一种基于异常场的高速公路网络群体移动性识别方法

1.本发明涉及交通技术领域，尤其涉及一种基于异常场的高速公路网络群体移动性识别方法。


背景技术：

2.高速公路在我国经济发展和城市化建设中起到不可或缺的作用。因高速公路具有通行效率高、运输成本低等特点，大多数居民选择通过高速公路运输货物或进行城市之间的探亲、旅游等活动。在大型节假日期间，城市之间的出行会大量增加，这会带来潜在的交通拥堵以及交通事故的风险。通过准确地识别节假日期间高速公路中群体移动性，获取居民的出行特征以及出行主要聚集地，为化解高速公路交通拥堵、提前制定交通控制措施是非常重要的。目前群体移动性的常用方法有重力模型、介入机会模型、辐射模型等。这些模型能够估计居民在各地区之间的出行人数，识别居民出行的时空特征以及对居民出行行为进行预测。高速公路上的群体移动性通常从中观层面分析了交通流的速度与密度、车辆平均出行时间等指标，便于直观地了解高速公路路网的出行情况。但是，现有的方法仍然存在如下问题：目前的群体移动性模型通常适用于日常情况下的居民出行行为识别，缺乏针对节假日期间所带来的突增出行需求的群体移动性分析方法；高速公路路网中的中观交通流难以确定各个地区对于居民出行吸引情况，对节假日期间居民出行集中地的识别存在较大的困难。


技术实现要素：

3.为了解决上述背景技术中的问题，本发明提供了一种基于异常场的高速公路网络群体移动性识别方法。
4.第一方面，本发明提供了一种基于异常场的高速公路网络群体移动性识别方法，包括：
5.s1：获取待识别区域的高速公路路网的地理信息、目标节假日时间段高速公路闸道之间的出行数据；
6.s2：对待识别区域进行单元网格划分，将目标节假日时间段高速公路闸道之间的出行数据转化为单元网格间的出行量；
7.s3：根据目标节假日时间段转化后的单元网格间的出行量、历史非节假日时间段od对之间出行量的均值与平均值，计算目标节假日时间段每个od对之间的异常度；
8.s4：计算每个单元网格的总异常度，当单元网格的总异常度满足第一预设条件时，保留到达该单元网格的所有od对之间的异常度及出行量；
9.s5：对所有保留的od对之间的出行量进行排序，提取出行量满足第二预设条件的od对之间的异常度；
10.s6：基于提取得到的od对之间的异常度，筛选异常度满足第三预设条件的od对之间的异常度；
11.s7：将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场，计算异常场的势能并进行分析，对群体移动性进行识别。
12.进一步地，所述s2中，单元网格的边长获取过程为：
13.对预设长度范围内单元网格的边长进行测试，得到不同边长情况下的morisita指数；
14.选取morisita指数为最小值时的边长作为单元网格的边长；其中，morisita指数的计算公式为：
[0015][0016]
其中，mi为morisita指数，n为高速公路网络中的总闸道数量，q为单元网格的总数量，q为单元网格的编号，nq为单元网格q中的所包含的闸道数量。
[0017]
进一步地，所述s3中，每个od对之间的异常度的计算过程为：
[0018][0019]
其中，表示od对之间的异常度，即起点单元网格i到终点单元网格j之间的异常度；表示目标节假日时间段起点单元网格i到终点单元网格j之间的出行量；表示历史非节假日时间段起点单元网格i到终点单元网格j之间出行量的均值；表示历史非节假日时间段起点单元网格i到终点单元网格j之间的出行量的标准差。
[0020]
进一步地，所述s4中，单元网格的总异常度是对所有到达该单元网格的od对之间的异常度进行求和。
[0021]
进一步地，所述s4中，第一预设条件为：若当前单元网格的总异常度位于单元网格的总异常度从高到低排序的前r％，r为预设值，则保留到达该单元网格的所有od对之间的异常度及出行量；反之，则删除。
[0022]
进一步地，所述s5中，第二预设条件为：若当前od对之间的出行量位于所有od对之间出行量从高到低排序的前k％，k为预设值，则提取当前出行量对应的od对之间的异常度；反之则剔除。
[0023]
进一步地，所述s6中，第三预设条件为：选取所有od对之间的最大异常度作为参照，若当前od对之间的异常度大于最大异常度的p%，p为预设值，则获取该od对之间的异常度；反之删除。
[0024]
进一步地，所述s7中，将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场的转化过程为：
[0025][0026][0027]
其中，为单元网格i的累计异常度向量，为向量的模，为从单元网格i指向单元网格j的单位方向向量，以单元网格i为起点到达单元网格j的向量通过矢量求和得到合成向量，为所有以单元网格i作为起点网格的单元网格i的总异常度，表示od
对之间的异常度，即起点单元网格i到终点单元网格j之间的异常度。
[0028]
进一步地，所述s7中，异常场的势能计算具体为：
[0029]
依次选取待识别区域的四个角中的一角作为零势能点，迭代计算其余单元网格的势能；
[0030]
将每个单元网格在四次迭代计算的势能进行平均值计算，并将平均值作为该单元网格的总势能。
[0031]
更进一步地，单元网格的势能计算过程为：
[0032][0033][0034]
其中，表示单元网格i位于二维平面中第行第列；为位于二维平面中第行第列单元网格的势能；假设为零势能点，即，求解其余单元网格的势能，为位于二维平面中第行第列单元网格的势能；为位于二维平面中第行第列单元网格的势能；和分别为单元网格i累计异常度向量在x轴和y轴方向上的分量的模；和两个值相等，表示的是单元网格在x轴和y轴上的边长。
[0035]
第二方面，本发明提供了一种电子终端，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行如上所述基于异常场的高速公路网络群体移动性识别方法的步骤。
[0036]
第三方面，本发明提供了一种可读存储介质，所述介质存储了计算机程序，所述计算机程序被处理器调用时以执行如上所述基于异常场的高速公路网络群体移动性识别方法的步骤。
[0037]
有益效果
[0038]
本发明提出了一种基于异常场的高速公路网络群体移动性识别方法，该方法通过对高速公路路网地理信息数据、非节假日与目标节假日期间进出高速公路闸道起终点出行数据进行转化、计算，得到满足条件od对之间的异常度，并转化为异常度相应网格的累积异常度向量构建异常场；计算异常场中的势能，得到高速公路路网中各个闸道对出行的相对吸引情况，找到出行的主要集中地，识别节假日期间的群体移动性；能够从宏观角度对高速公路上的交通需求进行分析，帮助高速公路管理者确定节假日期间居民出行的行为特性，有助于更好地制定交通管控方案，缓解高速公路局部区域的交通拥堵，提高路网的通行能力。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1是本发明实施例提供的一种基于异常场的高速公路网络群体移动性识别方法的流程图；
[0041]
图2是本发明实施例提供的长株潭高速公路节假日期间，筛选前异常场中单元网格的累计异常度的示意图；
[0042]
图3是本发明实施例提供的长株潭高速公路节假日期间，筛选后异常场中单元网格的累计异常度的示意图；
[0043]
图4是本发明实施例提供的长株潭高速公路节假日期间势能分布的示意图。
具体实施方式
[0044]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0045]
实施例1
[0046]
如图1所示，本发明提供了一种基于异常场的高速公路网络群体移动性识别方法，包括：
[0047]
s1：获取待识别区域的高速公路路网的地理信息、目标节假日时间段高速公路闸道之间的出行数据。其中，所述高速公路路网的地理信息包括高速公路的组成路段数、高速公路闸道组成数、高速公路路段地理空间位置数据、高速公路闸道的经纬度数据；所述出行数据包括出行量、出行时间。
[0048]
本实施例中，节假日时间段选取2019年五一劳动节期间长株潭城市群区域的高速公路出行进行研究，5月4日大部分出行人员将返回大城市进行工作或学习。所选的高速公路为部分的长株潭高速公路，由2765个路段，102个高速公路闸道组成。
[0049]
s2：对待识别区域进行单元网格划分，将目标节假日时间段高速公路闸道之间的出行数据转化为单元网格间的出行量；
[0050]
进一步地，所述s2中，单元网格的边长获取过程为：
[0051]
对预设长度范围内单元网格的边长进行测试，得到不同边长情况下的morisita指数；
[0052]
选取morisita指数为最小值时的边长作为单元网格的边长；其中morisita指数的计算公式为：
[0053][0054]
其中，mi为morisita指数，n为高速公路网络当中的总闸道数量，q为单元网格的总数量，q为单元网格的编号，nq为单元网格q中的所包含的闸道数量。
[0055]
本实施例中，对长株潭高速公路所在区域划分单元网格，其中，对长株潭高速公路所在的区域作外接矩形，进而对外接矩形进行正方形单元网格划分。单元网格的边长从5千米至15千米不断测试，并得到不同边长情况下的morisita指数。当单元网格的边长为7千米时，mi达到了最小值，为2.24。此时可以将高速区域划分为782个单元网格。根据各个闸道的经纬度信息，结合单元网格在地理空间中的位置，当闸道落于单元网格所在范围内时，认为该闸道属于该单元网格。由此，将不同闸道之间的出行转化为不同单元网格之间的出行。历史非节假日时间段选取2019年4月15日至2019年4月21日一共七天的长株潭高速公路闸道
之间的出行量与出行时间数据。此外，选择2019年4月15日至2019年4月21日上午8点至上午12点的长株潭高速公路网格之间的出行作为案例进行研究，一共得到7天5339个od对之间的923311条总出行记录。选择2019年5月4日上午8点至上午12点的长株潭高速公路闸道之间的出行转化为单元网格之间的出行，一共得到5075个od对之间的130666条总出行记录。
[0056]
s3：根据目标节假日时间段转化后的单元网格间的出行量、历史非节假日时间段od对之间出行量的均值与标准差，计算目标节假日时间段每个od对之间的异常度；其中，每个od对之间的异常度的计算过程为：
[0057][0058]
其中，表示出行od对的异常度，即起点单元网格i到终点单元网格j之间的异常度；表示目标节假日时间段起点单元网格i到终点单元网格j之间的出行量；表示起点单元网格i到终点单元网格j之间出行量的均值；表示起点单元网格i到终点单元网格j之间的出行量的标准差。od对之间出行量的均值与标准差是基于历史非节假日时间段转化后的单元网格间的出行量计算得到的。
[0059]
s4：计算每个单元网格的总异常度，当单元网格的总异常度满足第一预设条件时，保留到达该单元网格的所有od对之间的异常度及出行量；其中，单元网格的总异常度是对所有到达该单元网格的od对之间的异常度进行求和；第一预设条件为：若当前单元网格的总异常度位于单元网格的总异常度从高到低排序的前r％，r为预设值，则保留保留到达该单元网格的所有od对之间的异常度及出行量；反之，则删除。
[0060]
具体地，本实例中首先计算研究区域中所有单元网格中各单元网格的总异常度，计算公式为：
[0061][0062]
其中，为所有出行中以单元网格j作为终点的单元网格j的总异常度。值越大，说明单元网格j越可能是节假日民众聚集前往的地方，用于判断群体移动的指标。本实施例提供的长株潭高速公路节假日期间，筛选前异常场中单元网格的累计异常度的如图2所示。
[0063]
保留总异常度前r%的单元网格，并将这些单元网格用集合j进行表示。本实例中将r设置为15，此时集合中包含了87个单元网格。到达集合j的od对之间的异常度将会被保留，不到达集合j的od对之间的异常度将会被定为0。异常度为0的od对会被剔除。公式如下：
[0064][0065]
筛选后剩余930个od对。
[0066]
s5：对所有保留的od对之间的出行量进行排序，提取出行量满足第二预设条件的od对之间的异常度；其中，第二预设条件为：若当前od对之间的出行量位于所有od对之间出行量从高到低排序的前k％，k为预设值，则提取当前出行量对应的od对之间的异常度；反之则剔除。
[0067]
提取出行量在前k%的od对，并用集合进行表示。本实例中将k设置为15，定义包含在集合的od对所具有的异常度为其原有的异常度，未包含在集合的od对所具有的异常度为0。异常度为0的od对会被剔除。公式如下：
[0068][0069]
筛选后剩余133个od对。
[0070]
s6：基于提取得到的od对之间的异常度，筛选异常度满足第三预设条件的od对之间的异常度；其中，第三预设条件为：选取所有od对之间的最大异常度作为参照，若当前od对之间的异常度大于最大异常度的p%，p为预设值，则获取该od对之间的异常度；反之删除。
[0071]
剩余od对中最大的异常度定为，其值为18.42。当od对之间的异常度大于最大异常度的p%时，这些od对得以保留。其余的od对之间的异常度则变为0。本实例中将p设置为85，公式如下：
[0072][0073]
筛选后剩余20个od对。
[0074]
s7：将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场，计算异常场的势能并进行分析，对群体移动性进行识别。如图3所示，本实施例提供的长株潭高速公路节假日期间，筛选后异常场中单元网格的累计异常度。
[0075]
具体地，将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场的转化过程为：
[0076][0077][0078]
其中，为单元网格i的累计异常度向量，为向量的模，为从单元网格i指向单元网格j的单位方向向量，以单元网格i为起点到达单元网格j的向量通过矢量求和得到合成向量，为所有出行中以单元网格i作为起点的单元网格i的总异常度，表示出行od对之间的异常度，即起点单元网格i到终点单元网格j之间的异常度。是异常场构建的转化指标。
[0079]
具体地，异常场的势能计算过程为：
[0080]
依次选取待识别区域的四个角中的一角作为零势能点，迭代计算其余单元网格的势能；
[0081]
将每个单元网格在四次迭代计算的势能进行平均值计算，并将平均值作为该单元网格的总势能。
[0082]
更进一步地，单元网格的势能计算过程为：
[0083][0084][0085]
其中，表示单元网格i位于二维平面中第行第列；为位于二维平面中第行第列单元网格的势能；假设为零势能点，即，求解其余单元网格的势能，为位于二维平面中第行第列单元网格的势能；为位于二维平面中第行第列单元网格的势能；和分别为单元网格i累计异常度向量
在x轴和y轴方向上的分量的模；和两个值相等，表示的是单元网格在x轴和y轴上的边长。
[0086]
通过计算异常场的势能，并分析势能的分布反映群体移动性。其中，计算得到的势能分布如图4所示，图中黄花与学士收费站所在网格的势能最低，说明此时2019年5月4日到达这两个收费站的出行最为集中。长沙的势能普遍低于株洲和湘潭的势能，这表示节假日后期长沙对居民出行的吸引力更大。
[0087]
实施例2
[0088]
本实施例提供了一种电子终端，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述计算机程序以执行如上所述基于异常场的高速公路网络群体移动性识别方法的步骤。
[0089]
实施例3
[0090]
本实施例提供了一种可读存储介质，所述介质存储了计算机程序，所述计算机程序被处理器调用时以执行如上所述基于异常场的高速公路网络群体移动性识别方法的步骤。
[0091]
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
[0092]
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0093]
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0094]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0095]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述
实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于异常场的高速公路网络群体移动性识别方法，其特征在于，包括：s1：获取待识别区域的高速公路路网的地理信息、目标节假日时间段高速公路闸道之间的出行数据；s2：对待识别区域进行单元网格划分，将目标节假日时间段高速公路闸道之间的出行数据转化为单元网格间的出行量；s3：根据目标节假日时间段转化后的单元网格间的出行量、历史非节假日时间段od对之间出行量的均值与标准差，计算目标节假日时间段每个od对之间的异常度；s4：计算每个单元网格的总异常度，当单元网格的总异常度满足第一预设条件时，保留到达该单元网格的所有od对之间的异常度及出行量；s5：对所有保留的od对之间的出行量进行排序，提取出行量满足第二预设条件的od对之间的异常度；s6：基于提取得到的od对之间的异常度，筛选异常度满足第三预设条件的od对之间的异常度；s7：将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场，计算异常场的势能并进行分析，对群体移动性进行识别；其中，所述s3中，每个od对之间的异常度的计算过程为：其中，表示od对之间的异常度，即起点单元网格i到终点单元网格j之间的异常度；表示目标节假日时间段起点单元网格i到终点单元网格j之间的出行量；表示历史非节假日时间段起点单元网格i到终点单元网格j之间出行量的均值；表示历史非节假日时间段起点单元网格i到终点单元网格j之间的出行量的标准差。2.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s2中，单元网格的边长获取过程为：对预设长度范围内单元网格的边长进行测试，得到不同边长情况下的morisita指数；选取morisita指数为最小值时的边长作为单元网格的边长；其中morisita指数的计算公式为：其中，mi为morisita指数，n为高速公路网络中的总闸道数量，q为单元网格的总数量，q为单元网格的编号，为单元网格q中的所包含的闸道数量。3.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s4中，单元网格的总异常度是对所有到达该单元网格的od对之间的异常度进行求和。4.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s4中，第一预设条件为：若当前单元网格的总异常度位于单元网格的总异常度从高到低排序的前r％，r为预设值，则保留到达该单元网格的所有od对之间的异常度及出行量；反之，则删除。5.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s5中，第二预设条件为：若当前od对之间的出行量位于所有od对之间出行量从高到低排序的前k％，k为预设值，则提取当前出行量对应的od对之间的异常度；反之则剔除。6.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在
于，所述s6中，第三预设条件为：选取所有od对之间的最大异常度作为参照，若当前od对之间的异常度大于最大异常度的p%，p为预设值，则获取该od对之间的异常度；反之删除。7.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s7中，将筛选后的od对之间的异常度转化为相应单元网格的累计异常度向量构建异常场的转化过程为：；；其中，为单元网格i的累计异常度向量，为向量的模，为从单元网格i指向单元网格j的单位方向向量，以单元网格i为起点到达单元网格j的向量通过矢量求和得到合成向量，d
i
为所有以单元网格i作为起点的单元网格i的总异常度，表示od对之间的异常度，即起点单元网格i到终点单元网格j之间的异常度。8.根据权利要求1所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，所述s7中，异常场的势能计算具体为：依次选取待识别区域的四个角中的一角作为零势能点，迭代计算其余单元网格的势能；将每个单元网格在四次迭代计算的势能进行平均值计算，并将平均值作为该单元网格的总势能。9.根据权利要求8所述的基于异常场的高速公路网络群体移动性识别方法，其特征在于，单元网格的势能计算过程为：；；其中，表示单元网格i位于二维平面中第行第列；为位于二维平面中第行第列单元网格的势能；假设为零势能点，即，求解其余单元网格的势能，为位于二维平面中第行第列单元网格的势能；为第行第列单元网格的势能；和分别为单元网格i累计异常度向量在x轴和y轴方向上的分量的模；和两个值相等，表示的是单元网格在x轴和y轴上的边长。

技术总结
本发明公开了一种基于异常场的高速公路网络群体移动性识别方法，包括：获取目标高速公路路网的地理信息、目标节假日时间段高速公路闸道之间的出行数据并进行处理，得到出行OD对之间的异常度，并对异常度进行筛选；将筛选后的OD对之间的异常度转化为相应单元网格的累计异常度向量构建异常场；进而计算异常场的势能并进行分析，对群体移动性进行识别找到出行的主要集中地，识别节假日期间的群体移动性；能够从宏观角度对高速公路上的交通需求进行分析，帮助高速公路管理者确定节假日期间居民出行的行为特性，有助于更好地制定交通管控方案，缓解高速公路局部区域的交通拥堵，提高路网的通行能力。路网的通行能力。路网的通行能力。


技术研发人员：王璞 阳虎
受保护的技术使用者：中南大学
技术研发日：2023.05.19
技术公布日：2023/6/28