申请/专利权人：北京工业大学

申请日：2021-07-29

公开（公告）日：2024-04-16

公开（公告）号：CN113742870B

主分类号：G06F30/18

分类号：G06F30/18;G06Q10/0639;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.04.01#著录事项变更;2021.12.21#实质审查的生效;2021.12.03#公开

摘要：一种基于网络拓扑结构及站点客流量的多模式公共交通网络关键站点识别方法，属于城市公共交通运行领域。首先根据多模式公共交通线路与站点数据，抽象提取多模式公共交通网络拓扑图；在此基础上，基于复杂网络基本理论，计算网络节点度与H‑index指标，并考虑网络节点弱关系影响，在网络结构方面充分挖掘网络节点的潜在影响力；然后结合地面公交、地铁刷卡数据，获取多模式公共交通网络站点客流量；网络关键站点的识别。本发明考虑了多模式公共交通站点的拓扑结构重要性及客流特征，构建了可以表征多模式公共交通网络站点重要度方法，对于城市公共交通管理人员提前针对网络中的关键节点，有针对性的提出保护措施，保障出行安全。

主权项：1.一种基于局部异构影响力的多模式公共交通网络关键站点识别方法，其特征在于，包括以下操作步骤：步骤S1：多模式公共交通网络邻接矩阵构建；1多模式公共交通网络基础数据库建立；基础数据包括地面公交网络信息和轨道交通网络信息；地面公交信息包括公交线路信息数据和站点信息数据；轨道交通网络信息包括轨道交通线路信息数据和站点信息数据；2多模式公共交通网络站点去重；将不同模式中的站点统一按顺序进行编号，并将不同线路的相同站点合并成为一个站点编号；3多模式公共交通邻接矩阵构建；根据多模式公共交通网络建模方法，建立网络邻接矩阵；城市公共交通网络由公共交通站点和线路组成，是一个典型的复杂网络，其站点抽象为复杂网络的节点，相邻站之间的线路抽象为复杂网络的连边；根据复杂网络建模方法，将城市公共交通网络抽象成为一个拓扑图；根据多模式公共交通网络各模式间的连接关系，可将多模式公共交通网络分为层内连接和层间连接两种；其中，层内连接即为同一模式之间的各相邻站点的连接，如果两个相邻站点之间存在公交线路，其邻接关系表示为aroute＝1；层间连接即为不同模式间的换乘边，以地铁网络站点为圆心以500米为半径构建缓冲区，将缓冲区内所有公交站点以换乘边将其与地铁站点连接，其邻接关系表示为avirtual＝1；除上述两种关系外，相邻站点之间的邻接关系为0；因此，用GV,E表示城市公共交通网络，V是公共交通站点集合，E是公共交通网络边集合，G是一个由0或1组成的N×N矩阵，用A表示；具体多模式公共交通网络邻接矩阵构建公式如下： 式中，ai,j表示多模式公共交通网络站点之间的连接关系；i,j表示多模式公共交通网络站点；aroute＝1表示同层间相连站点之间存在连边；avirtual＝1表示层间存在连接关系；具体多模式公共交通网络各站点之间的邻接矩阵A表示如下： 式中，N表示多模式公共交通网络节点数目；步骤S2：计算多模式公共交通网络拓扑重要性指标；1多模式公共交通网络节点度计算及其异构权重；针对多模式公共交通网络中的任意节点计算与其相邻的节点数目，用ki表示，即ai.j为邻接矩阵A中元素；由于网络结构的差异性，网络中小度节点传递能力强，大度节点中介能力强，导致两点即使有相同长度的路径，但是传递能力差异性很大，因此为了弥补这一缺陷，进而进行节点的度异构，即节点度值的平方均值与节点度平均值的平方，如下公式： 式中，Hki表示多模式公共交通网络站点度的异构程度；ki2表示多模式公共交通网络站点度平方的均值；ki2表示多模式公共交通网络站点平均度的平方；2多模式公共交通网络H-index计算及其异构权重；网络中节点H-index根据节点的邻居度计算，具体计算如下：多模式公共交通交通网络节点i的邻居的度依次为具体节点i的H-index计算： 式中，hi表示多模式公共交通网络节点i的H-index；表示节点i的n个邻居的度值，H表示取这些邻居的个数不小于某一度值的求和；与步骤S2一致，进而进行节点的H-index异构，具体如下： 式中，Hhi表示多模式公共交通网络站点H-index的异构程度；hi2表示多模式公共交通网络站点H-index平方的均值；hi2表示多模式公共交通网络站点H-index平均值的平方；3考虑节点信息传播弱关系影响的节点结构重要性指标；为了抑制网络中的度值较大的节点，采用惩罚因子α进行约束，具体考虑弱关系的网络节点结构层面重要度计算公式如下： 式中，S表示考虑弱关系影响的多模式公共交通网络节点结构重要性；|E|表示多模式公共交通网络边的数量；α表示惩罚因子，最优的α取值根据具体网络训练得到，具体过程如下：1将网络连边集E划分为90％的训练集ET，10％的测试集EP，则E＝ET+EP,同时定义为E的补集，计算时数据集随机划分10次；2根据上述提出的考虑弱关系的节点影响力计算模型，计算两点之间出现连边的可能性即Si,j＝Si+Sj，式中Si,Sj为节点i,j的影响力，Si,j为边的可能性值；首先，在ET中，根据连边可能性值，训练上述模型，然后随机从EP与中各抽取一条边，比较他们的可能性值，如果来自EP的连边可能性值大于来自中的连边，则计数加1，若相等加0.5，否则为0；因此，模型精度用AUC表示，具体如下： 式中，n为抽取次数，n'表示来自EP的连边可能性值大于来自中的连边可能性值；n”表示来自EP的连边可能性值等于来自中的连边可能性值；3将α的值从[-1,1]按照间隔0.01依次带入上述模型，计算模型精度，模型精度最高时即为最优的α取值；步骤S3：根据多模式公共交通刷卡数据获取多模式公共交通网络站点客流量；多模式公共交通网络站点客流量是构建多模式公共交通网络的关键因素之一；为了刻画站点的客流属性，通过多模式公共交通网络刷卡数据，提取多模式公交网络各站点的进出站客流量，并将其归一化处理，具体如下： 式中，Ψ表示归一化的站点客流量；x1,x2,...,xn表示多模式公共交通网络站点1到站点n的进出站量；步骤S4：根据步骤S2与S3的计算指标，考虑节点弱关系影响，构建基于局部异构影响力的多模式公共交通网络关键站点识别方法；探索单一网络拓扑指标在节点重要性研究中存在的不足，结合多模式公共交通网络拓扑结构指标含义及站点客流量，并考虑节点信息传播过程中的弱关系影响，创造性构建了基于节点局部异构影响力的多模式公共交通网络关键站点识别方法；根据步骤S1、S2、S3得出的影响多模式公共交通网络关键站点识别的影响因素，构建基于局部影响力的多模式公共交通网络关键站点识别模型θSHIP如下： 式中，θSHIP表示多模式公共交通网络节点局部影响力；步骤S5：计算多模式公共交通网络各个节点的局部影响力，并按照影响力从大到小进行排序，排序越靠前，表明该节点在网络中所处的位置越重要即网络中的关键节点。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于局部异构影响力的多模式公共交通网络关键站点识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD