考虑时变交通流量的路网交通子区动态划分方法及系统

1.本发明涉及智能交通技术领域，尤其涉及一种考虑时变交通流量的路网交通子区动态划分方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.城市道路承载的交通负荷和交通压力日益剧增，进而引发诸如交通拥堵、交通事故、空气污染、燃油消耗、噪声污染等交通问题，严重影响出行效率和经济发展。
4.由于城市区域中的路网规模庞大、结构复杂，交通流量具有随机性、动态性、多样性，直接对区域路网进行信号控制研究非常困难，难以提高整体路网的运行效率。因此根据交通流运行态势及子区划分需要满足的同质性、连通性、数量适中、面积适中等原则，将整个城市区域路网划分为若干个不同的交通控制子区，通过对每个子区进行协调控制以降低整个区域控制的复杂度，提高区域路网的通行能力和服务水平。
5.目前对交通子区划分的方法主要有静态子区划分和动态子区划分两种。静态子区划分对控制区域中的所有交叉口进行划分并保持划分方案固定不变。随着路网交通状态变化，静态子区划分难以满足实时变化的交通需求，从而影响路网区域协调控制效果。相比之下，采用动态子区划分进行路口划分能更好地适应交通流量变化，根据区域内交通流量的变化进行自适应子区划分调整以满足区域交通运行规律的变化。
6.在子区划分过程中，影响交通子区划分的因素有道路类别、道路等级、路网结构、区域范围、道路功能、相邻交叉口间距等静态因素和相邻交叉口交通流量、信号周期、相位相序、行驶时间、车流离散性、车流密度、车队长度等动态因素。其中相邻交叉口的交通流量、路网结构、信号周期对子区划分影响重大。
7.相邻交叉口之间的流量直观反映交叉口的交通状态和相似程度，相邻路口的关联度与交通流量成正比例。当相邻交叉口的流量较大时，交通流量呈现连续性，交通状态具有同质性，应划入同一子区；当相邻交叉口的流量较小时，交通流量呈现离散性，各交叉口独立运行，交通状态相互影响较弱，应划入不同子区。
8.当两个路段具有相同的结构时，车辆的运行模式和交通状态较为相似，相邻交叉口具有较大的关联度。相邻交叉口之间的距离反映了上下游交叉口的容量大小，相邻交叉口的关联度与路段长和车道数成反比关系。根据美国《交通控制系统手册》，当路网内相邻交叉口的空间距离超过800米时，应划入不同的控制子区。相邻交叉口间距离太大时，相邻交叉口间的交通流量随着行驶距离增加表现出离散状态；当相邻交叉口间的距离较小时，两个交叉口的交通状态互相影响，呈现连续性。当两个路段长度相等时，其中一条路段包含更多的车道数，其道路承载能力更高且发生交通拥堵的概率较低，对其他交叉口的运行影响较小，因而不能划入同一子区。
9.信号周期是交通流重要参数之一，对决定子区控制效果具有重要影响。协调控制
的相邻交叉口的信号周期一般相同或者呈现整数倍关系以保证相邻交叉口产生稳定的相位差，此时相邻交叉口的相似度较大，应划入同一控制子区。当相邻交叉口信号周期长度差值较大且无明显的倍数关系时，难以确定合适的协调控制信号周期，路口关联度较小，应划入不同控制子区。
10.经研究发现，目前对城市交通路网采用动态子区划分算法的研究较少，现有研究所选用的关联度模型未考虑交通密度的影响且大多采用静态子区划分，未能根据预测流量进行动态子区划分以适应交通状态变化。


技术实现要素：

11.为了解决上述背景技术中存在的技术问题，本发明提供一种考虑时变交通流量的路网交通子区动态划分方法及系统，其通过建立基于流量关联系数、密度关联系数、信号周期关联系数的交叉口关联度模型；对newman社团划分算法进行改进以适应无向有权路网；结合交叉口之间的距离原则提出城市路网交通子区动态划分方法，实现了对路网区域的划分研究。
12.为了实现上述目的，本发明采用如下技术方案：
13.本发明的第一个方面提供一种考虑时变交通流量的路网交通子区动态划分方法。
14.考虑时变交通流量的路网交通子区动态划分方法，包括：
15.构建交通路网拓扑图；
16.预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；
17.依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；
18.在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；
19.依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；
20.以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。
21.进一步地，所述构建路网拓扑图的过程包括：将交叉口抽象为节点，交叉口间的路段抽象为边，对节点和边进行编号，并获取边与边之间的距离信息，构建路网拓扑图。
22.进一步地，所述预测各个交叉口未来一段时间内的交通流量的过程包括：
23.获取各个交叉口的当前交通流量数据，将所述当前交通流量数据在时间特性上按照邻近性、阶段性和趋势性进行分片处理，得到邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合；
24.基于邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合，采用深度卷积门控网络预测模型，得到各个交叉口未来一段时间内的交通流量。
25.更进一步地，所述采用深度卷积门控网络预测模型的过程包括：
26.对邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合均进行融合外部因素处理，得到邻近性时间序列交通流特征矩阵、阶段性时间序列交通流特征矩阵和趋势性时间序列交通流特征矩阵；
27.将邻近性时间序列交通流特征矩阵、阶段性时间序列交通流特征矩阵和趋势性时
间序列交通流特征矩阵进行加权融合，得到融合交通流特征矩阵；
28.将融合交通流特征矩阵通过梯度反向传播和adam优化算法，得到各个交叉口未来一段时间内的交通流量。
29.进一步地，所述各个交叉路口的关联度值通过交叉口关联度模型得到，所述交叉口关联度模型为：
[0030][0031]
式中，i
q(a，b)
为交叉口a与交叉口b的流量关联度，i
c(a，b)
为交叉口a与交叉口b的信号周期关联度，i
ρ(a，b)
为交叉口a与交叉口b的密度关联度。
[0032]
进一步地，所述对交通路网拓扑图进行初步划分的过程按照以下规则：
[0033]
若相邻交叉口间距l＜200米，两交叉口交通状态互相影响，划为同一子区；
[0034]
若相邻交叉口间距l＞800米，两交叉口的交通状态独立，划分不同子区；
[0035]
若相邻交叉口间距200米＜l＜800米，依据改进newman算法按照模块度增量最大的方向对节点进行合并，直至整个网络凝聚为一个社团，根据树状图得到最优划分。
[0036]
进一步地，所述依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值的过程采用改进newman算法实现。
[0037]
更进一步地，所述改进newman算法包括：
[0038]
基于交通路网拓扑图，对每个节点编号；
[0039]
计算两相邻路口a和b的关联度作为路网中边的权值；
[0040]
路网中n个节点初始化，建立邻接矩阵；
[0041]
根据邻接矩阵，依次合并各个子网络并计算合并后的模块度增量；
[0042]
选择模块度增量最大的节点进行合并，并更新相关参数；
[0043]
重新计算依次合并各个子网络并计算合并后的模块度增量，直至整个网络凝聚为一个社团时算法结束；
[0044]
绘制社团划分树状图，模块度最大值位置处得到最优子区划分结果。
[0045]
进一步地，根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整的过程按照以下规则：
[0046]
若d≤d
′
，不需要进行子区重新划分；
[0047]
若d》d
′
，需要进行子区重新划分；
[0048]
其中，d为前后两次最大模块度差值，d
′
为再划分阈值。
[0049]
本发明的第二个方面提供一种考虑时变交通流量的路网交通子区动态划分系统。
[0050]
考虑时变交通流量的路网交通子区动态划分方法，包括：
[0051]
拓扑构建模块，其被配置为：构建交通路网拓扑图；
[0052]
第一预测模块，其被配置为：预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；
[0053]
初划分模块，其被配置为：依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；
[0054]
第二预测模块，其被配置为：在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；
[0055]
划分调整模块，其被配置为：依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；
[0056]
动态划分模块，其被配置为：以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。
[0057]
与现有技术相比，本发明的有益效果是：
[0058]
本发明综合分析交通预测流量、路网结构、信号周期对相邻交叉口关联度的影响，建立基于流量关联系数、密度关联系数、信号周期关联系数的交叉口关联度模型。对传统newman社团划分算法进行改进以适应无向有权路网的子区划分，并结合交叉口之间的距离原则，提出了城市路网交通子区动态划分方法，实现了对路网区域的划分研究，以便更好地对城市交通路网进行信号优化控制以提高道路通行能力，缓解道路交通拥堵。
附图说明
[0059]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0060]
图1是本发明示出的考虑时变交通流量的路网交通子区动态划分方法的流程图；
[0061]
图2是本发明示出的时空特征融合图的流程图；
[0062]
图3是本发明示出的深度卷积门控网络结构图；
[0063]
图4是本发明示出的路网区域交叉口图；
[0064]
图5是本发明示出的子区划分前路网拓扑图；
[0065]
图6是本发明示出的子区划分模块度对比图；
[0066]
图7(a)是本发明示出的基于动态子区划分算法的子区划分树状图；
[0067]
图7(b)是本发明示出的基于动态子区划分算法的划分后路网拓扑图；
[0068]
图8(a)是本发明示出的基于newman算法的静态子区划分树状图；
[0069]
图8(b)是本发明示出的基于newman算法的静态划分后路网拓扑图；
[0070]
图9(a)是本发明示出的基于改进newman算法的静态子区划分树状图；
[0071]
图9(b)是本发明示出的基于改进newman算法的静态划分后路网拓扑图。
具体实施方式
[0072]
下面结合附图与实施例对本发明作进一步说明。
[0073]
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0074]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0075]
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表
一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
[0076]
实施例一
[0077]
本实施例提供了一种考虑时变交通流量的路网交通子区动态划分方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。本实施例中，该方法包括：
[0078]
构建交通路网拓扑图；
[0079]
预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；
[0080]
依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；
[0081]
在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；
[0082]
依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；
[0083]
以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。
[0084]
下面结合附图对本实施例的技术方案进行详细描述：
[0085]
如图1所示，本实施例所述的考虑时变交通流量的路网交通子区动态划分方法，包括以下步骤：
[0086]
步骤1：抽象和简化城市交通路网，将交叉口抽象为节点，交叉口间的路段抽象为边，对节点和边进行编号并获取边与边之间的距离信息，构建路网拓扑图。
[0087]
步骤2：分别对路网区域中各个交叉口进行短时交通流量预测，预测未来短时内的交叉口流量变化，图2为时空特征融合图，图3为深度卷积门控网络结构图。
[0088]
步骤3：利用交叉口关联度模型对区域路网内各个交叉口进行关联度计算。
[0089]
步骤4：依据交叉口间的距离最大最小原则对路网区域进行初步划分：
[0090]
(1)若相邻交叉口间距l《200米，两交叉口交通状态互相影响，划为同一子区；
[0091]
(2)若相邻交叉口间距l》800米，两交叉口的交通状态独立，划分不同子区；
[0092]
(3)若相邻交叉口间距200米《l《800米，依据改进newman算法按照模块度增量最大的方向对节点进行合并，直至整个网络凝聚为1个社团，根据树状图得到最优划分。
[0093]
步骤5：在下一个时间预测段，依据更新的交通流量预测值计算路网中各交叉口新
的关联度值，并利用改进newman算法计算得到最大模块度值，根据前后两次最大模块度差值d与再划分阈值d
′
的关系对区域进行动态划分和重新调整。规则如下：
[0094]
(1)若d≤d
′
，说明相邻交叉口交通状态变化较小，仍具有较大的关联性，不需要进行子区重新划分；
[0095]
(2)若d＞d
′
，说明相邻交叉口交通状态变化较大，关联性较小，此时需要进行子区重新划分，通过子区划分带来协调控制效果的提升大于子区划分过程中所引发的交通状态失控。
[0096]
步骤6：循环迭代步骤5直至流程结束，绘制社团划分树状图，模块度最大值位置处得到最优的子区划分个数，从而实现交通子区的动态划分。
[0097]
具体地，步骤2具体按照以下步骤实现：对各个交叉口进行短时交通流量预测的过程为：通过对历史交通流数据分析处理，挖掘交通数据中的时空特征；采用3d卷积、门控循环网络、残差网络等模块搭建深度卷积门控网络模型；同时融合交通流数据、天气、节假日、周末等因素，预测未来短时路网区域内的交通流量。
[0098]
步骤2.1：将交通流量数据集按照经纬度坐标划分为h
×
w的栅格，位置处于第i行、第j列的栅格表示为r(i，j)，分别统计每个区域内车辆的流入数量和流出数量，将第t个时间段内的交通流表示为张量x
t
∈r2×h×w。将交通流量数据在时间特性上按照邻近性、阶段性和趋势性进行分片处理。邻近性时间序列集合mc、阶段性时间序列集合m
p
、趋势性时间序列集合m
t
表示如下：
[0099][0100][0101][0102]
其中，lc为邻近性时间戳的个数；其中l
p
为时间戳个数，p为阶段性时间间隔个数；其中lq为时间戳个数，q为趋势性时间间隔个数。
[0103]
步骤2.2：建立深度卷积门控网络预测模型，模型分为四部分：数据输入、特征选择、融合机制、流量预测。首先将处理并分组好的交通流数据按照相同张量格式输入到模型中；3d卷积用于提取数据中的时空特征，由于3d卷积受卷积核大小影响，难以挖掘较长时间序列特性，为此通过门控循环单元gru模块深层提取时间特征；受限于模型深度影响，通过残差单元resnet增大网络训练深度并提高网络训练能力。
[0104]
步骤2.3：进行短时交通流量预测。将经过处理的外部数据特征拼接到交通流数据特征中，依据三种不同划分尺度进行数据特征的加权融合，融合机制的公式如下：
[0105][0106]
式中：为点乘运算符，wc、w
p
、w
t
分别为三个可学习参数，m
ce
、m
pe
、m
te
为三个融合外部因素的交通流特征矩阵。最后将融合后的数据特征值进行输出格式转换并通过梯度反向传播和adam优化算法进行模型训练，模型的损失函数定义为均方误差，公式如下：
[0107]
[0108][0109]
式中：为预测的交通流，tanh为激活函数，将值转换为[-1，1]范围内，l
θ
为损失函数。
[0110]
具体地，步骤(3)中，交叉口关联度模型综合考虑交通流量、路网结构、信号周期三种影响因素。
[0111]
a流量关联系数
[0112]
流量关联系数引入roberston模型中的离散系数改进whitson关联度模型，定义为：
[0113][0114][0115]
t＝0.8t
ꢀꢀꢀꢀ
(9)
[0116]
式中：i
q(a
→
b)
为路网内相邻交叉口a至b的流量关联系数；q
max
为上游交叉口最大交通流；t为两个交叉口间的行程时间，单位为min；qk为深度卷积门控网络预测模型输出的预测流量，t为相邻两路段行程时间的0.8倍，为下游交叉口进口道的交通流总和，单位为veh/h。
[0117]
考虑交通流具有双向性，交叉口总流量关联度取双向中的最大值，如下所示：
[0118]iq(a，b)
＝max(i
q(a
→
b)
，i
q(b
→
a)
)
ꢀꢀ
(10)
[0119]
式中：i
q(a，b)
为流量关联系数。
[0120]
b密度关联系数
[0121]
交通流密度是交通状态三大要素之一，能够较为准确直观地刻画交通状态，对于研究两相邻交叉口的关联度具有重要的参考价值。本文的密度关联度值公式如下。
[0122][0123][0124]
式中：ρ
(a
→
b)
为从交叉口a行驶至交叉口b的交通流密度；ρ
s(a
→
b)
为饱和状态下从交叉口a行驶至交叉口b的交通流密度；na→b为交叉口a、b之间的车道数，la→b为交叉口a、b之间的路段长。
[0125]
c信号周期关联系数
[0126]
在进行子区划分时，相邻交叉口一般具有相同的周期时长或者信号周期呈现整数倍关系，此时产生的相位差稳定，便于信号协调控制。现有研究中定义相邻交叉口的信号周
期关联度如下：
[0127][0128]
式中：ca，cb为交叉口a与交叉口b的信号周期；r为相邻交叉口周期比值的最大值，通常取2。
[0129]
综合考虑上述三种关联度，建立相邻交叉口间的总关联度模型如公式
[0130][0131]
步骤5中改进newman算法是一种以贪婪思想为基础的层次聚类算法，对newman算法进行改进以适应向有权网络划分。它以复杂网络理论中的社团分解法为依据，通过将路网中每个节点抽象为一个社团并计算各个社团的模块度，然后按照模块度增量最大的方向合并节点并更新合并后的模块度，迭代运行直至将所有节点合并为一个社团时算法结束，在社团划分过程中模块度最大时对应的子区数量为最优划分结果，该方法自底向上进行，无需先验知识便可自行确定子区数量和规模，应用较为广泛。模块度是衡量复杂网络社团划分常用标准，取值范围在[0.3，0.7]，模块度值越大代表社团结构强度越明显，其表达式如下：
[0132][0133][0134][0135]
式中，元素c
ij
为社团i与社团j相连边的关联度和在网络总边关联度和的占比，c
ii
为社团i内部节点的关联度和与网络关联度和的比值，vi为社团i和与与其相连的外部社团之间的相连边关联度和在整个网络关联度和的占比，w
ij
为社团i与社团j所连边的关联度值和。
[0136]
步骤5具体按照以下步骤实现：
[0137]
步骤5.1：选取网络抽象为拓扑结构图，并对每个节点编号；
[0138]
步骤5.2：计算两相邻路口a和b的关联度i
a，b
作为路网中边的权值；
[0139]
步骤5.3：路网中n个节点初始化，建立邻接矩阵c＝{c
ij
}
i，j∈n
ꢀꢀ
(18)
[0140]
步骤5.4：依次合并各个子网络并计算合并后的模块度增量δqw；
[0141]
δqw＝c
ij
+c
ji-2vivj＝2(c
ij-vivj)
ꢀꢀꢀꢀ
(19)
[0142]
步骤5.5：选择模块度增量最大的节点进行合并，并更新上述参数；
[0143]
步骤5.6：转至步骤5.4继续执行，直至整个网络凝聚为1个社团时算法结束；
[0144]
步骤5.7：绘制社团划分树状图，模块度最大值位置处得到最优子区划分结果。
[0145]
步骤6：循环迭代步骤5直至流程结束，绘制社团划分树状图，模块度最大值位置处得到最优的子区划分个数，从而实现交通子区的动态划分。
[0146]
本实施例，选取某市某区包含12个交叉口在内的核心区域进行仿真分析，路网如图4所示，该区域交通流量大、交通状态复杂、交通拥堵严重，对该区域进行子区划分意义重大，路网拓扑图如图5。路网区域北至和平路，南至经十路，西至历山路，东至燕子山路；共包括12个交叉路口和28条路段，主干道包括和平路、文化东路、经十路、历山路、山师东路、山大路和燕子山路。
[0147]
针对选取的历下区路网区域，根据道路基本信息表(如表1所示)、交叉口基本信息表(如表2所示)、交叉口间距表(如表3所示)，利用相邻交叉口间的总关联度模型计算相邻交叉口的关联度值，如表4。
[0148]
表1路网道路基本信息表
[0149][0150]
表2路网交叉口基本信息表
[0151]
[0152][0153]
表3路网内相邻交叉口间距表
[0154]
[0155][0156]
表4相邻交叉口的关联度值表
[0157]
[0158][0159]
基于传统newman算法的静态划分方法适应于无权无向网络，以相邻交叉口间的邻接矩阵衡量交叉口之间的关系，无法根据交叉口各边之间关联程度强弱进行划分。
[0160]
基于改进newman算法的静态划分方法适应于有权无向网络，以相邻交叉口间的关联度值作为子区划分依据，但是划分方法固定不变，无法根据交叉口实时交通特性进行动态划分。
[0161]
为验证本文提出的动态子区划分算法的有效性，与基于传统newman算法的静态划分方法、基于改进newman算法的静态划分方法进行对比实验，三种方法的模块度值如图6所示。从图中可得动态子区划分方法的最大模块度值高于其他两种方法，代表该方法划分后各子区内部具有较高相似性，验证子区划分算法的有效性。
[0162]
图6中，横轴为划分子区个数，纵轴为对应模块度值，基于动态子区划分方法的最大模块度值为0.4556，所对应的最优化分子区个数为5，因此在图7(a)所示的树状图中对应5个子区的位置处断开，得到具体子区信息，划分后的路网图共构成5个子区，其中交叉口1和2、3和7、5和6各为一个子区，交叉口4、8、12构成一个子区，交叉口9、10、11构成一个子区，划分后路网拓扑图如图7(b)。当划分子区个数为3时，基于newman算法的静态划分方法的模块度峰值0.3363，其对应树状图如图8(a)所示、路网拓扑图如图8(b)所示，其中交叉口1、2、3、5、6、7为一个子区，交叉口4、8、12构成一个子区，交叉口9、10、11构成一个子区。基于改进newman算法的静态划分方法的树状图如图9(a)所示、路网拓扑图如图9(b)。划分后的路网图为4个子区时，得到模块度峰值0.4055。其中交叉口1、2、3为一个子区，交叉口5、6、7为一个子区，交叉口4、8、11、12构成一个子区，交叉口9、10构成一个子区。
[0163]
为评价路网子区划分结果的合理性，引入路网平均密度离散度作为城市交通子区划分结果的评价指标，路网平均密度离散度越小，子区划分效果越好。子区划分信息如表5所示。动态子区划分方法平均离散度值低于其余两种，验证动态子区划分方法的有效性。
[0164]
表5路网子区划分结果表
[0165][0166]
实施例二
[0167]
本实施例提供了一种考虑时变交通流量的路网交通子区动态划分系统。
[0168]
考虑时变交通流量的路网交通子区动态划分方法，包括：
[0169]
拓扑构建模块，其被配置为：构建交通路网拓扑图；
[0170]
第一预测模块，其被配置为：预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；
[0171]
初划分模块，其被配置为：依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；
[0172]
第二预测模块，其被配置为：在下一个时间预测段，依据更新预测的交通流量，计
算各个交叉口的新关联度值；
[0173]
划分调整模块，其被配置为：依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；
[0174]
动态划分模块，其被配置为：以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。
[0175]
此处需要说明的是，上述拓扑构建模块、第一预测模块、初划分模块、第二预测模块、划分调整模块和动态划分模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0176]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.考虑时变交通流量的路网交通子区动态划分方法，其特征在于，包括：构建交通路网拓扑图；预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。2.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述构建路网拓扑图的过程包括：将交叉口抽象为节点，交叉口间的路段抽象为边，对节点和边进行编号，并获取边与边之间的距离信息，构建路网拓扑图。3.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述预测各个交叉口未来一段时间内的交通流量的过程包括：获取各个交叉口的当前交通流量数据，将所述当前交通流量数据在时间特性上按照邻近性、阶段性和趋势性进行分片处理，得到邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合；基于邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合，采用深度卷积门控网络预测模型，得到各个交叉口未来一段时间内的交通流量。4.根据权利要求3所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述采用深度卷积门控网络预测模型的过程包括：对邻近性时间序列集合、阶段性时间序列集合和趋势性时间序列集合均进行融合外部因素处理，得到邻近性时间序列交通流特征矩阵、阶段性时间序列交通流特征矩阵和趋势性时间序列交通流特征矩阵；将邻近性时间序列交通流特征矩阵、阶段性时间序列交通流特征矩阵和趋势性时间序列交通流特征矩阵进行加权融合，得到融合交通流特征矩阵；将融合交通流特征矩阵通过梯度反向传播和adam优化算法，得到各个交叉口未来一段时间内的交通流量。5.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述各个交叉路口的关联度值通过交叉口关联度模型得到，所述交叉口关联度模型为：式中，i
q(a,b)
为交叉口a与交叉口b的流量关联度，i
c(a,b)
为交叉口a与交叉口b的信号周期关联度，i
ρ(a,b)
为交叉口a与交叉口b的密度关联度。6.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述对交通路网拓扑图进行初步划分的过程按照以下规则：若相邻交叉口间距l<200米，两交叉口交通状态互相影响，划为同一子区；若相邻交叉口间距l>800米，两交叉口的交通状态独立，划分不同子区；
若相邻交叉口间距200米<l<800米，依据改进newman算法按照模块度增量最大的方向对节点进行合并，直至整个网络凝聚为一个社团，根据树状图得到最优划分。7.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值的过程采用改进newman算法实现。8.根据权利要求6或7所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，所述改进newman算法包括：基于交通路网拓扑图，对每个节点编号；计算两相邻路口a和b的关联度作为路网中边的权值；路网中n个节点初始化，建立邻接矩阵；根据邻接矩阵，依次合并各个子网络并计算合并后的模块度增量；选择模块度增量最大的节点进行合并，并更新相关参数；重新计算依次合并各个子网络并计算合并后的模块度增量，直至整个网络凝聚为一个社团时算法结束；绘制社团划分树状图，模块度最大值位置处得到最优子区划分结果。9.根据权利要求1所述的考虑时变交通流量的路网交通子区动态划分方法，其特征在于，根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整的过程按照以下规则：若d≤d
′
，不需要进行子区重新划分；若d>d
′
，需要进行子区重新划分；其中，d为前后两次最大模块度差值，d
′
为再划分阈值。10.考虑时变交通流量的路网交通子区动态划分方法，其特征在于，包括：拓扑构建模块，其被配置为：构建交通路网拓扑图；第一预测模块，其被配置为：预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；初划分模块，其被配置为：依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；第二预测模块，其被配置为：在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；划分调整模块，其被配置为：依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；动态划分模块，其被配置为：以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。

技术总结
本发明涉及智能交通技术领域，提供了一种考虑时变交通流量的路网交通子区动态划分方法及系统。该方法包括，构建交通路网拓扑图；预测各个交叉口未来一段时间内的交通流量，以计算各个交叉路口的关联度值；依据各个交叉路口的关联度值，对交通路网拓扑图进行初步划分，得到若干个子区；在下一个时间预测段，依据更新预测的交通流量，计算各个交叉口的新关联度值；依据各个交叉口的新关联度值，对若干个子区进行合并，计算最大模块度值；根据前后两次最大模块度差值与再划分阈值的关系，对区域进行动态划分和重新调整；以模块度最大值位置处为最优的子区划分个数，对交通路网拓扑图的子区域进行动态划分。区域进行动态划分。区域进行动态划分。


技术研发人员：朱文兴 赵军
受保护的技术使用者：山东大学
技术研发日：2023.06.26
技术公布日：2023/9/25