[发明专利]一种考虑路段交通流相关性的控制子区划分方法

说明书

本发明提供了一种考虑路段交通流相关性的控制子区划分方法，先对路网做抽象处理并建立道路邻接矩阵，然后采用用户均衡模型对路网进行交通分配进而得到各路段的交通流量，用路段交通流量除以路段实际长度得到各路段的拟交通流密度，建立关于路段拟交通流密度的相似度模型，以路段为节点、以相似度值作为各节点间的边权，通过引入边权参数对传统Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，且最终划分的交通控制子区更符合交通控制的需要。所述划分方法使用简单，从宏观上实现了对路网控制子区划分的优化，确保同一控制子区内的交通流具有较好的同质性，便于子区内及子区间的协调控制，理论上提高了路网的最大容量。

技术领域

本发明涉及交通路网管理技术领域，特别地，涉及一种考虑路段交通流相关性的控制子区划分方法。

背景技术

根据交通网络的拓扑结构以及交通流的网络分布特征，将庞大且复杂的路网划分成若干各独立的子区，并实现对各个子区内信号的有效控制，是使得整个路网系统变得更加高效、可靠和灵活的关键。

在对交通控制子区进行划分时，目前多是采用交叉口关联度模型，通过结合各种分区算法将交通特性相近的若干个交叉口划分到同一个控制子区内。也有一部分分区算法是以路段为聚类对象，依据一个特定时间内的拥挤特征，利用谱聚类中的归一化分割方法或聚类算法进行路网划分。如李刚奇、马莹莹等运用谱方法进行交通控制小区的划分，王晓轩等运用聚类算法进行交通控制小区的划分。

但是，谱聚类方法存在两个主要缺点：一是划分结果对参数值的敏感度很高；二是需求解矩阵的特征值，对于聚类规模较大的应用，计算和存储的压力较大。另外，基于聚类的交通控制小区划分算法，如k-means算法也存在如下缺点：即需要事先指定待分类数据—聚类数k，而且为了确定一个k值是否合适，用户往往需要选择若干个不同的k值来进行实验；由于有奇异值对象存在，可能会在一定程度上对数据的分布造成扭曲，k-means算法对于噪声敏感且不能解决任意形状的数据聚类问题。

综上所述，现有的交通控制子区的划分方法都具有一定局限性。

对于传统的Newman社团快速划分算法(即社区发现算法)常被用于解决社群划分问题，该算法的目的是将复杂的网络划分成多个“同质”社区，即同一社区内的各个节点间连接很紧密，而不同社区间的连接非常稀疏。由于其目的与交通控制小区的划分目的十分贴近，从某种意义上讲，其实Newman算法也算是一种可被用于划分交通控制小区的有效方法。

发明内容

本发明的目的在于提供一种可规避谱聚类算法的缺陷且更符合实际交通控制需求的交通子区划分方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供了一种考虑路段交通流相关性的控制子区划分方法，包括如下步骤：

步骤1)将道路网络中的路段抽象为点，相邻路段之间的连接关系抽象为边，使得整个区域内的路网被抽象成一个对偶的网络拓扑结构图；

步骤2)建立道路邻接矩阵，设定道路相邻的值为1，反之为0；

步骤3)对路网进行交通分配以得到各路段的交通流量，再通过计算各路段交通流量与对应路段实际长度的比值得到各路段的拟交通流密度；

步骤4)以各路段的拟交通流密度作为参数，建立关于路段拟交通流密度的相似度模型，求取模型值：

式中，d_i表示路段i的拟交通流密度，D_ij表示路段i和路段j间拟交通流密度的相似度水平，且D_ij的值越接近1则表示两条路段的拟交通流密度越相似；

步骤5)引入路段拟交通流密度的相似度值D_ij作为路网的边权，对传统的Newman社团快速划分算法进行改进，使其能被运用于有权的交通路网，改进后算法的执行过程如下：