[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

说明书

本发明公开了一种面向宏观基本图的多模式交通路网分区方法，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；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；S3、进行区域边界调整；S4、输出最后的分区结果。本发明考虑了路段与区域的整体方差关系和路网的多模式属性；初始化子区算法和合并子区算法的指标均优于传统算法；整体算法的分区质量(TV)相比较已有分区算法的结果有大幅度提升；分区结果和多源数据的处理结果，可以识别并得到多模式MFD图形，得到区域内社会车数量和公交车数量的最佳比例，为多模式交通流集成控制提供理论指导。

技术领域

本发明涉及智能交通的技术领域，尤其涉及到一种面向宏观基本图的多模式交通路网分区方法。

背景技术

随着社会的发展，机动车拥有量也迅猛增长，随之而来的交通阻塞问题也越来越严重。城市交通信号控制系统身为负责管理与控制整个城市路网的角色，为了提高城市路网的交通控制效果，有必要进行路网分区。

而网络交通流宏观基本图(Macroscopic Fundamental Diagram，MFD)作为网络交通流研究的新进展，在最近的研究中越来越受到人们的关注。

其中，文献[1]根据传统单模式MFD理论提出了“初始分区--子区合并--边界调整”三步法。在此方法中，初始化步骤利用谱方法对子区进行初步划分，再利用考虑邻接区域相似度的合并算法合并子区，最后根据区域形状对边界路段进行调整。

然而，现有算法在初始分区和子区合并步骤中，仅考虑邻接路段和邻接子区的方差关系，易导致将不同拥堵程度的路段划分在同一子区。另外，该算法只考虑社会车流的速度(或密度)，不适用于多模式交通路网。

发明内容

本发明的目的在于克服现有技术的不足，提供一种面向宏观基本图的多模式交通路网分区方法，进一步考虑了路段与区域的整体方差关系和路网的多模式属性；初始化子区算法和合并子区算法的指标均优于传统算法；整体算法的分区质量(TV)相比较已有分区算法的结果有大幅度提升；分区结果和多源数据的处理结果，可以识别并得到多模式MFD图形，得到区域内社会车数量和公交车数量的最佳比例。

为实现上述目的，本发明所提供的技术方案为：

一种面向宏观基本图的多模式交通路网分区方法，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。

进一步地，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；