基于复杂网络的公交网络分析方法、系统、存储介质及SP-Space模型

技术领域

本申请涉及网络科学的技术领域，尤其是涉及一种基于复杂网络的公交网络分析方法、系统、存储介质及SP-Space模型。

背景技术

目前公交网络的规划和运营受人为经验因素影响较大，存在线路和站点布设过于集中导致资源浪费、有损社会公平等问题。因此公交系统的优化长期受到来自交通、系统及控制等领域学者的关注。从系统学的角度看，城市公交系统属于典型的复杂网络，具有显著的小世界特征。鉴于这一特点，过去几十年来，越来越多的国内外研究将复杂网络理论和方法应用于公共交通统的研究。

相关技术中，大多数研究集中在公交网络的拓扑分析方面，分析过程中缺乏交通出行特征和城市空间特征的考虑，从而降低了研究成果的实用性。

发明内容

本申请目的一是提供一种基于复杂网络的公交网络分析方法，具有在分析公交网络过程中考虑交通出行特征和城市空间特征，实用性强的特点。

本申请的上述申请目的一是通过以下技术方案得以实现的：

获取分析单元以及与分析单元对应的公交线网，所述公交线网包括多个公交站点及公交站点之间的公交线路；

将分析单元和公交线网匹配至同一坐标系；

将公交站点关联至对应的分析单元，并建立分析单元间的P-Space拓扑模型，定义分析单元间的P-Space拓扑模型为SP-Space拓扑模型，所述SP-Space拓扑模型包括多个连接分析单元形心的边；

根据所述SP-Space拓扑模型得出所述边的权重；

根据所述边的权重得出分析单元的权重。

通过采用上述技术方案，本实施例中分析单元主要以交通小区为例进行介绍，交通小区是交通集计模型进行交通特性分析的基本单元，其划分依据考虑了人口岗位和交通设施的集聚程度、交通干道的阻隔性以及自然分隔和区域功能等因素，能够较好地体现交通特性的聚类和分离，即同一分析单元内的人群出行特征尽可能相似。采用分析单元进行映射更加贴合交通出行特征、服务特征，使得SP-Space模型的空间分布模式更加明显，且更接近实际出行情况，实用性强。

可选的，所述边的权重包括最小距离成本权重，定义最小距离成本权重为ρ，则站点i到j的最小距离成本ρ

其中，

可选的，所述分析单元间的权重包括可达性，定义每个节点的可达性为τ，则：

其中，V是公交站点总数。

通过采用上述技术方案，反应了区域公共交通的服务水平和公交设施的辐射能力，便于对公交网络进行分析。

可选的，所述分析单元间的权重还包括公交出行比例，定义边e的公交出行比例为σ(e)，则：

其中，v是分析单元的集合，t(i,j|e)是以最短路确定的分析单元i到j之间经过边e的公交出行量，T(i,j|e)是以最短路确定的分析单元i到j之间经过边e的出行总量。

通过采用上述技术方案，反应区域公交服务水平，区域的公交服务水平与其在网络中的连边数和连边的公交分担率大小有关，便于对公交网络进行分析。

可选的，所述分析单元间的权重包括客流密度，定义客流密度为θ，则：

其中，ρ(e)＝d(e)+a'(K-1)/K，b(e)是边e的直连公交路线数，ρ(e)是通过边e的成本，d(e)是边e的距离。

通过采用上述技术方案，反映了客流密度，便于对公交网络进行分析。

可选的，所述分析单元间的权重包括小区间的公交联系强度，定义小区间的公交联系强度权重为

其中，b

通过采用上述技术方案，反映网络设施的空间走廊，交通中关于走廊的含义，指代空间上具有方向一致性的设施或者客流的功能积聚范围，也就是大通道的概念，比如中山路和百丈路，在空间上相邻，又是主要的客流承担干路，那么两者就可以视作空间上的东西向走廊/廊道，便于对公交网络进行分析。

可选的，所述分析单元间的权重计算方法包括介数中心性，定义介数中心性为C，则

其中，v是分析单元的集合，

本申请目的二是提供一种基于复杂网络的公交网络模型建立系统，具有在分析公交网络过程中考虑交通出行特征和城市空间特征，实用性强的特点。

本申请的上述申请目的二是通过以下技术方案得以实现的：

一种基于复杂网络的公交网络分析系统，包括，

获取模块，获取分析单元以及与分析单元对应的公交线网；

坐标系匹配模块，用于将分析单元和公交线网匹配至同一坐标系；

模型构建模块，用于将公交站点关联至对应的分析单元，并建立分析单元间的P-Space拓扑模型，定义分析单元间的P-Space拓扑模型为SP-Space拓扑模型；

边权重计算模块，用于根据SP-Space拓扑模型得出所述边的权重；以及，

分析单元权重计算模块，用于根据所述边的权重得出分析单元的权重。

通过采用上述技术方案，分析单元是交通集计模型进行交通特性分析的基本单元，其划分依据考虑了人口岗位和交通设施的集聚程度、交通干道的阻隔性以及自然分隔和区域功能等因素，能够较好地体现交通特性的聚类和分离，即同一分析单元内的人群出行特征尽可能相似，不同分析单元间的人群出行特征存在显著差异。采用分析单元进行映射更加贴合交通出行特征，使得SP-Space模型的空间分布模式更加明显，且更接近实际出行情况，实用性强。

本申请目的三是提供一种计算机存储介质，能够存储相应的程序，具有便于实现存储基于复杂网络的公交网络模型建立方法的特点。

本申请的上述申请目的三是通过以下技术方案得以实现的：

一种计算机可读存储介质，存储有能够被处理器加载并执行如上任一种方法的计算机程序。

本申请目的四是提供一种基于复杂网络的SP-Space模型，具有空间分布模式更加明显且更接近实际出行的特点。

本申请的上述申请目的四是通过以下技术方案得以实现的：

基于复杂网络的SP-Space模型，包括分析单元、公交线网以及分析单元间的P-Space拓扑模型。

综上所述，本申请包括以下至少一种有益技术效果：

采用分析单元进行映射更加贴合交通出行特征，使得SP-Space模型的空间分布模式更加明显，且更接近实际出行情况，实用性强。

附图说明

图1是本申请实施例的一种基于复杂网络的公交网络分析方法的结构框图。

图2是本申请实施例的将分析单元和公交线网匹配至同一坐标系的示意图。

图3是本申请实施例的建立分析单元间的P-Space拓扑模型的示意图。

图4是本申请实施例的根据分析单元间的P-Space拓扑模型得出所述边的权重的示意图。

图5是本申请实施例的一种基于复杂网络的公交网络分析系统的结构框图。

图6是宁波市主城区分析单元划分的示意图。

图7是宁波市主城区分析单元面积分布的示意图。

图8是不同半径下公交服务范围与分析单元的相交区域。

图9是基于宁波市分析单元的SP-Space拓扑结构。

图10是基于宁波市分析单元的P-Space拓扑结构。

图11是不同服务半径下度分布的互补累计分布曲线。

图12是P-Space和SP-Space空间下网络度分布的互补累计曲线。

具体实施方式

以下结合附图对本申请作进一步详细说明。

本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例提供一种基于复杂网络的公交网络分析方法，所述方法的主要流程描述如下。

如图1所示：

步骤100：获取分析单元以及与分析单元对应的公交线网。

其中，分析单元可以是交通小区，也可以是采用方格网的方式确定的分析单元。采用方格网的方式确定的分析单元是指将选定的范围区域采用A×A的方格网划分为若干个方格，A指代的是长度，可以是500m，一个最小方格即为一个分析单元。本实施例中分析单元主要以交通小区为例进行介绍。交通小区作为交通模型中分析出行及流量的抽象空间单元，是建立交通模型的基础。分析单元划分的主要目的为将交通需求的产生、吸引与一定区域的社会经济指标联系起来；同时，将交通需求在空间上的流动用分析单元之间的交通分布图表现出来；此外，便于用交通分配理论模拟道路网上的交通流。本实施例中分析单元的划分主要按照以下原则：1.划分边界尽量与行政区边界保持一致；2.划分尽量选取自然或人造的分隔界限(如河流、山脉、铁路、快速路、高速公路等)；3.划分小区边界应结合人口与社会经济普查的统计边界，尽量与社区边界保持一致；4.划分应与规划分析区域保证一致；5.划分时一般不以连接性道路作为划定小区的界限；6.交通区内的用地性质、交通特性应尽量一致；7.分析单元应尽可能规则，避免狭长或奇异形状；8.核心区分析单元面积一般在1-2平方公里，外围随人口变稀逐渐增大。分析单元可以是人工划分，也可以是电脑自动划分，如通过Voronoi图的交通道路网路自动划分。公交线网包括多个公交站点及连接公交站点的公交线路。与分析单元对应的公交线网是指其站点服务半径与该分析单元相交的公交站点及链接公交站点的公交线路。

分析单元以及与分析单元对应的公交线网分别存储于对应的数据库中，获取分析单元以及与分析单元对应的公交线网，即从分析单元数据库中调取分析单元，从公交线网数据库中调取与该分析单元对应的公交线网。如图2所示，空间1至空间9均为一个分析单元，公交线网包括原点以及连接两原点的连线。

步骤200：将分析单元和公交线网匹配至同一坐标系。

其中，如图2所示，即将分析单元与公交线网放置于同一个坐标系中，每个最小方格代表一个分析单元，原点代表公交站点于对应的分析单元内的位置。

步骤300：将公交站点关联至对应的分析单元，并建立分析单元间的P-Space拓扑模型，定义分析单元间的P-Space拓扑模型为SP-Space拓扑模型，所述SP-Space拓扑模型包括多个连接分析单元形心的边。

其中，将公交站点关联至对应的分析单元是指，将同一条公交线路所服务的分析单元筛选出来，认为这些分析单元彼此之间是公交直达的，从而将公交线路间的物理关系映射为分析单元间的物理关系。按照这一规则逐一处理所有公交线路，在此基础上建立分析单元间的P-Space拓扑模型，分析单元间的P-Space拓扑模型定义为SP-Space拓扑模型，如图3所示。

步骤400：根据所述SP-Space拓扑模型得出所述边的权重。

其中，如图4所示，边的权重可以是出行时间，也可以是距离、折算后的综合人均出行成本；分析单元属性数据包括人口数量、岗位数量、用地容积率、用地类型构成、分析单元间出行总量及分析单元间公交出行总量等，分析单元属性数据可以提前采集存储于数据库中，也可以实时获取。

边的权重包括最小距离成本权重，定义最小距离成本权重为ρ，则站点i到j的最小距离成本ρ

其中，

步骤500：根据所述边的权重得出分析单元间的权重。

在一个实施例中，分析单元间的权重包括可达性，定义每个节点的可达性为τ，则：

其中，V是公交站点的总数。

在一个实施例中，分析单元间的权重包括公交出行比例，定义边e的公交出行比例为σ(e)，则：

其中，v是分析单元的集合，t(i,j|e)是以最短路确定的分析单元i到j之间经过边e的公交出行量，公交出行量指的是分析单元间的日均公交出行人次，一般通过问卷调查获得，也可以通过公交IC卡等大数据分析技术获得。T(i,j|e)是以最短路确定的分析单元i到j之间经过边e的出行总量，出行总量指的是分析单元间的日均出行总人次，一般通过问卷调查获得，也可以通过手机信令大数据分析等技术获得。

在一个实施例中，分析单元间的权重包括客流密度，定义客流密度为θ，则：

其中，ρ(e)＝d(e)+a'(K-1)/K，b(e)是边e的直连公交路线数，ρ(e)是通过边e的成本，d(e)是边e的距离，a'是每次换乘的等价惩罚，a'的范围为0.1km-0.2km，本实施例中a'取0.17km。

在一个实施例中，分析单元间的权重包括小区间的公交联系强度，定义小区间的公交联系强度权重为

其中，b

在一个实施例中，分析单元间的权重计算方法包括介数中心性，定义介数中心性为C，则

其中，介数中心性是一个辅助指标，主要用来辅助计算公交联系强度、客流密度在走廊上的集聚程度。v是分析单元的集合，

基于同一发明构思，本申请实施例还提供一种基于复杂网络的公交网络分析系统，如图5所示，基于复杂网络的公交网络分析系统包括：

获取模块，获取分析单元以及与分析单元对应的公交线网；

坐标系匹配模块，用于将分析单元和公交线网匹配至同一坐标系；

模型构建模块，用于将公交站点关联至对应的分析单元，并建立分析单元间的P-Space拓扑模型，定义分析单元间的P-Space拓扑模型为SP-Space拓扑模型；

边权重计算模块，用于根据SP-Space拓扑模型得出所述边的权重；以及，

分析单元权重计算模块，用于根据所述边的权重得出分析单元的权重。

基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上任一种方法的计算机程序。

基于同一发明构思，本申请实施例还提供一种基于复杂网络的SP-Space拓扑模型，如图4所示，基于复杂网络的SP-Space拓扑模型包括分析单元、公交线网以及分析单元间的P-Space拓扑模型。定义分析单元关联的P-Space模型为SP-Space拓扑模型。

以宁波市为例分析SP-Space的拓扑特性，用于空间分析的基本单元是宁波市主城区范围内的交通小区，如图6、7所示。其中核心区的交通同小区划分较细，边缘地区交通小区尺度相对较大。

实际上，公交站点往往具备一定的区域辐射能力，一个站点一般服务于300-500米范围内的出行需求，因此，本文在公交站点与交通小区的关联过程中考虑了站点服务半径的影响。具体而言，以公交站点为圆心可以得到不同服务半径下的空间覆盖范围，与该范围相交或包含于该范围内的交通小区，认为被该站点所服务。如图8所示，展示了300米和500米服务半径下公交网络与交通小区的叠加情况，公交站点覆盖率分别为63％和92％。

如图9所示，进一步建立SP-Space空间下的网络拓扑；如图10所示，是完全按照P-Space映射得到的网络拓扑。通过比较可以发现，相比于图10，图9的空间分布模式更加明显，且更接近实际出行情况。

针对不同服务半径下的SP-Space拓扑模型，分别统计其节点度的分布，并计算对应的互补累计分布函数(Complementary Cumulative Distribution Function)，如图11所示，可以发现该网络具有明显的无标度特性，这与目前普遍认为的指数分布特性有所区别。

图12进一步验证了上述观点，即P-Space下的公交网络更趋向于指数分布，而SP-Space下的公交网络更趋向于幂律分布。因此，SP-Space下的网络具有无标度特性。事实上，相比于指数分布，幂律分布在现实生活中更为常见，许多与人员活动相关的网络，如社交网络、电信网络等，往往符合这一规律。就公交网络而言，实际情况是，每当需要新增一条公交线路的时候，运营部门往往遵循以客流效益为导向的布设原则，因此新增公交线路往往被连接到人口和岗位的聚集区，而这些区域本身又是大量公交线路的汇集区。

为了更好地理解两种拓扑的差异，分别计算它们的网络特征指标，如表1所示。首先可以验证的是，P-Space模式下，网络具有很小的平均路径长度以及较高的聚类系数，因此符合小世界网络的特征。其次，相较于P-Space空间，SP-Space空间下，网络的平均路径明显更小，因此SP-Space拓扑具有显著的超小世界网络的特征。

如表1所示：

偏心距指的是这个节点到其他所有节点的最短路径的最大值(这里的路径长度指的是节点数)，如果不考虑起点和终点，那么对于偏心距而言就相当于平均换乘系数。据此计算两种空间下的平均换乘系数分别为1.23和3.4。而宁波市的实际公交换乘系数约为1.19，可见，SP-Space空间下的网络在特征参数上更接近实际情况。

所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以对本申请的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。