本發(fā)明屬于智能交通管理，具體涉及一種基于動態(tài)拓?fù)渲貥?gòu)的道路網(wǎng)絡(luò)交通分流方法。

背景技術(shù)：

1、隨著城市化進(jìn)程的加速和機(jī)動車保有量的持續(xù)增長，城市交通系統(tǒng)的運(yùn)行壓力顯著增加，尤其是在突發(fā)事件(如交通事故、道路施工和自然災(zāi)害等)發(fā)生時，這些事件常常對交通網(wǎng)絡(luò)的通行能力和穩(wěn)定性造成嚴(yán)重沖擊。據(jù)文獻(xiàn)[1]研究表明，異常事件是導(dǎo)致交通網(wǎng)絡(luò)效率降低的主要原因，其影響機(jī)制主要表現(xiàn)為局部通行能力下降、流量重新分布及連鎖擁堵效應(yīng)等。

2、在異常事件的影響下，交通網(wǎng)絡(luò)主要面臨兩大問題。首先，局部節(jié)點(diǎn)通行能力下降。道路的通行能力與車流速度和密度的關(guān)系密切，而突發(fā)事件會導(dǎo)致局部路段的通行速度顯著降低甚至完全中斷[2]。這一現(xiàn)象使得交通網(wǎng)絡(luò)的連通性大幅削弱，導(dǎo)致原有的路徑規(guī)劃失效，進(jìn)一步引發(fā)網(wǎng)絡(luò)運(yùn)行效率下降的問題。其次，流量重新分布并發(fā)生擁堵擴(kuò)散。異常事件發(fā)生后，車輛通常會通過自發(fā)繞行或在交通管理部門的引導(dǎo)下選擇替代路徑。然而，這種流量重分布往往是不均衡的，容易對周邊路段施加額外壓力，形成新的擁堵點(diǎn)，進(jìn)而加劇交通系統(tǒng)的不穩(wěn)定性[3]。這類擴(kuò)散效應(yīng)具有非線性特征，極易引發(fā)局部擁堵向整個交通網(wǎng)絡(luò)的快速傳播。

3、針對這些問題，現(xiàn)有的交通分流方法存在明顯的技術(shù)局限性，具體表現(xiàn)為兩個方面。首先，缺乏對網(wǎng)絡(luò)動態(tài)變化的適應(yīng)性?，F(xiàn)有大多數(shù)方法主要依賴于固定權(quán)重的路徑規(guī)劃模型，例如經(jīng)典的dijkstra算法[4]和a*算法[5]，這些方法假設(shè)交通網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)在事件發(fā)生期間保持不變，難以應(yīng)對路段通行能力動態(tài)變化的復(fù)雜場景，導(dǎo)致分流方案缺乏靈活性和準(zhǔn)確性。其次，無法全面捕捉事故擴(kuò)散效應(yīng)。部分方法雖然引入了實(shí)時更新，但通常僅對局部路段進(jìn)行簡單調(diào)整，未能系統(tǒng)地重新評估整個交通網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。例如文獻(xiàn)[6]中提出的最短路徑優(yōu)化算法僅考慮了事故核心區(qū)域，忽略了外圍路段的擴(kuò)散影響，導(dǎo)致次生擁堵問題無法得到有效緩解。

4、鑒于現(xiàn)有技術(shù)的顯著不足，亟需一種能夠靈活適應(yīng)網(wǎng)絡(luò)動態(tài)變化、全面捕捉事故擴(kuò)散效應(yīng)的新型交通分流方法。本發(fā)明針對上述需求，提出了一種基于動態(tài)拓?fù)渲貥?gòu)的道路網(wǎng)絡(luò)交通分流方法。本方法首先通過動態(tài)鄰接矩陣更新，科學(xué)地反映受影響節(jié)點(diǎn)及路段的連接強(qiáng)度變化，同時增強(qiáng)潛在繞行路徑與非受影響節(jié)點(diǎn)之間的連接權(quán)重，從而實(shí)現(xiàn)網(wǎng)絡(luò)拓?fù)涞淖赃m應(yīng)調(diào)整。相比傳統(tǒng)固定拓?fù)浣Y(jié)構(gòu)方法，本發(fā)明能夠更精準(zhǔn)地捕捉交通網(wǎng)絡(luò)動態(tài)變化，顯著提升分流策略的靈活性和可靠性。并且，通過數(shù)據(jù)驅(qū)動全面量化事故影響區(qū)域，為拓?fù)渲貥?gòu)提供數(shù)據(jù)支持，不僅更精確地反映事故的實(shí)際影響，還為動態(tài)分流路徑規(guī)劃奠定了科學(xué)基礎(chǔ)。此外，在更新后的動態(tài)拓?fù)浣Y(jié)構(gòu)上，結(jié)合最優(yōu)路徑算法與網(wǎng)絡(luò)容量約束條件，生成科學(xué)合理的分流方案，與現(xiàn)有最短路徑算法相比，本發(fā)明充分考慮了交通流的動態(tài)特性和網(wǎng)絡(luò)容量限制，能夠有效避免新的擁堵點(diǎn)產(chǎn)生，同時最大限度提升交通系統(tǒng)的整體運(yùn)行效率。綜上所述，本發(fā)明創(chuàng)新性地將動態(tài)拓?fù)渲貥?gòu)與數(shù)據(jù)驅(qū)動的精確評估相結(jié)合，克服現(xiàn)有方法在適應(yīng)性、精確性上的不足。通過動態(tài)更新鄰接矩陣及高效路徑規(guī)劃，本發(fā)明能夠?yàn)榻煌ü芾聿块T提供靈活、精確的分流策略，有效應(yīng)對異常事件引發(fā)的擁堵問題，提升道路網(wǎng)絡(luò)的自適應(yīng)能力與應(yīng)急響應(yīng)效率。

5、[1]smith?j，et?al.impact?of?incidents?on?urban?trafficflow.transportation?research?part?a，2020.

6、[2]zhao?x，et?al.modeling?road?capacity?under?disruptiveevents.journal?of?traffic?engineering，2021.

7、[3]liu?y，et?al.traffic?flow?redistribution?mechanisms.ieeetransactions?on?intelligent?transportation?systems，2019.

8、[4]dijkstra?e.a?note?on?two?problems?in?connexion?withgraphs.numerische?mathematik，1959.

9、[5]hart?pe，et?al.the?a*algorithm?for?shortest?pathsearch.communications?of?the?acm，1968.

10、[6]wang?y，et?al.optimization?of?traffic?routing?underdisruption.journal?of?applied?transportation?research，2022.

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于動態(tài)拓?fù)渲貥?gòu)的道路網(wǎng)絡(luò)交通分流方法，旨在應(yīng)對異常事件引發(fā)的路網(wǎng)節(jié)點(diǎn)通行能力下降和流量重新分布問題。有效解決了現(xiàn)有技術(shù)中分流策略靜態(tài)化、影響范圍評估不精準(zhǔn)及分流效率低下的問題，為交通管理部門提供靈活、精準(zhǔn)的分流方案，大幅提升道路網(wǎng)絡(luò)的自適應(yīng)能力與應(yīng)急響應(yīng)效率。

2、具體方案如下：

3、一種基于動態(tài)拓?fù)渲貥?gòu)的道路網(wǎng)絡(luò)交通分流方法，首先通過識別異常事件的位置與影響范圍，動態(tài)更新網(wǎng)絡(luò)節(jié)點(diǎn)的特征表示，并基于節(jié)點(diǎn)間的地理距離、拓?fù)潢P(guān)系及事件嚴(yán)重程度對節(jié)點(diǎn)特征進(jìn)行調(diào)整；然后在此基礎(chǔ)上，動態(tài)更新網(wǎng)絡(luò)鄰接矩陣，降低受影響區(qū)域節(jié)點(diǎn)之間的連接權(quán)重，增強(qiáng)潛在繞行路徑的連接權(quán)重，反映事件引起的通行能力變化與流量重分配需求；最終通過路徑規(guī)劃算法生成候選分流路徑集合，綜合評估路徑容量利用率、通行時間和路徑成本，選取最優(yōu)分流路徑，并按比例進(jìn)行流量分配，動態(tài)調(diào)整路徑權(quán)重，形成高效的分流策略，實(shí)現(xiàn)異常事件影響下交通流的科學(xué)重分配與網(wǎng)絡(luò)通行效率的提升，具體包括以下步驟：

4、步驟s1：異常事件識別與影響范圍確定

5、當(dāng)交通網(wǎng)絡(luò)發(fā)生異常事件時，及時準(zhǔn)確地識別事件的位置與影響范圍是制定分流策略的基礎(chǔ)。該步驟的主要目標(biāo)是通過對交通數(shù)據(jù)的分析，動態(tài)確定事件發(fā)生的具體位置，識別受影響的路段及其節(jié)點(diǎn)集合，并量化事件對交通網(wǎng)絡(luò)的影響程度。這一過程為后續(xù)拓?fù)浣Y(jié)構(gòu)重構(gòu)和分流路徑優(yōu)化提供數(shù)據(jù)支持。通過對異常事件空間范圍和通行能力變化的精準(zhǔn)評估，可以科學(xué)調(diào)整交通網(wǎng)絡(luò)中的鄰接矩陣元素，反映事件對整體路網(wǎng)結(jié)構(gòu)的擾動與影響。具體包含以下子步驟：

6、子步驟s11：交通數(shù)據(jù)輸入與表示

7、本方法輸入數(shù)據(jù)主要包括交通網(wǎng)絡(luò)加權(quán)圖、歷史交通數(shù)據(jù)和異常事件數(shù)據(jù)三部分。

8、交通網(wǎng)絡(luò)加權(quán)圖結(jié)構(gòu)定義為g＝(v,e,a)。其中v為節(jié)點(diǎn)集合，表示路網(wǎng)中的關(guān)鍵節(jié)點(diǎn)，e為邊集合，表示節(jié)點(diǎn)之間的路段，a為鄰接矩陣，描述節(jié)點(diǎn)之間的靜態(tài)連接關(guān)系：

9、

10、其中wij為邊eij的權(quán)重，表示通行能力。

11、歷史交通數(shù)據(jù)包括每條邊eij的歷史流量(單位：車輛數(shù)/時間單位)、歷史速度(單位：km/h)、路段占有率(反映車輛密度)。

12、異常事件數(shù)據(jù)定義為四元組e＝{l、s、t、d}，其中l(wèi)表示事件位置，s表示事件嚴(yán)重程度，反映為通行能力的下降比例，t為事件發(fā)生時間，d為事件持續(xù)事件。

13、子步驟s12：異常事件位置確定

14、異常事件分為顯示輸入事件和受輸入事件影響的潛在異常事件(需要隱式識別)。

15、對于顯示輸入的事件，直接將事件ek的位置lk映射到網(wǎng)絡(luò)節(jié)點(diǎn)vi∈v：

16、

17、其中d(lk,vi)表示事件位置lk到節(jié)點(diǎn)vi的標(biāo)準(zhǔn)化地理距離，cos(θ(lk,vi))為事件傳播方向與路段方向夾角的余弦值，用于衡量方向一致性。wd和wθ分別為地理距離和方向因子的可學(xué)習(xí)權(quán)重系數(shù)。

18、對于需要隱式識別的事件，通過分析歷史交通數(shù)據(jù)與輸入流量的差異，動態(tài)識別潛在的異常事件位置，具體包括流量變化率δqij與交通狀態(tài)退化率ri(t)的計算：

19、

20、

21、其中qij(t)、vij(t)為當(dāng)前流量和速度，為歷史流量和速度。若|δqij|超過閾值且ri(t)小于閾值，且狀態(tài)持續(xù)時間超過一定值，則確定該路段為異常路段，將路段所包括節(jié)點(diǎn)記錄到受影響節(jié)點(diǎn)集合vaffected中。

22、子步驟s13：異常事件影響范圍識別

23、使用注意力機(jī)制模型量化受影響節(jié)點(diǎn)的權(quán)重，確定事件的影響范圍。對于每對節(jié)點(diǎn)(vi,vj)，注意力權(quán)重αij表示節(jié)點(diǎn)vj對節(jié)點(diǎn)vi的重要性：

24、

25、其中wa為可訓(xùn)練的權(quán)重矩陣，fi，fj為節(jié)點(diǎn)的特征表示，||為向量拼接操作。

26、根據(jù)注意力權(quán)重，進(jìn)一步篩選受影響節(jié)點(diǎn)集合：

27、vaffected＝{vi|αic＞t,d(vi,vc)≤φ(sk)}

28、其中，φ(sk)為基于事件嚴(yán)重程度sk的映射函數(shù)，αic為計算得到的事件和影響節(jié)點(diǎn)間注意力權(quán)重，t為權(quán)重篩選閾值。

29、步驟s2：節(jié)點(diǎn)動態(tài)表示更新

30、異常事件發(fā)生后，為準(zhǔn)確反映事件對交通網(wǎng)絡(luò)節(jié)點(diǎn)的直接影響與間接影響，需要動態(tài)更新節(jié)點(diǎn)的特征表示。通過將事件特征從核心節(jié)點(diǎn)傳播到周圍節(jié)點(diǎn)，可以描述異常事件的空間影響范圍及時間衰減效應(yīng)。

31、基于步驟s12得出核心節(jié)點(diǎn)vc，將事件特征直接注入到其表示中，增強(qiáng)節(jié)點(diǎn)對異常事件的敏感性，節(jié)點(diǎn)的表示更新如下：

32、

33、其中，為節(jié)點(diǎn)vc的原始特征表示，fe為事件特征，we為可學(xué)習(xí)的事件特征注入權(quán)重。

34、對于受核心節(jié)點(diǎn)影響的節(jié)點(diǎn)，基于其到核心節(jié)點(diǎn)的距離和事件的嚴(yán)重程度，對節(jié)點(diǎn)表示進(jìn)行衰減，其節(jié)點(diǎn)的表示更新如下：

35、

36、其中，ηi為衰減系數(shù)，定義如下：

37、

38、其中，d(vi,vc)表示節(jié)點(diǎn)vi到核心節(jié)點(diǎn)vc的地理距離，hop(vi,vc)表示在原始路網(wǎng)拓?fù)渲袕膙i到核心節(jié)點(diǎn)vc的最短路徑的跳數(shù)(即拓?fù)渚嚯x)。λ1、λ2為控制兩種距離的可學(xué)習(xí)的衰減速率。tk和dk表示事件發(fā)生時間和持續(xù)時間，反映事件影響隨時間衰減過程。

39、步驟s3：動態(tài)鄰接矩陣的更新

40、基于更新后的節(jié)點(diǎn)表示，需要動態(tài)調(diào)整網(wǎng)絡(luò)的連接關(guān)系，以反映事件導(dǎo)致的交通通行能力削弱與流量重新分配。具體包含以下子步驟：

41、子步驟s31：受影響路段權(quán)重更新

42、對于受事件影響的節(jié)點(diǎn)集合vaffected，需要降低其之間的連接強(qiáng)度，以反映異常事件對交通通行能力的削弱。更新后的動態(tài)鄰接矩陣定義為：

43、

44、其中，為原始鄰接矩陣，為節(jié)點(diǎn)動態(tài)表示與原始特征的偏離率，α為連接強(qiáng)度調(diào)節(jié)參數(shù)，控制權(quán)重削弱的幅度。

45、子步驟s32：潛在繞行路徑分流更新

46、對于受影響節(jié)點(diǎn)之外的節(jié)點(diǎn)，需要增強(qiáng)其與非受影響節(jié)點(diǎn)之間的連接權(quán)重，鼓勵流量向繞行路徑重新分配。更新后的動態(tài)鄰接矩陣定義為：

47、

48、其中，為原始鄰接矩陣，β為繞行路徑權(quán)重調(diào)節(jié)參數(shù)，dmax為最大允許繞行距離，基于網(wǎng)絡(luò)的實(shí)際交通模式的統(tǒng)計特性得到，d(vi,vk)為節(jié)點(diǎn)間地理距離。

49、子步驟s33：整體路網(wǎng)連通性調(diào)整

50、基于上述步驟s31得到的受影響區(qū)域鄰接矩陣和s32得到的潛在繞行路徑鄰接矩陣將其加權(quán)融合得到最終生成的動態(tài)鄰接矩陣：

51、

52、其中γ為可學(xué)習(xí)的權(quán)重融合系數(shù)，當(dāng)γ→1優(yōu)先考慮受影響區(qū)域的連接削弱，強(qiáng)調(diào)事件對網(wǎng)絡(luò)的直接影響，當(dāng)γ→0優(yōu)先考慮繞行路徑的權(quán)重增強(qiáng)，促進(jìn)流量向未受影響區(qū)域分流。

53、步驟s4：分流路徑的生成與優(yōu)化

54、動態(tài)鄰接矩陣更新完成后，生成分流路徑是解決異常事件引發(fā)交通擁堵的關(guān)鍵步驟。本步驟基于動態(tài)鄰接矩陣的路徑規(guī)劃算法，生成候選分流路徑集合，并綜合考慮網(wǎng)絡(luò)容量、繞行時間與通行效率等指標(biāo)，選擇最優(yōu)路徑，并合理分配流量。

55、使用s3最終得到的動態(tài)鄰接矩陣作為輸入，結(jié)合最短路徑算法(如dijkstra算法)，生成候選分流路徑集合p＝{p1,p2,...,pk}，其中pi＝{v1,v2,...,vm}，k為候選路徑數(shù)量。同時為保證路徑的實(shí)際可行性，限制候選路徑的長度和繞行成本：

56、l(pi)≤ψ1·ldirect，c(pi)≤ψ2·cdirect,

57、其中，l(pi)和ldirect為路徑pi的長度與直接路徑長度，c(pi)和cdirect為路徑pi通行時間與直接路徑通行時間，ψ1、ψ2為繞行成本系數(shù)。

58、對于每條候選路徑pi∈p，計算容量利用率其中qij，cij分別為路徑中每條邊的流量和容量。通行時間其中tij為路徑中每條邊的通行時間。綜合考慮容量利用率與通行時間的權(quán)衡成本，計算路徑成本c(pi)，再將候選路徑按照路徑成本進(jìn)行排序，選擇成本最小路徑作為最優(yōu)路徑popt：

59、c(pi)＝λ·u(pi)+(1-λ)·t(pi)

60、

61、其中，λ∈[0,1]為容量與時間的權(quán)重平衡系數(shù)。

62、為了避免單一路徑過載，對最優(yōu)路徑popt和其他候選路徑pi∈p按比例分配流量：

63、

64、其中qtotal為需要分流的總流量。

65、將分流路徑及流量分配比例作為最終分流策略輸出，及最終輸出最優(yōu)路徑popt，路徑流量分配比例qpi，提供分流節(jié)點(diǎn)及引導(dǎo)信息，用于交通誘導(dǎo)系統(tǒng)實(shí)施。實(shí)際可結(jié)合實(shí)時監(jiān)測路徑執(zhí)行效果，記錄流量變化、通行時間和延誤等數(shù)據(jù)。根據(jù)反饋結(jié)果動態(tài)調(diào)整路徑權(quán)重，優(yōu)化下一輪策略。

66、本發(fā)明通過以上技術(shù)方案，實(shí)現(xiàn)了以下有益效果：

67、本發(fā)明的目的是提供一種基于動態(tài)拓?fù)渲貥?gòu)的道路網(wǎng)絡(luò)交通分流方法，旨在應(yīng)對異常事件(如交通事故)引發(fā)的路網(wǎng)節(jié)點(diǎn)通行能力下降和流量重新分布問題。首先，通過動態(tài)節(jié)點(diǎn)表示更新與動態(tài)鄰接矩陣的重構(gòu)，本發(fā)明能夠?qū)崟r反映異常事件對交通網(wǎng)絡(luò)的直接和間接影響。通過將事件特征注入核心節(jié)點(diǎn)，并對間接影響節(jié)點(diǎn)進(jìn)行距離和時間衰減處理，準(zhǔn)確量化了事件在空間與時間維度上的擾動影響，使得網(wǎng)絡(luò)結(jié)構(gòu)具有更強(qiáng)的動態(tài)適應(yīng)性和表達(dá)能力。其次，通過動態(tài)鄰接矩陣的更新，降低受影響節(jié)點(diǎn)之間的連接強(qiáng)度，反映事件導(dǎo)致的通行能力削弱，同時增強(qiáng)繞行路徑的權(quán)重，促進(jìn)流量向未受影響區(qū)域重分配。這一過程有效地平衡了網(wǎng)絡(luò)的局部擁堵與全局流量分布，緩解了異常事件引發(fā)的交通瓶頸問題，提高了交通網(wǎng)絡(luò)的通行效率。最后，通過分流路徑的生成與優(yōu)化，結(jié)合動態(tài)鄰接矩陣和路徑規(guī)劃算法，生成候選分流路徑集合，并綜合考慮網(wǎng)絡(luò)容量、繞行時間及通行成本等多維度因素，選擇最優(yōu)路徑并按比例進(jìn)行流量分配。本發(fā)明提供了高效、科學(xué)的分流策略，能夠動態(tài)調(diào)整路徑權(quán)重并反饋優(yōu)化，確保流量分配的合理性與實(shí)時性。綜上，本發(fā)明能夠在異常事件發(fā)生時，通過精準(zhǔn)的影響范圍識別、動態(tài)網(wǎng)絡(luò)重構(gòu)與智能分流策略，實(shí)現(xiàn)交通流的高效重分配，顯著提升了交通網(wǎng)絡(luò)的應(yīng)急響應(yīng)能力、通行效率與穩(wěn)定性，為智能交通管理提供了具有實(shí)際應(yīng)用價值的技術(shù)支撐。