基于复杂网络的交通序列数据特性

doi:10.3976/j.issn.1002-4026.20230058

山东科学 ›› 2024, Vol. 37 ›› Issue (1): 107-117.doi: 10.3976/j.issn.1002-4026.20230058

基于复杂网络的交通序列数据特性

孟勃¹(), 孔祥科², 李树彬³^,^*()

1.中国人民公安大学犯罪学学院,北京 100038
2.山东轨道交通勘察设计院有限公司,山东济南 250014
3.山东警察学院道路交通安全研究所,山东济南 250014

收稿日期:2023-04-09 出版日期:2024-02-20 发布日期:2024-01-26
通信作者: 李树彬 E-mail:bo13963591527@163.com;li_shu_bin@163.com
作者简介:孟勃(1986—),女,博士研究生,研究方向为交通犯罪学。E-mail: bo13963591527@163.com
基金资助:
国家自然科学基金(71871130);国家自然科学基金(719711254);山东省公安厅科技专项(SDGP370000000202302006727A001);山东公安科技创新计划项目(GAKJCX2022-1)

The characteristics of traffic sequence data based on complex network

MENG Bo¹(), KONG Xiangke², LI Shubin³^,^*()

1. College of Criminology, People's Public Security University of China, Beijing 100038,China
2. Shandong Rail Transit Survey and Design Institute Co., Ltd., Jinan 250014, China
3. Institute of Road Traffic Safety, Shandong Police College, Jinan 250014, China

Received:2023-04-09 Online:2024-02-20 Published:2024-01-26
Contact: LI Shubin E-mail:bo13963591527@163.com;li_shu_bin@163.com

摘要/Abstract

摘要：

为了进一步研究交通流特性,采用复杂网络方法对交通序列数据进行分析。提出了箱型图-聚类算法模型用于识别和填充初始数据中的缺失值和异常值;通过相空间重构方法将一维数据重构为网络节点,选取连接阈值确定网络节点的连接关系,将交通序列数据构建为复杂网络,对复杂网络的结构和定量指标进行分析。研究结果表明交通序列数据复杂网络的结构一定程度上可以反映路段的交通流状态。该结果有助于优化数据预处理方法,拓展复杂网络在交通序列数据研究中的应用。

关键词: 复杂网络, 数据分析, 网络构建方法, 相空间重构, 聚类算法

Abstract:

To study the traffic flow characteristics, the traffic data is analyzed using a complex network method. A box plot-clustering algorithm model is proposed to identify and fill in missing values and outliers in the initial data. The one-dimensional data is reconstructed into network nodes using the phase space reconstruction method. Additionally, the connection threshold is selected to determine the connection relationship of network nodes to convert the traffic sequence data as a complex network and analyze the structure and quantitative indicators of the network. The result shows that the structure of the complex network of traffic data can reflect the traffic flow state of the road section to a certain extent. The research optimizes the data preprocessing method and extends the application of complex networks into traffic data research.

Key words: complex networks, data analysis, network building methods, phase space reconstruction, clustering algorithm

中图分类号:

U491

孟勃, 孔祥科, 李树彬. 基于复杂网络的交通序列数据特性[J]. 山东科学, 2024, 37(1): 107-117.

MENG Bo, KONG Xiangke, LI Shubin. The characteristics of traffic sequence data based on complex network[J]. Shandong Science, 2024, 37(1): 107-117.

图/表 12

图1

图2

图3

图4

表1

图5

表2

图6

图7

图8

图9

表3

参考文献 20

[1]	武琼. 基于支持向量回归的短时交通流预测方法研究与应用[D]. 西安: 长安大学, 2016.
[2]	赵怀柏, 王逸凡, 宋晓鹏. 基于遗传算法优化BP神经网络的交通流预测[J]. 交通与运输(学术版), 2017(2): 32-36.
[3]	MA X L, TAO Z M, WANG Y H, et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C: Emerging Technologies, 2015, 54: 187-197. DOI: 10.1016/j.trc.2015.03.014.
[4]	STRANO E, VIANA M, da FONTOURA COSTA L, et al. Urban street networks, a comparative analysis of ten European cities[J]. Environment and Planning B: Planning and Design, 2013, 40(6): 1071-1086. DOI: 10.1068/b38216.
[5]	叶彭姚. 城市道路网拓扑结构的复杂网络特性研究[J]. 交通运输工程与信息学报, 2012, 10(1): 13-19. DOI: 10.3969/j.issn.1672-4747.2012.01.003.
[6]	LU H P, SHI Y. Complexity of public transport networks[J]. Tsinghua Science & Technology, 2007, 12(2): 204-213. DOI: 10.1016/S1007-0214(07)70029-9.
[7]	许晴, 祖正虎, 徐致靖, 等. 330个中国城市P空间下公交复杂网络实证研究[J]. 交通运输系统工程与信息, 2013, 13(1): 193-198. DOI: 10.16097/j.cnki.1009-6744.2013.01.001.
[8]	YANG H H, AN S. Robustness evaluation for multi-subnet composited complex network of urban public transport[J]. Alexandria Engineering Journal, 2021, 60(2): 2065-2074. DOI: 10.1016/j.aej.2020.12.016.
[9]	WANG N, LI D, WANG Q W. Visibility graph analysis on quarterly macroeconomic series of China based on complex network theory[J]. Physica A: Statistical Mechanics and Its Applications, 2012, 391(24): 6543-6555. DOI: 10.1016/j.physa.2012.07.054.
[10]	GAO Z K, JIN N D. Complex network from time series based on phase space reconstruction[J]. Chaos: an Interdisciplinary Journal of Nonlinear Science, 2009, 19(3): 033137. DOI: 10.1063/1.3227736.
[11]	MAO S Z, XIAO F Y. Time series forecasting based on complex network analysis[J]. IEEE Access, 2019, 7: 40220-40229. DOI: 10.1109/ACCESS.2019.2906268.
[12]	邹晓芳. 城市快速路交通流故障数据修复方法研究[D]. 北京: 北京交通大学, 2014.
[13]	苗旭, 王忠宇, 邹亚杰, 等. 改进的固定交通检测器缺失数据综合修复方法[J]. 同济大学学报(自然科学版), 2019, 47 (10): 1477-1484. DOI: 10.11908/j.issn.0253-374x.2019.10.013.
[14]	姜桂艳, 冮龙晖, 张晓东, 等. 动态交通数据故障识别与修复方法[J]. 交通运输工程学报, 2004(01): 121-125. DOI: 10.3321/j.issn:1671-1637.2004.01.030.
[15]	孟力, 毕叶平. 相空间重构文献综述可视化分析[J]. 系统仿真学报, 2017, 29(12): 3167-3175. DOI: 10.16182/j.issn1004731x.joss.201712030.
[16]	李媛媛. 基于相空间重构和SVR的短时间交通流预测方法研究[D]. 北京: 北京交通大学, 2018.
[17]	CAO L Y. Practical method for determining the minimum embedding dimension of a scalar time series[J]. Physica D: Nonlinear Phenomena, 1997, 110(1/2): 43-50. DOI: 10.1016/S0167-2789(97)00118-8.
[18]	TANG J J, WANG Y H, LIU F. Characterizing traffic time series based on complex network theory[J]. Physica A: Statistical Mechanics and Its Applications, 2013, 392(18): 4192-4201. DOI: 10.1016/j.physa.2013.05.012.
[19]	TANG J J, WANG Y H, WANG H, et al. Dynamic analysis of traffic time series at different temporal scales: a complex networks approach[J]. Physica A: Statistical Mechanics and Its Applications, 2014, 405: 303-315. DOI: 10.1016/j.physa.2014.03.038.
[20]	KERNER B S. The physics of traffic[J]. Physics World, 1999, 12(8): 25-30. DOI: 10.1088/2058-7058/12/8/30.

道路及时长	宽运动阻塞流状态速度平均值	同步流状态速度平均值	自由流状态速度平均值
道路一,一日	22.7	36.8	45.0
道路一,一周	20.9	36.5	45.1
道路二,一日	28.3	44.9	52.2
道路二,一周	26.8	45.2	53.4

道路及时长	延迟时间	嵌入维数
道路一,一日	4	5
道路一,一周	6	5
道路二,一日	4	6
道路二,一周	8	8

道路及时长	平均度	聚类系数	介数
道路一,一日	17.379	0.842	0.235
道路一,一周	67.354	0.660	0.075
道路二,一日	8.073	0.770	0.244
道路二,一周	40.945	0.348	0.046

基于复杂网络的交通序列数据特性

The characteristics of traffic sequence data based on complex network

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 20

相关文章 13

Metrics

本文评价

推荐阅读 0

[1]	刘春生, 曹蓉, 王晓晗, 赵鹤然, 贾健民. 基于门架数据的高速公路运行状态评价研究[J]. 山东科学, 2023, 36(3): 100-107.
[2]	刘杨, 杨得用, 何昕, 孙强. 基于改进群组层次分析法的机场II/III类运行效益影响因素研究[J]. 山东科学, 2023, 36(1): 90-98.
[3]	孙悦朋, 郭仁拥, 于涛. 基于密度聚类的多向行人流群集区域分布比较[J]. 山东科学, 2021, 34(5): 64-74.
[4]	王硕, 谷远利, 李萌, 陆文琦, 张源. 基于混沌理论和MEA-BPNN模型的快速路短时交通流预测[J]. 山东科学, 2019, 32(2): 98-107.
[5]	刘书磊, 杜家乐, 邵增珍. 一种基于邻居节点和边的复杂网络节点排序方法——NL中心性算法[J]. 山东科学, 2019, 32(2): 130-136.
[6]	马夏夏，蔡永明. 基于复杂网络的铁路-航空多层网络的鲁棒性研究[J]. 山东科学, 2017, 30(5): 70-78.
[7]	尹维翰，卜志国，孙培艳，赵玉慧，齐衍萍，李海涛. 基于ArcGIS Engine和.NET的海水环境数据分析评价系统的设计与实现[J]. J4, 2014, 27(2): 13-18.
[8]	刘辛涛，籍艳，王平. 带有非线性耦合节点和时滞的复杂网络的指数同步研究[J]. J4, 2013, 26(6): 40-44.
[9]	杨革，于立凯. 基于ESDA的湖北省县域经济空间差异分析[J]. J4, 2013, 26(3): 104-110.
[10]	罗金龙，曹成铉，许琰，郑勋. 北京、上海和广州地铁网络演化分析[J]. J4, 2013, 26(1): 74-80.
[11]	方正, 王杰. 自然与社会环境中的幂律现象和双帕累托对数正态分布[J]. J4, 2011, 24(3): 1-12.
[12]	闫文彩, 张玉林, 赵茂先, 宋伟. 基于复杂网络的城市路网可靠性分析[J]. J4, 2011, 24(2): 65-70.
[13]	高玉翠, 孙奕奇. 汽轮机主辅机状态监测系统的数据分析[J]. J4, 2010, 23(6): 57-60,64.