基于关键交叉口识别的交通网络动态子区划分方法及系统

摘要

本发明公开了基于关键交叉口识别的交通网络动态子区划分方法及系统，通过获取并根据交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用所述细分目标函数分别对各个初步子区进一步细分，得到所述交通网络的实时动态子区，本发明在划分子区时引入了交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口，能解决以关键交叉口为核心的子区内的交通拥堵问题。

说明书

技术领域

本发明涉及城市交通子区划分领域，尤其涉及基于关键交叉口识别的交通网络动态子区划分方法及系统。

背景技术

城市交通对社会经济的发展有着巨大的推动作用，但经济的快速发展却反过来造成了城市交通的日益拥堵，城市交通拥的拥堵问题已经成为制约经济发展和人民生活水平提高的重要瓶颈。现有的基于交叉口的流量需求管理模式是通过智能化分析流量，诱导人们的出行方式来缓解交通拥堵。在流量需求管理模式中，区域协调交通信号控制是通过区域最优化流量控制，减少停车延误和行车时间，目的是提高整个交通网络的通行效率。已有的相关研究表明，将城市交通网划分成若干个交通流均匀的同构型交通控制子区，能够充分发挥出交通控制方案的作用，最大化城市交通协调控制效益。

在交通区域划分过程中，识别出网络中的关键交叉口有非常重要的作用，因为交通网本身具有流量，并且发生交通阻塞问题往往发生在关键性交叉口上。在信号控制不能有效解决这些关键交叉口流量供需关系的情况下，拥堵开始向周围区域蔓延，甚至最终会导致整个交通网络的崩溃。因此，在对大规模交通网络进行动态子区划分时应该立足于关键性交叉口的识别，向外围寻找与其关联的交叉口从而达到快速消除交通拥堵的问题。但是在现有的研究中，在关键交叉口的识别问题上，国内外专家都仅仅考虑流量过饱和状态下的交叉口，关注点只在于流量上，忽略了交通网本身具有的局部特性和全局特性。导致划分的动态子区并不能有效的解决以关键交叉口为核心的子区内的交通拥堵，同时，在子区具体的划分方法上，一方面利用关联度模型，单一追求交通效益指标的最大化，一方面是从图论的角度出发，单一追求网络划分指标的最优化，缺乏从全局考虑，结合交通效益及网络划分指标最优化的划分模型。

发明内容

本发明提供了基于关键交叉口识别的交通网络动态子区划分方法及系统，用于解决现有的动态子区划分方法由于忽略了交通网本身具有的局部特性和全局特性导致划分的动态子区并不能解决以关键交叉口为核心的子区内的交通拥堵的技术问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于关键交叉口识别的交通网络动态子区划分方法，包括以下步骤：

获取交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标；

根据各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；

根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；

构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用细分目标函数分别对各个初步子区进一步细分，得到交通网络的实时动态子区。

优选的，全局特征指标包括接近中心性；局部特性指标包括度中心性；实时交通特性指标包括实时饱和度。

优选的，接近中心性的计算公式如下：

其中，i，j均为交叉口的编号，CC

度中心性的计算公式为：

其中，D

饱和度的计算公式为：

其中，X

优选的，根据各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口，具体包括以下步骤：

对各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标进行无量纲化处理；

对无量纲化处理后的各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标赋权重；

对各个交叉口的权重进行升序排序，根据交通网络的规模大小确定选取比例；

选取权重靠前的，选取比例的交叉口作为关键交叉口。

优选的，对无量纲化处理后的各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标赋权重，通过以下公式实现：

w

其中，w

优选的，根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区，具体包括以下步骤：

从各个关键交叉口出发，向外蔓延直至达到交通网络的边界或者子区所能容纳的最大节点数量才停止划分。

优选的，细分目标函数为：

I

其中，Q为细分目标函数；CI

优选的，使用细分目标函数分别对各个初步子区进一步细分，具体包括以下步骤：

对于任意一个初步子区，均执行以下步骤：

获取并将初步子区内的各个路径的车流量参数以及路径参数输入至细分目标函数中，以初步子区的交通效益及网络划分指标全局最优为目标，通过局部邻居结构的粒子群优化算法求解细分目标函数的最优解，以得到初步子区内的实时动态子区。

优选的，通过局部邻居结构的粒子群优化算法求解细分目标函数的最优解，具体包括以下步骤：

步骤1：初始化m个粒子，其中，m为大于0的正整数，并使用量子编码方式对粒子的位置属性进行编码，使用二进制编码方式对粒子的方向属性进行编码；

步骤2：对采用量子编码方式的位置属性进行量子坍缩，目的是从不确定的状态塌缩至确定的状态。由于量子位主要由振幅确定，量子坍缩的具体方式由振幅决定；

步骤3：根据改写的模块度公式，计算出每个粒子的模块度，并评估出粒子的局部最优位置Gbest和历史最优位置Pbest

步骤4：根据Gbest和Pbest

步骤5：此时若需要变异更新，则执行步骤6，否则迭代执行步骤2；

步骤6：利用量子螺旋们进行位置属性的变异；

步骤7：利用Levy路径对方向属性进行更新；

步骤8：此时若满足终止条件则结束，否则迭代执行步骤2；

步骤9：对划分后的各个子区进行协调控制；

步骤10：若需要调整子区则返回执行步骤2，否则结束划分。

一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。

本发明具有以下有益效果：

1、本发明中的基于关键交叉口识别的交通网络动态子区划分方法及系统，通过获取并根据交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用细分目标函数分别对各个初步子区进一步细分，得到交通网络的实时动态子区，本发明在划分子区时引入了交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口，能解决以关键交叉口为核心的子区内的交通拥堵问题，整个城市交通网络的拥挤问题都能够得到很大的改善，提高区域的协调控制效益。

2、在优选方案中，本发明采用组合赋权法识别关键交叉口，能大大提高关键交叉口的准确率。

3、在优选方案中，本发明利用了关联度模型改写模块度函数作为目标函数，使用基于量子编码方式的LPSO(局部邻居结构的粒子群优化算法)划分方法对网络进行第二次的细化分，最终达到交通效益及网络划分指标的最优化结果。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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为本发明优选实施例中的动态子区划分流程图；

图2为本发明优选实施例中的单次子区划分流程图；

图3为本发明优选实施例中的LPSO划分方法流程图；

图4为本发明优选实施例中的长沙市某区域初始划分结果；

图5为本发明优选实施例中的量子坍缩后的结果；

图6为本发明优选实施例中的量子螺旋门变异；

图7为本发明中基于关键交叉口识别的交通网络动态子区划分方法的流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例一：

如图7所示，本实施中公开了一种基于关键交叉口识别的交通网络动态子区划分方法，包括以下步骤：

获取交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标；

根据各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；

根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；

构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用细分目标函数分别对各个初步子区进一步细分，得到交通网络的实时动态子区。

一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一方法的步骤。

本发明中的基于关键交叉口识别的交通网络动态子区划分方法及系统，通过获取并根据交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用细分目标函数分别对各个初步子区进一步细分，得到交通网络的实时动态子区，本发明在划分子区时引入了交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口，能解决以关键交叉口为核心的子区内的交通拥堵问题，整个城市交通网络的拥挤问题都能够得到很大的改善，提高区域的协调控制效益。

实施例二：

实施例二是实施例一的拓展实施例，其与实施例一的不同之处在于，对基于关键交叉口识别的交通网络动态子区划分方法进行了拓展；

一种基于关键交叉口识别的多指标最优化城市动态子区划分方法，具体的实施步骤如下：

步骤1：将交通网络中的交叉口抽象为节点，构成节点集V；路段抽象为边，构成边集E，建立交通网络的无向图G(V,E)。

步骤2：根据步骤1获取的无向图G，分析出每个交叉口的三个特征，分别为：接近中心性(全局特性)，度中心性(局部特性)和饱和度(交通特征)。计算公式如下：

其中，CC

其中，D

其中，X

步骤3：由于节点的三个特征属于不同的量纲级别，因此需要对步骤2中每个交叉口获得的特性进行无量纲化的处理。本发明采用的是均值化的方法，具体公式如下：

其中，x

步骤4：在实际情况中，关键交叉口的识别更多的倾向于交通流的特征，因此在识别过程中本发明为交通流特征设置了偏好值。本发明采用了组合赋权的方法为节点的度中心性、接近中心性和饱和度赋权重。具体的方法如下：

组合赋权法：

w

其中，w

对于客观赋权法，采用的较多的是熵值法。如下：

(1)假设有n个指标，每个指标有m个数据，则可量化为矩阵A＝(x

(2)数据归一化：

(3)计算各个指标的熵值：

(4)确定各指标的权值：

其中，m为任意一个维度的特性指标总数，H

步骤5：经过步骤4获得的每个节点的权值则可实现对关键交叉口的识别，并进行对网络的第一次初始划分。本发明的方法为：对节点的权值进行升序排序，根据网络的规模大小选取相应比例的节点作为关键交叉口。在本实施例中，根据网络的规模大小选取相应比例的节点作为关键交叉口根据实际经验获取得到。接着从这些关键交叉口出发，向外蔓延直至达到网络的边界或者子区所能容纳的最大节点数量才停止划分过程。划分结果为第一次粗略划分。

其中，在本实施例中，向外蔓延为环形扩散蔓延，最大节点数量根据经验设置，交通网络较大时划分的最大节点数量值就大一些，交通网络较小时，最大节点数量值就小一些，在本实施例中，最大节点数量设置为9。

步骤6：选取关联度模型。从影响交叉口协调控制效益的角度来说，在进行区域协调控制子区划分时关联度模型的选取主要考虑交叉口的周期时长、关联流向流量、交叉口间距等作为考虑因素。本发明选取了流量关联度模型、周期关联度模型和路段密度关联度模型。具体的模型如下：

流量关联度模型：

其中，I

周期关联度模型：

其中，I

路段密度关联度模型：

式中，I

综上所述，本发明基于I

式中，

步骤7：经过步骤6本发明将交通网络构建成了加权无向网络，因此对于模块度公式，需要做出相应的调整，作为目标函数。本发明调整的模块度公式如下：

其中，CI

步骤8：采用量子编码方式的LPSO，目标函数为改写的模块度函数Q，对第一次粗略划分的结果进行第二次细化分，以达到全局协调控制效率最优化的效果。具体的过程如下：

(1)初始化m个粒子。并使用量子编码方式对粒子的位置属性进行编码，使用二进制编码方式对粒子的方向属性进行编码。n个量子位的位置属性编码如下：

式中α和β位量子处于0和1态的振幅。

(2)对采用量子编码方式的位置属性进行量子坍缩，目的是从不确定的状态塌缩至确定的状态。由于量子位主要由振幅确定，量子坍缩的具体方式由振幅决定。坍缩后的结果则为子区划分结果，如图5所示。

(3)根据改写的模块度公式，计算出每个粒子的模块度，并评估出粒子的全局最优位置Gbest和历史最优位置Pbest

Gbest＝max(gbest

Pbest

(4)根据Gbest和Pbest

其中，w为惯性权重，可以理解为保持原来速度的趋势大小。c

(5)此时若需要变异更新，则执行步骤(6)，否则迭代执行步骤(2)。

(6)利用量子螺旋门进行位置属性的变异，其中，变异过程如附图6所示，变异公式如下：

量子螺旋门：

变异：

(7)利用Levy路径对方向属性进行更新，更新公式如下：

式中，V

(8)此时若满足终止条件则结束，否则迭代执行步骤(2)。

步骤9：对划分后的各个子区进行协调控制。

步骤10：若需要调整子区则返回执行步骤(2)，否则结束划分。

如附图1和附图2，本发明方法首先需要获取整个交通网中交叉口的度中心性、接近中心性和饱和度等信息，然后由于不同指标数据的量纲不同，因此需要对这些不同指标的值进行无量纲化处理。接着采用组合赋权法对这些因素进行赋权值，并按照权值升序的方式对节点排序。按照网络的规模取相应的比例作为关键交叉口，从这些关键交叉口出发，向外蔓延直至遇到网络的边界或者彼此的边界或者达到子网络所能容纳的最大节点数为止结束，以此作为第一次初始划分的结果。如附图4所示为长沙市某区域第一次划分的结果。

紧接着本发明根据周期关联度模型、流量关联度模型和路段密度关联度模型，采用熵值法对三种模型赋予不同的权值，设计出了综合关联度指标CI。并且由于本发明针对的网络是无向加权网络，因此本发明方法根据关联度指标CI改写了模块度公式Q，同时结合了交通效益和网络划分指标的最优化。

在划分方法上，本发明设计了基于量子编码的LPSO，其流程如附图3。首先初始化m个粒子，采用量子编码的方式对粒子进行编码。然后对粒子进行量子坍缩，使得粒子从不确定的状态转变为确定的状态。接着计算出粒子的模块度，评估出Gbest和Pbest

综上所述，本发明中的基于关键交叉口识别的交通网络动态子区划分方法及系统，通过获取并根据交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口；根据实时关键交叉口对交通网络进行初步划分，得到交通网络的初步子区；构建细分目标函数，以各个初步子区的交通效益及网络划分指标全局最优为目标，使用细分目标函数分别对各个初步子区进一步细分，得到交通网络的实时动态子区，本发明在划分子区时引入了交通网络中各个交叉口的全局特性指标、局部特性指标以及实时交通特性指标识别交通网络的实时关键交叉口，能解决以关键交叉口为核心的子区内的交通拥堵问题，整个城市交通网络的拥挤问题都能够得到很大的改善，提高区域的协调控制效益。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。