【技术实现步骤摘要】
一种基于复杂网络理论的交通风险预测方法
本专利技术提出了一种基于复杂网络理论的交通风险预测方法，它涉及风险分析、网络科学等
技术介绍
风险是指某可能发生的事件，如果发生则能够阻碍系统的发展，甚至走向衰亡，风险也被定义为事件发生与否的不确定性。风险在系统中客观存在，可以通过采用防范措施防止或降低风险发生导致的损失，却不能消除风险。在复杂系统中由于系统中的风险常常以发生突然、波及范围大、破坏力强的特点出现，给系统风险的识别预测和预防带来极大困难，也给复杂系统的风险管理控制及预防的研究提出新的挑战，并且系统风险的发生带来的损失会给人们的生活甚至社会的运行带来巨大的影响，因此采用科学的、合理的方法对复杂系统中的风险进行准确的预测是十分必要的。交通系统在人们出行及城市运转等方面扮演着重要的角色，近年来，随着移动互联及车载技术的快速发展，交通系统在结构和功能上呈现出高复杂性的特点。在复杂多变的环境及需求下，交通系统会面临车祸、施工封闭及暴雨、雪灾等人为及天然风险状况的发生，这些交通风险事件往往会造成交通拥堵，同时交通系统具有时...
【技术保护点】
1.一种基于复杂网络理论的交通风险预测方法，其特征在于：其步骤如下：/n步骤A：基于实证数据划分网格构建双层交通网络模型；/n步骤B：基于复杂网络理论的特征提取及筛选；/n步骤C：基于集成学习理论进行风险预测；/n步骤D：模型评价及验证。/n
【技术特征摘要】
1.一种基于复杂网络理论的交通风险预测方法，其特征在于：其步骤如下：
步骤A：基于实证数据划分网格构建双层交通网络模型；
步骤B：基于复杂网络理论的特征提取及筛选；
步骤C：基于集成学习理论进行风险预测；
步骤D：模型评价及验证。
2.根据权利要求1所述的一种基于复杂网络理论的交通风险预测方法，其特征在于：在步骤A中所述的基于实证数据划分网格构建双层交通网络模型，其做法如下：首先，获取研究区域道路的基础信息，包括交通网络道路信息和交通道路交叉路口的经纬度信息两部分，根据研究区域范围的面积及大小，依据道路路段及交叉路口的经纬度信息划分成N*M个网格区域，并对其进行标号；其次，针对每个网格区域，在微观层面在网格内部根据实际交通数据，以交叉路口作为节点、以路段作为边和以路段的相对速度作为边权，运用复杂网络理论及方法构建网格交通拥堵网络模型；在宏观层面，将每个网格区域作为节点、网格与网格之间是否存在拥堵道路作为是否连边的判断条和以网格之间存在拥堵道路的数量作为边权，运用复杂网络理论及方法构建网格节点交通网络模型；其具体作法如下：
步骤A1：基于地理信息划分网格区域；
步骤A2：速度数据预处理，获取相对速度矩阵
步骤A3：构建网格交通拥堵网络模型G1(N1,L1)；
步骤A4：构建网格节点交通网络模型G2(N2,L2)；
其中，在步骤A1中所述的基于地理信息划分网格区域，其具体做法如下：首先，利用编程软件Python从地理信息系统即Mapinfo文件里提取交通网络模型及划分网格区域所需的交通道路信息，提取的信息包含每个时刻下各道路的车载速度、交叉路口的经纬度信息及所研究交通系统的网络拓扑结构信息，在提取交叉路口经纬度过程中，利用Python调用百度地图应用程序编程接口即API并采用顺序遍历的方法利用路网的拓扑结构和交叉路口名称匹配得到路口的经纬度信息，并对由于百度地图和Mapinfo上道路交叉路口名称的差异性而导致经纬度获取失败的道路及路口信息处理得到准确标准的交通系统路网经纬度信息数据集；其次，根据上述所得到的研究区域的交通道路信息及交叉路口的经纬度信息，计算所研究区域内的面积S及经纬度的取值范围，并根据所研究区域的实际背景情况科学合理的确定划分网格数量为N*M个，则每个网格的面积为S/(N*M)；最后，根据划分的网格区域，依据交通网络中每个交叉路口的经纬度信息针对每个网格区域统计有哪些交叉路口在此网格中，并进行记录；
其中，在步骤A2中所述的速度数据预处理，获取相对速度矩阵其具体做法如下：在本步骤中，首先，根据车载全球定位系统即GPS的实际交通运行数据，在任意一个时刻ti，将所有R条道路对应的速度，按照道路本身的顺序关系，表示成向量形式Vi＝(v1,v2,…,vR)；进一步，对所有T个时刻重复上述过程，最后整合所有时刻的速度向量Vi生成初始速度矩阵其次，在运用浮动车技术收集交通系统速度信息的过程中，由于网络通信技术及人为和自然因素的影响，不能够保证每个时刻每个区域的速度信息都能完整的收集保留下来，因此需要对交通系统的原始速度信息进行速度补偿处理，即原始速度矩阵中存在部分缺失值，因此，需要查找速度矩阵中的速度缺失值，即矩阵中为值为0的元素，进行速度补偿；针对ti时刻下道路Rj的速度缺失值的进行补偿，首先在道路网络G(N,L)中找到道路Rj的邻居道路集合查找该集合内的道路在该时刻下是否存在速度记录，若集合中有一个元素存在速度记录则取其集合中元素的平均值，具体公式如下所示：
上式中，表示速度缺失的道路Rj在ti时刻的速度补偿值，表示速度缺失的道路Rj的邻居道路集合中不为0元素值的和，J表示速度缺失的道路Rj的邻居道路集合中不为0元素的个数；
如果道路Rj的所有邻居道路速度均没有记录，则将此道路Rj的速度补偿为0，在每次补偿后将原始的速度矩阵更新为补偿后的在每个时刻下重复上述过程，直至将速度矩阵内所有0值补偿完，得到完成的速度矩阵
在对原始绝对速度矩阵完成道路速度补偿后，由于各级道路等级的不同，因此要对补偿后的速度矩阵进行归一化处理求其相对速度，统一判定标准；对于任意一条道路Rj，从速度矩阵中提取该道路所有时刻的速度向量并提取该路段的最大限速将此时刻的速度向量中的每个速度值都除以最大限速来得到归一化速度得到归一化速度矩阵如下所示：
其中，在步骤A3中所述的构建网格交通拥堵网络模型G1(N1,L1)，其具体做法如下：针对步骤A中划分的各个网格区域，在每个网格区域下依照实际地图数据，首先运用Python及Mapinfo诸软件工具抽取出的道路之间的结构信息和各个网格区域中所包含的道路交叉路口信息；其次，按照实际研究的需要，选定合适的交通的地理覆盖范围，按照复杂网络的方法，在每个网格区域中将道路交叉路口抽象为网络中的节点，将网格区域交通网络中的道路抽象为网络中各节点间的连边，并以每条道路的相对速度作为连边的权重，以此来在每个网格区域中建立网格交通拥堵网络；同时，由于交通网络大多数道路都是双向行驶且具有方向性，因此，构建的网格交通拥堵网络为有向加权网络；
其中，在步骤A4中所述的构建网格节点交通网络模型G2(N2,L2)，其具体做法如下：首先，根据复数个网格区域中所包含的交叉路口信息及整个研究区域交通网络即整网的道路拓扑结构信息，构建网格之间交叉路口交通网络模型，即在整网的基础上删除网格区域内部所包含的道路拓扑结构信息；其次，统计网格区域与网格区域之间存在的拥堵道路的数量，并记录下来；最后，根据上述信息，运用复杂网络的理论及方法，将网格区域抽象为节点、网格与网格之间是否存在拥堵道路抽象为连边，并以网格之间拥堵道路的数量作为连边权重，以此来建立网格节点交通网络模型，由于此宏观层面的网格交通网络模型连边为无向的，因此本文发明构建网格节点交通网络模型为无向加权网络。
3.根据权利要求1所述的一种基于复杂网络理论的交通风险预测方法，其特征在于：在步骤B中所述的基于复杂网络理论的特征提取及筛选，其做法如下：针对每个时刻ti的网格交通拥堵网络和网格节点交通网络，简称为双层交通网络，设定渗流阈值q(t)对其进行渗流分析，并通过对双层交通网络的渗流分析确定渗流阈值q(t)；其次，针对每个时刻在其渗流阈值q(t)下的各个网格交通拥堵网络和网格节点交通网络中的节点即网格为研究对象，并运用复杂网络的理论及方法提取每个网格区域的特征，包括最大拥堵子团、节点介数均值、节点度均值、网格拥堵网络的平均速度及一阶近邻拥堵道路的数量诸结构及功能特征，并在此基础上运用机器学习方法对提取的特征筛选，选择对交通风险识别及预测效果贡献较大的特征，构建高质量样本特征集，最大程度上提升交通风险识别及预测的效果及效率；同时，以各个网格区域中t+Δt时刻拥堵道路比例对t时刻的网格区域进行打标签；以上所述过程的具体步骤如下：
步骤B1：交通网络的渗流分析；
步骤B2：基于复杂网络的风险特征提取；
步骤B3：基于机器学习的风险特征筛选；
其中，在步骤B1中所述的交通网络的渗流分析，其具体做法如下：运用渗流理论对双层交通网络进行渗流分析，首先针对每一个时刻的交通网络，给定一个控制变量，即渗流阈值，设其为q(t)，则在此交通网络中每一条道路将会呈现出两种状态：畅通状态即vi_ratio(t)＞q(t)和拥堵状态即vi_ratio(t)≤q(t)；将这个交通网络中畅通的连边从原始的网络中删除，将拥堵的连边保留在原始的交通网络中，剩下的网络就是t时刻处于拥堵状态的交通网络，简称为拥堵网络；在每个时刻下一个q(t)值对应一个拥堵网络，并且随着q(t)值的减小，该交通网络变得越拥堵，即失效的边越多，交通网络变得越来越稀疏，因此，选择在合适的渗流阈值q(t)，即城市交通网络处于拥堵信息最丰富的阶段时，对当前时刻的交通拥堵风险进行识别及预测；
其中，在步骤B2中所述的基于复杂网络的风险特征提取，其具体做法如下：在本步骤中在渗流阈值q(t)下对每个时刻构建网格交通拥堵网络和网格节点交通网络，从统计物理学的角度出发，运用复杂网络理论及方法从结构和功能两个角度出发对每个时刻下双层交通网络的网格区域初步进行微观及宏观特征提取；首先，在微观层面，将各个网格交通拥...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。