[发明专利]基于宏观基本图的城市路网控制子区的动态划分方法

摘要

本发明涉及城市路网划分方法，具体为基于宏观基本图的城市路网控制子区的动态划分方法，解决现有划分方法缺乏理论支撑，指标的阈值不科学，划分不系统，目标不全面，不能实时调整的问题，方案：1）初始化计算机；2）选取影响因素，采集基本数据；3）依照路网拓扑结构、交通信息数据，计算相邻路段之间的关系，建立权值矩阵；4）从局部表征路段间相似性，建立相似性矩阵；5）对路网进行初始划分；6）更新编号，合并小子区。优点：以路网内各路段的基本数据为基础，充分考虑相邻路段间的相互影响因素，有充分的理论基础支撑，能够实时调整，目标明确且划分更为合理。

主权项

1.一种基于宏观基本图的城市路网控制子区的动态划分方法，包括以下操作步骤：1)、初始化交通控制计算机：1.1)、利用VISSIM软件基于现实环境，依照路网基础资料，选取合适的待分区路网，设该路网为A路网，连接两相邻信号控制灯的道路为路段，路网内共有n条路段；1.2)、将路网A内的每条路段排序：边使得顶点与顶点相连接，它们构成的集合是图；顶点代表的是待研究的物体，边代表的为两物体间的特定关联；在图论中，通常运用二元组G＝(V,E)来代表图，假设选定路网A中路段与路段间相连的总边数为m，在此路网中，节点集合V＝(v1,v2,...,vn)代表所有相邻信号控制灯间的路段的集合，矩阵E＝(e)n×n表示路网内所有路段之间权值的集合，表征它们的特定关系；在只考虑路网A中的拓扑结构的情况下，当两路段空间相邻时，它们之间的权值为1，反之为0；进而利用阿拉伯数字1、2、...、n将每条路段排序；2)、选取影响路网交通情况的因素，将微波雷达检测器布置在每条路段中间，采集路网内每条路段的基本数据：2.1)、将微波雷达检测器布置在每条路段中间，获取的每条路段的基本数据包括：路段长度、车道数量、绿信比、周期时长；2.2)、将选定A路网内的进口和出口区分，并将流量检测器安置在每个进口和出口处；2.3)、将路网A中全部进口排序编号，R＝{R1,R2,...,Ra},并将路网中全部出口排序编号，S＝{S1,S2,...,Sb}，Ra表示第a个进口，Sb表示第b个出口；2.4)、监控流量并统计数据，Δt为采集周期时长，统计出全部的时间节点，T‑interval{t0,t1,...,ti,...}，这里，ti＝ti‑1+Δt；将每个时间节点的车流量统计，组成集合：Ri‑Entrance{R0i,...,Rni,...,Rai}，Si‑Exit{S0i,...,Sni,...,Sbi}，其中，Rni代表着第n个进口在ti‑1与ti之间的累积车辆数，Sni代表着第个n出口在ti‑1与ti之间的累积车辆数；2.5)、通过观察路网内车流量，在车流量低峰时段着手获取数据，计算出t₀时刻路网内的总车辆数N₀，N₀的计算公式如下所示：2.6)、将获取的数据进行适当处理，采集有效的信息数据，标记为O_i＝(N_i,G_i)这里，N_i代表着时间节点i内路网A中的总车辆数，G_i代表着时间节点i；N_i的计算公式如下：其中，上述步骤2.5)已经给出初始值N₀，于是对应的路网内车辆总数集合为N_i‑veh{N₀,N₁,...,N_i,...}；2.7)、在每一个采集周期内，依照每条路段的车辆数、车道数量，在该周期内，计算位于路网A中的平均交通密度，计算公式如下：其中，d_i代表第i个采集周期内A路网中的平均交通密度；N_i表示的是t_i时刻A路网内的车辆总数；l(i)是A路网内路段i的路段长度；li(i)表示路段i的车道数量；3)、依照选定路网的拓扑结构、交通信息数据，计算相邻路段之间的相邻关系，并建立权值矩阵：3.1)依据每条路段在路网A中的拓扑结构，由于路网中总的路段数目为n，因此建立一个n×n阶的邻接矩阵(adjacent)，当仅考虑路段间拓扑结构时，若任意路段i与路段j空间上相邻，adjacent(i,j)＝1，否则为0；邻接矩阵的表示公式如下：3.2)、在一个特定采集时段Δt内，综合考虑交通影响因素对宏观基本图MFD的影响强弱，更新邻接矩阵模型；若邻接矩阵adjacent(i,j)＝0，则任意路段i、j间的相邻关系为0，若adjacent(i,j)＝1，则更新后的权值计算模型如下：e(i,j)＝exp(‑1.3·di‑dj^3)+exp(‑20|gr(i)‑gr(j)|)+0.3exp(‑0.3|sp(i)‑sp(j)|)+0.05exp(‑|li(i)‑li(j)|)，其中，d为交通密度，gr(i)表示的为车辆从任意路段i驶向路段j方向上的绿信比，gr(j)表示的为车辆从任意路段j驶向路段i方向上的绿信比，sp(i)表示的为车辆从任意路段i驶向路段j方向时对应交叉口的周期时长，sp(j)表示的为车辆从任意路段j驶向路段i方向时对应交叉口的周期时长；3.3)、依照步骤2.1)中在检测器中采集到的绿信比、车道数量、路段长度、周期时长数据与检测器获得的对应车辆数，计算得出路网A中的各路段间的相邻关系，建立权值矩阵(e)n×n；4)、以局部来表征路段之间的相似性，并建立路段间的相似性矩阵：4.1)、在选定路网A内，任意相邻路段i与路段j间相关特性的计算公式如下：P(i,j)＝e(i,j)+e[N(i)∩N(j)]+e(G[N(i)∩N(j)])，其中，e(i,j)代表着路段i与路段j间的权值，e[N(i)∩N(j)]代表的是与路段i和路段j相连的公共路段与它们各自间的权值总和，e(G[N(i)∩N(j)])代表的为与路段i和路段j相连的公共路段彼此之间的权值总和；若该路网内路段i与j在空间上不是相邻关系，则它们的相关特性为0；4.2)、基于相关特性，选定路网A中的任意相邻路段i与路段j间局部相似性的计算公式如下：其中，max{e}代表的是当路网中任意相邻路段i与j在理想情况下即交通特性零差异时，它们之间的权值；e[N(i)∪N(j)]代表着不考虑i、j间的权值e(i,j)，i、j路段与各自相邻路段之间的权值之和；e(G[N(i)∪N(j)])是指不考虑i、j间的权值e(i,j)，路段i与j各自相邻路段组成的并集内各元素间的权值之和；若该路网内路段i与j在空间上不是相邻关系，则它们的局部相似性Lsim(i,j)＝0；4.3)、结合局部相似性特点，路网中路段间的相似性计算模型如下：4.4)、根据步骤3)中建立的权值矩阵模型，即可得出相似性矩阵(Similarity Matric,SM)SM＝{simij}，这里，simij代表着路段i、j间的相似性大小,表征着路段i与j的特定关系；5)、将选定路网A进行初始划分，将整个路网划分成了许多小控制子区，将每个控制子区作为一个单位，为各个子区均分配唯一的编号：5.1)、利用步骤4.3)计算得出的路段间相似性，按照由大到小的顺序将相似性值排列，取出第一个相似性值对应的两相邻路段；5.2)、若此对路段没有被分配控制子区时，将该对路段划入同一控制子区内，并赋予相同的子区编号，跳到步骤5.4)；5.3)、若此两路段中不存在两者均没有分配控制子区的情况，即取出的相似性值对应的两相邻路段中至少有一条路段已经赋予子区编号时，则舍弃此对路段，跳到步骤5.4)；5.4)、若此相似性值大于最小的相似性值，则取出下一个相似性值对应的两相邻路段，返回步骤5.2)；否则，初始划分结束，具有相同编号的路段处于一个控制子区；5.5)、进行控制子区边缘调整：5.5.1)、当寻找完毕所有路段，找到路网中剩余的未分配到控制子区编号的x条路段，并将它们的序号组成集合b＝{vk,vz,...,vy}，其中，1≤k＜z＜···＜y≤n，令c＝1；5.5.2)、取出b集合中第c个序号所代表的路段，寻找与该路段相似性最大的路段所在的子区，并将它分配到此控制子区，赋予与该控制子区相同的编号；5.5.3)、若c＜x，则c＝c+1，并返回步骤5.5.2)；否则，子区边缘调整结束；6)、更新编号，运用Fast‑Newman快速算法，利用模块度最大化理论，选出任意两小子区合并后模块度值增量ΔQ最大的对应编号，将该两小子区合并，将它们的编号更新为相同编号，并更新相似性矩阵；重复步骤，直到合并成一个区域；在每次合并时，计算路网的Q值，其中最大Q值对应的分区即最好的划分效果，从而完成最终的城市路网控制子区动态划分。