基于加权耦合映像格子的拥堵道路网络级联失效研究
基于Markov更新过程的城市交通网络级联失效评价模型
基于Markov更新过程的城市交通网络级联失效评价模型袁鹏程;林徐勋
【期刊名称】《运筹与管理》
【年(卷),期】2018(027)008
【摘要】根据路段单元状态与其功能之间的关系,给出了路段单元状态的'失效—非失效'二态表示方法,进一步根据网络中路段单元之间的连接关系,提出了道路交通网络'级联失效'态的定义及识别方法;利用更新理论及Mark-ov链相关理论,分析了道路交通网络级联失效态—非级联失效态持续时间随机变化的概率分布规律,给出了对假想分布的未知参数进行估计及对假想分布进行假设检验的方法,并提出了以失效次数及转移概率为主要评价参数的交通网络级联失效评价模型.以一个实际路网为例,对模型进行了标定,将标定好的模型评价结果与实际观察结果进行了比对,结果显示模型具有较好的实用性.
【总页数】11页(P116-126)
【作者】袁鹏程;林徐勋
【作者单位】上海理工大学管理学院,上海 200093;常州大学商学院,江苏常州213164
【正文语种】中文
【中图分类】U491.13
【相关文献】
1.基于复杂网络的企业创新网络级联失效可靠性模型 [J], 秦胜君
2.基于贝叶斯网络推理的道路网络级联失效仿真 [J], 刘新全
3.危险品事故背景下城市交通网络级联失效抗毁性研究 [J], 刘新民;王子璇;孙秋霞
4.基于CA模型的研发网络级联失效建模及其对任务网络工期风险的影响研究 [J], 王京北; 杨乃定; 张延禄; 宋悦
5.基于级联失效的有向无标度网络节点重要度评价模型 [J], 刘浩然; 王星淇; 邓玉静; 覃玉华
因版权原因，仅展示原文概要，查看原文内容请购买。
基于可解释机器学习的大型活动场馆周边路网运行状态影响研究
基于可解释机器学习的大型活动场馆周边路网运行状态影响研究作者：吴明珠冯楷翁剑成魏瑞聪王晶晶钱慧敏来源：《南京信息工程大学学报》2024年第02期摘要舉办大型活动会导致周边受影响区域在短时间内集中大量人群和车辆，场馆周边路网与常态交通具有差异化特征．为探究大型活动对场馆周边路网运行状态的影响机理，解析活动规模、路段与活动场馆的空间距离等因素的影响特征，构建融合XGBoost算法与部分依赖图的可解释机器学习模型，以捕捉不同因素的非线性效应与协同影响．以北京市为例开展了实证研究，单因素的异质性影响表明：路段与活动场馆的空间距离及活动规模对场馆周边路网运行状态的影响较大，其相对重要度分别达到27.1％和25.4％，距离活动开始／结束的时间对场馆周边路网运行状态存在明显非线性特征，在活动开始前30～60 min，以及活动结束后30 min 内，场馆周边3 km以内的路段将受到显著影响.二维因素的协同影响表明：当活动规模大于3万人时，节假日和不利天气对场馆周边路网运行状态呈负面影响，而在降雨和雾霾天气下，场馆周边路网运行状态受时空影响较大，影响范围为活动开始前60 min与结束后40 min内距离活动场馆2.5 km内的路段．相关研究结论可为大型活动期间道路拥堵致因辨别及制定科学有效的路网管控策略提供定量化的决策依据．关键词城市交通;短时大型活动;路网运行状态;影响关系;XGBoost模型;部分依赖图中图分类号U491.1;TP183文献标志码A0引言短时大型活动在有限空间范围和较短时间内集中大量人流与车辆，具有交通强聚散性和需求骤增等特征．活动期间，在天气、日期等外部因素以及活动规模、活动性质等属性因素的共同作用下，场馆周边区域路网的运行压力大幅增加，存在短时持续性交通拥堵、风险突发等问题．因此，为保障活动期间路网运行的畅通与稳定，有必要把握关键要素对大型活动场馆周边路网运行状态的影响机理，实现活动期间周边路网交通态势的精细化推演，以期制定科学合理的管控方案．研究人员从定性和定量的角度讨论了路网交通流特征和影响机理，但是大型活动所引发的诱增交通需求导致场馆周边路网运行状态与常态化条件存在明显差异，具体表现在交通需求量、流量分布规律及服务层次性等方面［1］.研究表明大型活动期间交通需求和交通流具有潮汐性、临时性和非平衡性等特征［2-3］．在场馆周边交通状态影响机理研究方面，通常关注活动期间的客流出行影响与路网交通流运行影响．其中，客流出行影响主要结合出行需求来考量，如洪于亮等［4］基于用户画像方法，结合实际客流需求调查，讨论了大型活动的客流出行特征和需求，发现不同群体对步行、排队和等待时间以及出行方式选择等方面存在一定差异．在路网交通流运行影响的刻画方面，王振报等［5］考虑交通流时空特征，建立目标函数模型刻画大型活动对路段交通的影响;杨子帆等［6］将影响评价指标细化，综合考虑道路拥堵和客流强度，构建大型活动交通影响指数，客观反映大型活动对场馆周边区域路网运行状态的影响情况;Pulugurtha等［7］以大型活动举办地点为端点，利用出行时间度量大型活动对出行时间效率指标的时空影响，评估大型活动当天的出行时间效率指标与正常日的差异;Niu等［8］分区域探究了大型活动对基本图的影响，发现在活动入口处路网交通流平均速度和密度会产生显著波动．明确大型活动突发时间对交通运行的时空影响范围与程度，也能为活动期间交通应急预案的生成与优化提供依据［9］．近年来，离散选择模型、统计回归、机器学习等方法广泛应用于影响关系分析，其中，机器学习在拟合因素的非线性特征时具有更优的建模能力，且能够结合可解释方法挖掘变量对模型结果的潜在影响，现有研究主要引入SHAP、部分依赖图（Partial Dependence Plots）等解释机器学习模型．Qi等［10］结合XGBoost和SHAP方法构建可解释框架，探讨了拥堵指数、车道数和天气等因素对高速公路出口交通安全风险的影响;Kashifi等［11］利用LightGBDT和SHAP构成的可解释机器学习框架分析得到行程距离、出行者年龄等显著影响出行者决策的因素;许奇等［12］基于XGBoost模型刻画城市轨道交通起讫点客流与建成环境的非线性关系，并利用部分依赖图可视化双变量的交互效应;刘柯良等［13］利用部分依赖图可视化梯度提升树（GBDT）模型中自变量与因变量之间的非线性关系．综上所述，目前对于影响机理的分析中，大部分研究仅从交通流时空影响角度出发，确定因素对路网运行状态的正负关系与影响程度，而忽略了因素局部存在的非线性关联与协同效用，不足以支撑相关部门根据影响关系动态准确地优化管控策略以提高路网运行质量．因此需要考虑更为全面的影响因素，并定量化分析影响因素对场馆周边路网运行状态的非线性效应和因素间的协同作用，以制定更加精准合理的交通管控策略．基于此，为深入剖析和度量多维因素对活动场馆周边路网运行状态的潜在影响关系，本文首先运用XGBoost算法建立影响关系模型，探究因素的影响程度．为克服机器学习的黑箱问题，本文进一步引入可解释机器学习方法部分依赖图，以解读影响模型，捕捉活动性质、活动场地和时空影响等要素的非线性效应与异质性影响，并量化二维影响因素组合之间的协同作用机理，从而为大型活动期间周边路网交通组织优化提供支持．1数据基础与影响因素集为深入探究活动属性因素和交通流时空特征等多维因素对大型活动场馆周边路网运行状态的影响机理，需要依赖路网基础设施数据、浮动车数据和大型活动信息等多源数据．1.1研究数据基础基于北京市基础路网结构数据，结合2019年6月1日—11月30日的浮动车数据与大型活动信息数据，借助ArcGIS实现活动期间场馆周边路段速度数据的时空关联．其中：路网结构静态数据主要包括路段的地理位置、道路类型、路段长度、车道数量、车流方向等信息;基于浮动车的路段信息数据，其时间统计周期为5 min，数据例表如表1所示;大型活动信息数据共包含北京市工人体育场、凯迪拉克中心、国家体育馆等主要大型活场馆举办的57场短时性大型活动，数据例表如表2所示，大型活动场馆的分布位置如图1所示．1.2影响因素集考虑到大型活动场馆周边路网的交通需求特征和运行状态与活动固有性质关联性较强［14］，且具有明显时空差异性．因此，除考虑天气、日期等影响常态化交通的因素外，本文围绕大型活动属性与时空维度两个方面构建影响因素集，其中：活动属性因素主要从活动规模、活动性质和场馆区位等内因，以及日期属性、活动日天气和活动举办时段等外因构建活动因素集;时空维度因素主要考虑距离活动开始与结束的时间、路段与活动场馆的空间距离．本文构建的大型活动场馆周边路网运行状态影响因素集如表3所示．1.3数据处理与关联融合本文利用线性插值法对速度数据集中丢失或错误数据进行修复与填充，之后将北京市静态路网结构、路段速度数据和大型活动场馆信息输入到ArcGIS中，并运用其中的标识功能，设路段名称为融合属性，对路段属性、历史速度与场馆周边区域底图属性表关联融合，得到与场馆周边路网匹配后的路段速度．将提取后的路段速度与表3中同时刻的影响因素属性值进行关联匹配；同时，为降低量纲差异的影响，选用min-max标准化方法对数据进行归一化处理.当数据集中样本容量为n时，归一化处理公式如下：yi=xi-min1≤j≤n｛xj｝max1≤j≤n｛xj｝-min1≤j≤n｛xj｝.（1）式中，y1，y2，…，yn∈［0，1］．2大型活动场馆周边路网运行状态的影响模型路网运行状态具有复杂性，受到多类因素的综合作用［15-16］，机器学习模型不仅能够刻画影响因素的非线性作用机制，还能提供变量的相对重要度［17］，有利于对结果的解释，一定程度上克服了线性模型的局限性．同时，为解决机器学习的黑箱问题，需引入可解释机器学习框架以分析响应变量与解释变量之间的耦合作用机理［18］．因此，本文选取XGBoost 建立影响关系模型，量化影响因素对场馆周边路网运行状态的影响程度，并结合部分依赖图解析单变量的非线性关系与多变量间的协同影响，本文提出的影响模型框架如图2所示．2.1基于XGBoost的影响关系模型XGBoost是基于梯度提升树（GDBT）的改进模型［19］，与传统回归模型相比，XGBoost在刻画非线性关系时性能更优，且不需要预设模型结构，能够有效量化并输出影响因素的相对重要度以体现解释变量对因变量的影响程度．因此，采用XGBoost模型探究因素与场馆周邊路网运行状态的影响依赖关系．以表3中大型活动属性和时空影响属性作为XGBoost的解释变量x=［x1，x2，…，x8］，被解释变量为路段运行速度．XGBoost通过前向迭代集成每棵决策树的预测结果作为最终输出预测值，其函数定义如式（2）所示：（t）i=∑tk=1fk（xi）=（t-1）i+ft（xi）.（2）式中：（t）i为t轮迭代后模型预测第i个样本的路段运行速度;（t-1）i 为已知t-1轮迭代后第i个样本的预测值;fk（xi）为第k棵决策树的预测结果;ft（xi）为第t轮迭代对残差的预测值;xi为第i个样本的特征向量．XGBoost的目标函数见式（3）.为防止模型过拟合，在损失函数中加入正则项Ω（fk）．O（θ）=∑ni=1l（yi，i）+∑Kk=1Ω（fk）. （3）式中：O（θ）为XGBoost的目标函数;l（yi，i）为样本xi的损失函数;Ω（fk）表示第k棵树的正则项，用于控制模型复杂度，其计算公式见式（4）;K为学习器个数．Ω（fk）=ζTk+12λ‖ωk‖2.（4）式中：Tk为第k棵决策树;ωk为第k棵树叶子节点的预测值;ζ和λ为权重系数．根据模型最终训练结果计算各个解释变量的相对重要性，具体计算见式（5）．R2l=1K∑Kk=1R2l （Tk）.（5）式中：R2l 为变量l对路段速度的相对重要度;J为该树的叶节点数．2.2基于部分依赖图的影响机理解析虽然XGBoost在准确性和泛化能力等方面优于回归模型，但其可解释性低．因此，本文引入部分依赖图解释黑箱机器学习模型中因素间的影响机理，同时可视化单变量对场馆周边路网运行状态的非线性效应和异质性影响，以及二维因素组合的协同作用机理．部分依赖图的核心思想是通过控制其他变量不变，计算单个或两个解释变量对模型中目标函数的边际贡献［20］，利用部分依赖相对值表示一组变量影响目标函数时的交互作用程度，具体的计算方法如式（6）所示：S（xS）=1N∑Nj=1f（xS，x（j）C）.（6）式中：fS（xS）是部分依赖函数，S（xS）绝对值越大，说明该特征组合对目标函数的影响程度越强;xS为S中二维特征取值;S为影响因素属性变量x=［x1，x2，…，x8］的子集，包含两个选定的特征（xa，xb）;x（j）C 为其他特征在数据集中第j个实例上对应的取值;N是数据集中实例数;特征向量xS和xC组成总特征空间x;f为XGBoost模型．3实证分析本文以北京市57场大型活动与活动日当天场馆周边路段速度数据为基础，利用XGBoost 和部分依赖图分析各类特征与场馆周边路网运行状态的影响关系．采用网格搜索法和交叉验证法搜索XGBoost模型超参数的最优组合，发现当模型包含50棵最大深度为5的决策树、学习参数为0.05、最小样本权重为3时，模型具有最佳拟合效果．3.1影响因素的相对重要度将表3中的8个影响因素作为影响关系模型的输入特征，学习模型输出各类特征的相对重要度，其值越大，特征贡献度越大，表明该指标对路网运行状态的影响越大．图3是8个影响因素的相对重要度．易知，大型活动属性和时空影响属性对场馆周边路网运行状态影响具有明显差异．具体而言，路段与活动场馆的空间距离的重要度排序第一，达到27.1％，其次是活动规模和距离活动开始／结束的时间，其重要度分别为25.4％和21.3％，说明场馆周边路网资源的时空聚集程度和参加活动人群集聚规模对路网运行状态的影响显著，而活动性质和活动举办时段的影响不显著．1.2影响因素集考虑到大型活动场馆周边路网的交通需求特征和运行状态与活动固有性质关联性较强［14］，且具有明显时空差异性．因此，除考虑天气、日期等影响常态化交通的因素外，本文围绕大型活动属性与时空维度两个方面构建影响因素集，其中：活动属性因素主要从活动规模、活动性质和场馆区位等内因，以及日期属性、活动日天气和活动举办时段等外因构建活动因素集;时空维度因素主要考虑距离活动开始与结束的时间、路段与活动场馆的空间距离．本文构建的大型活动场馆周边路网运行状态影响因素集如表3所示．1.3数据处理与关联融合本文利用线性插值法对速度数据集中丢失或错误数据进行修复与填充，之后将北京市静态路网结构、路段速度数据和大型活动场馆信息输入到ArcGIS中，并运用其中的标识功能，设路段名称为融合属性，对路段属性、历史速度与场馆周边区域底图属性表关联融合，得到与场馆周边路网匹配后的路段速度．将提取后的路段速度与表3中同时刻的影响因素属性值进行关联匹配；同时，为降低量纲差异的影响，选用min-max标准化方法对数据进行归一化处理.当数据集中样本容量为n时，归一化处理公式如下：yi=xi-min1≤j≤n｛xj｝max1≤j≤n｛xj｝-min1≤j≤n｛xj｝.（1）式中，y1，y2，…，yn∈［0，1］．2大型活动场馆周边路网运行状态的影响模型路网运行状态具有复杂性，受到多类因素的综合作用［15-16］，机器学习模型不仅能够刻画影响因素的非线性作用机制，还能提供变量的相对重要度［17］，有利于对结果的解释，一定程度上克服了线性模型的局限性．同时，为解决机器学习的黑箱问题，需引入可解释机器学習框架以分析响应变量与解释变量之间的耦合作用机理［18］．因此，本文选取XGBoost 建立影响关系模型，量化影响因素对场馆周边路网运行状态的影响程度，并结合部分依赖图解析单变量的非线性关系与多变量间的协同影响，本文提出的影响模型框架如图2所示．2.1基于XGBoost的影响关系模型XGBoost是基于梯度提升树（GDBT）的改进模型［19］，与传统回归模型相比，XGBoost在刻画非线性关系时性能更优，且不需要预设模型结构，能够有效量化并输出影响因素的相对重要度以体现解释变量对因变量的影响程度．因此，采用XGBoost模型探究因素与场馆周边路网运行状态的影响依赖关系．以表3中大型活动属性和时空影响属性作为XGBoost的解释变量x=［x1，x2，…，x8］，被解释变量为路段运行速度．XGBoost通过前向迭代集成每棵决策树的预测结果作为最终输出预测值，其函数定义如式（2）所示：（t）i=∑tk=1fk（xi）=（t-1）i+ft（xi）.（2）式中：（t）i为t轮迭代后模型预测第i个样本的路段运行速度;（t-1）i 为已知t-1轮迭代后第i个样本的预测值;fk（xi）为第k棵决策树的预测结果;ft（xi）为第t轮迭代对残差的预测值;xi为第i个样本的特征向量．XGBoost的目标函数见式（3）.为防止模型过拟合，在损失函数中加入正则项Ω（fk）．O（θ）=∑ni=1l（yi，i）+∑Kk=1Ω（fk）. （3）式中：O（θ）为XGBoost的目标函数;l（yi，i）为样本xi的损失函数;Ω（fk）表示第k棵树的正则项，用于控制模型复杂度，其计算公式见式（4）;K为学习器个数．Ω（fk）=ζTk+12λ‖ωk‖2.（4）式中：Tk为第k棵决策树;ωk为第k棵树叶子节点的预测值;ζ和λ为权重系数．根据模型最终训练结果计算各个解释变量的相对重要性，具体计算见式（5）．R2l=1K∑Kk=1R2l （Tk）.（5）式中：R2l 为变量l对路段速度的相对重要度;J为该树的叶节点数．2.2基于部分依赖图的影响机理解析虽然XGBoost在准确性和泛化能力等方面优于回归模型，但其可解释性低．因此，本文引入部分依赖图解释黑箱机器学习模型中因素间的影响机理，同时可视化单变量对场馆周边路网运行状态的非线性效应和异质性影响，以及二维因素组合的协同作用机理．部分依赖图的核心思想是通过控制其他变量不变，计算单个或两个解释变量对模型中目标函数的边际贡献［20］，利用部分依赖相对值表示一组变量影响目标函数时的交互作用程度，具体的计算方法如式（6）所示：S（xS）=1N∑Nj=1f（xS，x（j）C）.（6）式中：fS（xS）是部分依赖函数，S（xS）绝对值越大，说明该特征组合对目标函数的影响程度越强;xS为S中二维特征取值;S为影响因素属性变量x=［x1，x2，…，x8］的子集，包含两个选定的特征（xa，xb）;x（j）C 为其他特征在数据集中第j个实例上对应的取值;N是数据集中实例数;特征向量xS和xC组成总特征空间x;f为XGBoost模型．3实证分析本文以北京市57场大型活动与活动日当天场馆周边路段速度数据为基础，利用XGBoost 和部分依赖图分析各类特征与场馆周边路网运行状态的影响关系．采用网格搜索法和交叉验证法搜索XGBoost模型超参数的最优组合，发现当模型包含50棵最大深度为5的决策树、学习参数为0.05、最小样本权重为3时，模型具有最佳拟合效果．3.1影响因素的相对重要度将表3中的8个影响因素作为影响关系模型的输入特征，学习模型输出各类特征的相对重要度，其值越大，特征贡献度越大，表明该指标对路网运行状态的影响越大．图3是8个影响因素的相对重要度．易知，大型活动属性和时空影响属性对场馆周边路网运行状态影响具有明显差异．具体而言，路段与活动场馆的空间距离的重要度排序第一，达到27.1％，其次是活动规模和距离活动开始／结束的时间，其重要度分别为25.4％和21.3％，说明场馆周边路网资源的时空聚集程度和参加活动人群集聚规模对路网运行状态的影响显著，而活动性质和活动举办时段的影响不显著．1.2影响因素集考虑到大型活动场馆周边路网的交通需求特征和运行状态与活动固有性质关联性较强［14］，且具有明显时空差异性．因此，除考虑天气、日期等影响常态化交通的因素外，本文围绕大型活动属性与时空维度两个方面构建影响因素集，其中：活动属性因素主要从活动规模、活动性质和场馆区位等内因，以及日期属性、活动日天气和活动举办时段等外因构建活动因素集;时空维度因素主要考虑距离活动开始与结束的时间、路段与活动场馆的空间距离．本文构建的大型活动场馆周边路网运行状态影响因素集如表3所示．1.3数据处理与关联融合本文利用线性插值法对速度数据集中丢失或错误数据进行修复与填充，之后将北京市静态路网结构、路段速度数据和大型活动场馆信息输入到ArcGIS中，并运用其中的标识功能，设路段名称为融合属性，对路段属性、历史速度与场馆周边区域底图属性表关联融合，得到与场馆周边路网匹配后的路段速度．将提取后的路段速度与表3中同时刻的影响因素属性值进行关联匹配；同时，为降低量纲差异的影响，选用min-max标准化方法对数据进行归一化处理.当数据集中样本容量为n时，归一化处理公式如下：yi=xi-min1≤j≤n｛xj｝max1≤j≤n｛xj｝-min1≤j≤n｛xj｝.（1）式中，y1，y2，…，yn∈［0，1］．2大型活动场馆周边路网运行状态的影响模型路网运行状态具有复杂性，受到多类因素的综合作用［15-16］，机器学习模型不仅能够刻画影响因素的非线性作用机制，还能提供变量的相对重要度［17］，有利于对结果的解释，一定程度上克服了线性模型的局限性．同时，为解决机器学习的黑箱问题，需引入可解释机器学习框架以分析响应变量与解释变量之间的耦合作用机理［18］．因此，本文选取XGBoost 建立影响关系模型，量化影响因素对场馆周边路网运行状态的影响程度，并结合部分依赖图解析单变量的非线性关系与多变量间的协同影响，本文提出的影响模型框架如图2所示．2.1基于XGBoost的影响关系模型XGBoost是基于梯度提升树（GDBT）的改进模型［19］，与传统回归模型相比，XGBoost在刻画非线性关系时性能更优，且不需要预设模型结构，能够有效量化并输出影响因素的相对重要度以体现解释变量对因变量的影响程度．因此，采用XGBoost模型探究因素与场馆周边路网运行状态的影响依赖关系．以表3中大型活动属性和时空影响属性作为XGBoost的解释变量x=［x1，x2，…，x8］，被解释变量为路段运行速度．XGBoost通过前向迭代集成每棵决策树的预测结果作为最终输出预测值，其函数定义如式（2）所示：（t）i=∑tk=1fk（xi）=（t-1）i+ft（xi）.（2）式中：（t）i为t轮迭代后模型预测第i个样本的路段运行速度;（t-1）i 为已知t-1轮迭代后第i个样本的预测值;fk（xi）为第k棵决策树的预测结果;ft（xi）为第t轮迭代对残差的预测值;xi为第i个样本的特征向量．XGBoost的目标函数见式（3）.为防止模型过拟合，在损失函数中加入正则项Ω（fk）．O（θ）=∑ni=1l（yi，i）+∑Kk=1Ω（fk）. （3）式中：O（θ）為XGBoost的目标函数;l（yi，i）为样本xi的损失函数;Ω（fk）表示第k棵树的正则项，用于控制模型复杂度，其计算公式见式（4）;K为学习器个数．Ω（fk）=ζTk+12λ‖ωk‖2.（4）式中：Tk为第k棵决策树;ωk为第k棵树叶子节点的预测值;ζ和λ为权重系数．根据模型最终训练结果计算各个解释变量的相对重要性，具体计算见式（5）．R2l=1K∑Kk=1R2l （Tk）.（5）式中：R2l 为变量l对路段速度的相对重要度;J为该树的叶节点数．2.2基于部分依赖图的影响机理解析虽然XGBoost在准确性和泛化能力等方面优于回归模型，但其可解释性低．因此，本文引入部分依赖图解释黑箱机器学习模型中因素间的影响机理，同时可视化单变量对场馆周边路网运行状态的非线性效应和异质性影响，以及二维因素组合的协同作用机理．部分依赖图的核心思想是通过控制其他变量不变，计算单个或两个解释变量对模型中目标函数的边际贡献［20］，利用部分依赖相对值表示一组变量影响目标函数时的交互作用程度，具体的计算方法如式（6）所示：。
基于耦合映像格子模型的时空混沌二值序列及其性能分析
基于耦合映像格子模型的时空混沌二值序列及其性能分析彭军;李学明;张伟;廖晓峰;Eiji Okamoto
【期刊名称】《计算机科学》
【年(卷),期】2005(032)002
【摘要】基于耦合映像格子模型,给出了一种时空混沌二值序列的产生方法,并对其性能进行了详细分析.结果表明,该种时空混沌二值序列具有十分理想的随机性和相关性.此外,混沌序列容易产生和控制,具有线性复杂度高、对参数敏感等特性,因此特别适合于在保密通信和密码学等诸多领域中应用.
【总页数】4页(P196-198,232)
【作者】彭军;李学明;张伟;廖晓峰;Eiji Okamoto
【作者单位】重庆工业高等专科学校计算机系,重庆,400050;重庆大学计算机科学与工程学院,重庆,400044;重庆大学计算机科学与工程学院,重庆,400044;重庆教育学院计算机与现代教育技术系,重庆,400067;重庆大学计算机科学与工程学院,重庆,400044;筑波大学系统与情报工学研究科,筑波305-8573,日本
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于耦合映像格子模型的电光双稳系统的时空混沌控制 [J], 刘璐;谷开慧;刑淑芝
2.混沌二值序列的性能分析 [J], 彭军
3.耦合映像格子模型时空混沌的控制 [J], 刘璐;谷开慧;孙晓冰;刑淑芝;孟瑜
4.一种二值混沌加密序列的产生及其性能分析 [J], 戴跃伟;卓成春;茅耀斌;王执铨
5.混沌伪随机二值序列的性能分析方法研究综述 [J], 范春雷;丁群
因版权原因，仅展示原文概要，查看原文内容请购买。
基于组合赋权-云模型的高速公路网交通韧性评价
第50 卷第 11 期2023年11 月Vol.50，No.11Nov. 2023湖南大学学报（自然科学版）Journal of Hunan University（Natural Sciences）基于组合赋权-云模型的高速公路网交通韧性评价李洁1，刘邱琪1，张欣宇1，韦媛媛2，张晶晶2†（1.湖南大学土木工程学院，湖南长沙 410082；2.广西交科集团有限公司，广西壮族自治区南宁 530007）摘要：为了制定提升高速公路网交通韧性的策略，提出一种基于组合赋权−云模型的路网韧性评价方法. 首先，选取结构熵、边介数、聚类系数、路网密度4个路网拓扑结构指标和行程时间指数、路网流量非均匀指数2个交通运行状态指标，从路网拓扑结构与功能两方面对路网韧性进行综合评价. 其次，对路网韧性等级进行划分，确定各评价指标在不同韧性等级的阈值，并基于逆向云发生器计算云参数特征值及确定度. 随后，采用层次分析法和熵值法对指标进行组合赋权，通过加权平均得到不同韧性等级的隶属度，根据隶属度最大原则判定高速公路网韧性等级. 最后，以某高速公路网为例进行实证研究，将所提出的组合赋权-云模型评价方法与综合模糊评价法进行对比. 研究表明，二者的评价结果相近，但组合赋权-云模型评价方法克服了综合模糊评价法中随机性的缺陷，能更客观地反映路网的真实运行状态.关键词：交通运输规划与管理；交通系统韧性；复杂网络；组合赋权；云模型；高速公路中图分类号：U491 文献标志码：AEvaluation of Traffic Resilience of Freeway Networks Based onCombined Weighting-Cloud ModelLI Jie1，LIU Qiuqi1，ZHANG Xinyu1，WEI Yuanyuan2，ZHANG Jingjing2†（1.College of Civil Engineering， Hunan University， Changsha 410082， China；2.Guangxi Transportation Science and Technology Group Co.， Ltd.， Nanning 530007， China）Abstract：In a pursuit to develop strategies to amplify the resilience of freeway networks， this paper introduces an evaluation method of road resilience based on the combined weighting-cloud model. First，four topological structure indicators were selected，namely structure entropy，edge betweenness，freeway network density，and clustering coefficient，as well as two traffic status indicators：the travel time index and the traffic heterogeneity index. The resilience of the freeway network was comprehensively evaluated based on the topological structure and traffic status indicators. Then， the resilience of the freeway network was graded， the boundary values of evaluation indicators at different resilience levels were determined，and the characteristic values and certainty of the cloud∗收稿日期：2023-02-13基金项目：国家自然科学基金资助项目（51878264）， National Natural Science Foundation of China（51878264）；湖南省科学技术厅重点研发项目（2022SK2096）， Department of Science and Technology of Hunan Province（2022SK2096）；河南省交通运输厅科技项目（2020G11），Department of Communications of Henan Province（2020G11）作者简介：李洁（1972―），女，湖南株洲人，湖南大学副教授，工学博士† 通信联系人，E-mail：****************文章编号：1674-2974（2023）11-0224-11DOI：10.16339/ki.hdxbzkb.2023141第 11 期李洁等：基于组合赋权-云模型的高速公路网交通韧性评价parameters were estimated based on the backward cloud generator. Afterward，the indicators were weighted by combining the analytic hierarchy process and the entropy method. The membership degrees of different resilience levels were determined by calculating the weighted average，and the resilience level of the freeway network was detected according to the maximum membership degree. Finally，a case study was made for a freeway network to compare the combined weighting-cloud model method proposed in this study with the comprehensive fuzzy method. It is indicated from the research that the evaluation results of the two methods are similar. In contrast， the combined weighting-cloud model method reflects the actual status of the freeway network more objectively because it is free from the defect of randomness， which is included in the latter method.Key words：transportation planning and management；traffic resilience；complex networks；combined weighting； cloud model； freeway韧性的概念最早由Holling［1］引入到生态系统的研究，随后在众多领域得到广泛关注和应用.2006年，Murray-Tuite［2］首次将韧性概念引入交通运输系统中，基于交通特性提出韧性定义及其量化方法. 此后，学者们从多方面研究与探讨交通系统的韧性特征与评价方法.交通韧性是系统综合能力的表现，可通过拓扑指标、交通特性指标表征. Ip等［3］基于复杂网络理论提出轨道系统可靠通道的韧性评价指标，根据该指标的加权平均值评估节点韧性，再以节点韧性加权总和量化路网韧性. Dunn等［4］选择最大连通图、平均最短路径等拓扑指标评估航空网络的系统韧性. 徐锦强等［5］选择拓扑指标和交通指标对城市道路路网韧性进行综合评价，发现结合交通特性指标的路网韧性评价能更客观地反映路网实际性能. Bocchini 等［6］将总出行时间和出行距离作为系统性能指标，以实现道路网络韧性最大化为目标进行路网修复策略研究. Pratelli等［7］以速度为道路交通性能指标，将韧性指数定义为随时间变化，实际速度面积和限速面积的比值. Omer等［8］考虑出行时长、环境影响和出行成本3个因素对网络出行总时间的影响，以出行时间作为系统性能指标分析路网层面交通网络韧性. 两类指标对交通韧性的表达各有侧重：拓扑指标是基于复杂网络理论，通过结构特性静态分析网络抵御、对抗冲击的能力；交通特性指标则表现了系统性能随时间的动态变化，可反映路网的功能韧性.为提升和优化交通系统韧性，学者们针对不同交通扰动事件展开研究. Hsieh等［9］对遭受自然灾害事件扰动的台湾高速公路网韧性进行评估. Begum 等［10］从气候变化的视角提出区域公路网韧性提升的建议和评估标准. Xiao等［11］探究地震灾害对交通基础设施破坏的程度. Chu等［12］就如何提升易受地震影响的公路桥梁系统韧性进行了探讨. Zhu等［13］针对飓风艾琳和桑迪的侵袭探讨纽约市交通基础设施系统的韧性. Kasmalkar等［14］量化洪水对城市交通系统造成的破坏程度，以此提升城市交通系统的韧性.Bruyelle等［15］在对城市轨道交通系统韧性的研究中考虑恐怖袭击事件的影响. Zhong等［16］评估了遭受交通事故影响的广州机场高速公路的交通系统韧性. 地震、飓风、恐怖袭击等是对交通系统造成巨大损失的极端事件，引起了较多学者的关注.部分学者尝试从系统的角度对交通的日常扰动事件进行分析. Tang等［17］从交通系统韧性的视角研究道路交通拥堵的治理策略. Almotahari等［18］对构建的150个不同拓扑网络进行不同拥堵水平的测试，以筛选出最能表征网络韧性的指标，并在发生交通拥堵的城市路网进行实例验证. Khaghani等［19］采用多维指标表征道路网络的韧性，利用加利福尼亚州洛杉矶主要高速公路数据分析路网在高峰时段对常发性交通拥堵的抵御能力. Testa等［20］构建美国纽约高速公路网拓扑模型，选择平均节点度、聚类系数、中介中心性等拓扑指标为评价指标，分析随机移除节点或连线后路网的韧性. Zhang等［21］利用北京和深圳GPS数据分析不同城市交通拥堵影响下道路网络韧性的特征和区别，为交通管理部门提供理论依据. Akbarzadeh等［22］以伊朗伊斯法罕市的道路网为例，探讨交通流、节点中心性、节点重要度之间的关联性，为城市路网规划和交通管理提供重要依据. 吕225湖南大学学报（自然科学版）2023 年彪等［23］提出以日变交通配流为基础的城市路网韧性评估模型，使用路网效率和路网可达性等拓扑指标描述城市路网在扰动事件下的系统韧性. 随着区域间出行需求不断增长，拥堵从城市道路逐渐蔓延到高速公路. 尤其在节假日，局部交通流量短期内激增对高速公路造成进一步冲击［24］，进而影响交通系统韧性. 由于高速公路具有一定的封闭性，交通流激增对路网造成的冲击在短时间内难以消散，如果高速公路网络系统韧性不足将导致系统性能迅速下降，影响社会经济的正常运转. 对此，增强高速公路网的交通韧性，可以预防或减缓交通拥堵的发生，实现提升高速公路服务水平和降低出行成本的目的.本文对节假日交通拥堵冲击下的高速公路网络交通韧性进行量化评估.首先，本文构建了高速公路网交通韧性评价指标体系，在选择指标时，考虑高速公路网结构特性的同时引入交通特性.其次，云模型广泛应用于各研究领域中的评价问题，可将不确定性问题进行定性和定量转换［25-26］. 本文提出一种组合赋权-云模型的高速公路网韧性评价方法，以主观权值和客观权值对评价指标进行组合赋权，通过逆向云发生器得到各指标在不同等级区间内的确定度，根据综合确定度最大原则得到高速公路网韧性评价结果.最后，本文以某市高速公路网为例进行实证分析，通过交通调查数据、网络拓扑数据以及统计年鉴等数据对其路网韧性进行评价.本文通过将提出的评价方法与综合模糊评价法进行比较，验证了所提出的评价方法的合理性和有效性.1 高速公路网韧性评价指标及分级随着交通韧性研究的深入，韧性的具体定义在不同研究中存在一定差异，但韧性的内涵主要包含两方面：一是系统适应、吸收和抵抗冲击的能力，反映了交通的静态韧性；二是系统受到冲击后恢复到正常服务水平的能力，可反映交通的动态韧性. 本文将高速公路网交通韧性定义为：高速公路网抵御交通流量的冲击，随着时间流逝能够恢复到正常运行水平的能力.高速公路交通系统韧性评价指标的选取应当全面、客观，遵循独立性、不相关性以及可评价性等原则. 当高速公路受到扰动时，韧性将受到两方面的影响：一方面，路网自身的结构特征能够适应并吸收部分交通流量，对系统韧性产生一定的影响；另一方面，交通特性反映了路网上的交通流数量和时空分布，是短时间内路网韧性变化的重要因素. 因此，高速公路网韧性的评价在采用路网拓扑结构相关指标的同时，还需考虑交通特性相关指标.本文从路网结构韧性和功能韧性两方面出发，选取路网密度、行程时间指数等因素建立评价指标体系，并参考以往研究成果确定各指标的韧性等级.高速公路网韧性评价流程如图1所示.1.1 路网结构韧性指标路网结构特性对交通韧性存在影响，且在短期内不随交通状态的改变发生变化. 基于复杂网络理论，本文选取结构熵、边介数、聚类系数、路网密度4项指标，对路网的拓扑结构特征进行分析.1.1.1 结构熵熵的物理意义为体系混乱程度的度量，结构熵可量化网络结构的稳定程度从而反映体系所具备的抵抗能力. 在交通系统中，路网结构熵越小，表明路网结构稳定性越差，所对应的结构韧性越差，表现为面临交通流量冲击时，路网难以抵抗和吸收，进而导致局部路段发生拥堵的概率增加. 本文对高速公路交通系统节点分布特性进行研究，在节点拓扑指标的基础上计算路网的结构熵［27］，结构熵E的计算式如下：E=-∑i=1N I i ln I i（1）式中：I i为第i个节点的重要度.Ii=ki∑i=1N k i（2）式中：k i为第i个节点的度值；N为网络中节点的数量.图1 高速公路网韧性评价流程Fig.1 Freeway network resilience evaluation procedure226第 11 期李洁等：基于组合赋权-云模型的高速公路网交通韧性评价1.1.2 边介数中介度反映了网络单元在网络中的枢纽性，分为节点介数和边介数［28］. 边介数可反映单一路段在路网中的过渡性和衔接性，其值越大表示经过该路段的最短路径数越多.随着来自不同出行路径的流量不断增加，路段承受冲击的能力减弱，甚至发生局部交通拥堵，影响路网的综合运行效率，降低路网的韧性. 边介数的计算公式表示为路网中所有节点对的最短路径中，经过该边路径的数目占最短路径总数的比例，具体如式（3）所示.B cd =2(N-1)(N-2)∑b icdj b ij（3）式中：b ij表示节点n i到节点n j的所有最短路径数量；bicdj为节点n i到节点n j的所有最短路径中经过边l cd的数量；2/（N-1）（N-2）为标准化公式. 路网边介数即为路网中所有边介数的算数平均数.1.1.3 聚类系数聚类系数主要反映的是网络内部相邻节点之间联系程度的高低. 所有节点的聚类系数平均值即为网络聚类系数C，可描述路网的聚集程度［29］. C越趋近1，意味着路网中节点聚集性越好，节点之间通达性越强，路网的韧性越强. 当局部路段的交通流量过多时，聚集性较好的路网能够利用邻近节点的替代性资源分散交通流，避免发生拥堵或拥堵能够在短时间内疏散，路段恢复到正常的服务水平. 节点和网络的聚类系数为：C i =Miki(k i-1)（4）C=1N∑i=1N C i（5）式中：k i为第i个节点的度值，这些节点间存在的最大连线数为k i（k i-1）；M i为实际存在的连线数.1.1.4 路网密度路网要求具有合适的规模，能够承受交通流的冲击，为出行者提供一定的出行服务水平. 路网密度是进行交通评价常用的指标，密度越高的路网在面对流量冲击时可用于交通分流的路段越多，表现出更强的抵抗力和吸收力，路网具有较强的韧性. 考虑到计算的简便性，高速公路路网密度可以用区域内高速公路里程数与区域面积的比值来表示，其计算式为：v=d S（6）式中：d为研究区域高速公路网总里程；S为行政区划总面积.1.2 路网功能韧性指标高速公路交通流具有一定时空演变规律，交通状态的不同变化模式对路网韧性造成的冲击程度不同. 在畅通状态下，交通流的缓慢增长对路网冲击较小，且在韧性可承受的范围内；随着交通流增加，流量的时空不均匀分布对路网的冲击进一步加剧，局部路段的拥堵会严重影响整个路网的韧性. 考虑交通特性对路网功能韧性的影响，本文选择行程时间指数和路网流量非均匀指数作为路网功能韧性指标.1.2.1 行程时间指数行程时间指数（Travel Time Index， TTI）为得克萨斯州交通研究所使用的路网运行状态评价指标［30-31］，定义为出行实际行驶时间与自由流状态下行驶时间的比值，计算式如下：TTI ij=t ij t freeij（7）式中：t ij为出行实际行驶时间；t free ij为自由流状态下行驶时间.TTI是一个被广泛采用的交通运行状态评价指标，如高德地图［32］和百度地图中所使用的拥堵延时指数即为行程时间指数. 由式（7）可知，TTI值越大表示出行时间越长，路段越拥堵. 当交通流持续进入路网时，路网的吸收力逐渐减小，抵抗力降低，交通系统韧性变弱.1.2.2 路网流量非均匀指数路网流量非均匀指数F NE表示路网所有节点流量的非均衡度，而节点i在t时刻的流量均衡度F i（t）可通过与节点i相连接所有路段流量和路网中节点标准流量F N i(t)的方差表征［33］. F NE体现了路网中流量的分布情况. 当交通流量过度集中于局部路段时，即使某些路段仍然畅通，但路网的整体韧性较差.F NE（t）计算流程为：F Ni(t)=Qi(t)k i（8）式中：Q i（t）为t时刻流入与流出节点i的交通流量总和；k i为节点i的度值，节点标准流量F N i(t)为节点i 的度平均交通量.Fi(t)=1ki∑j=1[]Q ji(t)-F N i(t)2（9）式中：Q j i(t)为t时刻节点i和节点j相连路段上下行的交通总量，而节点i在t时刻的流量均衡度F i（t）为各路段流量Q j i(t)与标准流量F N i(t)离差平方和的平227湖南大学学报（自然科学版）2023 年均值.F NE (t )=1N ∑éëêêùûúúF i (t )-1N F i (t )2（10）式中：F NE （t ）为t 时刻的路网流量非均匀指数.1.3 路网韧性等级划分为更加科学地评价路网韧性，本文参考相关研究成果并结合专家意见，将路网韧性划分为4个等级，即V =｛v 1， v 2， v 3， v 4｝=｛强韧性，较强韧性，中韧性，弱韧性｝. 各指标不同等级范围根据以往研究成果以及统计年鉴确定，具体数值如表1所示.由于各指标没有统一的纲量，本文采用相对分析法确定指标范围. 针对路网密度这一指标，本文利用我国各主要城市的《统计年鉴》中高速公路总里程和行政区域面积2个数据指标，计算高速公路路网密度，并以此为参考确定路网密度指标等级的边界值. 结构熵、边介数、聚类系数、路网流量非均匀指数4个指标可参考现有研究成果设定等级边界值［27，33-35］. 行程时间指数指标的等级边界值则参考高德地图拥堵延时指数范围确定［32］.2 组合赋权-云模型评价模型2.1 云模型理论云模型由李德毅等［36］提出，适用于处理定性概念与定量数量之间不确定性转换. 在本研究中，高速公路网交通韧性的分级为定性概念，评价指标的取值为定量数据.2.1.1 云模型的概念设U 为一个用精确数值表示的定量论域，D 为位于U 上的定性概念，若存在x ∈U 且x 为定性概念D 的一次随机实现，x 对D 的确定度μ(x )∈ ［0，1］为具有稳定倾向的随机数［35］：μ(x )：U → ［0，1］，∀x ∈U ，x →μ(x )则x 在论域U 上的分布为隶属云，即云模型，x 为一个云滴.期望值E x 、熵值E n 、超熵值H e 是云模型的3个主要指标：期望值E x 是云滴4个韧性评价等级对应的云分布中心值，反映韧性评价指标的划分等级；熵值E n 表示各评价等级的值域范围，可反映评价过程中数据采集的随机性；超熵值H e 是熵的不确定性度量，表示某一评价等级的隶属度随机性大小，揭示韧性评价过程中指标取值随机性与等级模糊性之间的关联程度. Z =r ij （E x ij ， E n ij ， H e ij ）可整体表征云模型的定性概念D ，即本研究中6项指标的韧性等级.2.1.2 云发生器云发生器是云模型中定性概念与定量数据之间相互转换的特定算法，主要分为正向云发生器和逆向云发生器［37］. 正向云发生器表示由定性概念到定量数据的转换过程，逆向云发生器表示由定量数据到定性概念的转换过程. 本文主要通过逆向云发生器，基于样本云滴数据计算云模型的3个数字特征，实现韧性评价指标取值到韧性分级的转换［38］，如图2所示.2.1.3 云模型特征值计算通过逆向云发生器获取云模型特征值的算法有多种［39］，本文参考以往应用在交通研究中的方法［35］计算云模型的3个特征值. 当云滴所在的论域空间存在一个评价范围［C min ， C max ］时，云模型的期望值E x 计算式如下：E x =C max +C min2（11）式中：C max 、C min 分别对应等级区间的上限、下限边界值，即阈值. 对于单边界的情况，如［-∞， C max ］或［C min ， +∞］， 则依据评价指标具体实测值的上限或下限确定缺省边界.熵值E n 的计算式为：E n =C max-C min2.355（12）表1 韧性评价指标分级标准Tab.1 Grading standard of resilience evaluation indicators一级指标结构韧性功能韧性二级指标结构熵边介数聚类系数路网密度TTI F NE强韧性［0.9，1）（0，0.1］［0.8，1）［900，1 800）［1，1.5）［0，2）较强韧性［0.4，0.9）（0.1，0.4］［0.4，0.8）［500，900）［1.5，2）［2，4）中韧性［0.2，0.4）（0.4，0.8］［0.1，0.4）［200，500）［2，4）［4，8）弱韧性［0，0.2）（0.8，1］［0，0.1）［0，200）≥4［8，∞）图2 逆向云发生器示意图Fig.2 The schematic diagram of backward cloud generator228第 11 期李洁等：基于组合赋权-云模型的高速公路网交通韧性评价超熵值H e将指标值x的随机性约束弱化为某种“泛正态分布”，是熵值E n的不确定性度量，所以可根据E n的大小为H e取一个合适的常数，一般0.01≤H e≤0.1［35］.2.2 组合赋权高速公路网韧性评价指标体系包含了结构和功能两个方面的多项指标，各指标对韧性的影响不尽相同，需要进行合理赋权. 权重的计算方法主要分为两大类：主观赋权法和客观赋权法. 主观赋权法包括层次分析法、模糊综合评价法、专家意见法等. 层次分析法是常用的主观赋权方法，通过业内专家将定性问题进行量化分析，使各指标权重结果更符合实际情况. 由于业内专家的经验和个人偏好等主观因素影响，赋值过程中可能存在一定偏差，影响计算结果的客观性. 熵值法是客观赋权法之一，根据数据的差异性确定各指标的重要程度，权重的确定比较客观，不受主观因素的影响. 熵值法确定权重是基于各指标数据的差异，而忽略了不同指标之间的影响，导致最终结果可能与实际情况相违背.为弥补单一赋权方法的不足，本文将层次分析法和熵值法相结合，利用式（13）计算韧性指标的综合权值. 组合赋权将高速公路网韧性评价指标主客观权重的差异程度和重要程度相匹配，计算组合权重值，确保权重值贴合实际情况的同时减少人为因素的影响，提高评价结果的合理性和客观性.ωi =δi×εi∑i=16(δi×εi)（13）式中：ωi为韧性指标i的组合权重值，i=1， 2，…， 6；δi 为指标i主观权重值；εi为指标i客观权重值.2.3 评价模型本文首先采用组合赋权法确定高速公路网6个韧性评价指标的权重，然后根据云模型理论建立高速公路网交通韧性的综合评价模型. 具体步骤如下：1）根据上文选定的指标，建立交通系统韧性评价对象的指标集U=｛u1， u2， u3，…，u6｝，评价集V=｛v1， v2， v3，v4｝及评价指标的组合权重集W=｛w1， w2，w3，…，w6｝.2）运用逆向云发生器，基于评价集V生成相应的云参数矩阵：Z=r ij（E x ij， E n ij， H e ij）.3）利用云参数计算云模型的确定度μij：μij=expéëêêùûúú-(x i-E x ij)22E2n ij（14）4）将w i和μij加权平均计算高速公路网隶属各等级的综合确定度，根据综合确定度最大原则判定该路网的韧性等级：μj=∑iωiμij（15）3 实例分析3.1 高速公路基础数据本文选取某市高速公路网作为评价对象进行实例研究，根据交通调查数据、路网拓扑数据、统计年鉴数据等，对高速公路网交通韧性指标进行计算. 首先，本文选取2020年5月1日至2020年5月4日共4 d交通调查数据，在对数据进行校核和清洗后，计算进出各收费站的交通量. 其次，基于复杂网络理论，路网拓扑模型的构建方法可分为Space L、Space P、Space R［40-41］. 为更好地反映路网真实情况，最大限度地保留路网结构完整性，本文采用Space L方法构建某市高速公路拓扑路网模型：以收费站为节点N=｛n1， n2， n3，…，n n｝，以收费站点之间连接的路段为连线E=｛e12， e13， e14，…，e ij｝，以各收费站点之间的交通量作为拓扑模型的权重W=｛w12， w13， w14，…，w ij｝. 实际路网中，同一高速路段的同一收费站可能存在多个出入口，为简化模型，本文将同一收费站多个出入口视为同一节点. 基于OpenStreetMap提供的某市高速公路网络矢量数据及2020年该市公路交通示意图，利用ArcGIS、UCINET等软件建立高速公路网络拓扑模型，经过处理获得59个收费站点和368条路段，如图3所示.基于上述交通调查数据和路网拓扑数据，计算该市高速公路网从5月1日至5月4日每天的韧性评价指标和4 d的平均值，结果如表2所示.3.2 路网韧性评价组合赋权方法可弥补单一赋权方法的不足，使赋值结果更合理、准确. 本文基于3.1节处理后的数据，分别采用层次分析法和熵值法计算各评价指标的主观和客观权重值，并按式（13）确定相应的组合权值，如表3所示.表3显示，聚类系数的组合权重值最大，为0.268 5，说明该指标对路网韧性具有重要影响，路网229湖南大学学报（自然科学版）2023 年内部相邻节点之间连接程度的提升是增强路网韧性的关键. 在功能韧性指标中，路网流量非均匀指数的组合权重值较大，为0.204 5，表明交通流量在路网中是否均匀分布对路网韧性有重要影响. 这一结果证明管理者可通过一定的管控措施（如限行、引流等）来缓解扰动对交通系统韧性的冲击.基于表2路网韧性评价指标的实际值及 式（11）、式（12），利用逆向云发生器算法计算6项评价指标隶属各韧性等级云模型的特征值，计算结果如表4所示.本文根据表4云模型的特征值，通过MATLAB 软件运用云正向发生器算法绘制各韧性评价指标的标准云图，如图4所示.由图4（c ）可知，当确定度为0.6时，强韧性等级集中分布在［0.82，0.99］，较强韧性等级集中分布在［0.37，0.75］，中韧性等级集中分布在［0.10，0.38］，弱韧性等级集中分布在［0.02，0.09］.基于表2的韧性评价指标实际值和表4的指标云模型特征值，利用式（14）计算不同评价指标隶属各级别的确定度，结果见表5.基于表3和表5的结果，利用式（15）计算5月1日至5月4日每天及这4 d 平均的高速公路网韧性隶属各韧性等级的综合确定度，最终评价结果见表6.由表6可知，高速公路网在5月1日至5月4日这4 d 平均的韧性等级为中韧性，说明假期出行需求大，交通流冲击对路网韧性产生较大影响. 单日路网韧性评价结果表明，假期大部分时间路网韧性都处于中韧性状态. 由于假期免收高速公路费的影响，所以交通系统受到冲击较大，路网交通分布最不均匀，路网韧性评价结果均为中韧性；而在处于假期中段表2 某市高速公路网韧性评价指标Tab.2 Resilience evaluation indicators of thefreeway network指标结构熵边介数聚类系数路网密度TTI F NE5月1日0.929 10.206 30.378 0485.520 01.422 46.148 15月2日1.574 26.737 65月3日1.443 77.969 05月4日1.524 05.906 14日平均1.462 16.690 2表3 评价指标组合权重值Tab.3 Combination weight values of evaluation indicators评价指标结构熵边介数聚类系数路网密度TTIF NE主观权重值0.109 10.165 10.202 20.166 60.155 60.201 4客观权重值0.108 50.165 20.229 50.181 50.139 80.175 5组合权重值0.068 30.157 80.268 50.175 00.125 90.204 5（a ）实际高速公路网（b ）路网拓扑结构图3 某市高速公路网及其对应拓扑结构Fig.3 The freeway network and its correspondingtopological structure表4 韧性评价指标云模型特征值Tab.4 Cloud model characteristics values of resilience evaluation indicators评价指标结构熵边介数聚类系数路网密度TTI F NE强韧性（0.95，0.04，0.01）（0.05，0.04，0.01）（0.90，0.08，0.01）（1450，467.09，0.1）（1.25，0.21，0.02）（1.00，0.85，0.01）较强韧性（0.65，0.21，0.03）（0.25，0.13，0.02）（0.60，0.17，0.03）（700，169.85，0.08）（1.75，0.21，0.02）（3.00，0.85，0.02）中韧性（0.30，0.08，0.02）（0.60，0.17，0.02）（0.25，0.13，0.02）（350，127.39，0.06）（3.00，0.85，0.04）（6.00，1.70，0.02）弱韧性（0.10，0.08，0.02）（0.90，0.08，0.01）（0.05，0.04，0.01）（100，84.93，0.05）（4.27，0.23，0.02）（11.87，3.29，0.02）230。
基于CML的多重边复杂公交线路网络相继故障研究
基于CML的多重边复杂公交线路网络相继故障研究杜文举;俞建宁;安新磊;马昌喜【摘要】为给城市公交系统的规划、建设和管理优化提供决策依据,在现有公交网络模型的基础上,以常规公交线路为网络的节点,公交线路间的若干个公共停靠站点为连边,建立了基于耦合映像格子的多重边复杂公交线路网络模型,基于该模型研究了多重边复杂公交线路网络的相继故障问题。
通过Matlab数值仿真技术,详细分析了扰动幅值和耦合强度对网络相继故障的影响。
研究结果表明：蓄意攻击多重边复杂公交线路网络中节点度最大的节点最容易造成网络全局故障;另外,耦合强度和扰动幅值越大,多重边复杂公交线路网络越容易发生相继故障。
【期刊名称】《交通运输研究》【年(卷),期】2015(001)006【总页数】6页(P14-19)【关键词】城市交通;多重边复杂网络;公交网络模型;耦合映像格子;相继故障【作者】杜文举;俞建宁;安新磊;马昌喜【作者单位】[1]兰州交通大学交通运输学院,甘肃兰州730070;[2]兰州交通大学数理学院,甘肃兰州730070【正文语种】中文【中图分类】U121复杂网络可以用来刻画互联网、生物网络、交通网络、社会网络等许多的现实网络，目前对复杂网络的研究已经渗透到了各个领域。
在许多实际网络中，网络的一个节点或者是少数的几个节点由于某些原因出现故障，而且这些故障会通过网络节点之间的耦合作用导致其他的节点出现故障，最后会造成网络中很大一部分的节点乃至全部的节点都发生故障，这种现象被称作相继故障[1]。
例如，在2003年8月，由于俄亥俄州的3条超高压输电线路过载最终造成了整个美国大范围的停电事故；2008年1月，我国南方的雪灾造成南方城市电力系统崩溃，使得铁路、公路运输系统失去控制；2009年3月，在下班高峰时，悉尼中心多地发生大规模停电，导致100多座交通信号灯无法使用，致使交通严重堵塞。
这些事件都是由于网络相继故障而导致的问题，对城市社会经济功能造成了非常严重的影响。
模拟交通网络拥堵传播的级联失效模型
模拟交通网络拥堵传播的级联失效模型作者：刘学思来源：《科技视界》 2014年第8期刘学思（沧州市交通运输局，河北沧州 061000）【摘要】随着时代的进步和社会经济的发展，我国城市化进程越来越快，人们生活质量的提高，对城市环境也提出了更高的要求。
在城市基础设施中，非常重要的一个组成部分就是城市交通网络，它对于城市经济发展以及城市环境保护和出行畅通等都有着直接的影响，需要引起人们足够的重视。
本文简要分析了模拟交通网络拥堵传播的级联失效模型，希望可以提供一些有价值的参考意见。
【关键词】复杂网络；交通网络；级联失效0 前言随着时代的发展，近些年来，越来越多领域的专家都开始研究复杂网络，如数学领域、物理领域以及计算机领域等，他们发现复杂网络特性从实际网络中也可以体现出来。
经过实证研究，交通网络在复杂网络的结构特性方面等同于其他网络。
于是，越来越多的人们开始研究公共交通网络级联失效模型。
１复杂网络的级联失效一是，复杂网络级联失效的定义：网络上的级联失效是交通网络和网络上传播行为的一个相似之处；在实际网络中，如果有故障发生于一个节点或者少数几个节点，那么在节点之间耦合关系的影响下，就会导致故障发生于其他节点，发生联锁反应，除了导致一部分节点出现故障之外，严重的话，整个网络都可能因此而崩溃；我们用级联失效来形容这种现象。
二是，复杂网络级联失效的研究意义：随着时代的发展，人们越来越重视关乎国计民生的复杂网络的安全性和可靠性，虽然在此领域内进行了深入的研究和努力，但是依然还会出现一些大规模的级联失效故障。
比如，在二十一世纪初期，因为有过载烧断问题出现于美国俄亥俄州克里夫兰市，之后导致了北美出现大范围停电事故，影响到了数千万人的正常生活和工作，造成了数百亿美元的损失。
因此，我们就需要深入的研究级联失效的发生机理，以此来采取措施有效的预防和控制级联失效。
2 复杂网络级联失效的动态模型一是，沙堆模型：在上个世纪八十年代，美国三个物理学家进行了研究，他们假设将砂子不停的堆设于一个平面上，沙堆的逐渐变大，会增加坡面陡度，那么新添加的砂子，就会增大砂崩的可能性。
基于机器学习的交通网络级联失效态辨识与预测
第１４卷㊀第２期Ｖｏｌ．１４Ｎｏ．２㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２４年２月㊀Ｆｅｂ．２０２４㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２４）０２－０１２４－０４中图分类号：Ｕ４９１文献标志码：Ａ基于机器学习的交通网络级联失效态辨识与预测张腾飞，郑㊀丽，郝㊀龙，李玉龙（兰考三农职业学院旅游服务与管理系，河南开封４７５３００）摘㊀要：随着交通路网拥堵的问题加剧，道路交通拥堵又会演变成交通网络级联失效的问题㊂为有效缓解交通堵塞造成的级联失效问题，准确的短时交通流预测与级联失效态预测可以为交通路网提供可靠预警信息㊂首先，针对机器学习训练样本不精确的情况，提出了基于ＫＮＮ－ＢＰＮＮ交通流预测模型，对短时交通流数据进行在线预测；其次，用机器学习的Ｋ均值聚类方法和ＫＮＮ算法对交通状态进行判别，在此基础上给出级联失效态的识别方法对级联失效态进行识别；最后，提出基于ＢＰＮＮ的交通网络级联失效态模型进行预测㊂实例分析验证模型的结果表明，本文提出的ＫＮＮ－ＢＰＮＮ组合预测模型可以为级联失效态预测提供可靠的交通流数据信息；ＢＰＮＮ在交通网络级联失效态预测方面也表现出较好的预测精度，可以准确的为道路交通网络级联失效提供预警信息㊂关键词：机器学习；神经网络；Ｋ均值聚类；ＫＮＮ；交通网络；级联失效态ＩｄｅｎｔｉｆｉｃａｔｉｏｎａｎｄｐｒｅｄｉｃｔｉｏｎｏｎｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｉｎｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋｓｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇＺＨＡＮＧＴｅｎｇｆｅｉ，ＺＨＥＮＧＬｉ，ＨＡＯＬｏｎｇ，ＬＩＹｕｌｏｎｇ（ＤｅｐａｒｔｍｅｎｔｏｆＴｏｕｒｉｓｍａｎｄＭａｎａｇｅｍｅｎｔ，ＬａｎｋａｏＶｏｃａｔｉｏｎａｌＣｏｌｌｅｇｅｏｆＳａｎＮｏｎｇ，ＫａｉｆｅｎｇＨｅｎａｎ４７５３００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｓｔｒａｆｆｉｃｃｏｎｇｅｓｔｉｏｎｉｎｒｏａｄｎｅｔｗｏｒｋｓｗｏｒｓｅｎｓ，ｉｔｅｓｃａｌａｔｅｓｉｎｔｏｔｈｅｉｓｓｕｅｏｆｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｉｎｔｈｅｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋ．Ｔｏｅｆｆｅｃｔｉｖｅｌｙａｌｌｅｖｉａｔｅｔｈｉｓｐｒｏｂｌｅｍ，ａｃｃｕｒａｔｅｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｐｒｅｄｉｃｔｉｏｎａｎｄｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｐｒｅｄｉｃｔｉｏｎｃａｎｐｒｏｖｉｄｅｒｅｌｉａｂｌｅｗａｒｎｉｎｇｉｎｆｏｒｍａｔｉｏｎｆｏｒｔｈｅｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋ．Ｔｏａｄｄｒｅｓｓｔｈｅｃｈａｌｌｅｎｇｅｏｆｉｍｐｒｅｃｉｓｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｒａｉｎｉｎｇｓａｍｐｌｅｓ，ｗｅｐｒｏｐｏｓｅａＫＮＮ－ＢＰＮＮｔｒａｆｆｉｃｆｌｏｗｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｏｒｏｎｌｉｎｅｓｈｏｒｔ－ｔｅｒｍｔｒａｆｆｉｃｆｌｏｗｐｒｅｄｉｃｔｉｏｎｓ．Ｗｅａｌｓｏｅｍｐｌｏｙｍａｃｈｉｎｅｌｅａｒｎｉｎｇｔｅｃｈｎｉｑｕｅｓ，ｓｕｃｈａｓＫ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｎｄＫＮＮａｌｇｏｒｉｔｈｍｓ，ｔｏｄｉｓｃｅｒｎｔｒａｆｆｉｃｓｔａｔｅｓ，ｅｎａｂｌｉｎｇｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｓ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｗｅｉｎｔｒｏｄｕｃｅａＢＰＮＮ－ｂａｓｅｄｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｓｗｉｔｈｉｎｔｈｅｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋ．Ｅｘｐｅｒｉｍｅｎｔｓｖａｌｉｄａｔｅｔｈｅｒｅｓｕｌｔｓ，ｄｅｍｏｎｓｔｒａｔｉｎｇｔｈａｔｔｈｅＫＮＮ－ＢＰＮＮｃｏｍｂｉｎｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｐｒｏｖｉｄｅｓｄｅｐｅｎｄａｂｌｅｔｒａｆｆｉｃｆｌｏｗｄａｔａｆｏｒｐｒｅｄｉｃｔｉｎｇｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｓ．ＢＰＮＮａｌｓｏｅｘｈｉｂｉｔｓｓｔｒｏｎｇｐｒｅｄｉｃｔｉｖｅａｃｃｕｒａｃｙｉｎｆｏｒｅｃａｓｔｉｎｇｔｒａｎｓｐｏｒｔａｔｉｏｎｎｅｔｗｏｒｋｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｓ，ｏｆｆｅｒｉｎｇａｃｃｕｒａｔｅｗａｒｎｉｎｇｉｎｆｏｒｍａｔｉｏｎｆｏｒｒｏａｄｔｒａｆｆｉｃｎｅｔｗｏｒｋｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓ．Ｋｅｙｗｏｒｄｓ：ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｋ－ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇ；ＫＮＮ；ｔｒａｆｆｉｃｎｅｔｗｏｒｋ；ｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅ基金项目：河南省高等学校重点科研项目（２３Ｂ４６００１９）㊂作者简介：郑㊀丽（１９９１－），女，硕士，助教，主要研究方向：职业教育；郝㊀龙（１９８９－），男，硕士，讲师，主要研究方向：大数据分析；李玉龙（１９８９－），男，硕士，讲师，主要研究方向：智能制造装备设计㊂通讯作者：张腾飞（１９９４－），男，硕士，助教，主要研究方向：交通运输㊂Ｅｍａｉｌ：１１６５４１３３５２＠ｑｑ．ｃｏｍ收稿日期：２０２３－０２－１７０㊀引㊀言城市交通网络中引起拥堵的原因主要有交通事件㊁自然恶劣环境㊁人为蓄意破坏或高峰期交通堵塞等，可能会进一步引起交通网络的级联失效㊂对城市交通网络级联失效进行研究，不仅要考虑到路网基础设施，更应该从交通出行网络的交通流角度对级联失效态做出准确的辨识与预测㊂在当前大数据背景下，海量的交通数据也越来越多样化，通过机器学习的方法对交通数据进行处理成为研究的主流㊂目前国内外关于城市交通网络级联失效态的相关研究主要集中在级联失效过程建模和级联失效的影响，王杰［１］考虑交通拥挤的传递性，建立双层规划模型，探讨不同节点删除方法下关键节点的识别，提出３种能够有效控制城市路网级联失效的策略；Ｑｉａｎ等［２］利用对偶方法，在道路交通网络中加入时间延迟和消散系数来模拟小世界特征的道路交通网络级联失效，采用事件消散系数和容量系数合理地避免级联失效；李成兵等［３］研究多种运输方式的加权网络模型，分析得出连续两次蓄意攻击会使级联失效更严重；邢茹茹［４］建立了偶发性拥挤的级联失效模型和常发性拥挤的级联失效模型，并提出了限流的级联失效控制模型，给出控制级联失效优化策略㊂综上所述，目前国内外学者关于交通网络级联失效的研究已有些许成果，在交通网络级联失效态的识别与预测方面还鲜有相关研究㊂本文通过机器学习的方法对级联失效态的辨识与预测展开研究，首先，从交通流预测的角度建立基于ＫＮＮ－ＢＰＮＮ模型对交通数据预测；其次，以无监督学习Ｋ均值聚类方法和有监督ＫＮＮ算法对交通状态进行分类判别，得到级联失效态数据；最后，通过ＢＰＮＮ模型对交通网络级联失效态预测㊂１㊀模型基础理论机器学习是指利用计算机等工具模拟大自然学习的一种学习过程，主要是从大量的训练数据中挖掘出分类识别或者回归预测的决策函数，对未知数据进行判别㊂机器学习不断的发展，研究方向也不断被细化，按机器学习的样本学习方法分类，可以分三类：无监督学习㊁半监督学习和有监督学习［５］㊂经典的机器学习有神经网络㊁Ｋ近邻㊁支持向量机㊁Ｋ均值聚类等算法㊂误差反向传播神经网络（ＢＰＮＮ）㊂ＢＰＮＮ在学习大数据和存储规律上有很大的优势，可以学习到大数据内部的映射规律且存储在自身记忆中，无须通过数学知识表示出隐藏的规律，通过历史数据训练可以得到数据潜在规律㊂Ｋ近邻算法（Ｋ－ＮｅａｒｅｓｔＮｅｉｂｇｈｏｒ，ＫＮＮ）不仅有着较好的分类预测能力，还可以用于回归预测㊂ＫＮＮ算法是经典的机器学习方法，计算时需要考虑要预测样本数据与所有历史数据之间的距离，选择最相近的数据作为预测数据的决策样本，在回归预测中有较好的预测精度［６］㊂Ｋ均值聚类算法是通过距离计算样本之间相似度的分类算法，是机器学习中经典的无监督学习算法，因其快速㊁高效㊁简便的特性而被广泛应用于聚类分析中㊂１．１㊀ＫＮＮ－ＢＰＮＮ模型ＢＰＮＮ是比较经典的机器学习模型，在短时交通流预测中可以识别出短时交通流中存在的非线性特征，更好的拟合数据，得到较优的预测模型㊂Ｋ近邻算法作为机器学习的经典算法，在数据挖掘与搜索方面有特定的优势，在回归预测中可以发挥数据搜索能力，得到所有与待测样本比较相近的历史数据㊂神经网络模型在数据训练时会把全部历史数据作为输入，通过神经网络的有监督训练得到非参数模型，进一步对交通流数据预测㊂然而神经网络虽能很好的拟合时间序列的非线性特征，但是短时交通流数据中会有一些非线性特征会对预测产生负面的影响，所以选取优质的训练数据对模型的预测性能起着关键的作用，有必要对神经网络的训练数据进行严格的把控㊂而Ｋ近邻算法是一种基于样本距离计算的机器学习方法，在进行数据搜索方面有自己得天独厚的优势，可以在全部输入数据中搜索得到合适的部分数据作为神经网络的输入数据，采取高效的数据训练神经网络，势必会带来更好的预测性能㊂本文创新性的提出一种基于ＫＮＮ－ＢＰＮＮ的组合预测模型，充分利用Ｋ近邻算法的数据搜索能力和ＢＰＮＮ模型的非线性拟合能力，以Ｋ近邻搜索最合适的训练样本作为ＢＰＮＮ的数据，建立预测模型，对短时交通流数据进行在线预测㊂首先，通过ＫＮＮ算法对ＢＰ神经网络的训练数据进行时间序列的重构与简化；将得到的样本数据作为ＢＰＮＮ的输入，训练模型；最后，对实时交通流数据预测㊂通过此组合模型可以提高ＢＰＮＮ模型的预测性能，ＫＮＮ－ＢＰＮＮ的建模流程如图１所示㊂计算待测数据与历史数据间距输入样本数据构成状态向量初始化神经网络开始选取合适K值取K个历史状态向量输入训练样本计算隐含层和输入层计算误差误差满足要求样本预测输出样本预测结果结束否是图１㊀ＫＮＮ－ＢＰＮＮ建模流程Ｆｉｇ．１㊀ＰｉｐｅｌｉｎｅｏｆＫＮＮ－ＢＰＮＮ１．２㊀交通网络级联失效态城市交通网络是一种复杂的双层网络，是由道５２１第２期张腾飞，等：基于机器学习的交通网络级联失效态辨识与预测路网络结构层和交通出行网络层构成的复杂网络㊂道路网络结构与出行网络之间是相互联系㊁相互影响的㊂在交通网络中，交通流量是不断变化的，当网络中的交叉口或路段发生失效或再现等变动时，道路网络的分布也会因为交通拥堵的变化而产生变化㊂结合以往级联失效态的定义和实际道路交通网络，本文给出交通网络级联失效态定义：在交通路网中，由于突发拥堵导致部分关键路口或路段拥堵失效，交通出行者会根据路网拥堵情况和自身出行目的再次选择邻近的出行路线，交通流量又会再次传播到有效路段，由于流量的过度传播又会导致该路段拥堵失效，如此反复导致区域性路网失效的现象㊂为了准确的判断不同路段在交通网络中是否失效，参考中国交通流相关理论，并结合本实验实际道路交通状况，本文采用交通流三参数即交通量㊁速度㊁密度，将上层交通网络的交通状态分为５类即自由流㊁顺畅流㊁平稳流㊁拥堵流和堵塞流［７］；下层道路网络在是否失效方面仅分为两种状态，包括失效态（拥堵流和堵塞流）和非失效态（自由流㊁顺畅流和平稳流）㊂在交通网络中，判断是否发生级联失效的前提需要确定交通网络是否失效，而判断交通网络是否失效的前提是需要确定网络中各个路段是否失效㊂为此本文从路段是否发生失效为基础展开讨论，假设一个交通网络的下层道路网络有Ｎ条路段，上层出行网络有Ｍ种交通状态，记ｔ时刻路段ｉ是否失效的状态为Ｌｉ（ｔ），式（１）：Ｌｉ（ｔ）＝１，ＫɪＭ０，ＪɪＭ，ＪʂＫ{（１）㊀㊀Ｌｉ（ｔ）＝１表示路段ｉ为非失效态；Ｌｉ（ｔ）＝０表示路段ｉ为失效态㊂整个路网的道路状态是否失效可以表示为Ｌ（ｔ）＝Ｌ１（ｔ），Ｌ２（ｔ） ＬＮ（ｔ）{}㊂在一个路段数为Ｎ的交通网络中，出行网络有Ｍ种交通状态，按照失效态或非失效态两种状态可以算出该路网共有２Ｎ种状态㊂当ｔ时刻道路网络中有超过半数路段失效不能满足正常的通行需求，判定该时刻的道路网络处于失效态；否则ｔ时刻的路段能满足正常的通行需求，定义该路段处于非失效态㊂记ｔ时刻交通网络是否失效的状态为Ｗ（ｔ），式（２）：Ｗ（ｔ）＝１，㊀ＱɪＬ０，㊀ＰɪＬ，ＰʂＱ{（２）㊀㊀其中，Ｐ和Ｑ表示整个路网中所有路段的状态变量；Ｗ（ｔ）＝１表示该交通网络为非失效态；Ｗ（ｔ）＝０表示该交通网络为失效态㊂路网状态属于交通网络失效态或非失效态，并不是所有的网络失效都是属于级联失效态㊂有的网络失效是因为部分路段同时失效导致整个网络失效，这种网络失效在时间上没有因果关系，称为 共因失效态 Ｓ（ｔ）＝１；有的网络失效，但是这些前后失效路段之间并没有直接的因果关系，这种网络失效称为 一般失效态 Ｓ（ｔ）＝１；有的网络失效是某一时间交通网络中某一条或几条路段失效，进而导致下一时间与该失效路段相关的路段也随之失效，最终导致整个网络处于失效状态，这种失效不仅在时间上存在前后因果关系，在失效路段上也存在因果关系，这种失效状态称为 级联失效态 Ｓ（ｔ）＝０㊂２㊀实证研究２．１㊀ＫＮＮ－ＢＰＮＮ的交通流预测本文采用常州市１６条路段的真实数据（取单向交通通行数据）组成路网做案例分析，数据时间为２０２１年１０月７日至９日，每日０：００－２：００和５：３０－２４：００的短时交通流参数数据，采取数据包括交通量（辆／３分钟）㊁速度（千米／时）㊁密度（辆／千米），数据获取时间间隔为３分钟㊂通过数据的预处理，得到以交通量为基础的各个状态向量的训练样本，预测时将ｔ时刻之前的５个连续时刻的数据作为ＫＮＮ模型的输入，经过ＫＮＮ的数据搜索得到与输入数据最相似的状态向量数据作为神经网络的训练样本，经过神经网络训练得到ＫＮＮ－ＢＰＮＮ训练模型，对测验数据进行预测，以１０月７日数据为训练样本对１０月８－９日的数据预测得到交通流预测数据㊂２．２㊀交通网络级联失效态辨识采用常州市２０２１年１０月７日的交通流参数㊂首先，以Ｋ均值聚类方法对交通状态分类，将交通状态分为５类；其次，以ＫＮＮ算法对２０２１年１０月８－９日对交通状态判别，进一步可以进行级联失效态的辨识与预测㊂交通网络级联失效态的辨识是对交通网络中各个路段状态组合模式的识别，本实验的交通网络级联失效态的辨识建立在一个简单的道路网络之上，数据采用常州市１６条路段组成的简单路网，如图２所示㊂采用本文提出的级联失效态识别方法对２０２１年１０月７－９日的真实交通状态数据进行交通６２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１４卷㊀网络级联失效态的识别㊂图２㊀交通网络示意图Ｆｉｇ．２㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｔｒａｆｆｉｃｎｅｔｗｏｒｋ㊀㊀根据定义，在ｔ时刻若有超过半数的路段失效时，认为网络失效，即当１６条路段中有９条及以上路段失效时，认为路网失效，共有２６３３３种组合㊂ｔ时刻的路网失效状态Ｗ（ｔ）＝０，进一步观察失效路段之间是否存在上下游之间的连接关系，若存在，就可以判断（ｔ－１）时刻中是否有失效路段；若（ｔ－１）时刻中存在失效路段，且与ｔ时刻失效路段之间存在近邻上下游的连接关系，则判定ｔ时刻的交通网络状态Ｗ（ｔ）为级联失效态Ｓ（ｔ）＝１，即当ｔ时刻和（ｔ－１）时刻的交通状态组合均满足上述条件时，判断ｔ时刻属于级联失效态㊂得到级联失效态数据，就可将这些数据作为训练样本，建立级联失效态预测模型㊂２．３㊀基于ＢＰＮＮ的交通网络级联失效态预测本文采用Ｋ均值聚类得到的１０月７日所有路段的交通状态和级联失效态数据作为训练样本，预测样本为ＫＮＮ算法得到１０月８－９日预测交通状态数据㊂用ＢＰ神经网络模型预测交通网络级联失效态，实验确定该ＢＰ神经网络有３３个输入层节点，９个隐含层节点以及１个输出层节点㊂对训练样本进行学习，得到ＢＰＮＮ预测模型，以ＫＮＮ预测得到的交通状态数据为测试样本，以ｔ－１时刻的交通状态数据㊁级联失效态数据和ｔ时刻判别得到的交通状态数据作为输入数据，将所有数据输入ＢＰＮＮ预测模型，得到ｔ时刻预测的级联失效态，预测结果如图３和表１所示㊂210-1级联失效态481216202428323640预测时长/h实际值预测值图３㊀级联失效态的预测Ｆｉｇ．３㊀Ｐｒｅｄｉｃｔｉｏｎｏｆｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅ表１㊀交通网络级联失效态的预测结果Ｔａｂｌｅ１㊀Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｓｔａｔｅｏｆｔｒａｆｆｉｃｎｅｔｗｏｒｋ实际级联失效态预测级联失效态准确率／％发生次数８７８７．５累计时间／ｍｉｎ１６２１３５８３．３㊀㊀从图３和表１的预测结果可知，实际交通状态数据的级联失效态共发生了８次，发生时间共计为１６２分钟㊂而预测得到的级联失效态包括实际级联失效态７次，发生时间１３５分钟㊂从级联失效态的发生时间计算，本文的预测准确率为８３．３％；从整个级联失效态的预测结果分析，预测准确率为８７．５％㊂说明通过机器学习的方法可以很好的预测短时交通网络级联失效态的发生，能够为智能交通系统提供可靠道路状态信息㊂３㊀结束语本文针对短时交通流预测问题提出了基于ＫＮＮ－ＢＰＮＮ组合预测模型，给出了针对交通网络级联失效态的识别预测问题的相关定义，提出了基于ＢＰＮＮ的级联失效态预测模型㊂通过实例分析验证模型的结果表明，ＫＮＮ－ＢＰＮＮ组合预测模型可以充分发挥Ｋ近邻算法和ＢＰ神经网络模型的优点，为级联失效态预测提供可靠交通数据信息；ＢＰＮＮ模型在交通网络级联失效态预测方面也表现出较好的预测精度，可以准确地为道路交通提供预警信息㊂本文研究方向偏重于级联失效态的预测，如何更便捷地进行交通网络级联失效态的识别将是今后的研究方向㊂参考文献［１］王杰．城市道路交通网络级联失效及控制研究［Ｄ］．长沙：长沙理工大学，２０１４．［２］ＱＩＡＮＹ，ＷＡＮＧＢ，ＸＵＥＹ，ｅｔａｌ．Ａｓｉｍｕｌａｔｉｏｎｏｆｔｈｅｃａｓｃａｄｉｎｇｆａｉｌｕｒｅｏｆａｃｏｍｐｌｅｘｎｅｔｗｏｒｋｍｏｄｅｌｂｙｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｒｏａｄｔｒａｆｆｉｃｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＮｏｎｌｉｎｅａｒＤｙｎａｍｉｃｓ，２０１５，８０（１－２）：４１３－４２０．［３］李成兵，张帅，杨志成，等．蓄意攻击下城市群客运交通网络级联抗毁性仿真［Ｊ］．交通运输系统工程与信息，２０１９，１９（２）：１４－２１．［４］邢茹茹．城市区域路网级联失效主动防控理论及方法研究［Ｄ］．长春：吉林大学，２０２１．［５］苗超维，秦品乐．基于多分类ＳＶＭ和Ｈｄ的目标跟踪算法［Ｊ］．计算机工程与设计，２０１６，３７（１１）：３１１８－３１２３．［６］郑智泉，王孟孟，田维琦．基于加权Ｋ近邻算法的缺失数据填补研究［Ｊ］．智能计算机与应用，２０２１，１１（１１）：３１－３３，４２．［７］李爱青，于成功．西宁市道路交通流运行拥堵特性研究［Ｊ］．青海交通科技，２０１８（３）：６５－６９．７２１第２期张腾飞，等：基于机器学习的交通网络级联失效态辨识与预测。
基于加权网络结构熵的电网连锁故障研究
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ：Ｔｏ ｓ ｔ ｕ ｄｙ ｔ ｈ ｅ ｍｅ ｃ ｈａ ｎ ｉ ｓ ｍ ｏ ｆ ｔ ｈｅ ｂ ｌ ａ ｃ ｋ ｏｕ ｔ ｓ ｉ ｎ ｐ ｏｗｅ ｒ ｓ ｙｓ ｔ ｅ ｍ ｓ，ｗｅ ｐ ｒ ｏｐ ｏｓ ｅ ａ ｎ ｉ ｍｐ ｅ ｄ ａ ｎｃ ｅ — ｂａ ｓ ｅ ｄ ｔ ｏｐ ｏｌ ｏ ｇｉ ｃ ａ ｌ ｍｏｄ ｅ ｌ ａ ｎｄ ｃ ａ ｓ ｃ ａ ｄｉ ｎ ｇ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｍｅ ｃ ｈ ａ ｎｉ ｓ ｍ ｍｏ ｄｅ ｌ ｆ ｏｒ ｗｅ ｉ ｇｈｔ ｅ ｄ ｐ ｏｗｅ ｒ ｇｒ ｉ ｄ ． Ｃｏ ｎｓ ｉ ｄ — ｅ ｒ ｉ ｎｇ ｂ ｏｔ ｈ ｎｏ ｄ ｅ ａ ｎｄ ｅ ｄ ｇｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ ａ ｎｅ ｗ ｎｅ ｔ ｗｏ ｒ ｋ ｓ ｔ ｒ ｕｃ ｔ ｕｒ ｅ ｅ ｎ ｔ ｒ ｏｐ ｙ ｉ ｓ ｄｅ ｆ ｉ ｎ ｅ ｄ ｔ ｏ ｑｕ ａ ｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ ｌ ｙ ｄｅ ｓ ｃ ｒ ｉ ｂ ｅ ｔ ｈｅ ｆ ａ ｕ ｌ ｔ ｓ ｅ ｖ ｏｌ ｕ ｔ ｉ ｏ ｎ ａ ｎｄ ｕｎ ｂａ ｌ ａ ｎ ｃ ｅ ｄ ｄｉ ｓ ｔ ｒ ｉ ｂｕ ｔ ｉ ｏ ｎ ｏｆ ｐｏ ｗｅ ｒ ｎｅ ｔ ｗｏ ｒ ｋ ｓ ｔ ｒ ｕ ｃ ｔ ｕｒ ｅ ．Ｓｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ
ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｏ ｎ ｔ ｈ ｅ Ｎｅ ｗ Ｅｎ ｇｌ ａ ｎ ｄ ３ ９ — — ｂｕｓ ｓ ｙ ｓ ｔ ｅ ｍ ａ ｎ ｄ Ｉ ＥＥＥ１ １ ８ — — ｂｕ ｓ ｓ ｙｓ ｔ ｅ ｍ ｉ ｎｄ ｉ ｃ ａ ｔ ｅ ｔ ｈａ ｔ ｐ ｏ ｗｅ ｒ ｎｅ ｔ ｗ ｏｒ ｋ
０ 引 言
电力 网 络是覆 盖 面积 最广 、 结 构最 复 杂 的人 造 系统 之一 。国 内外 电力 系统 发生 多次 大规 模停 电事 故ｎ 吒 ］ 往 往 是 由 电网 中某个 节点 或者 某几 条 输 电线 路 发 生故 障退 出运 行 而 引 起 的 。有 的 研 究从 网络 拓 扑 结 构 出 发， 发 现 网络 结构 是影 响电 网动力 学特 性 的关键 因素 ＿ ３ ］ 。 因此 ， 研究 电 网拓扑 结 构 特性 与 故 障 传播 特 性 之 间 的关 系 ， 对 提 高 电网可 靠性 ， 减 少大 停 电概率 有着 重要 的意义 。
地铁网络级联失效恢复策略韧性评估方法
地铁网络级联失效恢复策略韧性评估方法——程静卢群吴同政王元庆173地铁网络级联失效恢复策略韧性评估方法*程静1卢群2吴同政1王元庆1▲（1.长安大学运输工程学院西安710064；2.长安大学公路学院西安710064）摘要：恢复策略效果评估对地铁网络级联失效事件后的应急修复决策有着重要作用，关系到地铁网络运营安全水平。
针对地铁网络级联失效现象，从系统韧性角度提出了1种恢复策略效果评估方法。
建立了基于地铁节点客流分布特征的恢复节点分配函数，将恢复策略融入级联失效过程，构建了带恢复策略的网络级联失效模型。
采用网络效率与连通性能表征系统机能，引入系统机能曲线量化系统韧性，利用Python仿真评估了随机恢复、重要度优先恢复和节点度优先恢复3种恢复策略的效果。
以西安市轨道交通网络为对象开展仿真实验，结果显示：在单一策略效果评估时，节点恢复比例的增大可以提高恢复策略效果，表现为抵抗与恢复阶段更低的系统损伤值与更快的恢复速率。
而在不同策略效果比较时，重要度优先恢复策略表现最佳，2类韧性指标均值较节点度优先恢复分别提升了11.9%及3.4%，比随机恢复分别提升了7.6%和1.2%。
相比传统模型，提出的模型在失效蔓延速度、系统性能变化与实际交通级联失效过程拟合效果更佳。
研究表明：在地铁网络级联失效的影响下，采用重要度优先恢复策略并增加节点恢复比例可以达到更优的恢复效果。
仿真结果能够更加准确地描述突发扰动事件对系统性能的影响过程，为实际地铁网络级联失效现象的预防和恢复策略决策提供了参考依据。
关键词：交通工程；恢复策略；地铁韧性评估；级联失效中图分类号：U293.6文献标识码：A doi：10.3963/j.jssn.1674-4861.2023.04.018A Method for Evaluating Recovery Strategies forCascade Failures of Metro NetworksCHENG Jing1LU Qun2WU Tongzheng1WANG Yuanqing1▲(1.Collge of Transportation Engineering,Chang'an University,Xi'an710064,China;2.School of Highway,Chang'an University,Xi'an710064,China)Abstract:The effectiveness of recovery strategies plays a vital role in emergency response after cascading failures take place in a metro network,which is closely related to its operation safety.To address the cascading failures in metro networks,a method for evaluating the efficiency of recovery strategies is proposed from a system resilience perspective.A function for allocating recovery nodes is established based on the characteristics of the distribution of passenger flows at metro stations.And a model of network cascade failure with recovery strategy is developed by in-tegrating the recovery strategy into the cascade failure process.Then,network efficiency and connectivity are used to characterize system functionality,and a system functionality curve is introduced to quantify system resilience.The effectiveness of three recovery strategies,including random recovery,importance priority recovery,and degree priority recovery,are evaluated through Python simulations which are carried out based on the metro network in the city of Xi'an.The results indicate that increasing the node recovery ratio enhances the efficacy of recovery strate-gies in a singular strategy effectiveness assessment.This enhancement manifests as a reduction in system damage收稿日期：2022-11-12*国家自然科学基金项目（51878062）资助第一作者简介：程静（1998—），硕士研究生.研究方向：交通运输规划与管理.E-mail:******************.cn.▲通信作者：王元庆（1968—），博士，教授.研究方向：交通运输规划与管理、低碳交通等.E-mail:**************.com.交通信息与安全2023年4期第41卷总245期0引言地铁以其集约高效、快捷准时、安全舒适等特点成为诸多国家公共交通的主流。
城市道路交通网络韧性研究进展
11田兵伟，四川大学—香港理工大学灾后重建与管理学院副教授、院长助理、硕士生导师，中国应急管理学会公共安全标准专委会委员，中国灾害防御协会防灾与安全教育专业委员会专家组成员。
主要从事社区综合防灾减灾救灾和应急管理领域相关科研及教学工作。
主持和参与综合防灾减灾救灾和应急管理领域相关科研和教研项目40余项，其中国家重点研发计划项目2项、国家自然科学基金项目2项，发表论文40余篇，授权专利6项，出版专著1部，参编6部，参编地图集1册。
在城市化背景下，城市道路交通网络成为城市基础设施的重要组成部分，平时满足人们的出行需求，灾后则承担着人员移动和物资运输的关键任务，既是承灾体，又是救灾体。
我国城市道路建设繁荣发展，中国城市规划设计研究院统计报告显示，截至2022年年底，全国36个主要城市的平均道路网密度达到6.4 km/km 2，同比增长约1.6%。
然而，随着城市快速扩张与全球气候变化，城市交通网络面临着越来越多的挑战，尤其是各种自然灾害和人为事故的频发，导致道路设施直接损毁、交通流中断和服务水平下降等问题，严重威胁着城市交通系统的安全、稳定和高效运行，交通韧性的概念应运而生，并逐渐成为城市规划和管理的重要议题（图1）。
我国先后出台了《交通强国建设纲要》、《国家综合立体交通网指标框架》以及《“十四五”现代综合交通运输体系发展规划》，对增强交通网络韧性、提高交通防灾抗灾能力提出了现代化高质量的要求。
基于此，通过对城市道路交通网络韧性的研究，采取有效措施提升其韧性，可以减少灾害造成的道路整体性能损失，加强城市抵御灾害和灾后快速恢复能力，保障城市的可持续发展。
本文对国内外关于城市道路交通网络韧性的研究进行整理与归纳，综述其内容与进展，总结现有研究并提出未来发展方向，为今后的研究提供参考。
城市道路交通网络韧性研究进展王雨婷 田兵伟* 左齐* 通讯作者：田兵伟，四川大学-香港理工大学灾后重建与管理学院，副教授，邮箱：**************.cnCITY AND DISASTER REDUCTION城市道路交通网络韧性的定义“韧性”最早来自拉丁语“resilio”，意为“回复到原始状态”，后来演化为“resile”一词，并沿用至今。
考虑多节点拥堵的城市道路网级联失效仿真
doi: 10.3969/j.issn.1007-7375.2018.04.001
工业工程 Industrial Engineering Journal
Vol. 21 No. 4 August 2018
考虑多节点拥堵的城市道路网级联失效仿真
李彦瑾，罗 霞，王 莹
度、最大连通子图相对大小与圈数率3个鲁棒性评价指标衡量路网通行效率，计算出通行效率不低于10%条件下的
最大节点失效比例，再运用双层网络配流模型测算级联失效时的路网拥堵度，最后通过Transcad 4.5和Matlab
2012a完成对包含54个节点、92条路段的成都市某地中等规模路网的仿真实验。实验结果表明：路网在最不利条件
(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China)
Abstract: In order to quantify cascading failure in the urban road network with multiple nodes being in sudden congestion, and to solve the chain reaction caused by the congestion at important nodes, a network cascading failure model of doublelayer network assignment is constructed. By calculating the degree of road network congestion to complete cascading failure simulation in this scenario, this phenomenon is analyzed. The geometric topology of network is first completed by primitive method, and the congestion nodes are deleted from the topology in turn. Then, the traffic efficiency of road network is measured by 3 robustness evaluation indexes: connectivity, the relative size of maximal connected subgraphs and the circle rate. Based on this, the maximum node failure rate under the condition that the traffic efficiency is no less than 10% is calculated. What’s more, the congestion degree of road network in multi-node failure is worked out by using the doublelayer network assignment model, and finally using Transcad 4.5 and Matlab 2012a, a medium-sized road network that owning 54 codes and 92 links is derived in Chengdu calculation and simulation. The simulation results show that in the most unfavorable conditions, the network’s maximum failure node ratio is 19.3%; and the cascade failure caused by 2 more nodes' concurrent congestion will have more significant effect on road network capacity than the single node failure; and that the congestion level of the whole network tends will be stable when node failure surpasses 7, and gradually reaches the limit of network’s robustness. The study is aimed at providing simulation technical reference for control measures under multi-node congestion in road network. Key words: traffic engineering; cascading failure; congestion degree measure; multi-nodes failure; network simulation
基于路段重要度的公路网模糊加权连通度研究
口 刘 蛟 ’ ，董洁霜 ’ ，毛文兴
２ ０ ９ ；２ ０ ０ ５ ．温 州 市 交通 局 ，温 州 ３ ５ ０ ） ２０ ３ （ ． 海理 工 大学 管理 学 院 ，上 海 １上
摘
要 ： 通度评 价指标 反 映 了公 路 网连 通状 况 ， 现 了 网络 结构特 征 。总 结 了既有 连通度 的定 义 ， 连 体
并指 出其在公 路 网规 划实 际应 用 中的不 足 ，在 此基础 上进 一 步 改进模 糊加 权 连通 度 的算 法 ，采用 路段 重要度 的概念 ，计算 交通 网络模 糊加权 连通 度。 最后通过 一个 简单 的算例 进行验 证 。
关键词 ：公 路 网 ；模糊 加权 ；连通 度 ；路段 重要度
体 网络模 糊加 权 连 通 度的 方 法 ，规 避 了利用 节 点 重要 度 数 ，定 义为 各节 点间 实际线路 总里程 与直 线总 里程之 比 。
１ 现有研究综述
定义 １ 规 划区域 内各节 点依靠 公路相互 连通的 强度 ， ， 的连 通度 ， 为 Ｃ， 算方法 见式 （） 记 计 １。
Ｃ Ｌ／ Ｌ／ 专 专
— ｉ
络 结 构性 能的一 个重 要指 标 。基于 对传 统连通 度 的分 析 ， 称为 公路 网 Ⅳ（
— ＝ —
ｒ ￣ｎ ｌ Ｈ ， ａ ／
式 中 ：Ｌ为规 划 区域 内公路 的总 里程 （ｍ） ｋ ；Ａ为 规
此 基 础 之上 ，指 出 了应 用 节 点重 要度 计 算连 通 度 在 实际 划 区域面 积 （ｍ ） ｚ ｋ ；，为规 划 区域 内应连 通 的节 点数 ；
应 用 中存 在 的 问题 ，提 出把 路 段 重要 度 作为 权 重计 算 整 为相 邻两 节点 的平 均空 间直 线距 离 （ｍ） 为非 直线 系 ｋ ；
基于时延耦合映象格子的相继拥堵模型
基于时延耦合映象格子的相继拥堵模型
陈雍君;周磊山
【期刊名称】《电子与信息学报》
【年(卷),期】2008(030)004
【摘要】实际网络中由于拥塞、带宽、传输速度等因素,通常存在耦合时延.该文提出一种带时延耦合映象格子的相继拥堵模型,在此基础上研究交通路网上各个节点的非线性动力学特征,交通拥堵在路网上的形成机理与传播的复杂动力学行为,拥堵故障在网络中扩散的过程.模拟网络中随机发生拥堵和蓄意攻击所引发的两种相继拥堵策略,并推导出网络中故障承受能力的阈值范围.
【总页数】3页(P988-990)
【作者】陈雍君;周磊山
【作者单位】北京交通大学交通运输学院,北京,100044;北京交通大学交通运输学院,北京,100044
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于耦合动态整数帐篷映象格子模型的轻量级 Hash 函数 [J], 张啸;刘建东;商凯;胡辉辉
2.空间Arnold猫映射耦合帐篷映象格子模型的密码学特性分析 [J], 商凯;刘建东;张啸;胡辉辉
3.整数非线性耦合映象格子模型及其性能分析 [J], 商凯;刘建东;张啸;胡辉辉
4.和谐统一混合择优网络模型耦合映像格子的相继故障 [J], 马秀娟;赵海兴
5.基于耦合映象格子模型的中国股票市场分析 [J], 许萌
因版权原因，仅展示原文概要，查看原文内容请购买。
加权网络的级联故障建模及其抗毁性分析
加权网络的级联故障建模及其抗毁性分析彭兴钊;姚宏;肖明清;杜军;丁超;李浩敏【期刊名称】《系统工程与电子技术》【年(卷),期】2014(36)6【摘要】A cascading failure model for weighted networks is built by considering the influence of weight. In this model the networks’initial loads are defined as the function of node strength and their distribution can be adjusted with the parameterα.When a node fails,the loads on it will be distributed to its neighbors through certain rules.The study shows that both factors of weight and topological structure should be considered in or-der to measure the cascading invulnerability,otherwise the cascading failure may be overrated.The following conclusions are validated under the framework of Barrat-Barthélemy-Vespignani (BBV)network:in the caseofα>1,attacking the larger load nodes is mo re prone to large scale cascading failures;while forα<1,attacking the smaller load nodes is more easily leads to the whole network’s paralysis;and the modeling parameterδneg-atively correlates with thenetworks’invulnerability.Finally,theoretical analyses and simulations are made to explain these conclusions.%考虑权重因素，建立了加权网络的级联故障模型，其中初始负荷定义为节点强度的函数且其分布通过控制参数α可调，当节点故障时其负荷通过一定的规则分配给邻居节点。
加权无标度网络的级联失效模型
加权无标度网络的级联失效模型韩丽;刘彬;邓玉静;王倩悦;尹荣荣;刘浩然【期刊名称】《软件学报》【年(卷),期】2017(028)010【摘要】The robustness of complex network against cascading failures is of great significance.Based on the weighted scale-free network,a new cascading failure model with adjustable parameters is proposed.In this model,the nodes' initial loads are constructed with node betweenness,node degree,node weight and neighbor node's weight from both global and local perspective.Meanwhile,the initial load is made proportional to the node capacity.Adopting a new redistribution rule,the failed nodes' loads are assigned to their neighbors.Then the load parameters can be obtained through analyzing the cascade failure process.Finally,the effectiveness of the proposed method are verified by experiment.%在加权的无标度网络中,为了抵抗网络的级联失效,增强网络的鲁棒性,提出了一种参数可调的级联失效模型.该模型从全局和局域的角度,将节点介数、节点度、节点权重和邻居节点权重相结合构建节点的初始负载,并建立节点容量与初始负载的比例关系,当节点失效后,通过结合失效节点邻居的容量来制定负载重分配规则,进而通过对网络级联失效的分析,推导负载参数的演化过程,得出模型中的参数对网络鲁棒性的影响.最后,通过实验验证了所提方法的有效性.【总页数】13页(P2769-2781)【作者】韩丽;刘彬;邓玉静;王倩悦;尹荣荣;刘浩然【作者单位】燕山大学信息科学与工程学院,河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004;河北科技师范学院网络技术中心,河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004;燕山大学信息科学与工程学院,河北秦皇岛066004;河北省特种光纤与光纤传感重点实验室(燕山大学),河北秦皇岛066004【正文语种】中文【中图分类】TP393【相关文献】1.加权无标度网络级联抗毁性研究 [J], 王甲生;吴晓平;陈永强2.无标度网络级联失效模型的负载重分配 [J], 谭小虎;王勇;李炳乾;刘达3.加权无标度网络抵制级联失效的鲁棒性研究 [J], 丁琳;张嗣瀛;鹿江春4.基于增边策略的无标度网络级联失效缓解研究 [J], 刘浩然;崔梦;王静;张福福;尹荣荣;刘彬5.基于级联失效的有向无标度网络节点重要度评价模型 [J], 刘浩然; 王星淇; 邓玉静; 覃玉华因版权原因，仅展示原文概要，查看原文内容请购买。
基于机器视觉的交通拥堵评估系统
基于机器视觉的交通拥堵评估系统叶锋;廖茜;林萧;张建嘉;汪敏【期刊名称】《计算机系统应用》【年(卷),期】2017(026)007【摘要】传统的交通灯采用固定配时模式,缺乏灵活性、智能性.针对上述问题,提出一种基于机器视觉的交通拥堵评估系统对采集到的视频进行智能分析处理.首先,利用提取的梯度直方图特征和AdaBoost级联分类器实现对车辆的检测,并辅以RFID来实现车辆计数;进而通过Spark大数据分析平台而评估出当前的交通拥堵情况.实验表明本系统能根据当前的实际交通情况智能调整交通灯的变换时间,达到动态缓解交通压力的目的.%The traditional traffic light systems are poor in flexibility and intelligencefor their fixed timing modes. In view of the above problems, a machine-vision-based traffic congestion evaluation system is presented to evaluate the current situation of traffic jams in this paper based on the collected video intelligent analysis and processing. Vehicle counting is firstly realized by HOG-feature analysis, AdaBoost method and RFID technology. Traffic states are evaluated in the Spark platform. The result of the experiments shows that our system can realize adjusted transformation time of traffic lights according to actual situation of the current traffic environment, then achieve the purpose of relieving traffic pressure dynamically.【总页数】6页(P78-83)【作者】叶锋;廖茜;林萧;张建嘉;汪敏【作者单位】福建师范大学数学与计算机科学学院, 福州 350007;福建星网锐捷通讯股份有限公司通讯产品研究院, 福州 350002;北京邮电大学多媒体中心, 北京100876;福建师范大学数学与计算机科学学院, 福州 350007;福建师范大学数学与计算机科学学院, 福州 350007;福建师范大学数学与计算机科学学院, 福州350007;福建师范大学数学与计算机科学学院, 福州 350007【正文语种】中文【相关文献】1.缓解交通拥堵收取拥堵费是必然选择——基于外部性理论下的北京交通拥堵分析[J], 陈淑玲;李卫东2.城市交通拥堵人的因素是核心--基于以人为本的城市交通拥堵治理策略分析 [J], 苟劲松3.基于机器视觉的雷达测角精度评估系统 [J], 江利中;雷威;王珺;杨晓飞4.中国100个城市交通拥堵的空间格局研究——基于高德交通拥堵大数据的分析[J], 王卉彤; 刘传明5.中国100个城市交通拥堵的空间格局研究——基于高德交通拥堵大数据的分析[J], 王卉彤; 刘传明因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于加权耦合映像格子的拥堵道路网络级联失效研究
1. 研究背景与意义
交通拥堵一直是城市管理面临的重要问题之一。
拥堵不仅影响交通效率，还会直接影响城市经济和社会发展。
特别是在突发事件和交通事故等非常规情况下，道路交通系统承受的压力更加巨大，往往会导致一些关键路段的拥堵甚至是失效，进而引发交通系统范围内的级联失效。
因此，深入研究与分析交通拥堵及其级联失效的机理和规律，对于提高城市交通系统的运行效率、保障城市安全及稳定至关重要。
2. 研究方法
现有的研究大多数是基于微观层面的交通仿真模型进行实验和分析。
这种方法能够准确地反映道路拥堵的交通运行特征和动力学现象，但计算效率低，难以分析道路交通系统在大尺度上的级联失效。
基于此，加权耦合映像格子模型被提出并在交通研究领域得到了广泛应用。
这种模型不仅考虑了道路网络中各个节点间的紧密联系，还能够在大尺度上反映交通拥堵时的道路网络结构变化，可以较好地揭示道路网络的级联失效行为。
3. 研究内容
基于以上研究方法，我们通过构建一种新型的加权耦合映像格
子模型，对拥堵道路网络的级联失效行为进行了研究。
具体内容如下：
3.1 建立加权耦合映像格子模型
我们首先根据拥堵时道路网络的运行特点，建立了加权耦合映
像格子模型。
该模型由N个交通节点和M条道路组成，每个节点表
示一个交通路口，每条道路连接两个节点，节点之间的联系通过道
路来体现。
这种模型基于复杂网络理论，通过描述节点间的不同类
型连接及权重，可以较好地反映不同节点之间的关系。
模型还可以
模拟不同车辆类型的流动、道路拥堵的传播等交通流动特征。
3.2 分析拥堵道路网络的级联失效特征
利用建立的模型，我们分析了拥堵道路网络在不同条件下的级
联失效特征。
首先是拥堵传播速度对级联失效的影响，通过模拟不
同拥堵传播速度下的路段失效率，我们发现拥堵传播速度越快、失
效的路段越多，级联失效也越容易发生。
其次是不同节点在网络中
的重要程度对失效的影响，我们发现高度集中的重要节点在局部失
效情况下会导致整个网络范围内的级联失效。
3.3 分析拥堵道路网络的级联失效机理
在此基础上，我们进一步探究了拥堵道路网络级联失效的机理。
通过分析道路网络的拓扑结构，我们发现网络出现级联失效的原因
是路段失效导致的拓扑结构变化，进而使整个网络无法有效传输交
通流，形成失效局面。
此外，我们还发现不同车辆类型的流动对于道路拥堵的传播和路段失效具有重要的影响，非机动车流动的增加可以较好地缓解道路拥堵，进而减少失效的概率。
4. 结论与展望
本研究基于加权耦合映像格子模型，对拥堵道路网络的级联失效行为进行了研究。
通过模拟拓扑结构变化及车辆流动特征，我们发现道路网络的结构和车辆流动特征是影响级联失效的关键因素。
预测拥堵道路网络的级联失效可能性有助于进行预警预测和有效的交通管理。
未来，我们将进一步完善加权耦合映像格子模型，建立更加准确的道路网络模型，并通过实际数据对模型进行验证。
另外，我们还将开展与其他交通模型结合的研究，探究交通拥堵和级联失效的复杂性和多样性。