[发明专利]一种面向宏观基本图的多模式交通路网分区方法

权利要求书

1.一种面向宏观基本图的多模式交通路网分区方法，其特征在于，包括以下步骤：

S1、结合区域生长算法和综合评价法进行子区初始划分，子区中心的位置和数量分别根据路段集合XL和初始化子区数NR确定；在区域生长过程中，以社会车速度方差、公交车速度方差和路段到子区中心的距离作为评价指标，依次选取每步的最优路段放入区域中，直到区域所有的路段都有所属的区域；

S2、利用遗传算法与TOPSIS算法相结合将初始化子区逐步合并为MR个区域；根据初始化子区结果，以最小化社会车速度和公交车速度方差为目标，在保证同一区域内的子区地理上相邻的前提下，优化子区之间的组合方式；

S3、进行区域边界调整，识别在区域边界且与本区域只有较少路段相连的路段k，尝试调整该路段的所属区域，若调整结果比原先结果优则保留调整结果；边界调整算法将重复迭代调整边界路段所属分区，直至调整后分区性能指标不再改善为止；

S4、输出最后的分区结果；

所述步骤S2根据初始化子区结果，以最小化社会车速度和公交车速度方差为目标，在保证同一区域内的子区地理上相邻的前提下，优化子区之间的组合方式，具体目标函数为：

其中，和分别是区域mr路段的社会车速度和公交车速度集合，和分别是区域mr中社会车路段数和公交车路段数；

所述利用遗传算法与TOPSIS算法相结合将初始化子区合并为区域的具体过程如下：

S2-1、根据初始化子区位置关系生成子区邻接矩阵；

S2-2、根据子区邻接矩阵初始化染色体；

S2-3、计算各染色体的多模式指标；

S2-4、更新各模式的正负理想解；

S2-5、计算各染色体到正理想解的距离，并更新最优解；

S2-6、以各染色体到正理想解的距离作为虚拟适应度；

S2-7、基于虚拟适应度的染色体复制；

S2-8、基于子区的邻接矩阵进行遗传算法的选择、交叉、变异操作；

S2-9、依此类推，直到满足迭代条件。

2.根据权利要求1所述的一种面向宏观基本图的多模式交通路网分区方法，其特征在于，所述步骤S1的具体过程如下：

S1-1、根据路段的地理位置利用K-means算法，确定初始化子区的聚类中心；其公式如下所示：

cen^NR＝Kmeans(XL,NR),SR^nr←cen^nr；

上式中，cen^nr为第nr个子区的聚类中心路段，XL为所有路段集合，NR为初始化子区的数目，SR^nr为第nr个子区的路段集合；

S1-2、选取任一子区nr，识别该子区的邻接路段，作为备选路段集合；其公式如下所示：

SA^nr＝Adl(SR^nr)；

上式中，SA^nr为nr子区的备选路段集合，Adl为识别边界路段的函数；

S1-3、计算备选路段集合SA^nr中各路段的多模式速度方差乘积和到聚类中心的距离，利用TOPSIS算法选取最优路段放入SR^nr集合中，其规范决策矩阵构造如下：

上式中，M^nr矩阵为备选路段集合的规范决策矩阵，和分别为子区SR^nr的社会车速度集合和公交车速度集合，和分别为备选路段k的社会车速度和公交车速度，dis为计算路段k到聚类中心cen^nr的距离；

在此基础上，构造加权规范矩阵并计算各路段到正理想解与负理想解的距离：

上式中，m_kj为加权规范矩阵，w_j为j属性的权重，和分别是j属性的正理想解和负理想解，和分别为第k个路段到正理想解和负理想解的距离；

最后根据各路段的综合评价指数，选取综合指数最优的路段k^*，并将其放入路段集合SR^nr，计算公式如下：

根据以上迭代策略，每次选取一个路段加入到子区SR^nr中，直至所有路段皆有所属子区。

3.根据权利要求1所述的一种面向宏观基本图的多模式交通路网分区方法，其特征在于，所述步骤S3的具体过程如下：

S3-1、判断路段k是否在区域边界，若是，则进入步骤S3-2；否则，进入步骤S3-7；

S3-2、判断路段k的节点度是否等于1，若是，则进入步骤S3-3；否则，进入步骤S3-7；

S3-3、识别路段k的邻接区域；

S3-4、将路段k调整到邻接区域试算多模式指标；

S3-5、采用TOPSIS算法评价调整前后多模式指标；

S3-6、判断调整结果是否优于原方案，若是，则保存方案；否则，进入步骤S3-7；

S3-7、判断是否已遍历所有路段，若是，则输出分区结果；否则，返回步骤S3-1。