CN114758498A - 基于多向最优扩展的城市有向交通廊道识别方法 - Google Patents
基于多向最优扩展的城市有向交通廊道识别方法 Download PDFInfo
- Publication number
- CN114758498A CN114758498A CN202210338622.XA CN202210338622A CN114758498A CN 114758498 A CN114758498 A CN 114758498A CN 202210338622 A CN202210338622 A CN 202210338622A CN 114758498 A CN114758498 A CN 114758498A
- Authority
- CN
- China
- Prior art keywords
- road
- directed
- urban
- traffic
- order
- 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.)
- Granted
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法,包括:获取原始轨迹数据集,对所述原始轨迹数据进行数据清洗和路网匹配,利用时间槽提取特定时段的轨迹子集,对城市有向路网进行建模;计算城市有向路网的流量值和依赖度,融合所述流量值和所述依赖度计算有向路段的核心度;根据所述有向路段的核心度确定种子路段,提取种子路段的所有邻居路段进行排列组合,探测出全部交通廊道,形成城市有向交通廊道网络。本发明构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道。
Description
技术领域
本发明涉及时空数据挖掘领域,特别涉及一种基于多向最优扩展的城市有向交通廊道识别方法。
背景技术
随着我国经济化水平与城市化进程不断推进,快速增加的机动车保有量和居民出行量对我国城市交通运输效率及运输能力带来了前所未有的严峻挑战。频繁的城市交通拥堵现象凸显出交通路网供给与居民出行需求之间存在着不平衡的匹配关系,而城市交通廊道作为实现城市居民出行需求的重要通道,承担着路网中关键而庞大的居民出行流,是调度优化交通出行、解决交通拥堵问题的关键内容。因此,精准全面地识别城市交通廊道,对居民出行诱导、路网交通组织、城市功能区域演化和城市空间调整规划等具有重要的指导意义。
城市交通廊道作为城市交通路网运输的核心骨架与重要部件,是指交通路网中运输能力发达、承载客流庞大、路段拓扑相连的若干路段组合。现有城市交通廊道识别方法主要有三种,即映射模型方法、图论方法和聚类方法。其中,基于映射模型的方法通常先将研究区域(或路网)划分为不同等级的区块(或路段),结合先验知识构建引力模型模拟区块(或路段)对居民的聚集吸引程度,将引力最大的区块(或路段)连通路径识别为交通廊道。然而这类方法的识别结果依赖于出行规则的理想先验假设,模型稳定性和迁移性欠佳。基于图论的方法通常将交通小区或路网抽象为图网络,通过交通配流模型提取流量较大的热点路径作为城市交通廊道。然而这类方法需要预先对居民出行起讫点和出行路径做先验估计,仍未有效解决先验知识依赖性和识别结果不确定性的问题。
发明内容
本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法,其目的是为了解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。
为了达到上述目的,本发明提供了一种基于多向最优扩展的城市有向交通廊道识别方法,包括:
步骤1,获取原始轨迹数据集,对所述原始轨迹数据进行数据清洗和路网匹配,利用时间槽提取特定时段的轨迹子集,对城市有向路网进行建模;
步骤2,计算城市有向路网的流量值和依赖度,融合所述流量值和所述依赖度计算有向路段的核心度;
步骤3,根据所述有向路段的核心度确定种子路段,提取种子路段的所有邻居路段进行排列组合,探测出全部交通廊道,形成城市有向交通廊道网络。
其中,所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括:
在所述原始轨迹数据集中提取相同车辆号的轨迹点,按照时间升序排列获得机动车的出行轨迹序列,并将任一机动车C出行轨迹表达为Trac={(xC,1,yC,1,tC,1),(xC,2,yC,2,tC,2),…,(xC,k,yC,k,tC,k),…},删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据;其中,(xC,k,yC,k)表示机动车C在时刻tC,k的位置坐标;
考虑城市路网拓扑信息、路网距离和行驶速度约束,利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间,机动车C出行轨迹表达为Trac={(pxC,1,pyC,1,tC,1,rC,1),(pxC,2,pyC,2,tC,2,rC,2),…,(pxC,k,pyC,k,tC,k,rC,k),…},其中,(pxC,k,pyC,k)表示时刻tC,k机动车C在路段rC,k的映射位置坐标。
其中,所述步骤1中利用时间槽提取特定时段的轨迹子集的步骤具体包括:
设置时间槽,给定任一轨迹Trac={(pxC,1,pyC,1,tC,1,rC,1),…,(pxC,n,pyC,n,tC,n,rC,n)},若满足t1<tC,1<tC,n<t2,则Trac属于时间槽[t1,t2],从全部轨迹数据中提取特定时间槽[t1,t2]内的所有出行轨迹Tra[t1,t2]。
其中,所述步骤1中对城市有向路网进行建模的步骤具体包括:
通过编程语言读取研究区域内的城市路网数据,进而提取城市路网的有向路段信息和有向拓扑信息;
所述有向路段信息rs表达为{(p1,1,p1,2,r1),…,(pi,1,pi,2,ri),…},其中(pi,1,pi,2,ri)表示现实世界中从点位置pi,1移动到点pi,2经过的路段是ri,若pi,2=pj,1或pi,1=pj,2,则rj和ri互为邻居路段;
所述有向拓扑信息topo表达为{(r1_1,r1_2,…,r1_h1),…,(ri_1,ri_2,…,ri_hi),…},其中(ri_1,ri_2,…,ri_hi)表示路网中ri的邻居路段集合。
其中,所述步骤2具体包括:
根据所述轨迹子集Tra[t1,t2]和城市有向路段信息rs,依次统计时段[t1,t2]内所有城市有向路段流量,城市路网有向流量可表达为r_flo={…,flopi→pj,flopj→pi,…};
给定任一有向路段(pi,pj),提取轨迹子集Tra[t1,t2]中所有由路网节点pi经过路网节点pj的轨迹数量mpi→pj以其轨迹长度之和lenpi→pj,居民出行对于有向路段(pi,pj)的依赖度deppi→pj计算为:
且城市路网中所有有向路段依赖度可表达为r_dep={…,deppi→pj,deppj→pi,…};
给定任一有向路段(pi,pj)的流量值flopi→pj和依赖度deppi→pj,其核心度degpi→pj计算为:
其中,α表示流量指标权重;maxr_flo和minr_flo分别表示r_flo中最大值和最小值;maxr_dep和minr_dep分别表示r_dep中最大值和最小值。
其中,所述步骤3具体包括:
给定研究区域内所有有向路段集合,选择其中核心度最大的有向路段作为种子路段,提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域;
计算所有一阶候选扩展域和种子路段组合后的一阶统计量,将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道;
提取一阶交通廊道内路段的所有邻居路段,进行排列组合形成二阶候选扩展域,计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量,若二阶统计量大于一阶统计量,将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道,否则停止扩展;
停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道,删除有向路段集合内城市交通廊道含有的有向路段,直至探测出全部交通廊道。
其中,所述步骤3还包括:
其中,N表示研究区域内路段总数量;degj表示路段rj的核心度,和S分别表示研究区域内所有路段的核心度均值和标准差;wij表示路段间的有向邻接关系判断函数,路段rj是路段ri的邻接路段则取1,否则取0。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的基于多向最优扩展的城市有向交通廊道识别方法构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道,建模城市有向路段拓扑信息,利用一种多向优化扩展的策略能够稳健有效识别转向级别的城市交通廊道,解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明的基于多向最优扩展的城市有向交通廊道识别方法流程图;
图2是本发明的部分出租车轨迹与研究区域;
图3是本发明的一阶多向优化扩展过程示意图;
图4是本发明的城市交通廊道识别结果。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是锁定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示,本发明的实施例提供了一种基于多向最优扩展的城市有向交通廊道识别方法,包括:
步骤1,获取原始轨迹数据集,对所述原始轨迹数据进行数据清洗和路网匹配,利用时间槽提取特定时段的轨迹子集,对城市有向路网进行建模;
步骤2,计算城市有向路网的流量值和依赖度,融合所述流量值和所述依赖度计算有向路段的核心度;
步骤3,根据所述有向路段的核心度确定种子路段,提取种子路段的所有邻居路段进行排列组合,探测出全部交通廊道,形成城市有向交通廊道网络。
其中,所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括:
在所述原始轨迹数据集中提取相同车辆号的轨迹点,按照时间升序排列获得机动车的出行轨迹序列,并将任一机动车C出行轨迹表达为Trac={(xC,1,yC,1,tC,1),(xC,2,yC,2,tC,2),…,(xC,k,yC,k,tC,k),…},删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据;其中,(xC,k,yC,k)表示机动车C在时刻tC,k的位置坐标;
考虑城市路网拓扑信息、路网距离和行驶速度约束,利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间,机动车C出行轨迹表达为Trac={(pxC,1,pyC,1,tC,1,rC,1),(pxC,2,pyC,2,tC,2,rC,2),…,(pxC,k,pyC,k,tC,k,rC,k),…},其中,(pxC,k,pyC,k)表示时刻tC,k机动车C在路段rC,k的映射位置坐标。
其中,所述步骤1中利用时间槽提取特定时段的轨迹子集的步骤具体包括:
设置时间槽,给定任一轨迹Trac={(pxC,1,pyC,1,tC,1,rC,1),…,(pxC,n,pyC,n,tC,n,rC,n)},若满足t1<tC,1<tC,n<t2,则Trac属于时间槽[t1,t2],从全部轨迹数据中提取特定时间槽[t1,t2]内的所有出行轨迹Tra[t1,t2]。
其中,所述步骤1中对城市有向路网进行建模的步骤具体包括:
通过编程语言读取研究区域内的城市路网数据,进而提取城市路网的有向路段信息和有向拓扑信息;
所述有向路段信息rs表达为{(p1,1,p1,2,r1),…,(pi,1,pi,2,ri),…},其中(pi,1,pi,2,ri)表示现实世界中从点位置pi,1移动到点pi,2经过的路段是ri,若pi,2=pj,1或pi,1=pj,2,则rj和ri互为邻居路段;
所述向拓扑信息topo表达为{(r1_1,r1_2,…,r1_h1),…,(ri_1,ri_2,…,ri_hi),…},其中(ri_1,ri_2,…,ri_hi)表示路网中ri的邻居路段集合。
其中,所述步骤2具体包括:
根据所述轨迹子集Tra[t1,t2]和城市有向路段信息rs,依次统计时段[t1,t2]内所有城市有向路段流量,城市路网有向流量可表达为r_flo={…,flopi→pj,flopj→pi,…};
给定任一有向路段(pi,pj),提取轨迹子集Tra[t1,t2]中所有由路网节点pi经过路网节点pj的轨迹数量mpi→pj以其轨迹长度之和lenpi→pj,居民出行对于有向路段(pi,pj)的依赖度deppi→pj计算为:
且城市路网中所有有向路段依赖度可表达为r_dep={…,deppi→pj,deppj→pi,…};
给定任一有向路段(pi,pj)的流量值flopi→pj和依赖度deppi→pj,其核心度degpi→pj计算为:
其中,α表示流量指标权重;maxr_flo和minr_flo分别表示r_flo中最大值和最小值;maxr_dep和minr_dep分别表示r_dep中最大值和最小值。
其中,所述步骤3具体包括:
给定研究区域内所有有向路段集合,选择其中核心度最大的有向路段作为种子路段,提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域;
计算所有一阶候选扩展域和种子路段组合后的一阶统计量,将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道;
提取一阶交通廊道内路段的所有邻居路段,进行排列组合形成二阶候选扩展域,计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量,若二阶统计量大于一阶统计量,将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道,否则停止扩展;
停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道,删除有向路段集合内城市交通廊道含有的有向路段,直至探测出全部交通廊道。
其中,所述步骤3还包括:
其中,N表示研究区域内路段总数量;degj表示路段rj的核心度,和S分别表示研究区域内所有路段的核心度均值和标准差;wij表示路段间的有向邻接关系判断函数,路段rj是路段ri的邻接路段则取1,否则取0。
本发明的上述实施例所述的基于多向最优扩展的城市有向交通廊道识别方法构建实际路网中机动车出行流量值和路径选择依赖度指标识别路网空间中城市交通廊道,建模城市有向路段拓扑信息,利用一种多向优化扩展的策略能够稳健有效识别转向级别的城市交通廊道,解决现有城市交通廊道识别方法无法充分顾及居民出行特征且难以识别有向路段级交通廊道的问题。
第一实施例
采用中国深圳市2016年9月1日出租车轨迹数据对本发明的具体实施进行说明:
实施例中选择中国深圳市作为研究区域,采用的数据为13802条有向路段和225930个出租车轨迹点数据。该数据时间为2016年9月1日,轨迹点时间分辨率约20秒,部分轨迹数据与研究区域如图2所示。
在原始轨迹数据集中提取相同车辆号的轨迹点,按照时间升序排列获得某机动车的出行轨迹序列。然后,删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据。进一步,时间槽[t1,t2]设置为[06:00,10:00],提取轨迹子集Tra[06:00,10:00]。最后,顾及城市路网拓扑信息、路网距离和行驶速度约束,采用一种适应于低采样频率轨迹数据的地图匹配算法ST-Matching将轨迹点投影到正确的城市路网空间。
提取城市路网的有向路段信息rs和有向拓扑信息topo。其中,有向路段信息rs表达为{(p1,1,p1,2,r1),…,(pi,1,pi,2,ri),…};有向拓扑信息topo表达为{(r1_1,r1_2,…,r1_h1),…,(ri_1,ri_2,…,ri_hi),…}。
根据轨迹子集Tra[06:00,10:00]和城市有向路段信息rs,依次计算时段[06:00,10:00]内所有有向路段流量值和依赖度,其中,任一有向路段(pi,pj)的依赖度deppi→pj计算为:
式中,mpi→pj和lenpi→pj分别表示轨迹子集Tra[06:00,10:00]中所有由路网节点pi经过路网节点pj的轨迹数量和轨迹长度之和。基于此,计算所有有向路段的核心度,其中,任一有向路段(pi,pj)的核心度degpi→pj计算为:
其中,flopi→pj和deppi→pj分别表示有向路段(Pi→Pj)的流量值和依赖度。α在本实施案例中取值为0.5。
给定研究区域内所有有向路段集合rs,选择其中核心度最大的有向路段作为种子路段rseed,提取种子路段rseed的所有邻居路段进行排列组合形成一阶候选扩展域。基于此,计算所有一阶候选扩展域和种子路段rseed组合后的统计量,将其中最大值记为同时将对应的一阶候选扩展域合并至rseed记为一阶交通廊道tran_cor1。如图3所示,有向路段r1作为种子路段rseed,(r2,r4)和r1组合后对应的统计量值最大,tran_cor1={r1,r2,r4}。
提取一阶交通廊道tran_cor1内路段的所有邻居路段,进行排列组合形成二阶候选扩展域。同理,基于此,计算所有二阶候选扩展域和一阶交通廊道tran_cor1组合后的统计量,将其中最大值记为若 则将对应的二阶候选扩展域合并至tran_cor1记为二阶交通廊道tran_cor2;否则停止扩展。
重复上述扩展步骤,直到第k阶候选扩展域对应的最大统计量停止扩展过程。输出此时(k-1)阶交通廊道tran_cork-1作为研究区域内的一条城市交通廊道tran_cor1,删除有向路段集合rs内tran_cor1内含有的有向路段。
设置p为0.0005,直至探测出13802*0.0005≈7条交通廊道,将所有城市交通廊道表示为{tran_cor1,tran_cor2,tran_cor3,…,tran_corN*p}。研究区域中交通廊道探测结果如图4所示。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,包括:
步骤1,获取原始轨迹数据集,对所述原始轨迹数据进行数据清洗和路网匹配,利用时间槽提取特定时段的轨迹子集,对城市有向路网进行建模;
步骤2,计算城市有向路网的流量值和依赖度,融合所述流量值和所述依赖度计算有向路段的核心度;
步骤3,根据所述有向路段的核心度确定种子路段,提取种子路段的所有邻居路段进行排列组合,探测出全部交通廊道,形成城市有向交通廊道网络。
2.根据权利要求1所述的基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,所述步骤1中对所述原始轨迹数据进行数据清洗和路网匹配的步骤具体包括:
在所述原始轨迹数据集中提取相同车辆号的轨迹点,按照时间升序排列获得机动车的出行轨迹序列,并将任一机动车C出行轨迹表达为Trac={(xC,1,yC,1,tC,1),(xC,2,yC,2,tC,2),…,(xC,k,yC,k,tC,k),…},删除研究区域范围之外、采样间隔异常的轨迹点的轨迹数据;其中,(xC,k,yC,k)表示机动车C在时刻tC,k的位置坐标;
考虑城市路网拓扑信息、路网距离和行驶速度约束,利用适应于低采样频率轨迹数据的地图匹配算法将轨迹点投影到正确的城市路网空间,机动车C出行轨迹表达为Trac={(pxC,1,pyC,1,tC,1,rC,1),(pxC,2,pyC,2,tC,2,rC,2),…,(pxC,k,pyC,k,tC,k,rC,k),…},其中,(pxC,k,pyC,k)表示时刻tC,k机动车C在路段rC,k的映射位置坐标。
3.根据权利要求2所述的基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,所述步骤1中利用时间槽提取特定时段的轨迹子集的步骤具体包括:
设置时间槽,给定任一轨迹Trac={(pxC,1,pyC,1,tC,1,rC,1),…,(pxC,n,pyC,n,tC,n,rC,n)},若满足t1<tC,1<tC,n<t2,则Trac属于时间槽[t1,t2],从全部轨迹数据中提取特定时间槽[t1,t2]内的所有出行轨迹Tra[t1,t2]。
4.根据权利要求3所述的基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,所述步骤1中对城市有向路网进行建模的步骤具体包括:
通过编程语言读取研究区域内的城市路网数据,进而提取城市路网的有向路段信息和有向拓扑信息;
所述有向路段信息rs表达为{(p1,1,p1,2,r1),…,(pi,1,pi,2,ri),…},其中(pi,1,pi,2,ri)表示现实世界中从点位置pi,1移动到点pi,2经过的路段是ri,若pi,2=pj,1或pi,1=pj,2,则rj和ri互为邻居路段;
所述有向拓扑信息topo表达为{(r1_1,r1_2,…,r1_h1),…,(ri_1,ri_2,…,ri_hi),…},其中(ri_1,ri_2,…,ri_hi)表示路网中ri的邻居路段集合。
5.根据权利要求4所述的基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,所述步骤2具体包括:
根据所述轨迹子集Tra[t1,t2]和城市有向路段信息rs,依次统计时段[t1,t2]内所有城市有向路段流量,城市路网有向流量可表达为r_flo={…,flopi→pj,flopj→pi,…};
给定任一有向路段(pi,pj),提取轨迹子集Tra[t1,t2]中所有由路网节点pi经过路网节点pj的轨迹数量mpi→pj以其轨迹长度之和lenpi→pj,居民出行对于有向路段(pi,pj)的依赖度deppi→pj计算为:
且城市路网中所有有向路段依赖度可表达为r_dep={…,deppi→pj,deppj→pi,…};
给定任一有向路段(pi,pj)的流量值flopi→pj和依赖度deppi→pj,其核心度degpi→pj计算为:
其中,α表示流量指标权重;maxr_flo和minr_flo分别表示r_flo中最大值和最小值;maxr_dep和minr_dep分别表示r_dep中最大值和最小值。
6.根据权利要求5所述的基于多向最优扩展的城市有向交通廊道识别方法,其特征在于,所述步骤3具体包括:
给定研究区域内所有有向路段集合,选择其中核心度最大的有向路段作为种子路段,提取种子路段的所有邻居路段进行排列组合形成一阶候选扩展域;
计算所有一阶候选扩展域和种子路段组合后的一阶统计量,将一阶统计量的最大值对应的一阶候选扩展域合并记为一阶交通廊道;
提取一阶交通廊道内路段的所有邻居路段,进行排列组合形成二阶候选扩展域,计算所有二阶候选扩展域和一阶交通廊道组合后的二阶统计量,若二阶统计量大于一阶统计量,将二阶统计量的最大值对应的二阶候选扩展域合并至一阶交通廊道记为二阶交通廊道,否则停止扩展;
停止扩展后输出一阶交通廊道作为研究区域内的一条城市交通廊道,删除有向路段集合内城市交通廊道含有的有向路段,直至探测出全部交通廊道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338622.XA CN114758498B (zh) | 2022-04-01 | 2022-04-01 | 基于多向最优扩展的城市有向交通廊道识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210338622.XA CN114758498B (zh) | 2022-04-01 | 2022-04-01 | 基于多向最优扩展的城市有向交通廊道识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758498A true CN114758498A (zh) | 2022-07-15 |
CN114758498B CN114758498B (zh) | 2023-06-20 |
Family
ID=82329667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210338622.XA Active CN114758498B (zh) | 2022-04-01 | 2022-04-01 | 基于多向最优扩展的城市有向交通廊道识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758498B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008117787A (ja) * | 2007-12-25 | 2008-05-22 | Sony Corp | 発電方法 |
JPWO2008117787A1 (ja) * | 2007-03-27 | 2010-07-15 | 日本電気株式会社 | マップマッチングシステム、マップマッチング方法およびプログラム |
JP2013206413A (ja) * | 2012-03-29 | 2013-10-07 | Denso It Laboratory Inc | 交通データ予測装置、交通データ予測方法及びコンピュータプログラム |
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN105243837A (zh) * | 2015-11-03 | 2016-01-13 | 东南大学 | 一种公交客流走廊甄别方法 |
CN105844031A (zh) * | 2016-03-29 | 2016-08-10 | 东南大学 | 一种基于手机定位数据的城市交通廊道识别方法 |
US20170068861A1 (en) * | 2015-09-03 | 2017-03-09 | Miovision Technologies Incorporated | System and Method for Detecting and Tracking Objects |
CN108074043A (zh) * | 2018-01-04 | 2018-05-25 | 贵州大学 | 一种城市综合管廊配套电网规划方法 |
CN108806254A (zh) * | 2018-06-28 | 2018-11-13 | 中国联合网络通信有限公司深圳市分公司 | 城市交通走廊的识别方法、装置及计算机可读存储介质 |
CN109923596A (zh) * | 2016-10-31 | 2019-06-21 | 爱信艾达株式会社 | 不能通行道路区间推定***,及不能通行道路区间推定程序 |
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110851664A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种面向主题的社交网络节点重要度评估方法 |
CN111161560A (zh) * | 2019-12-27 | 2020-05-15 | 青岛海信网络科技股份有限公司 | 一种公交廊道营运秩序管理方法及装置 |
CN112543427A (zh) * | 2020-12-01 | 2021-03-23 | 江苏欣网视讯软件技术有限公司 | 基于信令轨迹及大数据分析识别城市交通走廊的方法与*** |
CN112883471A (zh) * | 2021-02-08 | 2021-06-01 | 深圳大学 | 一种城市生态网络结构韧性动态模拟方法 |
CN113724495A (zh) * | 2021-08-09 | 2021-11-30 | 东南大学 | 一种城市共享出行的流量预测方法 |
-
2022
- 2022-04-01 CN CN202210338622.XA patent/CN114758498B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2008117787A1 (ja) * | 2007-03-27 | 2010-07-15 | 日本電気株式会社 | マップマッチングシステム、マップマッチング方法およびプログラム |
JP2008117787A (ja) * | 2007-12-25 | 2008-05-22 | Sony Corp | 発電方法 |
JP2013206413A (ja) * | 2012-03-29 | 2013-10-07 | Denso It Laboratory Inc | 交通データ予測装置、交通データ予測方法及びコンピュータプログラム |
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
US20170068861A1 (en) * | 2015-09-03 | 2017-03-09 | Miovision Technologies Incorporated | System and Method for Detecting and Tracking Objects |
CN105243837A (zh) * | 2015-11-03 | 2016-01-13 | 东南大学 | 一种公交客流走廊甄别方法 |
CN105844031A (zh) * | 2016-03-29 | 2016-08-10 | 东南大学 | 一种基于手机定位数据的城市交通廊道识别方法 |
CN109923596A (zh) * | 2016-10-31 | 2019-06-21 | 爱信艾达株式会社 | 不能通行道路区间推定***,及不能通行道路区间推定程序 |
CN108074043A (zh) * | 2018-01-04 | 2018-05-25 | 贵州大学 | 一种城市综合管廊配套电网规划方法 |
CN108806254A (zh) * | 2018-06-28 | 2018-11-13 | 中国联合网络通信有限公司深圳市分公司 | 城市交通走廊的识别方法、装置及计算机可读存储介质 |
CN110111575A (zh) * | 2019-05-16 | 2019-08-09 | 北京航空航天大学 | 一种基于复杂网络理论的城市交通流量网络分析方法 |
CN110580404A (zh) * | 2019-07-26 | 2019-12-17 | 东南大学 | 一种基于城市多模式交通网络的网络运能确定方法 |
CN110851664A (zh) * | 2019-11-06 | 2020-02-28 | 中国人民解放军国防科技大学 | 一种面向主题的社交网络节点重要度评估方法 |
CN111161560A (zh) * | 2019-12-27 | 2020-05-15 | 青岛海信网络科技股份有限公司 | 一种公交廊道营运秩序管理方法及装置 |
CN112543427A (zh) * | 2020-12-01 | 2021-03-23 | 江苏欣网视讯软件技术有限公司 | 基于信令轨迹及大数据分析识别城市交通走廊的方法与*** |
CN112883471A (zh) * | 2021-02-08 | 2021-06-01 | 深圳大学 | 一种城市生态网络结构韧性动态模拟方法 |
CN113724495A (zh) * | 2021-08-09 | 2021-11-30 | 东南大学 | 一种城市共享出行的流量预测方法 |
Non-Patent Citations (7)
Title |
---|
CHEN CHENGHUI,XU YONGNENG: "Public Transit Mode Selection for an Urban New District Corridor", 《CICTP 2019:TRANSPORTATION IN CHINA-CONNECTING THE WORLD》 * |
CHEN CHENGHUI,XU YONGNENG: "Public Transit Mode Selection for an Urban New District Corridor", 《CICTP 2019:TRANSPORTATION IN CHINA-CONNECTING THE WORLD》, 8 July 2019 (2019-07-08) * |
孔哲等: "基于动态聚类的大城市公交客流走廊甄别方法", 《东南大学学报(自然科学版)》 * |
孔哲等: "基于动态聚类的大城市公交客流走廊甄别方法", 《东南大学学报(自然科学版)》, no. 05, 20 September 2010 (2010-09-20) * |
涂玉婷;: "基于节点重要度的城市群城际轨道交通路网布局", 科技广场, no. 02 * |
邢忠等: "中心城区E类用地中的廊道空间生态规划方法", 《规划师》 * |
邢忠等: "中心城区E类用地中的廊道空间生态规划方法", 《规划师》, no. 04, 1 April 2017 (2017-04-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN114758498B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN108596202B (zh) | 基于移动终端gps定位数据计算个人通勤时间的方法 | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN108763558B (zh) | 一种基于地图匹配的众包地图道路质量改进方法 | |
Chen et al. | The α-reliable path problem in stochastic road networks with link correlations: A moment-matching-based path finding algorithm | |
CN110543728B (zh) | 一种城市交通路网关键路口发现方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN108597227A (zh) | 高速公路收费站下道交通流量预测方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
CN113611115B (zh) | 一种基于路网敏感特征的车辆轨迹聚类方法 | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
Ghandeharioun et al. | Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations | |
CN109887280B (zh) | 一种交通网络节点关键度评估方法 | |
CN110119884A (zh) | 一种基于近邻传播聚类的高速铁路客流时段划分方法 | |
CN111914052B (zh) | 一种区域空间关联关系确定方法及装置 | |
CN109862535A (zh) | 基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法 | |
CN113096389A (zh) | 一种基于多源数据的全国高速公路网络拓扑构建方法 | |
CN114758498A (zh) | 基于多向最优扩展的城市有向交通廊道识别方法 | |
CN117273538A (zh) | 一种交通碳排放空间网络关联结构分析方法及*** | |
CN116307927A (zh) | 一种基于人流预测的生活圈规划合理性评估方法及*** | |
CN114880819B (zh) | 基于城镇节点重要度与交通区位线研究的空间优化方法 |
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 |