一种城市交通网络节点分类方法

摘要

本发明公开了一种城市交通网络节点分类方法，涉及城市规划与城市交通技术领域，首先，对研究区内交通网络节点数据进行预处理。其次，对每个交通网络节点与交通网络节点之间的客流量指标数据进行排序。再利用时间序列聚类算法对交通网络节点进行分类，并在地理空间上关联到研究区内交通网络节点数据。最后，对数据集P1按照分类结果进行地图可视化展示。本发明能够依据每个交通节点与其它交通节点的客流量关系，快速地对城市交通节点进行分类，分类结果可以反映出每类交通节点的客流量大小以及交通节点与其他交通节点之间的客流量分布特征，从而为城市规划和交通管理提供决策依据。

权利要求

1.一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，包括以下步骤：步骤1、对研究区内交通网络节点进行预处理；具体如下：

步骤1.1、对所有交通网络节点进行唯一标识号设定处理，形成数据集P；

步骤1.2、统计出每个交通网络节点与网络中其它交通网络节点产生的客流量指标数据；

步骤1.3、步骤1.2统计完成后得到的客流量指标数据形成所有交通网络节点的客流联系数据集OD；

步骤2、对每个交通网络节点的客流量指标数据进行排序，形成新的所有交通网络节点的客流联系数据集ODN；

步骤2.1、遍历数据集OD中每个交通网络节点，并按照客流量指标数据的大小顺序或者空间邻近关系，对遍历中的交通网络节点与网络中其它交通网络节点产生的客流量指标数据进行排序；

步骤2.2、遍历完成后，形成新的所有交通网络节点的客流联系数据集ODN；

步骤3、利用时间序列聚类算法对交通网络节点进行分类，并将分类结果在地理空间上关联到研究区内交通网络节点；

利用时间序列聚类算法对交通网络节点进行分类的具体过程如下：以数据集ODN为输入数据，利用时间序列聚类算法对研究区内交通网络节点进行分类。

2.根据权利要求1所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤3中，以数据集ODN为输入数据，利用时间序列聚类算法对研究区内交通网络节点进行分类；再利用分类结果中保存的各个交通网络节点唯一标识号和数据集P中的各个交通网络节点唯一标识号对应关系，实现数据集P与分类结果关联，并将关联后的结果保存为新的数据集P1。

3.根据权利要求2所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤3后还包括步骤4，步骤4：对数据集P1按照分类结果进行地图可视化展示。

4.根据权利要求1所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤1.1中P的数据格式是适用于ArcGIS软件的数据格式。

5.根据权利要求1所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤1.2中客流量指标数据为列车班次数或者出行人数。

6.根据权利要求1所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤1.2中在出现两个交通网络节点之间没有发生交通客流联系时，客流量指标数据记为0。

7.根据权利要求1所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，其特征在于，步骤2.1中按照客流量指标数据的大小顺序是按照升序或者降序进行排序，空间邻近关系是指按照空间距离由大到小进行排序。

说明书

一种城市交通网络节点分类方法

技术领域

[0001] 本发明涉及城市规划与城市交通技术领域，特别是一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法。

背景技术

[0002] 当前，随着大数据技术的发展，城市交通信息数据正在呈现出爆炸式增长趋势，特别是以交通节点之间发生的客流量数据尤为明显(一般这类数据被称之为交通出行OD数据)。例如，城市公交站点之间的出行量、地铁站点之间的客流量、公共自行车站点之间的客流量等。这些大数据源为理解城市运行特征提供了很好的数据基础，具有十分重要的实践价值。大量的数据必须通过一定的模型算法，才能较为快速便捷地帮助人们挖掘出最有价值的信息。对于交通出行OD数据而言，较为常见且极为重要的2个信息点分别是：(1)每个交通节点与其他交通节点之间客流量值的大小。(2)每个交通节点与其他交通节点之间客流量值的分布状况。基于这2个信息点，研究者希望挖掘出有价值的内容，从而去理解交通运行的内在特征。例如，对于所有的交通节点，可以统计出每个交通节点与其他交通节点的出行总量，从而根据出行总量值的排序判断出交通量较大的节点是哪些；如果对某个交通节点的出行量非常关注，可以对其与其他交通节点出行量的大小进行排序，从而观察这个交通节点与其他哪些交通节点最相关。上述方法主要是研究局部交通节点的运行特征，却缺乏对整体特征的研究。

[0003] 实际上，如何研究所有站点之间的客流量关系特征一直是实践中非常关注和及其重要的问题！尽管目前复杂网络等理论技术为研究这一问题提供了很好的渠道，但是还存在一定的缺陷：(1)整体特征与局部特征关系很难兼顾，如复杂网络中度分布作为研究整体网络结构的一个重要工具手段，却无法直接通过度分布解读每个交通节点与其他交通节点的联系特征。(2)交通节点之间的相似性特征不够深入，如通常只能通过复杂网络中的社区划分将联系紧密的一类交通节点放在一起，然而用户很难直接看出其中每类交通节点与相关节点的联系特征是怎么样的，即无法根据每个站点所发生的OD流特征划分出相似性特征。

[0004] 与此同时，交通OD数据的特征一些特征信息还没有被深入挖掘，例如：如果将每个交通节点与其他每个交通节点所形成的客流量数据，按照客流量大小进行排序，则可以看成一组有序的数据集合(记为L)，而这个数据集合若是以直方图的形式展示，便具有类似时间序列的波谱形状特征。此外，也可以按照空间邻近关系进行排序，进行时间序列聚类分析，则可以重点反映出交通节点受空间距离约束所产生的空间连接关系特征。

发明内容

[0005] 本发明所要解决的技术问题是克服现有技术的不足而提供一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，本发明能够依据每个交通节点与其它交通节点的客流量关系，快速地对城市交通节点进行分类，分类结果可以反映出每类交通节点的客流量大小以及交通节点与其他交通节点之间的客流量分布特征，从而为城市规划和交通管理提供决策依据。

[0006] 本发明为解决上述技术问题采用以下技术方案：

[0007] 根据本发明提出的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，包括以下步骤：

[0008] 步骤1、对研究区内交通网络节点进行预处理；具体如下：

[0009] 步骤1.1、对所有交通网络节点进行唯一标识号设定处理，形成数据集P；

[0010] 步骤1.2、统计出每个交通网络节点与网络中其它交通网络节点产生的客流量指标数据；

[0011] 步骤1.3、步骤1.2统计完成后得到的客流量指标数据形成所有交通网络节点的客流联系数据集OD；

[0012] 步骤2、对每个交通网络节点的客流量指标数据进行排序，形成新的所有交通网络节点的客流联系数据集ODN；

[0013] 步骤2.1、遍历数据集OD中每个交通网络节点，并按照客流量指标数据的大小顺序或者空间邻近关系，对遍历中的交通网络节点与网络中其它交通网络节点产生的客流量指标数据进行排序；

[0014] 步骤2.2、遍历完成后，形成新的所有交通网络节点的客流联系数据集ODN；

[0015] 步骤3、利用时间序列聚类算法对交通网络节点进行分类，并将分类结果在地理空间上关联到研究区内交通网络节点；

[0016] 利用时间序列聚类算法对交通网络节点进行分类的具体过程如下：以数据集ODN为输入数据，利用时间序列聚类算法对研究区内交通网络节点进行分类。

[0017] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤3中，以数据集ODN为输入数据，利用时间序列聚类算法对研究区内交通网络节点进行分类；再利用分类结果中保存的各个交通网络节点唯一标识号和数据集P中的各个交通网络节点唯一标识号对应关系，实现数据集P与分类结果关联，并将关联后的结果保存为新的数据集P1。

[0018] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤3后还包括步骤4，步骤4：对数据集P1按照分类结果进行地图可视化展示。

[0019] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤1.1中P的数据格式是适用于ArcGIS软件的数据格式。

[0020] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤1.2中客流量指标数据为列车班次数或者出行人数。

[0021] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤1.2中在出现两个交通网络节点之间没有发生交通客流联系时，客流量指标数据记为0。

[0022] 作为本发明所述的一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法进一步优化方案，步骤2.1中按照客流量指标数据的大小顺序是按照升序或者降序进行排序，空间邻近关系是指按照空间距离由大到小进行排序。

[0023] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：

[0024] (1)本发明提供了一种基于时间序列聚类和OD客流数据的城市交通网络节点分类方法，为站点之间的客流量关系提供了一种新的理解和分析视角，兼顾了整体和局部的特征内容，对于城市交通节点的规划分析具有重要的参考意义；

[0025] (2)本发明的最终计算结果是站点分类，若再结合每类站点周边地区的设施分布特征，可以帮助设计人员更好地理解不同类型站点地区应该如何配置城市的公共服务设施；因此，本发明可以结合交通节点地区的空间设施分布特征，为新的交通节点周边地区规划提供科学指导依据。

附图说明

[0026] 图1是本发明的整体流程示意图。

[0027] 图2是交通节点空间分布示意图。

[0028] 图3是交通节点之间客流量统计示意图。

[0029] 图4是单个交通节点与其他交通节点之间客流量数据的直方图；其中，(a)为P1与其他交通节点之间客流量数据的直方图，(b)为P2与其他交通节点之间客流量数据的直方图，(c)为P3与其他交通节点之间客流量数据的直方图，(d)为P4与其他交通节点之间客流量数据的直方图，(e)为P5与其他交通节点之间客流量数据的直方图，(f)为P6与其他交通节点之间客流量数据的直方图。

[0030] 图5是交通节点分类结果空间可视化示意图。

具体实施方式

[0031] 下面结合附图对本发明的技术方案做进一步的详细说明：

[0032] 因此，本发明是将类似OD客流这类表征交通节点之间空间关系的数据通过时间序列聚类的方法进行分类。也就是说，本发明改变和拓展了时间序列聚类算法一般只能应用在单个交通节点时间运行规律的场景，使得时间序列聚类算法能够对实体空间关系进行序列分类，从而更好地帮助交通、城市规划等决策者观察交通流在空间上的运行交互关系。

[0033] 其中，需要非常注意的是：每个节点与其他节点的关系数据(如出行人数等)，必须要先进行一定的排序操作，否则时间序列聚类算法无法直接对其使用分析，得出的结果也是难以应用到实践解释中去，其原因是一般情况下时间序列聚类中数据分析的要求格式是：按照时间出行的先后顺序进行记录，使得人们在对聚类结果进行解析时，可以按照时间点顺序来进行现象解析，如早高晚峰具有相同出行人口数量的地铁站会被分为一类站点。如果对交通节点与其他交通节点之间的客流量进行排序，则可以看出每个交通节点与哪些交通节点最相关(含有多种信息：最相关交通节点的数量、与最相关交通节点之间的客流量大小等)。因此，时间序列聚类的结果则可以直接帮助人们知道某类交通节点是与其他多少交通节点之间有着相关关系、且易于判断出相关性的大小(如客流量)，进而从整体上分析出交通节点之间空间关系分布特征。

[0034] 步骤1)参见附图1，首先需要对研究区内交通网络节点进行预处理。

[0035] 步骤1.1)参见附图2，待研究区内拥有6个交通网络节点，其地理坐标分别为(x1,y1),(x2,y2),(x3,y3),(x4,y4),(x5,y5),(x6,y6)。在arcgis软件中，依据这6个坐标对，生成shape格式的点数据集；

[0036] 步骤1.2)再对数据集所有交通网络节点进行唯一标识号设定处理，如对上述6个点依次标记为P1、P2、P3、P4、P5、P6，所得结果记为数据集P；

[0037] 步骤1.3)统计出每个交通网络节点与网络中其它交通网络节点产生的客流量指标数据，如P1至P2的客流量为20，P1至P3的客流量为20，P1至P4的客流量为20，P1至P5的客流量为22,P1至P6的客流量为23,P2至P1的客流量为7，P2至P5的客流量为30，P2至P6的客流量为8，P3至P6的客流量为5,P4至P5的客流量为30,P5至P6的客流量为5,P6至P1的客流量为40,P6至P2的客流量为38,P6至P3的客流量为10，P6至P4的客流量为38，P6至P5的客流量为
10。上述中出现两个交通网络节点之间没有发生交通客流联系时，客流量指标数据记为0。

[0038] 步骤1.4)统计完成后，形成所有交通网络节点的客流联系数据集OD，本实例统计出的结果参见附图3。

[0039] 步骤2)对每个交通网络节点的客流量指标数据进行排序。

[0040] 步骤2.1)遍历数据集OD每个交通网络节点，并按照客流量指标数据从大到小顺序，对与遍历中的交通网络节点与网络中其它交通网络节点产生的客流量指标数据进行排序。例如交通节点P1的排序结果为：{23，22，20，20，20}；交通节点P2的排序结果为：{30，8，7，0，0}；交通节点P3的排序结果为：{5，0，0，0，0}；交通节点P4的排序结果为：{30，0，0，0，
0}；交通节点P5的排序结果为：{5，0，0，0，0}；交通节点P6的排序结果为：{40，38，38，10，
10}。

[0041] 步骤2.2)遍历完成后，形成新的所有交通网络节点的客流联系数据集ODN。

[0042] 步骤3)时间序列聚类算法，可以对一系列研究对象的时间运行规律特征进行分类。那么，将研究区内所有交通节点的数据集合，按照时间序列聚类算法进行分类，则可以看出每类交通节点的与其他交通节点关系。因此，接下来利用时间序列聚类算法对交通网络节点进行分类，并在地理空间上关联到研究区内交通网络节点数据；

[0043] 步骤3.1)以数据集ODN为输入数据，利用时间序列聚类算法对研究区内交通网络节点进行分类；

[0044] 步骤3.2)在确定出合理的分类结果后，可看出本次分类结果为P1为一类，记为类别a；P2为一类，记为类别b；P3与P5为一类，记为类别c；P4为1类，记为类别d；P6为1类，记为类别e。

[0045] 参见附图4，图4是单个交通节点与其他交通节点之间客流量数据的直方图；其中，图4中的(a)为P1与其他交通节点之间客流量数据的直方图，图4中的(b)为P2与其他交通节点之间客流量数据的直方图，图4中的(c)为P3与其他交通节点之间客流量数据的直方图，图4中的(d)为P4与其他交通节点之间客流量数据的直方图，图4中的(e)为P5与其他交通节点之间客流量数据的直方图，图4中的(f)为P6与其他交通节点之间客流量数据的直方图。以直方图的形式，分别对P1、P2、P3、P4、P5以及P6与其他交通节点客流量进行可视化展示。
结合分类结果可见，P3与P5的直方图分布类似。而P1、P2、P4以及P6的直方图各具特征,故被划分成不同的类别。

[0046] 再利用分类结果中保存的各个交通网络节点唯一标识号和数据集P中的各个交通网络节点唯一标识号对应关系，实现数据集P与分类结果关联，并保存为新的数据集P1(即数据集P新增字段记载了时间序列聚类的分类结果)。

[0047] 步骤4)参见附图5，对数据集P1按照分类结果进行地图可视化展示，即在ArcGIS地图中按照分类结果，每类交通节点用不同的图形标识号显示。

[0048] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。