CN113538890B - 一种城市关键路口选择方法 - Google Patents

一种城市关键路口选择方法 Download PDF

Info

Publication number
CN113538890B
CN113538890B CN202010302688.4A CN202010302688A CN113538890B CN 113538890 B CN113538890 B CN 113538890B CN 202010302688 A CN202010302688 A CN 202010302688A CN 113538890 B CN113538890 B CN 113538890B
Authority
CN
China
Prior art keywords
intersection
iterative
vector
intersections
road
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
CN202010302688.4A
Other languages
English (en)
Other versions
CN113538890A (zh
Inventor
孙杰
许建秋
沈祥红
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.)
Jiangsu Sea Level Data Technology Co ltd
Original Assignee
Jiangsu Sea Level Data Technology Co ltd
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 Jiangsu Sea Level Data Technology Co ltd filed Critical Jiangsu Sea Level Data Technology Co ltd
Priority to CN202010302688.4A priority Critical patent/CN113538890B/zh
Publication of CN113538890A publication Critical patent/CN113538890A/zh
Application granted granted Critical
Publication of CN113538890B publication Critical patent/CN113538890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种城市关键路口选择方法，应用于交通信息技术领域，本发明能够根据城市道路网的结构信息来为每个路口确定一个权值，供决策者根据权值选择需要的k个路口进行资源调度，优化资源配置。本发明技术主要包含两个部分，第一部分为数据准备阶段，根据路网之间的连通性，将路口视为顶点，路段视为边生成一个有向图，在根据图的结构生成计算所要用到的迭代矩阵，其次还需要根据路口之间的额外信息生成一个向量并确定阻尼系数。第二部分为迭代计算部分，首先初始化各个路口的权值，根据第一步生成的相关信息带入迭代方程进行计算，直到权值向量收敛为止。

Description

一种城市关键路口选择方法
技术领域
本发明属于交通信息技术领域，主要用于确定城市中的关键交通路口，优化资源配置。
背景技术
随着物联网和城市计算技术的发展，智慧城市将会是未来城市建设的方向，而智慧交通是智慧城市的一个重要组成部分。在一个城市的交通***中，道路之间的交叉路口作为城市道路的关键点，起着重要作用。例如，城市交通警察的警力分配一般主要关注于城市的某些重要路口，城市建设时，红绿灯和电子眼等信息***的布置也主要优先安装在城市的关键路口，在导航领域，城市中的路径导航也会根据关键路口选择路径。
所以如何确定城市的关键路口是一件很重要的工作。目前选择关键路口进行资源配置的时候，一般是根据每个路口的车流量信息，或者是决策者的主观判断。这两种方式都有欠妥当。就前者而言，并不是每一个城市都有完整的路口监控***来记录车流量信息。而后者的话，一般会选择城市中心的几个路口，这样的选择可能会和真正的结果有些偏差。
所以本发明设计出了一种城市中关键路口的选择方法。此种算法利用道路之间的结构信息，或结合路口车流量信息来确定城市的主要路口。
发明内容
【发明目的】
利用道路之间的结构信息确定城市中的关键路口来优化资源配置，排除人的主观臆断。
【技术方案】
本发明主根据路网的连通性及其额外信息，设计了一个迭代算法从而得到城市中每个路口的排名，应用者可以根据实际情况选取前k个路口进行资源配置。
运用这个算法时，把路网的连通性抽象成一个有向图，根据图中顶点之间的连通性以及顶点的出度得到一个迭代矩阵M。接着再给每一个路口赋予初始值，并确定每个路口的额外权重以及阻尼系数，然后进行迭代计算，直至每个路口的权值收敛。
【有益效果】
本发明所述的基于PageRank的城市关键路口选择算法，在只能获得道路拓扑结构信息的情况下，能够排除人的干扰，计算得到每个路口的权值，并且在有车流量信息的情况下可以计算得到更为准确的结果。
附图说明
图1实际路网示意图
图2生成有向图
图3根据图生成的迭代矩阵
具体实施方式
下面结合附图对本发明作进一步说明。
本发明主要分为两个部分，第一部分首先是将路网信息抽象成一个有向图，进而生成一个迭代矩阵，其次根据路口的额外信息生成向量B，最后确定阻尼系数q。第二部分是计算部分，根据迭代公式计算代表每个路口的权值向量R，直到R收敛于某一个数值。表1解释了各个符号的含义。
表1
符号 符号说明
G 反映路网连通性的有向图
v<sub>i</sub> G的第i个顶点，对应第i个路口
e<sub>ij</sub> 第i个顶点到第j个顶点的一条边
N 图G的顶点个数
M 图G的迭代矩阵
m<sub>ij</sub> 矩阵第i行第j列元素
R 路口的权值向量
B 保存路口额外信息的向量
q 阻尼系数(0＜q＜1)
Out(v<sub>i</sub>) 第i个顶点的出度，即以v<sub>i</sub>为起始点的边的数量
(1)生成迭代矩阵和信息向量
首先需要采集一个城市的道路结构信息，构成一个有向图G。图G的每一个顶点v表示路口，边e表示路段，再根据这个图生成计算需要用的迭代矩阵。例如有图1所示的道路网结构，将其转换为如图2所示的有向图。根据图得到一个N*N大小的迭代矩阵，N表示图G的所有顶点个数|G|，矩阵M的每一个元素mij由图G中第i个顶点vi到第j个顶点vj的连通性以及顶点vi的出度Out(vi)决定，假如存在一条从顶点vi到顶点vj的有向边eij，则
Figure GSB0000200583910000021
否则
mij＝0
这样我们就得到了计算所需要的迭代矩阵。图3所示为根据图2的有向图生成的迭代矩阵。
此外还需要确定代表每个路口的N维额外信息向量B，所述额外信息包含路口的车流量(如果可以采集的话)或者道路的宽度。这些信息需要做归一化处理，例如可以将路口信息除以平均值得到一个在1左右浮动的值，假如不考虑额外信息，则可以将B初始化为单位向量。阻尼系数q的确定根据决策者的偏好设定，假如决策者侧重路口的额外信息而非链接信息，则阻尼系数的值可以设定为小一些的值，虽然阻尼系数可以为(0，1)区间的某个值，但是建议设定为[0.5，0.8]区间中的值。
(2)迭代计算
向量R为一个N维向量，表示城市中每个路口的权值，亦对应图G中每个顶点的权值，在计算之前先将每个元素ri初始化为1。接着需要通过计算对路口的权值进行修正。因为每个路口都会有出度和入度，所以对于一个顶点vj，它的权值就等于所有连接向它的所有路口的权值之和以及额外信息，每个路口的权值更新用公式表示如下：
Figure GSB0000200583910000031
vi是所有直接连接到vj的顶点。
所以所有路口权值更新时，迭代计算的方程为：
R＝(1-q)*B+q*MT*R
其中q为前面所说的阻尼系数，根据上面的公式不断迭代之后，R便会收敛到某一个数值，在实际计算时，为了减少迭代次数，可以在R更新的差值小于某个阈值之后即停止，所得到的结果也可以代表路口的权值顺序，算法的详细描述见下表算法1，第1行根据图构建一个路网，第2行根据图构建迭代矩阵，第4、5行初始化信息向量B和权值向量，之后进行迭代计算，在第9行判断是否收敛，如果收敛则返回权值。在计算结束之后，权值大的即为重要路口，决策者根据需要选取前k个路口即可。
Figure GSB0000200583910000032

Claims (1)

1.一种城市关键路口选择方法，该方法包括两个部分：第一部分为数据准备阶段，根据路网之间的连通性，将路口视为顶点，路段视为边生成一个有向图，再根据有向图的结构生成计算所要用到的迭代矩阵，其次还需要根据路口的车流量或者道路的宽度生成一个向量；第二部分为迭代计算部分，首先初始化各个路口的权值并确定阻尼系数，根据第一部分生成的相关信息代入迭代方程进行计算，直到权值向量收敛为止；两部分的主要内容如下：
(1)迭代信息生成阶段需要生成迭代矩阵和代表路口的车流量或者道路宽度的向量；首先需要将城市的道路网抽象成一个有向图，图的顶点代表道路网的路口，边代表路口之间的路段；再根据此图生成一个迭代矩阵，矩阵的每一个元素由有向图顶点之间的连通性及其出度决定；此外还需要根据路口的车流量或者道路宽度生成一个向量，假如缺失信息，则将这个向量初始化为单位向量；
(2)迭代方程确定及迭代计算过程，初始化路口权值向量，把迭代矩阵和描述路口车流量或者道路宽度的向量代入迭代方程，并根据两者信息的偏好程度确定阻尼系数，然后开始迭代计算，直至代表路口权值的向量收敛。
CN202010302688.4A 2020-04-16 2020-04-16 一种城市关键路口选择方法 Active CN113538890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010302688.4A CN113538890B (zh) 2020-04-16 2020-04-16 一种城市关键路口选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010302688.4A CN113538890B (zh) 2020-04-16 2020-04-16 一种城市关键路口选择方法

Publications (2)

Publication Number Publication Date
CN113538890A CN113538890A (zh) 2021-10-22
CN113538890B true CN113538890B (zh) 2022-12-23

Family

ID=78088503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010302688.4A Active CN113538890B (zh) 2020-04-16 2020-04-16 一种城市关键路口选择方法

Country Status (1)

Country Link
CN (1) CN113538890B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法
CN109033239A (zh) * 2018-06-23 2018-12-18 北京航空航天大学 一种基于最小二乘优化的路网结构生成算法
CN110543728A (zh) * 2019-09-05 2019-12-06 大连理工大学 一种城市交通路网关键路口发现方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110364B (zh) * 2009-12-28 2013-12-11 日电（中国）有限公司 基于路口和路段的交通信息处理方法和装置
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法
CN108564788A (zh) * 2018-06-07 2018-09-21 重庆邮电大学 一种基于流式大数据的同行车辆发现方法
CN109033239A (zh) * 2018-06-23 2018-12-18 北京航空航天大学 一种基于最小二乘优化的路网结构生成算法
CN110543728A (zh) * 2019-09-05 2019-12-06 大连理工大学 一种城市交通路网关键路口发现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
城市道路网关键交叉口识别研究;陈焰中 等;《交通科技》;20191215(第6期);第99-103页 *

Also Published As

Publication number Publication date
CN113538890A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109284406B (zh) 基于差异循环神经网络的意图识别方法
Liu et al. PSO-based power-driven X-routing algorithm in semiconductor design for predictive intelligence of IoT applications
CN106411572B (zh) 一种结合节点信息和网络结构的社区发现方法
Couckuyt et al. Automatic surrogate model type selection during the optimization of expensive black-box problems
CN109951392B (zh) 一种基于深度学习的中大型网络智能路由选择方法
CN105574541A (zh) 一种基于紧密度排序的网络社区发现方法
CN111000492B (zh) 基于知识图谱的智能扫地机行为决策方法及智能扫地机
CN116518960B (zh) 路网更新方法、装置、电子设备和存储介质
CN113784380B (zh) 一种采用图注意力网络与融合邻域的拓扑预测方法
CN113239138B (zh) 地图匹配方法、装置、计算机设备和存储介质
CN114463072A (zh) 基于业务需求ai预测的电商服务优化方法及大数据***
CN113538890B (zh) 一种城市关键路口选择方法
Verstraete et al. Consistent iterative algorithm for stochastic dynamic traffic assignment with a stable route set
Xu et al. Empowering a* algorithm with neuralized variational heuristics for fastest route recommendation
CN110162716A (zh) 一种基于社区检索的影响力社区搜索方法和***
CN112182819B (zh) 一种基于赋权图的结构拓扑优化方法、***以及可读存储介质
Kampolis et al. Multilevel optimization strategies based on metamodel-assisted evolutionary algorithms, for computationally expensive problems
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
CN113313381B (zh) 一种用户交互敏感的动态图序列推荐***
Liu et al. A surrogate-assisted clustering particle swarm optimizer for expensive optimization under dynamic environment
CN115001978A (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
CN110608749B (zh) 路径的确定方法、装置及存储介质
Rehtanz et al. Stability assessment of electric power systems using growing neural gas and self-organizing maps.
CN113344294B (zh) 一种电力能源预测***
KR102671170B1 (ko) 분산전원 연계 경로 생성 장치 및 그 방법

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
CB02 Change of applicant information

Address after: 210016 16th floor, 14-1 xingzhihui business garden, Xinghuo Road, Jiangbei new district, Nanjing, Jiangsu Province

Applicant after: JIANGSU SEA LEVEL DATA TECHNOLOGY Co.,Ltd.

Address before: No. 80, yunlongshan Road, Jianye District, Nanjing City, Jiangsu Province, 210019

Applicant before: JIANGSU SEA LEVEL DATA TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
DD01 Delivery of document by public notice

Addressee: Wang Yawei

Document name: Notification of Eligibility for Procedures

DD01 Delivery of document by public notice
GR01 Patent grant
GR01 Patent grant