文摘
本文提出一种新颖的方法来识别和部分道路网络的关键节点。taxi-GPS轨迹数据被视为移动传感器探测大规模城市实时交通流量。首先,城市主要道路网络模型和双开发道路网络模型,分别基于加权复杂网络。第二,评价系统的关键节点和部分开发方面的动态交通属性和静态拓扑。最后,taxi-GPS在北京西城区,收集的数据,进行了分析。综合分析时空变化的关键节点和部分执行。此外,重复率是用来评估识别算法的性能的关键节点和部分。结果表明,该方法实现的表达道路网络的拓扑结构和动态交通属性同时,哪个更可行的和有效的在一个大的规模。
1。介绍
城市道路网络是由多个交叉口和道路部分。重要性的研究表明,城市道路网络中的每个路口和巷道部分是不同的,和大规模的道路网络的交通拥堵经常拥堵造成的几个关键十字路口和部分。如果前5%重要十字路口和部分在巷道网络受到攻击,道路网络将瘫痪1- - - - - -3]。因此,如果支持和脆弱的节点和部分可以被识别,交通规划者和交通管理者可以缓解交通压力,合理规划城市道路网络的拓扑结构。另外,可以进行有效保护和科学管理提高城市道路网络的生存能力和可靠性,从而避免发生大规模的交通拥堵。
近年来,随着GPS技术的成熟度,GPS数据为城市交通研究提供一个新的数据源。基于深入学习理论,马等。1)预测的进化与taxi-GPS数据交通拥堵。基于taxi-GPS数据,香港等。2)构造方法结合支持向量机和模糊综合评价模型,实现了识别和预测交通堵塞。冯et al。3)提出了一个关键道路的识别方法的基础上,结合GPS轨迹数据和定向加权复杂网络。与传统数据相比,如视频监控数据和数据收集的环形线圈车辆传感器、GPS轨迹数据的优点容易的过程,简单的访问,高质量,低成本4]。GPS轨迹数据可以自动收集并实时发送到数据中心,和GPS轨迹数据的高迁移率可以监测大面积的道路网络。在车辆配备GPS设备,出租车,随机样本,分布在城市的每个角落5]。换句话说,taxi-GPS轨迹数据高质量的数据研究城市交通问题。在此基础上,提出了一种新的方法使用taxi-GPS轨迹数据识别的关键节点和部分道路网络,需要考虑拓扑结构和动态交通属性。研究结果可以为交通管理者和交通规划者提供理论支持,帮助(1)指导交通流量的均匀分布,(2)制定交通管理政策,如潮汐车道和非高峰旅行的计划政策,和(3)构建应急救援计划的关键节点和部分,避免城市的交通瘫痪。
本文的其余部分组织如下。节2,我们进行一个全面的文献综述关于识别的关键节点和部分道路网络。然后,提出了识别方法提出了第三节。在第四节,描述实验结果。最后,本文得出的结论第五节。
2。文献综述
日益严重的交通拥堵,研究关键节点的扩展来识别关键十字路口的道路网络。Hawick和詹姆斯6)使用复杂网络的一些可以量化的指标如Dijkstra距离,意味着学位,和欧几里得质心来识别道路网络的关键节点。Zhang et al。7)提出了一种交通冲击波模型使用交通拥堵蔓延的速度评价道路网络中节点的重要性。Jayaweera [8)提出了一种新的中心测量称为DelayFlow将旅行时间延迟和通勤流量来确定城市道路网络中的关键节点,和新加坡的地铁网络,实验方法被证明比网络更相关的城市道路网络架构中心措施。复杂网络模型的基础上,作者在8)中心和中间性措施用来评估节点的重要性直接影响道路网络的交通堵塞在斯里兰卡。考虑到节点中心和交通流,徐et al。9]介绍了数据驱动框架确定的关键节点使用全面的车辆轨迹和地理信息。作者在10)提出了一个方法改进的拓扑熵考虑潜在的模型,这两个中心和刀枪不入考虑评估地铁网络的关键节点。
道路网络的另一个主要研究是确定道路的关键部分。斯科特et al。11)提出了一个方法,考虑网络流、链接能力,和网络拓扑结构识别的关键部分,以节省旅行时间和结果,该方法证明了产生更大的系统范围的效益比V / C比值(在理想的情况下,最大服务交通量的比例基本能力)。沙利文et al。12)使用不同性质capacity-disruption值排名的关键部分道路网络,和研究显示,排序网络中最重要的部分可能显著不同基于capacity-disruption水平和整体网络的连通性。Luathep et al。13)采用相对可达性指数(AI)后,汉森积分指数估计部分道路网络的重要性,和关键部分排名根据AIs之间正常的差异和退化的网络。Rupi et al。14]表明,巷道断面的重要性与两个方面:使用,和链接的闭包本身的影响对整个网络的通用功能。Kumar et al。15)使用三个因素排名在巷道网络部分:流动平衡的联系,服务设施的重要性,和求解算法。张和造成损失(16)采用拉格朗日松弛法确定关键部分通过最大化网络出行时间预算有限的可访问性和巷道施工成本预算。李等人。17]提出了一种方法使用交通流中间状态指数(TFBI)来识别关键链接,可以显著减少计算负担相比与传统的全扫描方法。
城市道路网络是由静态拓扑结构和动态交通属性(3]。上述方法大多只考虑两个方面,有一个缺乏系统地分析静态拓扑和动态交通属性。此外,现有的文献中,无向复杂网络模型通常用于城市道路网络模型。然而,在实践中,车辆经常在两个方向运行,分析两个方向之间的差异具有重要意义理解城市交通的潮汐现象。为了解决这个问题,本文提出了一个有向加权复杂网络模型既考虑动态交通属性和静态拓扑结构识别的关键节点和部分道路网络。
3所示。方法
3.1。模拟城市道路网络
有两种方法来构建城市道路网络模型使用复杂网络:主网络和双网络。在一级网络,十字路口抽象为节点和巷道部分抽象为优势。在双重网络交叉对应边缘,巷道部分对应的节点。主网络有一定的局限性在描述动态交通道路网络的属性,比如更复杂,以反映城市道路网络的关键部分(18]。然而,研究人员的主要网络是首选方法,因为简单和直接。双重网络可以描述巷道部分详细的空间连接关系(19]。因此,本文选择的主要方法识别的关键节点和双重网络识别的关键部分。方法构建城市道路网络模型可以说明如下。
3.1.1。主要的道路网络模型
假设有十字路口的城市道路网络。定向加权复杂网络模型可以定义如下: ,在哪里 节点的集合。 边的设置是为了通过对节点形成的。 代表了导演的边缘开始结束 。 体重组节点,节点的重量吗 。数据1(一)和1 (b)说明过程构建城市道路网络模型的主要方法(20.]。一般来说,指导复杂网络的重量可以反映动态交通道路网络的属性,如等级道路部分,通行能力和交通速度。
(一)
(b)
(c)
(d)
3.1.2。双重的道路网络模型
双重道路网络模型可以定义如下: 。V双是一组双网络中的节点对应于主网络的边缘,E双是一组相对应的对偶网络的边缘节点的主要网络,然后呢 是一组双网络中的节点的权重;代表的重量优势在主要的网络。之间的关系和显示为 在哪里的相邻节点的节点集吗 。
构建双网络时,将不会创建相应的链接是否有禁止之间和 。的可能的结果可以被定义为
将禁止 。因此,边集双重网络可以被定义为
表达数据所示1 (c)和1 (d)。 意味着主网络的边缘节点对应的对偶网络。双重链接 当满足以下三个条件建立20.,21]:(1)双网络的原始节点是主网络的边缘 (2)双重的目标节点网络主网络的边缘 (3)之间没有把禁止边缘 和
3.2。评价指标体系的关键节点和部分
本文认为静态拓扑和动态交通属性时识别关键节点和部分城市道路网络。动态交通属性,我们定义了两个索引,交通拥堵和节点的等级,构建节点道路网络模型的重量,和静态拓扑结构,构建三个矩阵基于节点效率和最短路径。图2显示了关键节点和部分的评价指标体系。
每个索引的定义介绍如下。
3.2.1之上。动态交通属性
在实际道路网络,高速公路比动脉道路,更重要的是小动脉巷道,当地的道路。因此,不同等级的道路部分应该有不同的权重。的等级节点双网络可以被定义为 ,和表1(22显示的值 。
经常发生拥塞的节点和部分在巷道网络更重要。根据城市道路交通的性能指数发布的北京,中国,2011年,道路的交通状态部分分为五度:光滑,基本上光滑,光拥堵,温和的堵塞,严重的交通拥堵。本文以“中度拥塞”作为标准来判断道路拥堵的部分。表2(23)显示了每个年级的边界速度巷道部分。
GPS轨迹数据包括车号、经度、纬度、时间戳、和速度。因此,基于GPS轨迹数据,我们可以计算巷道部分在不同方向的平均速度一段时间。巷道断面的平均速度在时间可以被定义为 : 在那里,的瞬时速度是车辆在时期。汽车数量在吗时间在巷道部分 。
道路的交通拥挤程度部分也是节点拥塞程度的双重道路网络可以被定义为 : 在哪里是拥挤的巷道断面的速度等于中度拥塞的边界速度表所示1。是时间的数量。
因此,节点的重量在网络可以表示成双
相应地,重量主要网络中的节点可以通过公式计算(1)。
3.2.2。静态拓扑
网络中的节点相互影响和制约。因此,每个节点可以根据获得的重要性影响排名。从交通流的角度来看,节点之间的影响取决于最短路径和最短路径的数量(24]。应该注意的是,节点之间的依赖关系不仅存在于相邻节点,节点也可以达成的有效路径(24- - - - - -26]。总之,本文使用基于节点效率影响矩阵和基于最短路径的影响矩阵作为评价指标来衡量节点的重要性。
节点之间的效率和是距离的倒数,可以被定义为 。如果 或节点和不是直接连接, 。因此,效率矩阵可以被定义为(27,28]
根据(28),影响矩阵可以被定义为基于最短路径 在哪里是目标node-centered影响力矩阵,其元素 , 表示节点的最短路径数到节点 ;也就是说,路径的长度 。矩阵修复目标节点和其他节点的影响考虑到目标节点。是源node-centered影响力矩阵,其元素 , 路径的长度的数量吗从节点其他节点。矩阵修复了源节点和考虑源节点对其他节点的影响。
总之,这个矩阵它反映的影响可以被定义为静态拓扑 在哪里 代表的重量效率矩阵,目标的重量node-centered影响力矩阵,和源的重量node-centered影响力依次矩阵。之间的关系 显示为
在报纸上, 改进的层次分析法计算了(29日]。最后,综合节点的重要性可以表示为
正常化后,综合值的节点重要性可以表示为
一般情况下,该方法的步骤来识别的关键节点和部分可以被概括为图3。
4所示。实验和讨论
浮动车数据是真正的交通GPS数据收集约40000辆出租车在北京,中国,在一段时间内一个星期(1月12 - 18,2015)。交通数据是大约每分钟记录一次。GPS数据的格式如图4。我们首先进行预处理的数据为了消除嘈杂的采样点,其中感知位置都是混乱的。在第二步中,相同的车辆ID的采样点都与对方根据他们的时间关联。然后,我们捕捉城市道路网络空间上的浮动车轨迹(2]。最后,地图匹配是根据浮动车轨迹,进行车辆的经度和纬度,城市地理信息(30.]。
我们选择西城区作为研究对象的一个主要六个城市在北京与高人口密度和经济发展。西城区行政面积是50.70平方公里。西城区的道路网络图所示5(一个)。有许多行人街道和小地方道路的道路网络,过滤的道路网络是必需的。过滤规则如下:(1)行人街道不考虑;(2)当地道路交通流量小的被忽视;(3)小十字路口是被忽视的,只有大的十字路口。最后,西城区的道路网络拓扑简化如图5 (b)其中包含310巷道部分(双向)和91十字路口。有46个高速路、206公路干线,58小动脉道路(本地道路)。
(一)
(b)
4.1。分析交通拥堵的道路网络
摘要“中度拥塞”作为标准来判断每个年级的巷道断面的交通拥堵。换句话说,它被认为是交通拥堵,车辆的平均速度下对高速公路35公里/小时,在20公里/小时动脉巷道或10公里/小时以下小动脉巷道和当地的道路。明确地了解西城区的拥堵情况,每个等级的巷道断面的拥塞率被定义为总道路拥堵的道路部分的比例部分每小时。数据6和7说明拥塞率的变化不同年级的巷道断面在西城区从6点到1月12日放送(星期一),1月17日(星期六)。应该注意的是,小时间隔的起始时间是用来表示时间。例如,6点在报纸上代表了从6点到7点。
为了更好地理解拥塞率的分布规律,我们做图8显示每个年级的拥塞率的变化曲线巷道部分在西城区一个星期。可以看出,工作日和周末呈现类似的趋势。
4.2。识别关键的巷道部分
Python是用于解决本文的识别算法。结果表明,效率矩阵的重量 ,的重量目标node-centered影响力矩阵 ,的重量和源node-centered影响力矩阵 。西城区的关键节点和部分确定在5秒钟内通过使用Python包导入形式。
首先,西城区的关键部分进行了分析。数据9和10突出前50名的关键部分早晚高峰时间1月12日(周一)、1月17日(星期六)。网络用红色显示了前十排名最高的部分,黄色标志着未来40节。
(一)
(b)
(一)
(b)
以下规则可以从数据中获得9和10:(一)周一还是星期六,几乎是高速公路和干线公路的关键部分。这是因为道路部分的品位和拥堵的高速公路和干线道路在高峰小时都高于小动脉道路和当地的道路。(b)关键部分的分布之间的早晚高峰时间周一和周六是比较相似的。从整个西城区的角度来看,价值重要性的巷道部分中心城市的普遍高于城市的边缘,因为中央部分的节点效率高于边缘部分。大多数的部分集中在西单商业区在前50名的关键部分是由于道路高拥堵水平的部分在西单商业区附近。(c)周一还是星期六,50的关键部分的重要性值略有变化之间的早晚高峰时间。分析这一变化,我们表3展示的重要性排名前50的关键部分周一早晚高峰时间。每个部分是根据节点编号图编号5 (b)。例如,1 - 2代表了部分从节点1到节点2,从节点2和2 - 1代表了部分节点1。
可以看出,50个关键巷道部分早晚高峰时间周一都是高速公路和干线公路。比较分析分布之间的50个关键巷道部分早晚高峰小时显示有35同一巷道部分。此外,还有16相反的道路部分(例如,部分1 - 2和道路部分2 - 1)之间的早晚高峰时间,和相反的秩巷道部分最早晚高峰时间之间的变化。例如,在早上高峰时间,巷道部分50-43排名第二,其相反的道路部分43-50排名26日。晚上高峰时间,巷道50-43下降到第四节,巷道断面43-50排名第三。
图11显示前50名的变化关键部分周一从6点至22:00。前50名的关键部分是彩色根据规范化的重要性。啤酒重要值、较暗的颜色。后部分排名50统一颜色为浅灰色。周一一整天的关键部分仍然分布在高速公路和干线公路,和每个部分的重要性是随着时间的推移而改变。可以看出,由于旅游行为的变化,道路部分变化的重要性;道路的重要价值,部分是直接影响旅游行为。
(一)
(b)
(c)
(d)
(e)
(f)
4.3。识别关键的节点
在西城区关键节点的识别进行了研究。数据12和13突出了前20名关键节点在早晚高峰时间1月12日(周一)、1月17日(星期六)。先用红色显示了网络排名最高的10个节点和黄色标志着未来10节点。
(一)
(b)
(一)
(b)
可以看出,大多数的关键节点在早晚高峰时间与高速公路和干线道路周一和周六。它是由更高年级的巷道部分和拥堵的高速公路和干线公路。关键节点的分布相似的关键部分,和节点的重要性在城市的中心通常是高于边缘地区。表4显示了前20名的重要性关键节点周一早晚高峰时间。
它可以发现关键节点的分布之间的早晚高峰时间是大致相同的,和大多数的前20名关键节点的节点等级较高的节点。此外,排名前20名的关键节点之间只是略有变化或不变早晚高峰时间。例如,节点10等级1日早上和晚上第四。节点30,68年和62年之间保持相同的早晚高峰小时。因此,我们可以得出一个结论,道路拥堵率部分的变化与排名的关键节点。这是因为连接多个节点同时巷道部分。即使潮汐交通拥堵现象发生在相反的道路部分,拥塞的节点的平均利率只是略有变化。
4.4。识别与传统方法
在本部分中,我们提出了模型的识别结果与传统评价方法相比,基于节点介数(31日)和基于交通拥堵的程度的评价方法(基于公式(6)和(1))。图14显示了识别结果的方法基于节点介数和交通拥堵,周一的数据于17:00。
(一)
(b)
结果表明,基于节点介数的关键部分主要是位于城市的中心,反映出每个部分的拓扑状态。虽然关键部分基于交通拥堵的程度主要高速公路和干线公路。此外,以周一的数据为例,识别结果的重复率最高的50个关键巷道部分本文的方法和上面的两种方法计算,分别以每小时的间隔,在图所示15。
一整天,我们提出的识别结果的重复率模型和节点的介数分布在0.2和0.5之间,平均值为0.31。虽然该模型的重复率和交通拥堵是分布在0.2和0.6之间,平均值为0.32。在交通高峰时间,交通拥堵的重复率方法达到峰值,这是0.52。在6点,12点,22:00,节点介数的重复率达到峰值,这是0.46。这表明恶化的交通拥堵,交通拥堵的重复率相应增加。的重复率随着交通拥堵的改善,本文提出的模型的识别结果和基于节点介数增加。总之,识别模型提出了实现拓扑结构和动态的表达交通道路网络的属性,因此在大规模更可行的和有效的。
5。结论
本文提出了一种方法来识别的关键节点和部分道路网络。方法,taxi-GPS数据被用来映射的浮动车样本点相同的车辆ID汽车轨迹根据他们的时间相关性。首先,使用加权复杂网络构建道路网络模型。然后,关键节点的评价指标体系和部分开发的角度动态交通和道路网络拓扑属性。最后,西城区的北京,中国选为实验区域,本文提出的方法与传统方法相比。结果表明,我们提出的模型结果非常类似的方法基于在高峰时间交通拥堵。而我们提出的模型结果承担基于拓扑结构的相似性的方法在其他时间。换句话说,本文提出的方法实现拓扑结构和动态交通属性的表达道路网络的同时,更可行的和有效的在一个大的规模。
仍存在一些问题需要进一步的分析。城市交通是由地铁、公共汽车、出租车和私人汽车。只使用taxi-GPS数据摘要应该使用和集成数据的各种交通模式的研究在未来关键节点和部分。
数据可用性
部分或全部数据、模型或代码生成或使用在研究可从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了中国国家重点研发项目(批准号2019 yff0301400)。