[发明专利]一种基于数据场和节点压缩的重点路口识别及子区划分方法

权利要求书

1.一种基于数据场和节点压缩的重点路口识别及子区划分方法，其特征在于，包括如下步骤：

(1)基于多源数据构建综合场景、路口、时间的路网对象立体数据模型；具体如下：

(1.1)构建路口的场景数据模型；

(1.1.1)提取N个场景影响因子，场景影响因子包括但不限于：通行能力变化、路段维修、交通事故、道路质量、大型活动、恶劣气候、应急措施；

(1.1.2)根据场景影响因子之间的影响关系，获取场景影响因子的优先级；

(1.1.3)根据场景影响因子的优先级，进行归一化处理，获取单个路口的场景数据模型；

(1.2)构建路口的路口数据模型：选取单个路口周边M个邻近路口作为影响路口，根据单个路口与影响路口之间的距离，进行归一化处理，获取单个路口的路口数据模型；

(1.3)构建路口的时间数据模型，具体如下：

(1.3.1)选取效率指数：

效率指数是以路段/路口为对象以采样时间时间间隔生产的路口/路段状态数据作为依据而产生的，包括状态数据和报警状态数据，其中，状态数据包括但不限于：交通指数、速度、流量、饱和率、连续报警次数，或路口各类交通采集设备上传的数据；

所述的状态数据到达报警阈值时，触发拥堵报警，报警状态为发生拥堵报警；根据效率指数可划分状态等级，包括但不限于非常严重、严重、一般、畅通；

(1.3.2)根据效率指数计算两路口之间的交通状态时间延迟；

其中还包括选取路口的场景、路口、时间数据模型；构建综合场景、路口、时间的路网对象立体数据模型：以当前路口作为坐标原点，将影响路口按归一化距离及实际与当前路口的方位顺序在x轴上依次排列，并通过

时间数据模型中的实际时间延迟ΔT^*将路口进行Y轴上的偏移，并按照场景数据模型中路口所处场景权重比例进行Z轴上的偏移，以此构建路网立体数据模型；其中，通过对单个路口和邻近路口之间达到严重报警状态的时间差ΔT，及连续报警现象相似度比对，确定两个对象的实际时间延迟ΔT^*；

(2)基于路网对象立体数据模型构建得到综合场景、路口、时间的综合距离模型；具体为：基于综合场景、路口、时间的路网对象立体数据模型，计算当前路口与影响路口的距离，即为综合场景、路口、时间的欧式距离，从而建立综合距离模型，其中计算公式如下：

其中，x，y，z分别为路口立体数据模型里的坐标值，分别代表路网归一化距离，实际时间延迟和场景权重等级，δ_x，δ_y，δ_z分别为坐标的修正系数，用于修正三个不同数值类型之间的比例关系；

(3)构建路网对象数据质量计算模型；

(4)进行路网对象聚合与路口节点压缩及子区划分，并同时输出交通子区；其中，所述的路网对象聚合具体如下：

对于路网对象立体数据模型和数据质量，将路网系统中路口的事件属性，时间延迟属性和距离属性以及质量属性作为路口的具体参数：

其中，P_i为路口i的事件属性，ΔT_i^*为路口i的时间延迟属性，为路口的距离属性，为路口i的数据质量属性；以上述四个路口属性值作为路口聚合的主要依据，采用改进的louvain算法进行对交通子区的聚合处理，具体如下所示：

其中，Q为社团模块度，用以判定社团区分的质量；m为网络中边的总数量；

A_ij表示边i，j之间连边的权重，x,y,z三个坐标为路口i与路口j三个坐标的相对关系；k_i与k_j分别表示与i,j节点相连的全部边的权重之和；A_i为路口i的介数，表示经过路口i的全部最短路径与路网中全部最短路径的比值，象征路口i在路网中的重要程度；

C(V_i)为介数中心性，为归一化的路口介数，其中N为路网全部路口；

δ(C_vi,C_vj)为狄拉克函数，C_v为路口的集群号，若节点i，j属于同一社团，则为1，否则置0；

ΔQ表示社团模块增益，C_in是社团C中所有内部边权重的总和；C_out是社团C与外部连接边权重的总和，C_tot表示社团C全部连接边，包括社团内部全部边权重和社团外部连接边权重；K_i是所有邻接节点i的边权重的总和；K_i,in是所有从节点i与社团C中节点邻接的边权重总和；

当所有节点均包含于某个社团后，对单一社团做“虚拟节点”处理，通过对社团与社团之间的连接边权重做归一化处理，得到新的“虚拟节点”新的连接边的权重；对新的“虚拟节点”重复上述聚合过程，直至得到满足需求的路网子区，聚合过程结束；

(5)对交通子区中各个路口进行贝叶斯事件模型进行重点路口识别。