基于改进拉普拉斯中心性的高速路网状态识别方法_薛相全.pdf

投稿网址:www stae com cn2023 年 第23 卷 第5 期2023，23(5):02190-07科学技术与工程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2022-05-05;修订日期:2022-11-10基金项目:河北省自然科学基金(E2015202266);河北省高等学校科学技术研究项目(ZD2021028)第一作者:薛相全(1994)，男，汉族，河北邢台人，硕士研究生。研究方向:交通运输规划与管理。E-mail:xxqxxc outlook com。*通信作者:庞明宝(1966)，男，汉族，河南西峡人，博士，教授。研究方向:交通运输规划与管理。E-mail:pmbpgy hebut edu cn。引用格式:薛相全，庞明宝 基于改进拉普拉斯中心性的高速路网状态识别方法 J 科学技术与工程，2023，23(5):2190-2196Xue Xiangquan，Pang Mingbao Freeway network state recognition method based on improved Laplace centrality J Science Technology andEngineering，2023，23(5):2190-2196基于改进拉普拉斯中心性的高速路网状态识别方法薛相全，庞明宝*(河北工业大学土木与交通学院，天津 300401)摘要为提高高速公路网络运行效率，提出一种考虑不同路段对系统时空影响差异性的高速公路网络交通状态识别方法。定义路网各类型路段为节点及其状态计算方法，建立基于改进拉普拉斯中心性和时空影响因子的路网状态识别模型。其中，利用皮尔逊相关系数改进拉普拉斯中心性方法以评估节点自身影响，设计时空影响因子评估邻居节点影响;融合节点自身及邻居节点影响，建立节点权重系数模型;在以上基础上建立反映路网交通状态的综合判别模型。以京港澳高速徐水-清苑的高速公路网络为例予以验证，结果表明:在不同交通需求情景下，所提方法能有效识别交通状态;对比交通运行指数(traffic per-formance index，TPI)模型和车辆行驶时间(vehicle hour traveled，VHT)模型，所提方法状态识别精准度均为最优，尤其是在交通需求大的情况下，对于含匝道节点 3 和纯主线节点 4，与稳定性较强的 TPI 模型相比，所提方法准确率提升了 9.7%和 7.1%，进一步证明了模型的适用性强，能够满足工程实际的需要。关键词智能交通;高速公路网络状态识别;改进拉普拉斯中心性;时空影响因子;节点权重模型中图法分类号U491.13;文献标志码AFreeway Network State ecognition Method Based onImproved Laplace CentralityXUE Xiang-quan，PANG Ming-bao*(School of Civil and Transportation，Hebei University of Technology，Tianjin 300401，China)Abstract In order to improve the operation efficiency of freeway network，a traffic state identification method of freeway networkwas proposed by considering the temporal and spatial differences of different road sections on the operation state of freeway networkNodes were defined for different road segment and their state calculation methods were determined A state identification model of free-way network based on improved Laplace centrality method and spatial and temporal influence factors was established，where Laplacecentrality method was improved to evaluate the influence of the node itself by Pearson correlation coefficient method，and the spatial andtemporal influence factor was designed to evaluate the influence of the neighbor node The node weight coefficient model was establishedby integrating the influence of the node itself and the neighbor Then a comprehensive discrimination model reflecting the traffic state ofthe road network was established The proposed method was validated through the simulation analysis of Xuishui-Qingyuan section on Bei-jing-Hong Kong-Macau freeway The results show that the traffic state under different traffic demand can be effectively identified by usingthis method The accuracy of state recognition is the highest among the proposed method，traffic performance index(TPI)model，and ve-hicle hour traveled(VHT)model Especially in the case of large traffic demand，compared with TPI model with strong stability，the accu-racy can be enhanced respectively by 9.7%and 7.1%for the node 3 including ramp and node 4 with pure main line，which furtherproves that the model has strong applicability and can meet the needs of engineering Keywords intelligent transportation;traffic state recognition of freeway network;improved Laplace centrality;spatial-temporal in-fluence factor;node weight model路网交通状态反映了路网运行状态，其有效识别是提升道路运行效率的关键所在，且网络层面的状态识别方法一直是研究热点1-2，但高速公路网络状态识别研究较少。Han 等3、Cassidy 等4 基于宏 观 基 本 图(macroscopic fundamental diagram，MFD)，利用高速路网各子路段交通参数加权和来投稿网址:www stae com cn描述宏观的交通参数关系，以图转折点为依据来识别状态，但高速公路交通流时空分布不均使路网内车辆密度并不均匀，因而适用于路段状态均匀的MFD 可行性有待进一步研究4。高速路网由交通流特性各异的纯主线路段、含出入口匝道路段、含立交桥路段等组成，各类型路段(节点)对路网运行状态影响存在时空差异性5-6，需加以区分，如丁恒等7 以单位长度通行能力区分纯主线路段、含出入口匝道路段，但区分方式过于简单、主观人为因素过多，无法有效区分节点的影响程度。拉普拉斯中心性法8-9 因为客观直接、精准有效，常用于评估节点自身重要度，但其主要应用于无权网络。而高速公路是复杂、动态变化加权网络，因而需结合交通流时空特性对拉普拉斯中心性法予以改进以适应高速路网。基于此，现考虑交通流时空关联特性10，利用皮尔逊相关系数11 建立状态关联系数矩阵改进拉普拉斯中心性方法以评估自身影响，设计等效距离评估邻居节点影响，融合节点自身及邻居节点的影响，建立节点权重系数模型;并基于此建立反映路网交通状态指数的综合判别模型，以实现对时空分布不均的高速路网交通状态的快速识别。1高速公路网络状态识别流程研究对象为高速公路网络，定义路段为节点，并将高速公路网络划分为纯主线路段、含出入口匝道路段、含立交桥路段 3 种类型节点组成的集合，其状态识别流程如图 1 所示，基本原理如下。(1)信息采集及处理子系统实时获取路网各节点(路段)的原始交通流信息，通过相关计算和处理，得到各节点交通流参数数据信息，如节点的流量、速度、通行能力等。(2)考虑纯主线节点(路段)、含出入口匝道节点、含立交桥节点交通流特性并分别建立符合其交通流特性的状态识别模型，结合邻接矩阵建立路网交通状态矩阵。(3)考虑节点状态时空关联性，采用皮尔逊关联系数法，建立节点状态关联矩阵。利用节点状态关联矩阵改进拉普拉斯中心性方法确定节点自身重要性，设计时空影响因子评估邻居节点状态影响，融合节点自身及邻居节点影响，建立节点权重系数模型以区分不同节点对路网运行状态的差异性。(4)利用路网交通状态矩阵和节点权重系数模型建立高速公路网络交通状态模型，并结合成熟评价指标划分区域路网交通状态等级。2网络交通状态识别模型2.1网络拓扑描述拓扑可以用来表示空间对象间的邻接关系。将已划分好的高速公路网络用 G(N，A)表示，其中，N 为节点集;A 为边集，表示对应节点间是否相邻;aij为其元素，其值为 1 表示节点 i 和 j 相邻，为 0表示不连接。通常某个节点会影响 k 阶相邻节点，其 k 阶可达空间邻接矩阵 W12 表达式为W=Bool(Ann+Inn)k(1)式(1)中:An n为 邻 接 矩 阵;In n为 单 位 矩 阵;Bool()函数表示矩阵计算采取布尔代数运算规则。2.2节点状态识别模型(1)纯主线节点(路段)。不受出入口匝道影响的纯主线路段因地理位置、车道数等会使限速、流量和通行能力存在差异。建立其交通状态识别指标模型为sm(t)=(1 1)vm，max vm(t)vm(t)+1qm(t)Cm(2)式(2)中:sm(t)为 t 时主线节点 m 交通状态指标值;1为指标重要性权衡，1 0，1，根据实际情况选取，此处取 0.5;vm，max和 vm(t)分别为 t 时 m 的最大限速和平均速度;qm(t)和 Cm分别为 t 时 m 的检测流量和通行能力。(2)含出入口匝道节点。对于一段主线和其连接的出入口匝道而言，存在加减速频繁、通行能力下降等问题。据王晓13 研究，修正分流区通行能力图 1高速公路网络交通状态等级划分Fig.1Traffic state classification of freeway network19122023，23(5)薛相全，等:基于改进拉普拉斯中心性的高速路网状态识别方法投稿网址:www stae com cnCz，f和合流区通行能力 Cz，o以体现分合流区的状态影响。建立其状态指标模型为sz(