本文针对路网密度分布的空间异质性会导致宏观基本图(Macroscopic Fundamental Diagram,MFD)高度离散的问题,提出了一种将异质性城市路网划分为同质子路网的方法。利用张量分解算法提取路段交通状态在时间维度上的短期日变化和长期逐日...本文针对路网密度分布的空间异质性会导致宏观基本图(Macroscopic Fundamental Diagram,MFD)高度离散的问题,提出了一种将异质性城市路网划分为同质子路网的方法。利用张量分解算法提取路段交通状态在时间维度上的短期日变化和长期逐日变化特征,以此计算路段间相似度。以路段间相似度为边权,针对含权的城市道路交通网络改进传统的Fast-Newman快速划分算法,来保证划分后每个子路网内的路段交通状态相似且在空间上紧密分布。基于某市一个月的自动车牌识别数据对该方法进行实证分析,结果表明改进算法划分效果优于K-means算法及传统Fast-Newman快速划分算法,划分后每个子路网的MFD函数关系都有较好的拟合效果,子路网之间的交通流特征参数差异明显。展开更多
文摘本文针对路网密度分布的空间异质性会导致宏观基本图(Macroscopic Fundamental Diagram,MFD)高度离散的问题,提出了一种将异质性城市路网划分为同质子路网的方法。利用张量分解算法提取路段交通状态在时间维度上的短期日变化和长期逐日变化特征,以此计算路段间相似度。以路段间相似度为边权,针对含权的城市道路交通网络改进传统的Fast-Newman快速划分算法,来保证划分后每个子路网内的路段交通状态相似且在空间上紧密分布。基于某市一个月的自动车牌识别数据对该方法进行实证分析,结果表明改进算法划分效果优于K-means算法及传统Fast-Newman快速划分算法,划分后每个子路网的MFD函数关系都有较好的拟合效果,子路网之间的交通流特征参数差异明显。