一种基于拥堵水平相似性的城市区域划分方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及城市区域划分技术领域，具体而言，尤其涉及一种基于拥堵水平相似性的城市区域划分方法。背景技术：2.在城市交通网络中，出行者在路线、目的地、出行时间等各方面的复杂选择给交通系统带来了复杂性，这给交通状态的预测、交通规划和控制带来了困难。出行行为的不可预测性和精确物理建模的高度复杂性仍然具有挑战性，对于具有随机特性的动态系统，仿真结果可能耗时且不现实。此外大城市中的大规模路网使得交通优化问题的计算复杂度急剧增加，同时给交通政策的实施以及路网中驾驶员对于城市区域交通政策的理解带来了困扰。3.此外，城市路段是影响城市交通系统的重要组件，当决策者介入交通系统下发调整政策时，也是通过控制和调节组件上的交通行为来优化交通状况。城市交通的主要问题之一交通拥堵问题，其具备的一个主要特征就是在城市路网的组件之间存在着相关性。这些相关性使得我们可以采用多个具有同质性的城市区域来描述整个城市路网，而不是优化路网中每个路段的详细状况。这使得基于少量具有同质性区域的城市交通优化成为交通规划的一个重要基础。在进行城市交通规划之前，对城市交通网络进行区域划分，将异质分布的拥堵网络划分为几个同质子区域，便于控制以及更少的信息需求。4.对城市交通网络进行区域划分成为交通规划的一个重要基础。然而交通网络的路段上均携带各自的交通信息，直接应用聚类算法可能不会产生理想的解决方案。针对城市交通之间的连通关系，拥堵传播通过邻接关系对周围路段的交通状态产生不可忽视的影响。考虑路段拥堵水平相似性的城市路网划分对交通拥堵疏导和交通管控更具有普适性。谱聚类是广泛使用的聚类算法，对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。技术实现要素：5.根据上述背景技术中提到的技术问题，而提供一种基于拥堵水平相似性的城市区域划分方法。本发明采用的技术手段如下：6.一种基于拥堵水平相似性的城市区域划分方法，包括以下步骤：7.步骤1：收集城市交通路网信息并根据所述城市交通路网信息，建立基于路段的交通路网图，即带权重的图数据g＝(v,e,a)，其中，v表示n个节点的集合，即道路路段集合；e表示节点与节点之间的邻接关系；a表示节点之间的权重矩阵，表示各个节点之间的权重关系；8.步骤2：设置一个序列用以存储枝叶网络行程过程中添加进来的符合条件的路段，序列表示了网络的生长过程；每个枝叶网络都是一个子路网图数据；计算每条路段的拥堵水平，分别以每条路段i为起点在路网中搜寻其邻接路段；若该路段加入序列后的序列方差小于设置的阈值δn，则将该路段加入序列中；继续搜索序列中路段的邻接路段并重复上述操作，直至没有符合条件的新路段加入，则形成了每条链路i的枝叶网络bin，l条链路形成的枝叶网络在不同的方差阈值δ1，δ2...δn下形成不同的枝叶网络b1,b2...bn；方差阈值由代码调试或者自定义获取；9.步骤3：根据所述步骤2中的枝叶网络的形成过程，计算第n个方差阈值δn下l条链路形成的l个枝叶网络的相似性矩阵sn所述sn为单层相似度矩阵；10.步骤4：根据所述步骤3中的相似性计算，计算同方差阈值δ1，δ2...δn下枝叶网络间的多层相似度矩阵{s1,s2,...,sn}，叠加多层相似度矩阵得到整个路网以拥堵水平相似性为特征的路网相似度矩阵s；11.步骤5：对所述路网相似度矩阵s进行拉普拉斯转换，将求解的k个特征向量构成新的矩阵，对该矩阵进行k-means处理得到的类别标签，完成聚类，得到簇划分。12.进一步地，所述步骤1中所述收集城市交通路网信息包括：路段自由流速度、路段上车辆实际速度、城市交通路段和交叉口信息及其连接关系、路网拓扑结构；13.链路i的拥堵水平用xi表示，由路段自由流状态和实际交通状态的偏差决定。14.进一步地，所述步骤2中，假设有l条链路，每条链路i分别生成一条枝叶网络bi；在枝叶网络形成中，以链路i作为起点，在路网中搜寻其邻接路段，若该路段加入枝叶网络的序列内方差小于设定的阈值，则加入序列中继续搜索序列中所有路段的邻接路段；判断第k个即将加入序列的路段k时的方差是否符合形成枝叶网络的要求即方差是否超过阈值；若是则加入枝叶网络bi的序列，否则继续搜索邻接路段集合；直至没有符合条件的新路段加入，则形成了链路i的枝叶网络bi。15.更进一步地，所述生成枝叶网络过程中，对于方差的计算公式为：[0016][0017]其中，xk表示第k个即将加入序列的路段k的拥堵水平；表示k个路段的拥堵水平的平均值；表示前k-1个路段的拥堵水平的方差。[0018]进一步地，所述相似性计算表示同方差阈值下，两两不同链路所形成的枝叶网络所含共同元素的长度占原枝叶网络的比值：[0019][0020]其中，表示在方差阈值δn下，枝叶网络和的相似度，用两个网络内相同路段的数量与网络总路段数量的比值表示；len()表示网络内路段的数量。[0021]则所述方差阈值下的链路之间的相似度矩阵为：[0022][0023]更进一步地，所述步骤4中，相似度矩阵作为图数据中的邻接矩阵/相似矩阵。[0024]进一步地，对相似度矩阵的对称位置求平均得到对称的相似度矩阵，然后进行谱聚类，将以l条链路作为图中的节点，以公式(4)得到的节点之间的相似度矩阵作为无向图的边：[0025][0026]进一步地，所述步骤5还包括以下步骤：[0027]步骤51：采用不同阈值水平的拥堵水平相似性作为邻接矩阵，构建度矩阵d为：[0028][0029][0030]步骤52：获取拉普拉斯矩阵：[0031]l＝d-s (14)；[0032]步骤53：构建标准化后的拉普拉斯[0033]步骤54：生成最小的k个特征值和对应的特征向量；[0034]步骤55：将求解的k个特征向量构成新的矩阵，对该矩阵进行k-means处理得到的类别标签，就是原数据的类别标签，至此完成聚类，获取簇划分c(c1,c2,...ck)。[0035]较现有技术相比，本发明具有以下优点：[0036]本发明通过收集路网交通信息，主要包括路段的自由流速度(或时间)，实际速度(或时间)，计算每条路段的拥堵水平；以每条链路分别作为起点，创建一个目标序列(形成以该链路为起点的枝叶网络)，将拥堵水平作为特征数据作为依据判断目标相邻路段是否加入枝叶网络的目标序列中；每条链路根据其序列内部的拥堵水平方差作为判断依据，形成独特的具有相似拥堵水平的枝叶网络；[0037]同时本发明将所有链路形成的枝叶网络内所包含的共同路段作为评判依据，计算所有枝叶网络之间的相似度，并对不同方差阈值下形成的枝叶网络的相似度进行叠加，形成相似度矩阵进行谱聚类。不仅提取了链路之间拥堵水平同质化的枝叶网络，而且累计了链路形成枝叶网络的相似性，进而聚类链路实现区域划分。附图说明[0038]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做以简单地介绍，显而易见地，下面描述中的附图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。[0039]图1为本发明枝叶网络形成的示意图。其中，(a)为路网示意图；(b)表示若④被选作枝叶网络的序列起点，判断其邻接路段是否满足加入枝叶网络序列的条件；(c)表示⑦满足条件加入④的序列，继续判断其邻接路段状态；[0040]图2为本发明不同链路形成的枝叶网络示意图；[0041]图3为本发明整体流程示意图。具体实施方式[0042]为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。[0043]需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0044]如图1-3所示，本发明提供了一种基于拥堵水平相似性的城市区域划分方法，包括以下步骤：[0045]步骤1：收集城市交通路网信息并根据所述城市交通路网信息，建立基于路段的交通路网图，即带权重的图数据g＝(v,e,a)，其中，v表示n个节点的集合，即道路路段集合；e表示节点与节点之间的邻接关系；a表示节点之间的权重矩阵，表示各个节点之间的权重关系。[0046]在本技术中，所述步骤1中所述收集城市交通路网信息包括：路段自由流速度、路段上车辆实际速度、城市交通路段和交叉口信息及其连接关系、路网拓扑结构；[0047]链路i的拥堵水平用xi表示，由路段实际状态和自由流状态的偏差决定；具体的表示拥堵水平的方式可以按照实际的情况进行选择设定。[0048]步骤2：设置一个序列用以存储枝叶网络行程过程中添加进来的符合条件的路段，序列表示了网络的生长过程；每个枝叶网络都是一个子路网图数据；计算每条路段的拥堵水平，分别以每条路段i为起点在路网中搜寻其邻接路段；若该路段加入序列后的序列方差小于设置的阈值δn，则将该路段加入序列中；继续搜索序列中路段的邻接路段并重复上述操作，直至没有符合条件的新路段加入，则形成了每条链路i的枝叶网络bin，l条链路形成的枝叶网络在不同的方差阈值δ1，δ2...δn下形成不同的枝叶网络b1,b2...bn；方差阈值由代码调试或者自定义获取。[0049]在本步骤中，假设有l条链路，每条链路i分别生成一条枝叶网络bi；在枝叶网络形成中，以链路i作为起点，在路网中搜寻其邻接路段，若该路段加入枝叶网络的序列内方差小于设定的阈值，则加入序列中继续搜索序列中所有路段的邻接路段；判断第k个即将加入序列的路段k时的方差是否符合形成枝叶网络的要求即方差是否超过阈值；若是则加入枝叶网络bi的序列，否则继续搜索邻接路段集合；直至没有符合条件的新路段加入，则形成了链路i的枝叶网络bi。[0050]作为一种优选的实施方式，在本技术中，所述生成枝叶网络过程中，对于方差的计算公式为：[0051][0052]其中，xk表示第k个即将加入序列的路段k的拥堵水平；表示k个路段的拥堵水平的平均值；表示前k-1个路段的拥堵水平的方差。[0053]步骤3：根据所述步骤2中的枝叶网络的形成过程，计算第n个方差阈值δn下l条链路形成的l个枝叶网络的相似性矩阵sn，所述sn为单层相似度矩阵；[0054]步骤4：根据所述步骤3中的相似性计算，计算同方差阈值δ1，δ2...δn下枝叶网络间的多层相似度矩阵{s1,s2,...,sn}，叠加上述多层相似度矩阵得到整个路网以拥堵水平相似性为特征的路网相似度矩阵s；所述步骤4中，相似度矩阵作为图数据中的邻接矩阵/相似矩阵。所述相似性计算表示同方差阈值下，两两不同链路所形成的枝叶网络所含共同元素的长度占原枝叶网络的比值：[0055][0056]其中，表示在方差阈值δn下，枝叶网络和的相似度，用两个网络内相同路段的数量与网络总路段数量的比值表示；len()表示网络内路段的数量。[0057]则所述方差阈值下的链路之间的相似度矩阵为：[0058][0059]步骤5：对所述路网相似度矩阵s进行拉普拉斯转换，将求解的k个特征向量构成新的矩阵，对该矩阵进行k-means处理得到的类别标签，完成聚类，得到簇划分。所述步骤5还包括以下步骤：[0060]步骤51：采用不同阈值水平的拥堵水平相似性作为邻接矩阵，构建度矩阵d为：[0061][0062][0063]步骤52：获取拉普拉斯矩阵：[0064]l＝d-s (20)；[0065]步骤53：构建标准化后的拉普拉斯[0066]步骤54：生成最小的k个特征值和对应的特征向量；[0067]步骤55：将求解的k个特征向量构成新的矩阵，对该矩阵进行k-means处理得到的类别标签，就是原数据的类别标签，至此完成聚类，获取簇划分c(c1,c2,...ck)。[0068]对相似度矩阵的对称位置求平均得到对称的相似度矩阵，然后进行谱聚类，将以l条链路作为图中的节点，以公式(4)得到的节点之间的相似度矩阵作为无向图的边：[0069][0070]实施例一：[0071]作为本技术一种优选的实施方式，在本技术中，如图1所示，图中圆点表示路网中的链路，蓝色表示链路之间的邻接关系。当④被选作枝叶网络的序列起点时，序列brh＝[④]，搜索其邻接路段有①②⑥⑦⑨，判断⑦符合条件则加入序列得到brh＝[④⑦]，继续搜索序列内元素的邻接路段，即①②⑤⑥⑨⑩，直至没有新的元素加入序列，枝叶网络完成。如图2所示为同一阈值下不同链路作为起点的枝叶网络示意图。[0072]上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。[0073]最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!