[发明专利]一种基于复杂网络相关性的关键节点识别方法

权利要求书

1.一种基于复杂网络相关性的关键节点识别方法，其特征在于：其步骤如下：

步骤A：统计路网道路各时段速度时间序列；将一天划分为早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2；将路段即road_i抽象为节点即vertice_i，形成各节点在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列

步骤B：计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列通过两步去趋势处理，形成时间序列S_i(t)；计算节点vertice_i与节点vertice_j的速度时间序列互相关函数X_i,j(τ)；

步骤C：建立交通道路相关性网络；依据节点vertice_i与节点vertice_j的时间序列互相关函数X_i,j(τ)计算节点连边权重及节点vertice_i与节点vertice_j的距离D_i,j；设置最小边权值W_min及最长路径值D_max，当边权且距离D_i,j≤D_max均满足时，节点vertice_i与节点vertice_j存在一条连边，据此建立交通道路相关性网络；

步骤D：挖掘关键节点；根据节点vertice_i的强度，及节点vertice_i的平均影响范围，为节点影响力排序,挖掘关键路段；

在步骤B中所述的“计算路段之间的速度时间序列互相关函数；对步骤A中得到的各节点时间序列通过两步去趋势处理，形成时间序列S_i(t)；计算节点vertice_i与节点vertice_j的速度时间序列互相关函数X_i，j(τ)”，其做法如下：对步骤A中得到的各节点时间序列通过线性回归方法去除其线性趋势，再去除周期趋势，最后利用两步去趋势化处理后的时间序列进行各节点间速度时间序列互相关函数计算，具体步骤如下：

步骤B1：去除速度时间序列的线性趋势；首先对时间序列进行线性回归分析，得到节点vertice_i的线性回归函数a_it+b_i，用节点vertice_i的原时间序列减去线性回归函数得到

步骤B2：去除速度时间序列的周期趋势；将步骤B1得到的去线性趋势速度时间序列重标注为其中d＝1,...,D为第d个工作日，m＝1,...,180为该时段的第m分钟；计算各时段每分钟的均值及均方差，其中均值均方差对节点vertice_i的速度时间序列以进行去除周期趋势处理；将处理后的速度时间序列重写为S_i(t)，其中i＝1,...,N,t＝1,...,L；N为节点个数；L为时间序列长度；

步骤B3：计算速度时间序列互相关函数；遍历选取一组节点组合，即节点vertice_i与节点vertice_j；定义两个节点时间序列之间的时延阈值τ_max，即时延区间为[-τ_max,τ_max]；计算两节点在时延[-τ_max,τ_max]区间中所有取值的速度时间互相关性函数

其中和分别为时间序列S_i(t)和S_j(t+τ)在t＝1,...L-τ区间的均值；这里应注意τ_max的取值不应过大，因为计算速度时间序列长度为L-τ_max；得到任一组节点vertice_i与节点vertice_j在多个时段的速度时间序列互相关函数X_i,j(τ)；

在步骤C中所述的“依据节点vertice_i与节点vertice_j的时间序列互相关函数X_i,j(τ)计算节点连边权重及节点vertice_i与节点vertice_j的距离D_i,j；设置最小边权值W_min及最长路径值D_max，当边权且距离D_i,j≤D_max均满足时，节点vertice_i与节点vertice_j存在一条连边，据此建立交通道路相关性网络”，其做法如下：利用步骤B中计算得到的速度时间序列互相关函数X_i,j(τ)，计算网络中任一对节点的边权重及距离，设置最小边权值W_min及最长路径值D_max，筛选网络中符合最小边权值W_min及最长路径值D_max的节点与边，建立交通道路相关性网络，具体步骤如下：

步骤C1：计算网络边权及节点距离；在步骤B计算得到的速度时间互相关性函数X_i,j(τ)中，计算两节点间连边的权重其中max(X_i,j(τ))，

mean(X_i,j(τ))及std(X_i,j(τ))分别为函数X_i,j(τ)的最大值，均值及均方差；对于时间互相关性函数X_i,j(τ)，时间延迟为X_i,j(τ)取最大值时对应的τ；定义节点vertice_i与节点vertice_j的距离D_i,j；

步骤C2：设置最小边权值W_min及最长路径值D_max；将各节点每个时间段内的时间序列随机打乱重排，计算重排后节点vertice_i与节点vertice_j的互相关性序列、权值及距离；根据随机状态下与常规状态下的权值分布及距离分布，设置随机相关性的W最大值为两节点的最小边权值W_min，并设置权重等于W_min的对应节点之间的距离为D_max；

步骤C3：建立交通道路相关性网络；对任意一对节点vertice_i与节点vertice_j，若在当前时间段其边权且距离D_i,j≤D_max，则在当前时间段的交通相关性节点vertice_i与节点vertice_j存在一条连边，建立相应交通道路相关性网络；

在步骤D中所述的“挖掘关键节点；根据节点vertice_i的强度，及节点vertice_i的平均影响范围，为节点影响力排序,挖掘关键路段”，其做法如下：基于建立的各时段加权交通相关性网路，计算任一节点vertice_i在该时段交通道路相关性网络中的强度，以及vertice_i所有连边距离D_i,j的平均值，利用这两个特征衡量路网各节点即路段的重要度，具体步骤如下：

步骤D1：计算节点强度；基于建立的各时段加权交通相关性网路，计算任一节点vertice_i在该时段交通道路相关性网络中强度，即该节点所有连边权重之和；

步骤D2：计算连边距离平均值；基于交通相关性网路，计算任一节点vertice_i的平均影响力距离，即该节点所有连边距离D_i,j的平均值，结合步骤D1的节点强度特征，利用这两个特征衡量路网各节点即路段的重要度。

2.根据权利要求1所述的一种基于复杂网络相关性的关键节点识别方法，其特征在于：

在步骤A中所述的“将一天划分为早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2；将路段即road_i抽象为节点即vertice_i，形成各节点在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列”，其做法如下：将一天划分为早高峰时段6:30-9:30、平峰时段13:00-16:00和晚高峰时段17:00-20：00；选择城市主要道路，将路段即road_i抽象为节点即vertice_i，收集同一道路在多个工作日给定时段的实时速度数据，按照工作日时间顺序首尾相接，得到该节点road_i在给定时段即早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列即序列中相邻速度时间间隔为Δt，具体步骤如下：

步骤A1：区分路网速度数据收集时段；首先区分工作日与非工作日，仅选择工作日，将各天数据根据所在地区的实际情况区分为早高峰时段：6:30-9:30、平峰时段13:00-16:00、晚高峰时段17:00-20:00；其中，时段的划分需要根据数据收集地的实际情况确定，并应取一个公共时长作为所有时间段的数据规范化范围，将时间段长度设置为3小时；

步骤A2：将路段即road_i抽象为节点即vertice_i；将原始路网中的道路记为网络中的节点，并且区分不同方向的道路为不同节点；

步骤A3：收集统计各节点vertice_i在各时段的速度时间序列收集各节点vertice_i在多个工作日的各时段实时速度数据，得到的各节点各时段速度时间序列可能存在缺失值，对于缺失的速度数据，采用公知方法进行补偿；最终，将节点vertice_i在同一时段的多个工作日速度时间序列按照工作日先后顺序相连，分别得到节点vertice_i在早高峰时段即RH1、平峰时段即NT1和晚高峰时段即RH2的速度时间序列；若网络有N个节点，各时间段长度取值180分钟，时间间隔Δt＝1分钟，工作日共5天，则速度时间序列长度为L＝180×5＝900分钟，速度时间序列用表示，其中i＝1,...,N,t＝1,...,L。