CN109785625B - 一种城市路网运行状态的“红绿”区域识别和评价方法 - Google Patents

一种城市路网运行状态的“红绿”区域识别和评价方法 Download PDF

Info

Publication number
CN109785625B
CN109785625B CN201910122166.3A CN201910122166A CN109785625B CN 109785625 B CN109785625 B CN 109785625B CN 201910122166 A CN201910122166 A CN 201910122166A CN 109785625 B CN109785625 B CN 109785625B
Authority
CN
China
Prior art keywords
red
green
road network
road
urban
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.)
Active
Application number
CN201910122166.3A
Other languages
English (en)
Other versions
CN109785625A (zh
Inventor
李大庆
刘诗炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910122166.3A priority Critical patent/CN109785625B/zh
Publication of CN109785625A publication Critical patent/CN109785625A/zh
Application granted granted Critical
Publication of CN109785625B publication Critical patent/CN109785625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明提供一种城市路网运行状态的“红绿”区域识别和评价方法，步骤如下：A：识别城市路网中的“红绿”边；B：挖掘城市路网运行状态的“红绿”区域；C：提出基于“红绿”区域的路网运行可靠性指标；D：分析“红绿”区域的涌现及演化特征。针对现有的路网运行状态评价方法在路网可靠性管理决策中存在抽象、静态、统计性偏差、稳定性较差等局限性，引入动态连通子图的概念，构建出一种城市路网运行状态的“红绿”区域识别和评价方法。本发明直观地将路网划分为不同运行态势的区域，通过对其涌现和演化特征进行分析，可以让管理者准确地把握路网运行的实时状态以制定科学高效的交通管理方案，具有全局性、稳定性、易研判、应用广等优点。

Description

一种城市路网运行状态的“红绿”区域识别和评价方法
技术领域
本发明提出了一种城市路网运行状态的“红绿”区域识别和评价方法，它涉及一种城市路网运行状态的“红绿”区域识别和评价方法，属于可靠性与交通科学的交叉技术领域。
背景技术
当今城市交通量高速增长，日益加剧的交通拥堵给居民的工作和生活带来了极大的不便，阻碍了城市的发展。据高德《2018年度中国主要城市交通分析报告》显示，在高德交通大数据监测的361个城市中，有15％的城市在高峰时段处于拥堵状态，59％的城市处于缓行状态，仅有26％的城市通勤不受拥堵威胁。由于城市道路交通资源的有限性，当前解决拥堵的关键在于如何合理利用有限的交通资源来提高城市路网的运行效率。因此，准确、深入地对城市路网的运行状态进行评估与推理变得尤为关键。
当前，国内外学者主要从连通可靠性、行程时间可靠性、路网容量可靠性等角度对城市交通运行评价指标进行构建。连通可靠性(Connectivity Reliability,CR)是由日本学者Mine和Kawai于1982年首先提出的概念，其意指路网中两两节点之间保持连通状态的概率。连通可靠性指标主要从静态角度对路网结构进行评价，忽略了路网中的动态交通流。行程时间可靠性(Travel Time Reliability,TTR)是1991年由日本学者Asakura和Kashiwadani首先提出的概念，其定义是出行者在规定时间内从起点出发能够到达终点的概率值，或者是出行者在实际出行中从起点到达终点所花费的时间不超过预估交通出行时间的概率值。当前在国内广泛应用的拥堵延迟指数(Congestion Delay Index,CDI)是在该指标的基础上提出。行程时间可靠性指标的局限性在于，出行时间的计算是在出行轨迹完成的基础上进行的，不能得到实时结果；而且容易受到轨迹数据自身的统计偏差影响，仅仅反映部分用户在部分路段(特别是拥堵路段)的行程体验。路网容量可靠性是由美国犹他州州立大学的学者Anthony Chen等在1999年提出的概念，其含义是指在出行者可以接受的服务水平条件下，交通路网能够容纳一定交通量的概率值。在此基础上，Lindley用道路当前时刻的车流量比道路容量提出了流量容量比(Volume/Capacity，V/C)指标。然而，路网容量可靠性指标计算比较复杂，较难反映路网中各条路段的实时运行状况及其内在相互作用。
综上，目前的路网运行状态指标主要存在以下问题。首先，上述指标的稳定性较差，容易受到个别极端道路的影响，从而导致对路网可靠性的估计形成统计性偏差；其次，上述指标往往忽略了不同路段、不同路网区域之间运行状态的相互作用，不能在全局、动态的层面上衡量城市路网的运行可靠性；第三，上述指标主要从出行者视角出发来度量其出行难易程度，较少支撑交通管理者对城市路网整体态势的研判决策需求。
本发明针对以上问题提出了一种有效的解决方案。本方案主要在考虑到交通管理者研判决策需求的前提下，引入动态连通子图的概念，通过识别不同运行状态的路段所组成的动态且稳定的路网区域，对城市路网的整体运行态势进行评价和推理。本发明采用的城市路网运行状态的“红绿”区域识别和评价方法，解决了现有的路网运行状态评价方法抽象、静态、统计性偏差、稳定性较差等在路网可靠性管理决策中的局限性。
发明内容
本发明主要提供一种城市路网运行状态的“红绿”区域识别和评价方法。由于城市道路交通资源的有限性，当前解决拥堵的关键在于如何合理利用有限的交通资源来提高城市路网的运行效率。因此，准确、深入地对城市路网的运行状态进行评价变得尤为关键。现有的路网运行状态评价方法在路网可靠性管理决策中存在抽象、静态、统计性偏差、稳定性较差等局限性，这里我们从全局角度出发，构建出一种考虑到交通管理者研判决策需求的城市路网运行状态的“红绿”区域识别和评价方法。
针对以上的技术问题以及本发明的目的，本文提出了一种城市路网运行状态的“红绿”区域识别和评价方法，方案包括如下部分：
(一)发明目的
针对现有技术中存在的缺陷，本发明的目的在于提供一种路网运行状态的“红绿”区域识别和评价方法，在考虑到交通管理者对路网整体运行态势的研判决策需求的前提下，引入动态连通子图的概念，通过识别不同运行状态的路段所组成的动态且稳定的路网区域，对城市路网的整体运行态势进行评价和推理。该方法直观地将路网划分为不同运行态势的区域，通过对其涌现和演化特征进行分析，可以让管理者准确地把握路网运行的实时状态，从而制定科学高效的交通管理方案；可以让出行者根据出行需求制定合理的交通出行方案；可以使得交通信息需求方更加精准地进行物流配置、充电桩设置、商业选址等决策规划。
(二)技术方案
为了实现上述目的，本发明的方法所采用的技术方案是：一种城市路网运行状态的“红绿”区域识别和评价方法。
本发明一种城市路网运行状态的“红绿”区域识别和评价方法，其步骤如下：
步骤A：识别城市路网中的“红绿”边；
步骤B：挖掘城市路网运行状态的“红绿”区域；
步骤C：提出基于“红绿”区域的路网运行可靠性指标；
步骤D：分析“红绿”区域的涌现及演化特征；
其中，步骤A中所述的“识别城市路网中的‘红绿’边”，其具体含义为：根据一定时期内城市交通运行数据，确定路网中各条路段的实时速度；在此基础上，分别设置拥堵阈值和畅通阈值，识别城市路网中的“红边”和“绿边”。
其中所述的“根据一定时期内城市交通运行数据，确定路网中各条路段的实时速度”，其具体作法如下：获取城市路网中各个路段在规定时间精度下的实时运行数据；路段的运行数据通常是指根据路段上浮动车的速度或车流密度所计算的路段运行状况，此处以路段速度为例进行说明；对于某条路段而言，根据该条路段的最大限速计算其相对速度rij(t)，即：
Figure BDA0001972301070000041
式中，i表示测定路段的起点，j表示测定路段的终点，vij(t)表示t时刻测定路段的实时速度，
Figure BDA0001972301070000042
表示测定路段的最大限速值。对于某条路段，其最大限速值的计算方式可以为：将该条路段一天中所有时刻的速度值按照从小到大排序后，选取95％分位点处的速度值作为该条路段在当天的限速值。
其中所述的“红边”，其具体含义如下：在规定时间窗下，如果某条路段拥堵的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“红边”，体现了“红边”的“拥堵”和“稳定”两个特性。其具体作法如下：规定某一时间窗T，获取该时间窗下路网中所有路段的相对速度；设置拥堵速度阈值，统计各条路段的相对速度在规定时间窗内小于拥堵速度阈值的次数，作为其在该时间窗下的拥堵次数；设置拥堵次数阈值，将拥堵次数大于拥堵次数阈值的路段视为规定时间窗下城市路网中的“红边”，即：
Figure BDA0001972301070000043
式中，
Figure BDA0001972301070000044
表示路段ij在时间窗T下的状态，值为1表示该条路段为“红边”，值为0表示该条路段为非“红边”；vr表示拥堵速度阈值；
Figure BDA0001972301070000045
表示时间窗T下路段ij的相对速度rij(t)小于拥堵速度阈值vr的次数，即拥堵次数；Nr表示拥堵次数阈值；由此可识别任一时间窗下城市路网中的“红边”。
其中所述的“绿边”，其具体含义如下：在规定时间窗下，如果某条路段畅通的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“绿边”。其具体作法如下：与识别城市路网中的“红边”类似，规定某一时间窗T，获取该时间窗下路网中所有路段的相对速度；设置畅通速度阈值，统计各条路段的相对速度在规定时间窗内大于畅通速度阈值的次数，作为其在该时间窗下的畅通次数；设置畅通次数阈值，将畅通次数大于畅通次数阈值的路段作为规定时间窗下城市路网中的“绿边”，即：
Figure BDA0001972301070000051
式中，
Figure BDA0001972301070000052
表示路段ij在时间窗T下的状态，值为1表示该条路段为“绿边”，值为0表示该条路段为非“绿边”；vg表示畅通速度阈值；
Figure BDA0001972301070000053
表示时间窗T下路段ij的相对速度rij(t)大于畅通速度阈值vg的次数，即畅通次数；Ng表示畅通次数阈值；由此可识别任一时间窗下城市路网中的“绿边”。
其中，步骤B所述的“挖掘城市路网运行状态的‘红绿’区域”，其具体含义为：引入网络的连通子图概念，根据步骤A识别出的“红绿”边分别挖掘网络中的拥堵区域和畅通区域，即城市路网运行状态的“红绿”区域；将“红绿”区域拓展为多个区域，实现城市路网多个区域的划分。“红区”为仅由步骤A中确定的“红边”构成的连通子图；“绿区”为仅由步骤A中确定的“绿边”构成的连通子图。对于一个由有向连接构成的网络而言，其连通子图按照连通性判定的标准不同主要分为两种：弱连通和强连通；对于强连通，是指在一个连通子图中，对于任一节点对i和j，均满足从i出发沿有向连接可以到达j，且从j出发沿有向连接也可以到达i；计算强连通子图的算法包括Kosaraju算法、Tarjan算法和Gabow算法等。弱连通则忽略网络连接的方向，只要i与j之间存在无向连通路径即认为i与j属于同一个子图。这里的“红区”和“绿区”既可以是弱连通子图，也可以是强连通子图，可根据问题的具体需求进行设置。步骤B包含以下两个步骤：
步骤B1：挖掘路网运行状态的“红区”和“绿区”；
步骤B2：可将“红绿”区域拓展为多个区域；
其中，步骤B1所述的“红区”，其具体含义如下：在规定时间窗下，挖掘城市路网的某个连通区域(弱连通或者强连通)，这个连通区域仅由“红边”组成，并且该区域中任意两个交叉口之间均存在由“红边”组成的连通路径；“绿区”的具体含义与之类似。
其中，步骤B1所述的“挖掘路网运行状态的‘红区’”，其具体作法如下：在识别出给定时间窗、拥堵速度阈值、拥堵次数阈值的“红边”之后，将“红边”与“红边”之间的连接路口抽象为城市交通网络中的节点，将“红边”抽象为网络中的连边，并从原有静态路网中删去不是“红边”的道路，基于宽度优先算法、Tarjan算法等可得到给定时间窗下的仅由“红边”组成的连通子图，将其作为城市交通拥堵区域(“红区”)；“绿区”的挖掘方法与之类似。
其中，步骤B2所述的“可将‘红绿’区域拓展为多个区域”，其具体作法如下：可根据交通管理者对路网运行状态的研判决策需求将“红绿”区域拓展为多个区域，这里以“红黄绿”三个区域为例进行说明；将速度区间划分为三类：rij(t)＜vr(“红区”)，vr＜rij(t)＜vg(“黄区”)，rij(t)＞vg(“绿区”)；统计各条路段的相对速度rij(t)在规定时间窗内分别属于这三个速度区间的次数，将该次数大于给定次数阈值的路段视为城市路网中的“红边”、“黄边”或者“绿边”；与挖掘路网中“红绿”区的过程相似，分别得到基于这三类边的连通子图区域，即“红区”、“黄区”和“绿区”。
其中，步骤C所述的“提出基于‘红绿’区域的路网运行可靠性指标”，其具体含义为：根据步骤B确定的“红绿”区域的规模大小和地理分布来评价城市路网的整体态势，包括拥堵及畅通程度、范围；定义相应的可靠性指标。包含以下两个步骤：
步骤C1：分析城市交通的拥堵/畅通程度及范围；
步骤C2：定义基于“红绿”区域的可靠性指标；
其中，步骤C1所述的“分析城市交通的拥堵/畅通程度及范围”，其具体作法如下：用“红区”的最大子图规模Gr来表示城市交通的拥堵程度，某时间窗下“红区”的最大子图规模Gr越大，代表该时间窗下的路网运行可靠性越差；用“红区”规模的分布P(Sr)来表示城市交通拥堵的分布情况，比如用分布的标准差来表示拥堵的不均衡性；用“绿区”的最大子图规模Gg来表示城市交通的畅通程度等，具体参数与红区类似。
其中，步骤C2所述的“定义基于‘红绿’区域的可靠性指标”，其具体含义为：基于C1提出的区域大小等指标定义路网运行的寿命、脆性和弹性等量化指标。
其中，步骤D所述的“分析‘红绿’区域的涌现及演化特征”，其具体含义为：挖掘“红绿”区域的涌现特征，识别常发性拥堵路段；分析“红绿”区域的演化特征，研究“红区”等随时间的演化及在空间上的传播；在此基础上，提出区域性限流等调控措施。包含以下三个步骤：
步骤D1：挖掘“红绿”区域的涌现特征；
步骤D2：分析“红绿”区域的演化特征；
步骤D3：基于“红绿”区域特征进行交通调控；
其中，步骤D1所述的“挖掘‘红绿’区域的涌现特征”，其具体作法如下：统计一段时期内(比如一个月内)“红绿”区域的规模大小和地理分布；基于“红区”出现的频率等指标对常发性拥堵路段进行识别，即：
Figure BDA0001972301070000071
式中，
Figure BDA0001972301070000072
用来判断路段ij在时期T内是否为常发性拥堵路段，值为1代表其为常发性拥堵路段，值为0代表其为非常发性拥堵路段；Nij∈r(T)表示路段ij在时期T内出现在“红区”的次数；fc表示常发性拥堵频率阈值，其值介于0到1之间；由此可确定时期T内路网中的常发性拥堵路段，并给出规划和实时调控建议。
其中，步骤D2所述的“分析‘红绿’区域的演化特征”，其具体作法如下：观察“红区”的实时演化，包括“红区”的规模随时间的演化特征及其变化速度等；分析“红区”在空间上的传播特征，包括“红区”的半径随着时间的演化特征及其变化速度等；在此基础上，提供实时调控建议。
其中，步骤D3所述的“基于‘红绿’区域特征进行交通调控”，其具体作法如下：根据“红区”的空间分布，相应分配疏解资源，进行区域性调控；根据前述所发现的常发性拥堵路段，进行路段级别的疏导；根据“红区”的演化特征，采取实时的区域性限流等疏导措施。
通过以上步骤，本发明所述的一种城市路网运行状态的“红绿”区域识别和评价方法，解决了现有的路网运行状态评价方法抽象、静态、统计性偏差、稳定性较差等在路网可靠性管理决策中的局限性。将城市路网划分为不同运行态势的区域，为交通管理者准确把握路网的实时运行态势、出行者合理制定出行方案、交通信息需求方精准进行物流配置等多场景决策提供解决思路，具有良好的实际应用价值。
(三)优点创新
本发明具有如下的创新点：
1.全局性：对于城市交通流的拥堵与畅通问题，当前的指标大多是从出行者视角出发来度量其出行难易程度，且忽略了不同路段、不同路网区域之间交通状态的相互作用。本发明则是站在***管理者的角度，从城市交通的整体运行出发来度量路网的运行可靠性。通过引入连通子图这一指标将城市整体路网划分为不同运行态势的区域，并从拥堵传播的角度研究这些区域之间的相互作用关系，以使交通管理者对城市路网的整体运行态势进行直观、合理的评估和推理。
2.稳定性：由于事故等情况城市中一些道路的状态往往发生突变，而且路段之间的运行情况差异较大，这些分布特性都可能导致对路网可靠性的估计形成统计性偏差，从而得出片面的结论。本发明在对路段状态进行稳定性处理的基础上采用连通子图这一指标，不易受个别极端道路情况的影响，体现了不同路段之间的内在交通状态相互作用，具有较高的准确性及稳定性。
3.易研判：本发明将路网直观地划分为不同运行态势的区域，可以让管理者更直观和清晰地理解路网的运行情况和交通资源的时空分布，评估城市交通运行的整体态势；本发明对不同运行态势区域的涌现特征和演化特征进行研究，可以让管理者更加准确地进行路网运行的趋势研判，从而制定科学高效的交通管理方案。
4.应用广：本发明所设计的“红绿”区域划分方法可应用于不同时段、多个城市、多种模式(如城市道路网络、城际高速网络、城市地铁网络等)的交通网络；本发明所设计的“红绿”区域划分结果可应用于交通管理者的研判决策、出行者的导航建议、物流配置、充电桩设置、商业选址等多个场景中；
综上，这种城市路网运行状态的“红绿”区域划分方法为城市路网整体运行态势的评估和推理提供一种很好的解决方案。
附图说明
图1是本发明所述方法流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案更加清楚，下面将结合附图及具体实施案例进行详细描述。应当理解，此处所描述的实施实例仅用于说明和解释本发明，并不用于限定本发明。
本发明的目的在于解决现有的路网运行状态评价方法抽象、静态、统计性偏差、稳定性较差等在路网可靠性管理决策中的局限性。本专利在考虑到交通管理者对路网整体运行态势的研判决策需求前提下，引入动态连通子图的概念，通过识别不同运行状态的路段所组成的动态且稳定的路网区域，对城市路网的整体运行态势进行评价和推理。采用本发明城市路网运行状态的“红绿”区域划分方法对城市路网整体运行态势进行评价，具有较好的应用价值。
下面结合附图说明及具体实施方式对本发明进一步说明。
本发明实施以某城市A的路网为例，阐述本发明方法。具体来说，该城市中心城区路网包含路段数量约为50000条、交叉口数量约为27000个，路网运行数据所涵盖的时间跨度为某年某月的所有工作日和休息日；现需要对该路网进行“红绿”区域划分，即识别出城市路网的拥堵区域和畅通区域，并根据其涌现和演化特征对城市的整体运行态势进行评估和推理。本发明一种城市路网运行状态的“红绿”区域识别和评价方法，其步骤如图1所示：
步骤A：识别城市路网中的“红绿”边；
获取城市路网中各个路段在规定时间精度下的实时速度，并对其进行归一化处理，即用某时刻的绝对速度值除以该路段的最大限速值；分别设置拥堵速度阈值、拥堵次数阈值、畅通速度阈值和畅通次数阈值识别出城市路网的拥堵边和畅通边，即“红绿”边，为接下来挖掘城市路网“红绿”区域做准备。
步骤B：挖掘城市路网运行状态的“红绿”区域；
引入网络的连通子图概念，根据步骤A识别出的“红绿”边分别挖掘网络中的拥堵区域和畅通区域，即城市路网运行状态的“红绿”区域；将“红绿”区域拓展为多个区域，实现城市路网多个区域划分，为接下来提出路网运行可靠性指标做准备。
步骤C：提出基于“红绿”区域的路网运行可靠性指标；
在上述城市路网“红绿”区域划分的基础上，根据步骤B确定的“红绿”区域的规模大小和地理分布来评价城市路网的整体态势，包括拥堵及畅通程度、范围；定义相应的可靠性指标。
步骤D：分析“红绿”区域的涌现及演化特征；
挖掘“红绿”区域的涌现特征，识别常发性拥堵路段；分析“红绿”区域的演化特征，研究“红区”随时间的演化及在空间上的传播；在此基础上，提出区域性限流等调控措施。
其中，步骤A中所述的“识别城市路网中的‘红绿’边”，其具体含义为：根据一定时期内城市交通运行数据，确定路网中各条路段的实时速度；在此基础上，分别设置拥堵阈值和畅通阈值，识别城市路网中的“红边”和“绿边”。
其中所述的“根据一定时期内城市交通运行数据，确定路网中各条路段的实时速度”，其具体作法如下：获取城市路网中各个路段在规定时间精度下的实时运行数据；路段的运行数据通常是指根据路段上浮动车的速度或车流密度所计算的路段运行状况，此处以路段速度为例进行说明；对于某条路段而言，根据该条路段的最大限速计算其相对速度rij(t)，即：
Figure BDA0001972301070000111
式中，i表示测定路段的起点，j表示测定路段的终点，vij(t)表示t时刻测定路段的实时速度，
Figure BDA0001972301070000112
表示测定路段的最大限速值。对于某条路段，其最大限速值的计算方式可以为：将该条路段一天中所有时刻的速度值按照从小到大排序后，选取95％分位点处的速度值作为该条路段在当天的限速值。
其中所述的“红边”，其具体含义如下：在规定时间窗下，如果某条路段拥堵的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“红边”，体现了“红边”的“拥堵”和“稳定”两个特性。其具体作法如下：以任一时间窗(如起始时间为早上7点，时间窗长度为10分钟)为例，在该时间窗内，路网中的每条路段均有10个相对速度值；设置拥堵速度阈值为0.3，统计每条路段的这10个相对速度值小于0.3的个数，将其作为每条路段在该时间窗下的拥堵次数；设置拥堵次数阈值为5，将拥堵次数大于5的路段作为规定时间窗下城市路网中的“红边”，即：
Figure BDA0001972301070000113
式中，
Figure BDA0001972301070000121
表示路段ij在时间窗T下的状态，值为1表示该条路段为“红边”，值为0表示该条路段为非“红边”；
Figure BDA0001972301070000122
表示时间窗T下路段ij的相对速度rij(t)小于拥堵速度阈值的次数，即拥堵次数。
其中所述的“绿边”，其具体含义如下：在规定时间窗下，如果某条路段畅通的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“绿边”。其具体作法如下：同样以起始时间为早上7点、长度为10分钟的时间窗为例，在该时间窗内，路网中的每条路段均有10个相对速度值；设置畅通速度阈值为0.6，统计每条路段的这10个相对速度值大于0.6的个数，将其作为每条路段在该时间窗下的畅通次数；设置畅通次数阈值为5，将畅通次数大于5的路段作为规定时间窗下城市路网中的“绿边”，即：
Figure BDA0001972301070000123
式中，
Figure BDA0001972301070000124
表示路段ij在时间窗T下的状态，值为1表示该条路段为“绿边”，值为0表示该条路段为非“绿边”；
Figure BDA0001972301070000125
表示时间窗T下路段ij的相对速度rij(t)大于畅通速度阈值的次数，即畅通次数。
其中，步骤B所述的“挖掘城市路网运行状态的‘红绿’区域”，其具体含义为：引入网络的连通子图概念，根据步骤A识别出的“红绿”边分别挖掘网络中的拥堵区域和畅通区域，即城市路网运行状态的“红绿”区域；将“红绿”区域拓展为多个区域，实现城市路网多个区域的划分。包含以下两个步骤：
步骤B1：挖掘路网运行状态的“红区”和“绿区”；
步骤B2：可将“红绿”区域拓展为多个区域；
其中，步骤B1所述的“红区”，其具体含义如下：在规定时间窗下，挖掘城市路网的某个连通区域(弱连通或者强连通)，这个连通区域仅由“红边”组成，并且该区域中任意两个交叉口之间均存在由“红边”组成的连通路径；“绿区”的具体含义与之类似。
其中，步骤B1所述的“挖掘路网运行状态的‘红区’”，其具体作法如下：以起始时间为早上7点、长度为10分钟的时间窗为例，在识别出拥堵速度阈值为0.3、拥堵次数阈值为5的“红边”之后，将“红边”与“红边”之间的连接路口抽象为城市交通网络中的节点，将“红边”抽象为网络中的连边，并从原有静态路网中删去不是“红边”以外的道路，基于Tarjan算法可得到该时间窗下的仅由“红边”组成的强连通子图，将其作为城市交通拥堵区域(“红区”)；“绿区”的挖掘方法与之类似。
其中，步骤B2所述的“可将‘红绿’区域拓展为多个区域”，其具体作法如下：可根据交通管理者对路网运行状态的研判决策需求将“红绿”区域拓展为多个区域，这里以“红黄绿”三个区域为例进行说明；以起始时间为早上7点、长度为10分钟的时间窗为例，将速度区间划分为三类：rij(t)＜0.3(“红区”)，
0.3＜rij(t)＜0.6(“黄区”)，
rij(t)＞0.6(“绿区”)；统计各条路段的相对速度rij(t)在规定时间窗内分别属于这三个速度区间的次数，将该次数大于给定次数阈值的路段视为城市路网中的“红边”、“黄边”或者“绿边”；与挖掘路网中“红绿”区的过程相似，分别得到基于这三类边的网络连通子图区域，即“红区”、“黄区”和“绿区”。
其中，步骤C所述的“提出基于‘红绿’区域的路网运行可靠性指标”，其具体含义为：根据步骤B确定的“红绿”区域的规模大小和地理分布来评价城市路网的整体态势，包括拥堵及畅通程度、范围；定义相应的可靠性指标。包含以下两个步骤：
步骤C1：分析城市交通的拥堵/畅通程度及范围；
步骤C2：定义基于“红绿”区域的可靠性指标；
其中，步骤C1所述的“分析城市交通的拥堵/畅通程度及范围”，其具体作法如下：用“红区”的最大子图规模Gr来表示城市交通的拥堵程度，某时间窗下“红区”的最大子图规模Gr越大，代表该时间窗下的路网运行可靠性越差；用“红区”规模的分布P(Sr)来表示城市交通拥堵的分布情况，比如用分布的标准差来表示拥堵的不均衡性；用“绿区”的最大子图规模Gg来表示城市交通的畅通程度等，具体参数与红区类似。
其中，步骤C2所述的“定义基于‘红绿’区域的可靠性指标”，其具体含义为：基于C1提出的区域大小等指标定义路网运行的寿命、脆性和弹性等量化指标。以早高峰(6:00am到11:00am)下的“红区”为例，用“红区”的最大子图规模Gr小于某个阈值(如0.1*节点总数)所持续的时间来表示路网运行的寿命指标；用“红区”的最大子图规模Gr在早高峰的最大连续变化量ΔGr来表示路网运行的脆性指标；计算“红区”的最大子图规模Gr随时间变化的曲线，用该曲线在6:00am到11:00am内的积分来表示早高峰下路网运行的弹性指标。
其中，步骤D所述的“分析‘红绿’区域的涌现及演化特征”，其具体含义为：挖掘“红绿”区域的涌现特征，识别常发性拥堵路段；分析“红绿”区域的演化特征，研究“红区”等随时间的演化及在空间上的传播；在此基础上，提出区域性限流等调控措施。包含以下三个步骤：
步骤D1：挖掘“红绿”区域的涌现特征；
步骤D2：分析“红绿”区域的演化特征；
步骤D3：基于“红绿”区域特征进行交通调控；
其中，步骤D1所述的“挖掘‘红绿’区域的涌现特征”，其具体作法如下：统计一个月内“红绿”区域的规模大小和地理分布；基于“红区”出现的频率指标对常发性拥堵路段进行识别，规定常发性拥堵频率阈值fc为0.5，即：
Figure BDA0001972301070000141
式中，
Figure BDA0001972301070000142
用来判断路段ij在时期T内是否为常发性拥堵路段，值为1代表其为常发性拥堵路段，值为0代表其为非常发性拥堵路段；Nij∈r(T)表示路段ij在时期T内出现在“红区”的次数；由此可确定时期T内路网中的常发性拥堵路段，并给出规划和实时调控建议。
其中，步骤D2所述的“分析‘红绿’区域的演化特征”，其具体作法如下：观察“红区”的实时演化，包括“红区”的规模随时间的演化特征及其变化速度等；分析“红区”在空间上的传播特征，包括“红区”的半径随着时间的演化特征及其变化速度等；在此基础上，提供实时调控建议。
其中，步骤D3所述的“基于‘红绿’区域特征进行交通调控”，其具体作法如下：根据“红区”的空间分布，相应分配疏解资源，进行区域性调控；根据前述所发现的常发性拥堵路段，进行路段级别的疏导；根据“红区”的演化特征，采取实时的区域性限流等疏导措施。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种城市路网运行状态的“红绿”区域识别和评价方法，其特征在于：其步骤如下：
步骤A：识别城市路网中的“红绿”边；
步骤B：挖掘城市路网运行状态的“红绿”区域；
步骤C：提出基于“红绿”区域的路网运行可靠性指标；
步骤D：分析“红绿”区域的涌现及演化特征；
在步骤A中所述的“识别城市路网中的‘红绿’边”，其具体含义为：根据一预定时期内城市交通运行数据，确定路网中各条路段的实时速度；在此基础上，分别设置拥堵阈值和畅通阈值，识别城市路网中的“红边”和“绿边”；
其中所述的“根据一预定时期内城市交通运行数据，确定路网中各条路段的实时速度”，其具体作法如下：获取城市路网中各个路段在规定时间精度下的实时运行数据；路段的运行数据是指根据路段上浮动车的速度及车流密度所计算的路段运行状况，对于一条路段而言，根据该条路段的最大限速计算其相对速度rij(t)，即：
Figure FDA0002465320950000011
式中，i表示测定路段的起点，j表示测定路段的终点，vij(t)表示t时刻测定路段的实时速度，
Figure FDA0002465320950000012
表示测定路段的最大限速值；对于一条路段，其最大限速值的计算方式为：将该条路段一天中所有时刻的速度值按照从小到大排序后，选取95％分位点处的速度值作为该条路段在当天的限速值；
其中所述的“红边”，其具体含义如下：在规定时间窗下，如果一条路段拥堵的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“红边”，体现了“红边”的“拥堵”和“稳定”两个特性；其具体作法如下：规定一时间窗T，获取该时间窗下路网中所有路段的相对速度；设置拥堵速度阈值，统计各条路段的相对速度在规定时间窗内小于拥堵速度阈值的次数，作为其在该时间窗下的拥堵次数；设置拥堵次数阈值，将拥堵次数大于拥堵次数阈值的路段视为规定时间窗下城市路网中的“红边”，即：
Figure FDA0002465320950000021
式中，
Figure FDA0002465320950000022
表示路段ij在时间窗T下的状态，值为1表示该条路段为“红边”，值为0表示该条路段为非“红边”；vr表示拥堵速度阈值；
Figure FDA0002465320950000023
表示时间窗T下路段ij的相对速度rij(t)小于拥堵速度阈值vr的次数，即拥堵次数；Nr表示拥堵次数阈值；由此能识别任一时间窗下城市路网中的“红边”；
其中所述的“绿边”，其具体含义如下：在规定时间窗下，如果一条路段畅通的次数超过一个特定值，则认为该条路段为该时间窗下城市路网中的“绿边”；其具体作法如下：与识别城市路网中的“红边”类似，规定一时间窗T，获取该时间窗下路网中所有路段的相对速度；设置畅通速度阈值，统计各条路段的相对速度在规定时间窗内大于畅通速度阈值的次数，作为其在该时间窗下的畅通次数；设置畅通次数阈值，将畅通次数大于畅通次数阈值的路段作为规定时间窗下城市路网中的“绿边”，即：
Figure FDA0002465320950000024
式中，
Figure FDA0002465320950000025
表示路段ij在时间窗T下的状态，值为1表示该条路段为“绿边”，值为0表示该条路段为非“绿边”；vg表示畅通速度阈值；
Figure FDA0002465320950000031
表示时间窗T下路段ij的相对速度rij(t)大于畅通速度阈值vg的次数，即畅通次数；Ng表示畅通次数阈值；由此能识别任一时间窗下城市路网中的“绿边”。
2.根据权利要求1所述的一种城市路网运行状态的“红绿”区域识别和评价方法，其特征在于：
在步骤B中所述的“挖掘城市路网运行状态的‘红绿’区域”，其具体含义为：引入网络的连通子图概念，根据步骤A识别出的“红绿”边分别挖掘网络中的拥堵区域和畅通区域，即城市路网运行状态的“红绿”区域；将“红绿”区域拓展为多个区域，实现城市路网多个区域的划分；“红区”为仅由步骤A中确定的“红边”构成的连通子图；“绿区”为仅由步骤A中确定的“绿边”构成的连通子图；对于一个由有向连接构成的网络而言，其连通子图按照连通性判定的标准不同主要分为两种：弱连通和强连通；对于强连通，是指在一个连通子图中，对于任一节点对i和j，均满足从i出发沿有向连接能到达j，且从j出发沿有向连接也能到达i；计算强连通子图的方法包括Kosaraju方法、Tarjan方法和Gabow方法；弱连通则忽略网络连接的方向，只要i与j之间存在无向连通路径即认为i与j属于同一个子图；这里的“红区”和“绿区”既是弱连通子图，也能是强连通子图，能根据问题的具体需求进行设置；步骤B包含以下两个步骤：
步骤B1：挖掘路网运行状态的“红区”和“绿区”；
步骤B2：将“红绿”区域拓展为多个区域；
其中，步骤B1所述的“红区”，其具体含义如下：在规定时间窗下，挖掘城市路网的一个连通区域即弱连通及强连通，这个连通区域仅由“红边”组成，并且该区域中任意两个交叉口之间均存在由“红边”组成的连通路径；“绿区”的具体含义与之类似；
其中，步骤B1所述的“挖掘路网运行状态的‘红区’”，其具体作法如下：在识别出给定时间窗、拥堵速度阈值、拥堵次数阈值的“红边”之后，将“红边”与“红边”之间的连接路口抽象为城市交通网络中的节点，将“红边”抽象为网络中的连边，并从原有静态路网中删去不是“红边”的道路，基于宽度优先方法和Tarjan方法能得到给定时间窗下的仅由“红边”组成的连通子图，将其作为城市交通拥堵区域即“红区”；“绿区”的挖掘方法与之类似；
其中，步骤B2所述的“将‘红绿’区域拓展为多个区域”，其具体作法如下：根据交通管理者对路网运行状态的研判决策需求将“红绿”区域拓展为“红黄绿”三个区域；将速度区间划分为三类：rij(t)＜vr即红区，vr＜rij(t)＜vg即黄区，rij(t)＞vg即“绿区”；统计各条路段的相对速度rij(t)在规定时间窗内分别属于这三个速度区间的次数，将该次数大于给定次数阈值的路段视为城市路网中的“红边”、“黄边”及“绿边”；与挖掘路网中“红绿”区的过程相似，分别得到基于这三类边的连通子图区域，即“红区”、“黄区”和“绿区”。
3.根据权利要求1所述的一种城市路网运行状态的“红绿”区域识别和评价方法，其特征在于：
在步骤C中所述的“提出基于‘红绿’区域的路网运行可靠性指标”，其具体含义为：根据步骤B确定的“红绿”区域的规模大小和地理分布来评价城市路网的整体态势，包括拥堵及畅通程度、范围；定义相应的可靠性指标；包含以下两个步骤：
步骤C1：分析城市交通的拥堵/畅通程度及范围；
步骤C2：定义基于“红绿”区域的可靠性指标；
其中，步骤C1所述的“分析城市交通的拥堵/畅通程度及范围”，其具体作法如下：用“红区”的最大子图规模Gr来表示城市交通的拥堵程度，一时间窗下“红区”的最大子图规模Gr越大，代表该时间窗下的路网运行可靠性越差；用“红区”规模的分布P(Sr)来表示城市交通拥堵的分布情况，用分布的标准差来表示拥堵的不均衡性；用“绿区”的最大子图规模Gg来表示城市交通的畅通程度，具体参数与红区类似；
其中，步骤C2所述的“定义基于‘红绿’区域的可靠性指标”，其具体含义为：基于C1提出的区域大小诸指标定义路网运行的寿命、脆性和弹性量化指标。
4.根据权利要求1所述的一种城市路网运行状态的“红绿”区域识别和评价方法，其特征在于：
在步骤D中所述的“分析‘红绿’区域的涌现及演化特征”，其具体含义为：挖掘“红绿”区域的涌现特征，识别常发性拥堵路段；分析“红绿”区域的演化特征，研究“红区”随时间的演化及在空间上的传播；在此基础上，提出区域性限流诸调控措施；包含以下三个步骤：
步骤D1：挖掘“红绿”区域的涌现特征；
步骤D2：分析“红绿”区域的演化特征；
步骤D3：基于“红绿”区域特征进行交通调控；
其中，步骤D1所述的“挖掘‘红绿’区域的涌现特征”，其具体作法如下：统计一段时期内“红绿”区域的规模大小和地理分布；基于“红区”出现的频率诸指标对常发性拥堵路段进行识别，即：
Figure FDA0002465320950000051
式中，
Figure FDA0002465320950000061
用来判断路段ij在时期T内是否为常发性拥堵路段，值为1代表其为常发性拥堵路段，值为0代表其为非常发性拥堵路段；Nij∈r(T)表示路段ij在时期T内出现在“红区”的次数；fc表示常发性拥堵频率阈值，其值介于0到1之间；由此能确定时期T内路网中的常发性拥堵路段，并给出规划和实时调控建议；
其中，步骤D2所述的“分析‘红绿’区域的演化特征”，其具体作法如下：观察“红区”的实时演化，包括“红区”的规模随时间的演化特征及其变化速度；分析“红区”在空间上的传播特征，包括“红区”的半径随着时间的演化特征及其变化速度；在此基础上，提供实时调控建议；
其中，步骤D3所述的“基于‘红绿’区域特征进行交通调控”，其具体作法如下：根据“红区”的空间分布，相应分配疏解资源，进行区域性调控；根据前述所发现的常发性拥堵路段，进行路段级别的疏导；根据“红区”的演化特征，采取实时的区域性限流疏导措施。
CN201910122166.3A 2019-02-18 2019-02-18 一种城市路网运行状态的“红绿”区域识别和评价方法 Active CN109785625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910122166.3A CN109785625B (zh) 2019-02-18 2019-02-18 一种城市路网运行状态的“红绿”区域识别和评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910122166.3A CN109785625B (zh) 2019-02-18 2019-02-18 一种城市路网运行状态的“红绿”区域识别和评价方法

Publications (2)

Publication Number Publication Date
CN109785625A CN109785625A (zh) 2019-05-21
CN109785625B true CN109785625B (zh) 2020-09-08

Family

ID=66504646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910122166.3A Active CN109785625B (zh) 2019-02-18 2019-02-18 一种城市路网运行状态的“红绿”区域识别和评价方法

Country Status (1)

Country Link
CN (1) CN109785625B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211378B (zh) * 2019-05-29 2020-10-09 北京航空航天大学 一种基于复杂网络理论的城市交通健康指标体系评估方法
CN110232822B (zh) * 2019-06-24 2022-03-08 上海理工大学 基于轨迹数据的平面交叉***通秩序评价参数求解方法
CN111145536B (zh) * 2019-12-02 2021-03-16 北京航空航天大学 一种基于异常检测的道路网络脆性评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933859A (zh) * 2015-05-18 2015-09-23 华南理工大学 一种基于宏观基本图的确定网络承载力的方法
JP2016224593A (ja) * 2015-05-28 2016-12-28 アイシン・エィ・ダブリュ株式会社 道路形状検出システム、道路形状検出方法及びコンピュータプログラム
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术
CN108109382A (zh) * 2018-02-05 2018-06-01 青岛大学 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933859A (zh) * 2015-05-18 2015-09-23 华南理工大学 一种基于宏观基本图的确定网络承载力的方法
JP2016224593A (ja) * 2015-05-28 2016-12-28 アイシン・エィ・ダブリュ株式会社 道路形状検出システム、道路形状検出方法及びコンピュータプログラム
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术
CN108109382A (zh) * 2018-02-05 2018-06-01 青岛大学 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法

Also Published As

Publication number Publication date
CN109785625A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN109785625B (zh) 一种城市路网运行状态的“红绿”区域识别和评价方法
CN108629974B (zh) 顾及城市道路交通网络特征的交通运行指数建立方法
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
CN104050803B (zh) 一种区域高速路网运行状态评价方法
CN111145536B (zh) 一种基于异常检测的道路网络脆性评价方法
CN109377750B (zh) 一种基于渗流分析的交通***弹性临界点确定方法
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
CN114093168B (zh) 一种基于韧性视角下的城市道路交通运行状态评价方法
CN103278168B (zh) 一种面向交通热点规避的路径规划方法
CN104715610B (zh) 一种面向城市交通的交通指数计算方法
CN110111574B (zh) 一种基于流量树分析的城市交通不平衡评价方法
GB2599765A (en) Vehicle traffic flow prediction method with missing data
CN104680788B (zh) 一种用于交通路径选择的生态阻抗计算方法
CN101794507A (zh) 基于浮动车数据的宏观路网交通状态评价方法
CN108683448B (zh) 适用于航空网络的影响力节点识别方法及***
CN106355881A (zh) 一种基于空间自相关的事故多发点鉴别方法及装置
Ota et al. Traffic information prediction in urban vehicular networks: A correlation based approach
CN104574968A (zh) 一种临界交通状态参数的确定方法
Wang et al. Comprehensive performance analysis and comparison of vehicles routing algorithms in smart cities
Rui et al. A new traffic congestion detection and quantification method based on comprehensive fuzzy assessment in VANET
CN109859480A (zh) 基于复杂网络的拥堵路段建模和评估方法
CN109409713A (zh) 基于贝叶斯模型和三倍标准差准则的道路网络评估方法
CN114363316A (zh) 一种跨区域道路基础设施智能联网监测与监管***
CN110738853B (zh) 一种基于复杂网络相关性的关键节点识别方法
Colyar et al. Measured distributions of control delay on signalized arterials

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
GR01 Patent grant
GR01 Patent grant