一种定位大规模交通网络中低效路段组合的方法

摘要

本发明公开了一种定位大规模交通网络中低效路段组合的方法，基于城市道路交通网络和城市居民通勤交通中机动车出行的高峰小时出行量。按照Wardrop平衡第一原理，采用Frank-Wolfe算法求解在平衡条件下初始路网G0的总出行时间成本T；采用Closer-Test方法，遍历旧金山市城市道路交通初始网络G0的所有路段，标记各路段的属性，得到初始网络G0的低效路段集合M；最后，利用自适应遗传算法结合Closer-Test方法，定位网络G0中的低效路段组合；本方法采用自适应的遗传算法能快速地定位网络中的低效路段组合；使用手机通讯数据预测城市居民机动车出行信息能有效的解决大规模出行信息难以获取的问题。

权利要求

1.一种定位大规模交通网络中低效路段组合的方法，其特征在于，包括以下步骤：步骤一，获取城市道路交通网络数据，并构建城市道路交通网络，得到初始路网G0；

所述城市道路交通网络由节点和节点之间有向的连接边组成，所述节点为道路交叉口，所述节点与节点之间有向的连接边是指城市道路交通网络中的路段，所述路段包括路段类型、自由行驶时间t0、路段限速sl、路段容量C以及车道数数据；

步骤二，基于居民的手机通讯数据，采集居民通勤出行的起终点信息，并对居民通勤的起终点信息进行城市道路交叉口匹配；

所述对居民通勤的起终点信息进行城市道路交叉口匹配是指将每个居民通勤出行的起点和终点匹配到初始路网G0中最近的道路交叉口，并以对应道路交叉口作为此出行新的起点和新的终点；

步骤三，基于Wardrop平衡第一原理，求解初始路网G0各路段车流量fi和行驶时间ti，计算该城市道路交通网络总的出行时间成本T：ti(fi)＝ti0×PKFACi×(1+αi×(TPFAC×fi/Ci)β)其中，n表示初始路网中有n条路段，i表示从1到n表示各路段的编号；

ti0是路段ei的自由行驶时间，Ci是指路段ei的容量；PKFACi表示路段ei的高峰系数；

TPFAC表示路网各时段通行能力的调整因子；αi表示线性阻滞系数，β表示指数阻滞系数；

PKFAC在不同路段类型和限速下分别取1.0、1.3及1.6，TPFAC在早高峰时段取值为

0.44，晚高峰时段取值为0.37，αi在不同路段类型和限速下分别取0.71、0.83及0.88，β＝6；

fi和ti采用Frank-Wolfe算法求解；

步骤四，穷举G0所有路段，基于Closer-Test方法，求解每个路段封闭后的出行时间成本Ti，得到G0的低效路段集合M；

所述路段或路段组合属性包括低效、必要以及关键；

其中，所述路段或路段组合属性为关键时，是指如果该路段或路段组合被封闭后，存在至少一个出行者无法从起点到达终点；

所述路段或路段组合属性为低效或必要时，是指如果该路段或路段组合被封闭后，所有出行者均能从起点到达终点；

所述路段属性为低效时，是指该路段ei被封闭后，对应城市道路交通网络Gi总出行时间成本Ti-T＜0；其中，所述路段组合属性为低效时，是指该路段组合S被封闭后，对应城市道路交通网络GS总出行时间成本TS-T＜0；其中， S表示被封闭的路段组合；

所述路段属性为必要时，是指该路段ei被封闭后，对应城市道路交通网络Gi总出行时间成本Ti-T＞0；

所述路段组合属性为必要时，是指该路段组合S被封闭后，对应城市道路交通网络GS总出行时间成本TS-T＞0；

现状城市道路交通网络为初始路网G0，在初始路网的基础上每去除一个路段ei或路段组合S则生成一个新状态Gi或GS；

步骤五，基于遗传算法，定位初始路网G0中的低效路段组合；

从初始路网G0的低效路段集合M中随机选取路段组合生成种群大小为Q的初始种群P(0)；总迭代次数为N；第t次迭代生成种群为P(t)，0≤t≤N；t＝0时种群P(0)表示初始解；

令适应度函数为：

St(q)表示种群P(t)的第q个个体 表示封闭路段组合St(q)时，城市道路交通网络的总出行时间成本；

设定个体的交叉概率为pc，变异概率为pm；

当到达迭代次数N时，以迭代过程中所得到的具有最小(TS-T)值的个体作为G0的最佳低效路段组合。

2.根据权利要求1所述的一种定位大规模交通网络中低效路段组合的方法，其特征在于，所述交叉概率pc和变异概率pm，分别按照以下公式计算：

其中，pc1是适应度值小于平均适应度值个体的交叉概率，pc2表示种群中具有最大适应度值个体的交叉概率，Fmax为种群中的最大适应度值，Fave为每代种群的平均适应度值，F*是进行交叉的两个个体中较大的适应度值；pm1是适应度值小于平均适应度值个体的变异概率，pm2是种群中具有最大适应度值个体的变异概率，F'是进行变异个体的适应度值。

3.根据权利要求2所述的一种定位大规模交通网络中低效路段组合的方法，其特征在于，从第一次迭代开始，每一代种群大小Q满足以下公式：

其中，表示每个个体中包含的低效路段数量，m表示G0的低效路段集合M的路段总数。

说明书

一种定位大规模交通网络中低效路段组合的方法

技术领域

[0001] 本发明属于交通技术领域，具体涉及一种定位大规模交通网络中低效路段组合的方法。

背景技术

[0002] 城市拥车量的急速上升，诱发城市交通日渐拥挤。然而土地资源是有限的，路网的供给总是难以满足人们无限膨胀的出行需求，交通拥挤进一步发展为城市交通问题乃至环境问题的重要症结，高效地发挥城市交通网络的通行效率成为城市交通领域的研究热点。长期以来人们常识性地认为新建道路总是对缓解拥挤有利，然而一种有悖常理的现象，即“布雷斯悖论”现象则表明：在拓扑结构确定的网络中，当网络中的流量分配达到均衡时，增加一条连边，改变该网络的拓扑结构，非但不会减少出行者的出行成本，反而增加该网络中所有出行者的出行时间。这一现象为治理拥挤提供了新的思路，然而该现象只是由一个理论模型推导出来的悖论。虽然不乏实例，但是还未在大规模的实际交通网络中进行仿真计算，也没有提出如何快速有效的定位实际交通网络中造成路网效率难以充分利用的低效路段组合。根据布雷斯悖论的描述，如果能准确定位交通网络中低效路段及其组合，不仅可以减少不必要的新增道路建设，而且通过科学地管理既有道路的使用能有效的增加道路使用者的出行效率，进而减少交通拥挤所带来的社会边际成本。

[0003] 但是，现有的方法存在如下问题：

[0004] 1)因缺乏必要的数据，对布雷斯悖论现象的研究局限于理论模型，而未在大规模实际交通网络中进行仿真计算，难以证明方法的可行性。

[0005] 2)低效路段组合的求解涉及组合优化问题，最优化为一类NP难问题。

[0006] 由此可见，有效的定位交通网络中的低效路段及其组合，为城市智能交通提供便捷、准确的信息支持，为市政部门科学用地规划、道路建设提供经济、环保的决策依据，具有非常重要的现实意义。

发明内容

[0007] 本发明提供了一种定位大规模交通网络中低效路段组合的方法，其目的在于，克服现有技术中难以实时定位大规模交通网络中低效路段及其组合的问题。使得城市交通管理者得以有效地实施道路限行措施以诱导出行者选择更经济的出行路径。其中，道路限行措施是指合理的封闭路网中的低效路段或低效路段组合，限制其使用时间或使用者。

[0008] 一种定位大规模交通网络中低效路段组合的方法，包括以下步骤：

[0009] 步骤一，获取城市道路交通网络数据，并构建城市道路交通网络，得到初始路网G0；

[0010] 所述城市道路交通网络由节点和节点之间有向的连接边组成，所述节点为道路交叉口，所述节点与节点之间有向的连接边是指城市道路交通网络中的路段，所述路段包括路段类型、自由行驶时间t0、路段限速sl、路段容量C以及车道数数据；

[0011] 步骤二，基于居民的手机通讯数据，采集居民通勤出行的起终点信息，并对居民通勤的起终点信息进行城市道路交叉口匹配；

[0012] 所述对居民通勤的起终点信息进行城市道路交叉口匹配是指将每个居民通勤出行的起点和终点匹配到初始路网G0中最近的道路交叉口，并以对应道路交叉口作为此出行新的起点和新的终点；

[0013] 步骤三，基于Wardrop平衡第一原理，求解初始路网G0各路段车流量fi和行驶时间ti，计算该城市道路交通网络总的出行时间成本T：

[0014] ti(fi)＝ti0×PKFACi×(1+αi×(TPFAC×fi/Ci)β)

[0015] 其中，n表示初始路网中有n条路段，i表示从1到n表示各路段的编号；

[0016] ti0是路段ei的自由行驶时间，Ci是指路段ei的容量；PKFACi表示路段ei的高峰系数；TPFAC表示路网各时段通行能力的调整因子；αi表示线性阻滞系数，β表示指数阻滞系数；

[0017] PKFAC在不同路段类型和限速下分别取1.0、1.3及1.6，TPFAC在早高峰时段取值为0.44，晚高峰时段取值为0.37，αi在不同路段类型和限速下分别取0.71、0.83及0.88，β＝6；
fi和ti采用Frank-Wolfe算法求解；

[0018] 步骤四，穷举G0所有路段，基于Closer-Test方法，求解每个路段封闭后的出行时间成本Ti，得到G0的低效路段集合M；

[0019] 所述路段或路段组合属性包括低效、必要以及关键；

[0020] 其中，所述路段或路段组合属性为关键时，是指如果该路段或路段组合被封闭后，存在至少一个出行者无法从起点到达终点；

[0021] 所述路段或路段组合属性为低效或必要时，是指如果该路段或路段组合被封闭后，所有出行者均能从起点到达终点；

[0022] 所述路段属性为低效时，是指该路段ei被封闭后，对应城市道路交通网络Gi总出行时间成本Ti-T＜0；其中，

[0023] 所述路段组合属性为低效时，是指该路段组合S被封闭后，对应城市道路交通网络GS总出行时间成本TS-T＜0；其中， S表示被封闭的路段组合；

[0024] 所述路段属性为必要时，是指该路段ei被封闭后，对应城市道路交通网络Gi总出行时间成本Ti-T＞0；

[0025] 所述路段组合属性为必要时，是指该路段组合S被封闭后，对应城市道路交通网络GS总出行时间成本TS-T＞0；

[0026] 现状城市道路交通网络为初始路网G0，在初始路网的基础上每去除一个路段ei或路段组合S则生成一个新状态Gi或GS。

[0027] 步骤五，基于遗传算法，定位初始路网G0中的低效路段组合；

[0028] 从初始路网G0的低效路段集合M中随机选取路段组合生成种群大小为Q的初始种群P(0)；总迭代次数为N；第t次迭代生成种群为P(t)，0≤t≤N；t＝0时种群P(0)表示初始解；

[0029] 令适应度函数为：

[0030]

[0031]

[0032]

[0033] St(q)表示种群P(t)的第q个个体 表示封闭路段组合St(q)时，城市道路交通网络的总出行时间成本；

[0034] 设定个体的交叉概率为pc，变异概率为pm；

[0035] 当到达迭代次数N时，以迭代过程中所得到的具有最小(TS-T)值的个体作为G0的最佳低效路段组合。

[0036] 具体的求算步骤为：

[0037] 步骤1：求算初始解

[0038] 利用 计算在每个个体包含不同数目的路段 的情况下对应的每一代种群大小Q。并从初始路网G0的所有低效路段集合M中随机生成种群大小为Q的初始解集P(0)。其中，每个个体包含路段数为 且每个个体都不是关键路段组合。令t＝1，i＝1迭代开始。

[0039] 步骤2：选择操作

[0040] 利用公式 计算父代中个体被选择的概率，适应度值大的个体以较高的概率被选择，进入第t代种群的计算。

[0041] 步骤3：交叉操作

[0042] 对步骤2选择的两个父代个体，取固定的交叉概率pc进行交叉操作；

[0043] 步骤4：变异操作

[0044] 对步骤3的两个个体，取固定的变异概率pm进行变异操作，生成两个新个体；

[0045] 步骤5：解的可行性分析

[0046] 对步骤4生成的两个新个体进行解的可行性判断，如果生成的个体为关键路段组合，则对该个体重复步骤4，直到所得个体均为非关键路段组合即确定这两个个体为第t代种群P(t)的两个个体St(i)和St(i+1)。

[0047] 步骤6：收敛性检验

[0048] 如果i+1＝Q且t＜N，则利用Closer-Test求解第t代解集P(t)中所有个体的TS以及适应度函数值FS，t＝t+1，i＝1，算法返回步骤2；如果i+1＜Q且t＜N，则i＝i+2，算法回到步骤2；如果i+1＝Q且t＝N，则停止迭代。

[0049] 所述交叉概率pc和变异概率pm，分别按照以下公式计算：

[0050]

[0051]

[0052] 其中，pc1是适应度值小于平均适应度值个体的交叉概率，pc2表示种群中具有最大适应度值个体的交叉概率，Fmax为种群中的最大适应度值，Fave为每代种群的平均适应度值，F*是进行交叉的两个个体中较大的适应度值；pm1是适应度值小于平均适应度值个体的变异概率，pm2是种群中具有最大适应度值个体的变异概率，F'是进行变异个体的适应度值。

[0053] 从第一次迭代开始，每一代种群大小Q满足以下公式：

[0054]

[0055] 其中，表示每个个体中包含的低效路段数量，m表示G0的低效路段集合M的路段总数。

[0056] 有益效果

[0057] 本发明提供了一种定位大规模交通网络中低效路段组合的方法，基于城市交通网络和城市居民通勤交通中机动车出行的高峰小时出行量。按照Wardrop平衡第一原理，采用Frank-Wolfe算法求解在平衡条件下初始路网G0的总出行时间成本T。采用Closer-Test方法，遍历旧金山市城市道路交通初始网络G0的所有路段，标记各路段的属性，得到初始网络G0的低效路段集合M。最后，利用自适应遗传算法结合Closer-Test方法，定位路网G0的低效路段组合；

[0058] 本方法采用自适应遗传算法有效地实现了大规模交通网络中低效路段组合的定位；

[0059] 同时，本方法使用手机通讯数据预测城市居民机动车出行信息能有效地解决大规模出行信息难以获取的问题，实现数据的大规模实时采集。

[0060] 本方法可以应用于提高城市交通网络通行效率。对于既有城市道路交通网络，通过采取合理措施封闭低效路段组合，诱导出行者改变其路径选择行为，能有效的减少出行者的出行成本，缓解城市交通拥挤。新建道路的评估中，可以通过标定拟建道路的路段属性，避免盲目扩建的资源损耗。

附图说明

[0061] 图1本发明所述定位大规模交通网络中低效路段组合方法的流程图；

[0062] 图2应用本方法定位城市道路交通网络中的低效路段组合的结果展示图，其中，(a)表示pc2＝0.6，pm2＝0.001时，每代种群中低效路段组合|TS-T|的平均值|TS-T|ave随着迭代次数变化的曲线；(b)表示pc2＝0.5，pm2＝0.05时，每代种群中低效路段组合|TS-T|的平均值|TS-T|ave随着迭代次数变化的曲线；(c)表示pc2＝0.6，pm2＝0.001时，每代种群中低效路段组合|TS-T|的最大值|TS-T|max随着迭代次数变化的曲线；(d)表示pc2＝0.5，pm2＝0.05时，每代种群中低效路段组合|TS-T|的最大值|TS-T|max随着迭代次数变化的曲线。

具体实施方式

[0063] 本发明提出了一种定位大规模交通网络中低效路段组合的方法，如图1所示，通过对旧金山市真实道路交通网络进行建模，生成初始路网G0。利用居民手机通讯数据预测的居民出行信息，包括小汽车出行的出行起点和终点数据，并通过数据预处理将出行起终点分布到路网G0的道路交叉口上。采用自适应遗传算法搜索路网G0中的路段组合，并利用Closer-Test方法求解对应路段组合的TS，并标定各路段组合的属性。其中，所述城市道路交通网络由节点和节点之间有向的连接边组成，所述节点为道路交叉口，所述节点与节点之间有向的连接边是指城市道路交通网络中的路段，所述路段包括路段类型、自由行驶时间t0、路段限速sl、路段容量C以及车道数数据。这里定义现状城市道路交通网络为初始状态G0，在初始状态的基础上每去除一个路段ei或路段组合S则生成一个新状态Gi或GS；

[0064] 所述居民出行数据是指通过居民的手机通讯数据预测得出的旧金山市小汽车出行者的出行起点和出行终点信息。所述数据预处理过程即指将每个出行的出行起点和终点匹配到最近的道路交叉口，并以对应道路交叉口作为此出行新的起点和新的终点；

[0065] 所述出行时间成本是指所有出行者出行时间的总和。初始路网G0的出行总时间n表示旧金山道路交通网络初始状态G0所包含的总的路段数，fi表示路段ei上的车流量，ti(fi)表示路段ei上的车流量为fi时的路段行驶时间，这里采用Wardrop平衡第一原理的Beckmann模型进行求解，即交通流达到平衡时，各路段的交通流量满足：

[0066]

[0067] 其中，行驶时间ti(fi)由BPR方程求解得出：

[0068] ti(fi)＝ti0×PKFACi×(1+αi×(TPFAC×fi/Ci)β)

[0069] 其中，ti0是路段ei的自由行驶时间；Ci是指路段ei的容量；PKFACi表示各等级路段的高峰系数，本实施例中取值如表1所示；TPFAC表示路网各时段通行能力的调整因子，早高峰时段取值为0.44，晚高峰时段取值为0.37；αi表示线性阻滞系数，β表示指数阻滞系数，α在各等级路段的取值如表1所示，β取值为6.0，fi和ti采用Frank-Wolfe算法求解。

[0070] 封闭一条路段ei的出行时间成本表示为 封闭一个路段组合S的出行时间成本则表示为 S表示被封闭的路段组
合。定义ΔTi＝Ti-T以及ΔTS＝TS-T，所述低效路段即为ΔTi＜0的路段，所述必要路段即为ΔTi＞0的路段，所述低效路段的组合则表示为ΔTS＜0的路段组合，所述必要路段的组合则表示为ΔTS＞0的路段组合。低效路段以及必要路段均为非关键路段，低效路段组合以及必要路段组合均为非关键路段组合，所述关键路段或关键路段组合则表示，如果该路段或路段组合被封闭将存在至少一个出行者无法从起点到达终点。

[0071] 表1各等级路段PKFAC以及α的取值表

[0072]路段等级分类 路段限速(miles/hr) α PKFAC
Freeway sl≥60 0.88 1.0
Expressway 45≤sl＜60 0.83 1.3
Connector(interchange) 25≤sl＜45 0.71 1.3
Freeway ramp sl＜25 0.71 1.3
Major arterial roads sl≥30 0.83 1.6
Minor arterial roads 25≤sl＜30 0.71 1.3
Collector 20≤sl＜25 0.71 1.0
Metered ramp sl＜20 0.71 1.3

[0073] 所述低效程度，即为ΔTi或ΔTS的取值大小，值越小表示在封闭此路段或路段组合的情况下，所有出行者总的出行时间节省越多，表明这个路段或者路段组合的低效程度越高；反之，值越大则越有利于提高路网的通行效率，即低效程度越低。

[0074] 所述城市道路交通网络路段或路段组合的属性是指该路段为低效的、必要的或者关键的。

[0075] 所述Closer-Test方法，是指从初始城市道路交通网络G0中去除一个路段i或路段组合S得到新路网Gi或GS，再利用Frank-Wolfe算法求解新路网Gi或GS中的fi和ti，并计算ΔTi或ΔTS，进而判断该路段或路段组合的属性。

[0076] 所述Wardrop平衡第一原理能相对真实地反映交通网络中用户实际选择出行路径的行为，常被用来静态的预测交通流在路网中的分配。所述Frank-Wolfe算法则是求解基于用户平衡原理提出的Beckmann模型的一种用线性规划逐步逼近非线性规划的迭代算法。

[0077] 所述穷举法是指定位初始城市道路交通网络G0中的每个路段属性时所使用的方法。具体步骤为：(1)初始化，令i＝0；(2)采用Closer-Test判断G0中路段ei的属性；(3)如果i＝n，结束迭代，否则i＝i+1，返回(2)。

[0078] 所述基本遗传算法是用以求解低效路段组合最优解的启发式算法，该算法的编码采用二进制编码方法，用0和1组成的二值数字串表示路网G0中的每个路段，适应度函数定义为 其中0≤t≤N,1≤q≤Q}其中Q表示种群P(t)的大小，St(q)表示种群P(t)中的一个个体，t表示种群代数，t＝0时种群P(0)表示初始解。ΔTS越小的个体将具有越大的适应度值，问题的目标函数为：

[0079]

[0080]

[0081] 具体的求算步骤为：

[0082] 步骤1：求算初始解

[0083] 利用公式 计算在每个个体包含不同数目的路段 的情况下对应的每一代种群大小Q。并从所有的低效路段集合M中随机生成种群大小为Q的初始解集P(0)。
其中，每个个体包含路段数为 且每个个体都不是关键路段组合。令t＝1，i＝1迭代开始。

[0084] 步骤2：选择操作

[0085] 利用公式 计算父代中个体被选择的概率，适应度值大的个体以较高的概率被选择，进入第t代种群的计算。

[0086] 步骤3：交叉操作

[0087] 对步骤2选择的两个父代个体，取固定的交叉概率pc进行交叉操作，得到两个新个体；

[0088] 步骤4：变异操作

[0089] 对步骤3生成的两个新个体，取固定的变异概率pm进行变异操作，生成两个子代个体；

[0090] 步骤5：解的可行性分析

[0091] 对步骤4生成的两个个体进行解的可行性判断，如果生成的个体为关键路段组合，则对个体重复步骤4，直到所得个体为非关键路段组合即确定这两个个体为第t代种群P(t)的两个个体St(i)和St(i+1)。

[0092] 步骤6：收敛性检验

[0093] 如果i+1＝Q且t＜N，则利用Closer-Test求解第t代解集P(t)中所有个体的TS以及适应度函数值FS，t＝t+1，i＝1，算法返回步骤2；如果i+1＜Q且t＜N，则i＝i+2，算法回到步骤2；如果i+1＝Q且t＝N，则停止迭代。本实施例中，N＝50。

[0094] 对方法进一步优化，引入基于个体适应度值的自适应交叉概率pc和变异概率pm，其中pc和pm分别按照以下公式计算：

[0095]

[0096]

[0097] 其中pc1取0.9，Fmax为群体中的最大适应度值，Fave为每代群体的平均适应度值，F*是进行交叉的两个个体中较大的适应度值；pm1取0.1，F'是进行变异个体的适应度值。pc2和pm2分别取两组值，pc2＝0.6和pm2＝0.001或pc2＝0.5和pm2＝0.05。

[0098] 本发明基于德国数学家迪特里希·布雷斯提出的布雷斯悖论现象，在定位真实大规模城市道路交通网络中低效路段的基础上，进一步借助启发式的自适应遗传算法搜索路网中的低效路段组合，具体实施步骤为：

[0099] 第一步：构建旧金山市城市道路交通网络，采集居民高峰小时通勤出行量[0100] 从Navteq官方网站获取的美国湾区地理信息系统数据中截取旧金山市城市道路交通网络道路交叉口、路段位置信息以及路段道路等级、自由行驶时间、限速、容量、车道数等信息，构建旧金山市城市道路交通网络，包括交叉口1148个，路段2823条。同时，利用美国旧金山地区居民手机通话数据获取的位置信息数据，预测旧金山市居民出行起讫点信息，再结合美国人口统计局官方数据关于人口统计小区的划分信息，将每个人口统计小区定义为一个交通小区，将手机通话记录标记的出行起讫点匹配到交通小区，然后利用每个交通小区的人口总量采用TransCAD 5.0的Cross Classification工具包对该交通小区的小汽车出行量进行扩样，获取早晚高峰小时出行量作为本实例的实验数据。

[0101] 第二步：利用Wardrop平衡第一原理，求解初始路网G0总的出行时间成本[0102] 按照Wardrop平衡第一原理，采用Frank-Wolfe算法求解在平衡状态下，初始路网G0各路段的fi和ti，得到初始网络的总出行时间T。

[0103] 第三步：定位旧金山市道路交通网络G0的所有低效路段

[0104] 遍历旧金山市城市道路交通网络所有路段，采用Closer-Test方法，标记各路段的属性，得到初始网络G0的低效路段集合M。

[0105] 第四步：搜索网络中的低效路段组合

[0106] 利用前述自适应遗传算法，搜索在50次过程中网络中所有的路段组合，并利用Closer-Test计算各路段组合对应的TS以及ΔTS，标记各路段组合的属性。

[0107] 图2表示利用自适应遗传算法计算得到的每一代种群中低效路段组合的平均低效ave max程度值|TS-T| 以及最大低效程度值|TS-T| 随着算法迭代次数的增加变化的趋势，结果表明此算法能较快的收敛。对比图2，pc2和pm2取不同的值对结果存在一定的影响pc2＝0.5，pm2＝0.05时|TS-T|ave的值优于pc2＝0.6，pm2＝0.001，但|TS-T|max的取值次于pc2＝0.6，pm2＝
0.001。当pc2＝0.5，pm2＝0.05时|TS-T|ave最后趋于15,964Min，即封闭一个低效路段的组合平均一个小时内能为所有出行者节省将近266小时的出行延误，占到总出行时间成本T的
0.87％，当pc2＝0.6，pm2＝0.001时|TS-T|max最大可取到17,620Min，占到总出行时间成本T的
0.95％，可见控制网络中低效路段组合的使用对缓解道路拥挤的效果显著。本发明应用于大规模交通数据，能一定程度上为城市管理部门治理拥挤提供技术支持。