络的分析多停留在单一尺度，对公路交通网络的区块聚集特性研究中未考虑动态影响因子，且路网聚集区块划分方法多采用适用于低维数据的k-means聚类算法，致使分析结果与真实情况有一定差距。本发明基于此现状进行了多尺度聚集模式的复杂交通网络分析，对路网聚集区块划分方法改进。针对先前路网理论模型未考虑动态影响因子问题，构建加入位置属性权重、地理距离权重、道路等级权重和动态的分时段交通拥堵程度权重影响因子的路网理论模型；针对k-means算法处理高维路网数据效果不优问题，提出改进的谱聚类算法用于路网聚集区块划分；针对谱聚类算法自身缺陷，提出改进的PageRank(APA)算法，得到公路交通网络的关键性节点排序情况；然后通过关键性节点排序和最短路径距离两个指标确定谱聚类中心点和聚类个数；最终得到APA-谱聚类算法，跨越行政区划界限的限制，获得公路交通网络特殊共性区块的划分结果；保持区块之间的连通性可以提高交通路网的整体效率。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
- 一种复杂交通网络的多尺度聚集模式分析方法，其特征在于，包括以下步骤：S1，计算公路交通网络的邻接矩阵A、位置属性矩阵F、距离权重矩阵W、道路等级矩阵L、分时段交通拥堵程度矩阵T；具体来看：(1)邻接矩阵A＝(a ij) N×N是一个N阶方阵，第i行、第j列上的元素a ij定义如下：
若节点i和节点j之间有路段连接，则e ij＝1；否则，e ij＝0；(2)位置属性矩阵F的构造是通过POI点作500米缓冲区范围查看覆盖的公路网络路段定制位置属性值，在缓冲区范围内的路段权重值设置为1，其他公路网路段权重值设定为0；假设v i＝1(1≤i≤N)根据所研究的问题或交通网络实际情况表示路段i的位置属性，v i＝0表示其他情况，构造位置属性矩阵F：F＝(v 1,v 2,...,v N) 1×N (1-2)(3)距离权重矩阵其中，w ij表示节点i和节点j之间最短路径长度的倒数；
其中，d ij为初始交通网络结构中节点i与节点j之间的最短路径长度，单位为km；(4)道路等级矩阵元素l ij指节点i和节点j之间道路等级的权值，道路等级越高，权值越高；
(5)分时段交通拥堵程度矩阵元素t ij表示节点i和节点j之间的交通拥堵程度权值，拥堵程度越高，表明道路权重越大；
S2，在原有PageRank算法基础上加入路网权重影响因子，得到改进的PageRank算法，以确定关键性节点排序情况；具体包括：(1)PageRank的Google矩阵，用G表示，定义为：
其中，A *是由原始交通网络得到的邻接矩阵A的转移矩阵；α为阻尼因子，使用α＝0.85，N表示交通网络中节点个数，I N×N是一个N阶的单元矩阵；(2)利用位置属性矩阵F、距离权重矩阵W、道路等级矩阵L和分时段交通拥堵程度矩阵T，定义一个新的加权矩阵K：K＝F+W+L+T＝(k 1,k 2,…,k j,…,k N) (1-5)其中，k j表示加权矩阵K的第j列；(3)对加权矩阵K的每一列向量k j进行标准化处理，得到标准矩阵K N；(4)构造新的矩阵G *，用式子(1-α)K N代替式子得到：
G *＝αA *+(1-α)K N (1-6)根据Perron-Frobenius定理，取特征向量的特征值λ＝1，计算G *的主特征向量得到关键节点的等级；g(1)，g(2)，…，g(N)表示主特征向量
的各个分量，分量值大小表示节点的重要程度，值越大表示节点越重要，即关键性等级越高；
S3，通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定谱聚类中心点和聚类个数k，同时在谱聚类中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析，得到路网聚集区块。 - 根据权利要求1所述的复杂交通网络的多尺度聚集模式分析方法，其特征在于，所述步骤S3，通过关键性节点排序和最短路径距离两个指标绘制二维决策图，确定谱聚类中心点和聚类个数k，同时在谱聚类中的相似度矩阵的基础上加入位置、距离、道路等级和动态交通拥堵程度权重矩阵，得到新的符合实际路网情况的加权矩阵，然后进行聚类分析，得到路网聚集区块，具体包括：(1)构建二维决策图选择聚类中心点，确定聚类簇个数：采用二维决策图的方法选择聚类中心点，聚类中心点的个数即聚类簇个数，聚类中心点通过考虑ρ和δ来确定，ρ为横轴，δ为纵轴:γ i＝ρ iδ i,i∈I S (1-7)式中，ρ i表示主特征向量的第i分量，评估节点i的重要性；δ i代表节点i与较高关键性节点之间的最短路径长度；I S表示区域S中的节点集；计算一个综合值序列
其中γ i＝ρ iδ i,i∈I S表示节点i的综合值；参考γ值越大，越有可能是聚类中心，因此，需要按降序排列
然后从前到后截取若干数据点作为区块中心，选择分布在决策图右上方的k个节点作为聚类中心，k即为聚类簇个数；
(2)构建加权矩阵，并利用谱聚类进行路网聚集区块划分，具体步骤如下：已有n个样本点X＝{x 1,x 2,...,x n}和聚类簇个数k；①计算n*n的相似度矩阵S＝{s ij|1≤i≤n,1≤j≤n}，
式中，||x i-x j||表示两样本点之间距离，参数σ控制着样本点的邻域宽度，即σ越大表示样本点与距离较远的样本点的相似度越大，反之亦然；②在相似度矩阵S的基础上，加入位置权重矩阵F、距离权重矩阵W、道路等级权重矩阵L和动态交通拥堵程度权重矩阵T，得到新的符合实际路网情况的加权矩阵R；R＝S+F+W+L+T (1-9)③计算度矩阵D，即加权矩阵R的每一行元素之和，D为d i组成的n*n对角矩阵；
④计算拉普拉斯阵L＝D -1/2LD -1/2＝D -1/2(D-W)D -1/2；⑤计算拉普拉斯阵L的特征值，将特征值从小到大排序；⑥根据二维决策图，选取中心节点，并得到聚类簇个数k；⑦取拉普拉斯阵L前k个特征值，并计算前k个特征值的特征向量 u 1,u 2,...,u k；⑧将前k个特征值的特征向量组成矩阵U＝{u 1,u 2,...,u k},U∈R n+k；⑨令y i∈R k是U的第i行的向量，其中i＝1,2,...,n；⑩对于i＝1,2,...,n，将y i∈R k依次单位化，使得|y i|＝1；使用k-means算法将新样本点Y＝{y 1,y 2,...,y n}聚类成簇C 1,C 2,...,C k；
得到聚类结果簇A 1,A 2,...,A k，其中，A k＝{y i|y i∈C k},i∈n。
- 根据权利要求1所述的复杂交通网络的多尺度聚集模式分析方法，其特征在于，步骤S2中，A *的表达式如下：
其中：
当e ij＝1时，表示节点i和节点j之间有路段连接；当e ij＝0时，为其他情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US18/275,728 US20240126936A1 (en) | 2022-01-07 | 2023-01-05 | Multi-scale aggregation pattern analysis method for complex traffic network |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210015815.1A CN114372117A (zh) | 2022-01-07 | 2022-01-07 | 一种复杂交通网络的多尺度聚集模式分析方法 |
| CN202210015815.1 | 2022-01-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023131215A1 true WO2023131215A1 (zh) | 2023-07-13 |
Family
ID=81143338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2023/070582 WO2023131215A1 (zh) | 2022-01-07 | 2023-01-05 | 一种复杂交通网络的多尺度聚集模式分析方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240126936A1 (zh) |
| CN (1) | CN114372117A (zh) |
| WO (1) | WO2023131215A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805785A (zh) * | 2023-08-17 | 2023-09-26 | 国网浙江省电力有限公司金华供电公司 | 基于随机聚类的电力负荷层次时间序列预测方法 |
| CN117235556A (zh) * | 2023-11-13 | 2023-12-15 | 浙江大学城乡规划设计研究院有限公司 | 一种面向交通管理者的多模式交通复合网络构建方法 |
| CN117292547A (zh) * | 2023-10-27 | 2023-12-26 | 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 |
| CN117729058A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种应对网络攻击的信息物理系统关键节点辨识方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114372117A (zh) * | 2022-01-07 | 2022-04-19 | 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 |
| CN114808830A (zh) * | 2022-06-30 | 2022-07-29 | 湖北省高创公路工程咨询监理有限公司 | 一种用于公路桥梁的防冰冻系统 |
| CN115277116B (zh) * | 2022-07-06 | 2024-02-02 | 中能电力科技开发有限公司 | 网络隔离的方法、装置、存储介质及电子设备 |
| CN116980559B (zh) * | 2023-06-09 | 2024-02-09 | 负熵信息科技(武汉)有限公司 | 一种城域级视频智能卡口规划布局方法 |
| CN116645087A (zh) * | 2023-07-27 | 2023-08-25 | 交通运输部科学研究院 | 一种农村公路养护决策生成方法、系统、装置及存储介质 |
| CN117407739B (zh) * | 2023-09-13 | 2024-05-07 | 大连理工大学 | 一种基于图嵌入的动态权重节点聚类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100274754A1 (en) * | 2009-02-24 | 2010-10-28 | International Road Dynamics | Cluster and discriminant analysis for vehicles detection |
| 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 |
| CN112990352A (zh) * | 2021-04-13 | 2021-06-18 | 北华航天工业学院 | 一种基于复杂网络的公路交通网络区块划分方法 |
| CN114372117A (zh) * | 2022-01-07 | 2022-04-19 | 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 |
-
2022
- 2022-01-07 CN CN202210015815.1A patent/CN114372117A/zh not_active Withdrawn
-
2023
- 2023-01-05 US US18/275,728 patent/US20240126936A1/en active Pending
- 2023-01-05 WO PCT/CN2023/070582 patent/WO2023131215A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100274754A1 (en) * | 2009-02-24 | 2010-10-28 | International Road Dynamics | Cluster and discriminant analysis for vehicles detection |
| 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 |
| CN112990352A (zh) * | 2021-04-13 | 2021-06-18 | 北华航天工业学院 | 一种基于复杂网络的公路交通网络区块划分方法 |
| CN114372117A (zh) * | 2022-01-07 | 2022-04-19 | 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 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805785A (zh) * | 2023-08-17 | 2023-09-26 | 国网浙江省电力有限公司金华供电公司 | 基于随机聚类的电力负荷层次时间序列预测方法 |
| CN116805785B (zh) * | 2023-08-17 | 2023-11-28 | 国网浙江省电力有限公司金华供电公司 | 基于随机聚类的电力负荷层次时间序列预测方法 |
| CN117292547A (zh) * | 2023-10-27 | 2023-12-26 | 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 |
| 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 |
| CN117235556A (zh) * | 2023-11-13 | 2023-12-15 | 浙江大学城乡规划设计研究院有限公司 | 一种面向交通管理者的多模式交通复合网络构建方法 |
| CN117235556B (zh) * | 2023-11-13 | 2024-02-27 | 浙江大学城乡规划设计研究院有限公司 | 一种面向交通管理者的多模式交通复合网络构建方法 |
| CN117729058A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种应对网络攻击的信息物理系统关键节点辨识方法 |
| CN117729058B (zh) * | 2024-02-18 | 2024-04-26 | 四川大学 | 一种应对网络攻击的信息物理系统关键节点辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114372117A (zh) | 2022-04-19 |
| US20240126936A1 (en) | 2024-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023131215A1 (zh) | 一种复杂交通网络的多尺度聚集模式分析方法 | |
| CN112288048B (zh) | 一种基于多源数据驱动的城市人群出行识别方法 | |
| WO2020191876A1 (zh) | 一种基于密度聚类的热点路径分析方法 | |
| Hosseini Rad et al. | A new hybridization of DBSCAN and fuzzy earthworm optimization algorithm for data cube clustering | |
| CN106126328B (zh) | 一种基于事件分类的交通元数据管理方法及系统 | |
| Ding et al. | Urban-rural fringe identification and spatial form transformation during rapid urbanization: A case study in Wuhan, China | |
| CN114661393A (zh) | 基于流动人口数据特征聚类的城市集聚效应可视分析方法 | |
| CN117290750A (zh) | 一种传统村落集中连片区的分类、联系及范围识别方法 | |
| CN110633910A (zh) | 一种旅游公路服务设施营地布局方法 | |
| Wang et al. | Classification of Rural Tourism Features Based on Hierarchical Clustering Analysis Knowledge Recognition Algorithm | |
| Xiong et al. | Geo-gap tree: A progressive query and visualization method for massive spatial data | |
| Wang | Characteristics of tourist sources in coastal tourism market based on cluster analysis | |
| Yang et al. | Application Research of K-means Algorithm based on Big Data Background | |
| Feng et al. | Urban Traffic Congestion Identification Based on Adaptive Graph Convolutional Network | |
| Wu et al. | A study on the urban multi-center spatial structure based on POI data—taking guangzhou as an example | |
| Yang et al. | Quantitative analysis of urban regional traffic status | |
| Pei et al. | Complex Traffic Network Analysis Method Based on a Multiscale Aggregation Model | |
| Zou et al. | Dynamic Development Characteristics and Driving Factors of High Quality Development Level in China’s Five Major Urban Agglomerations | |
| Yang et al. | Spatial Distribution Analysis of Convenience Stores in Kaifeng City Based on POI Data | |
| WO2019024343A1 (zh) | 基于带序兴趣区域的轨迹查询的扩张搜索扩展算法 | |
| WO2019024346A1 (zh) | 基于兴趣区域的轨迹查询的扩张搜索算法 | |
| Pu et al. | Insight into traffic security: A correlation discovery of urban spatial features and traffic flow patterns | |
| Yu et al. | Analysis of Traffic Flow Equilibrium in Urban Road Network Based on Floating Vehicle Data | |
| Qingqing et al. | Application of Cloud Computing Clustering Mining Algorithm in Logistics Scheduling Information | |
| CN117910180A (zh) | 基于大数据的公路网梯度优化方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| WWE | Wipo information: entry into national phase |
Ref document number: 18275728 Country of ref document: US |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23737078 Country of ref document: EP Kind code of ref document: A1 |