1.本发明涉及道路拥堵成本计算技术领域，具体是基于因果匿名游走的动态交通瓶颈预测方法。
背景技术：
2.随着城市化的发展，越来越多的车辆被投入到城市中用作货物运输和交通出行。然而，城市路网的通行能力有限，投放的过多车辆超出了城市路网通行能力的极限，这就导致城市路网出现了日益严重的交通拥堵问题。
3.交通瓶颈是城市路网中的薄弱环节，是引发城市交通拥堵的根源。作为造成拥堵的主要因素，交通瓶颈占交通拥堵的40％。当拥堵发生在瓶颈路段时，更有可能传播到其他路段，造成路网大面积拥堵。瓶颈的概念意味着缓解交通瓶颈路段的拥堵可以带来路网范围内的交通流量改善，而不仅仅是瓶颈位置的流量情况。为了改善交通流量，专利200810117959.8中公开了一种提高交通瓶颈处的车辆通过量的控制方法，该方法通过设置缓冲区，限制缓冲区内车辆的行驶规则，和控制缓冲区内的车辆数的步骤；并且在车辆数进行控制中自动引入了反馈机理，使体系的自我恢复能力变强。尽管上述现有技术所控制的车流量能够长时间的稳定在固定值，避免了入口匝道控制方法所带来的流量波动。但该现有技术没能指出怎么检测交通瓶颈，在路网的实际运行中，路网中的车流信息会随着早晚高峰发生动态变化，因此不同时间路网中的交通瓶颈是变化的，每个路段都可能成为交通瓶颈，因此，该现有技术在流通瓶颈的检测方面具有一定的局限性。
技术实现要素：
4.为了避免和克服现有技术中存在的技术问题，本发明提供了基于因果匿名游走的动态交通瓶颈预测方法。本发明能够精确预测出路网中不同时间的交通瓶颈，进而及时的控制交通，以缓解交通拥堵情况。
5.为实现上述目的，本发明提供如下技术方案：
6.基于因果匿名游走的动态交通瓶颈预测方法，包括以下步骤：
7.s1、计算路网中各个道路的拥堵水平成本；
8.s2、基于因果匿名游走原理计算路网中各个道路的拥堵传播成本；
9.s3、将道路的拥堵水平成本和拥堵传播成本相加，以得到该道路的总拥堵成本；若该道路的总拥堵成本大于设定的瓶颈阈值，则该道路为交通瓶颈，反之为正常道路。
10.作为本发明再进一步的方案：步骤s1的具体步骤如下：
11.s11、获取路网中各个道路的道路平均占用率，并构成道路平均占用率集合y，y＝[y1，y2，...，yn]，y1为路网中第1个道路的平均占用率，y2为路网中第2个道路的平均占用率，yn为路网中第n个道路的平均占用率；
[0012]
s12、获取路网中各个道路基于该路网中最大平均流量归一化后的平均流量，并构成平均流量集合x，x＝[x1，x2，...，xn]，x1为路网中第1个道路的平均流量，x2为路网中第2个
道路的平均流量，xn为路网中第n个道路的平均流量；
[0013]
s13、将各个道路的平均流量作为权重，并赋予该道路的平均占用率，以构成该道路的加权拥堵水平，将各个道路的加权拥堵水平存放在加权拥堵水平集合m中，m＝[x1*y1，x2*y2，...，xn*yn]，x1*y1为路网中第1个道路的加权拥堵水平，x2*y2为路网中第2个道路的加权拥堵水平，xn*yn为路网中第n个道路的加权拥堵水平；
[0014]
s14、接着使用拥堵水平成本计算公式计算各个道路的拥堵水平成本，计算公式如下：
[0015]
wi＝xi*yi/max{x1*y1，x2*y2，...，xn*yn}
[0016]
其中，wi表示路网中第i个道路的拥堵水平成本。
[0017]
作为本发明再进一步的方案：步骤s2的具体步骤如下：
[0018]
s21、根据拥堵状态指标判断各个道路的是否处于拥堵状态；
[0019]
s22、通过拥堵相关性判断准则判断处于拥堵状态的道路与邻近道路之间的拥堵相关性；
[0020]
s23、基于图论原理，根据路网中各个道路的拥堵时刻表和道路之间的拥堵相关性，构建路网的拥堵传播图；
[0021]
s24、将拥堵传播图输入到caw-network模型中，进行因果匿名游走，采样出预定数量的匿名化的游走序列，且游走序列构成拥堵传播数据集；将拥堵传播数据集输入到caw-network模型中训练，进而得到最优caw-network模型；并通过最优caw-network模型计算任意时刻道路间的拥堵传播概率；
[0022]
s25、基于拥堵传播图生成最大生成树，并根据拥堵传播概率计算各个道路的拥堵传播成本。
[0023]
作为本发明再进一步的方案：步骤s21的具体步骤如下：
[0024]
s211、首先获取各个道路的旅行速度，通过求平均的方式计算整个路网的平均旅行速度；
[0025]
s212、令平均旅行速度的n％为拥堵状态指标；
[0026]
s213、比较各个道路在不同时间的旅行速度与拥堵状态指标的大小，若道路的旅行速度低于拥堵状态指标，则该道路在该时间段处于拥堵状态，反之该道路不拥堵。
[0027]
作为本发明再进一步的方案：步骤s22的具体步骤如下：
[0028]
s221、设定拥堵相关性的第一判断准则为：两条道路之间的最短路径距离k小于空间阈值ts；
[0029]
s222、设定拥堵相关性的第二判断准则为：两条道路之间的最短路径距离k与两条道路分别发生拥堵的时间差td的比值k/td，处于预先指定的拥堵传播速度区间内；
[0030]
s223、若两条道路先后发生进入拥堵状态，并同时满足第一判断准则和第二判断准则，则该两条道路之间具有拥堵相关性，且有拥堵由先发生拥堵的道路传播给后发生拥堵的道路。
[0031]
作为本发明再进一步的方案：步骤s23的具体步骤如下：
[0032]
s231、获取路网中各个道路的拥堵时刻表，并根据道路之间的拥堵相关性，以获取路网中各个道路之间发生的所有拥堵传播；
[0033]
s232、根据拥堵在各个道路之间的传播方向，构建路网的拥堵传播图。
[0034]
作为本发明再进一步的方案：步骤s25的具体步骤如下：
[0035]
s251、基于拥堵传播图，以需要计算拥堵传播成本的节点为根节点，调用最大生成树算法生成最大生成树，以获取该节点道路在路网中的拥堵传播路径；
[0036]
s252、使用最优caw-network模型计算两个任意道路之间在任意时间的拥堵传播概率；
[0037]
s253、基于道路拥堵水平成本、拥堵传播概率以及最大生成树计算整个路网中所有道路的拥堵传播成本；具体操作应该像是这样。我为了预测时间t时路网中的交通瓶颈，那么我便需要计算出此时路网中所有道路的拥堵总成本。
[0038]
道路拥堵水平成本前面已经描述过计算过程。接着需要确定的是如何计算道路的拥堵传播成本。在这一步之前，我们已经获取了路网中所有道路之间的拥堵传播，并基于图论构建了拥堵传播图。
[0039]
计算所有道路的拥堵传播成本，需要细致到某一条具体的道路，则需要知道每一条具体道路的拥堵传播路径，并在拥堵传播路径的基础上计算拥堵传播成本。
[0040]
由于拥堵传播图是有向图，所以如果需要获取道路a的拥堵传播路径，那么只需要在拥堵传播图上，以道路a为根节点，调用最大生成树算法，获取最大生成树即可。该最大生成树就是该根节点道路在路网中的拥堵传播规律。
[0041]
s254、沿着最大生成树中各条传播路径的传播方向反向依次删除各个子节点，且当前删除的子节点的父节点的总拥堵传播成本为该父节点拥堵水平成本加上该父节点和该子节点的拥堵传播概率与该子节点的总拥堵传播成本的乘积；若该父节点有设定数量的子节点，则该父节点的总拥堵传播成本为该父节点拥堵水平成本加上设定数量的该父节点和子节点的拥堵传播概率与该子节点的总拥堵传播成本的乘积；位于传播路径最末端的子节点的总拥堵传播成本为该子节点的拥堵水平成本；
[0042]
s255、通过步骤s254计算出根节点的拥堵传播成本。
[0043]
与现有技术相比，本发明的有益效果是：
[0044]
1、本发明能够精准的预测一天内不同时间段路网中的交通瓶颈，从而可以在不同时间通过派交警去对应的瓶颈路段指挥，通过交通信号控制和车辆改道等方式缓解瓶颈处的交通拥堵。
[0045]
2、本发明考虑路段的拥堵可能会传到周边道路导致其也发生拥堵，量化路段的拥堵传播效应。在这个过程中不仅要考虑其空间特征，即传播范围和传播路径，还需要考虑其时间特征。因为不同时间路段拥堵水平的不同造成拥堵传播概率发生变化。
[0046]
3、本发明使用时间网络抽象路网中拥堵传播系统，构建时空耦合的拥堵传播动态模型。筛选出处于空间阈值内的源路段和目标路段，然后根据拥堵传播速度区间获取它们发生拥堵传播的时间戳，最后基于图论的知识即可构建蕴含拥堵传播规律的拥堵传播图。
附图说明
[0047]
图1为本发明的流程结构示意图。
[0048]
图2为本发明技术路线框图。
[0049]
图3为本发明中道路的旅行速度图。
[0050]
图4为本发明中道路拥堵相关性结构示意图。
[0051]
图5a为本发明中道路a的拥塞时刻表。
[0052]
图5b为本发明中道路b的拥塞时刻表。
[0053]
图5c为本发明中路段ab的拥塞传播结构示意图。
[0054]
图5d为本发明中的路网拥堵传播网络模型图。
[0055]
图6为本发明中的三元闭包规律图。
[0056]
图7a为本发明中因果关系提取结构示意图。
[0057]
图7b为本发明中基于集的匿名化结构示意图。
[0058]
图8为本发明中拥堵传播图构建过程示意图。
[0059]
图9为本发明中最大生成树的结构示意图。
[0060]
图10为本发明中基于最大生成树的拥塞传播成本计算过程示意图。
[0061]
图11为本发明中设定地区路网的结构示意图。
[0062]
图12为本发明实施中设定地区路网第450分钟中的总拥堵成本。
[0063]
图13a为本发明实施中设定地区路网10到450分钟路网中总成本最高的瓶颈路段。
[0064]
图13b为本发明实施中设定地区路网450到900分钟路网中总成本最高的瓶颈路段。
[0065]
图14为本发明实施中设定地区路网一天内瓶颈路段的热度图。
[0066]
图15为本发明实施中设定地区路网拓宽不同道路的旅行速度提升结果。
具体实施方式
[0067]
下面将结合本发明实施例中的附图，对本发明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前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068]
请参阅图1～2，本发明实施例中，基于因果匿名游走的动态交通瓶颈预测方法，该方法的详细内容如下。
[0069]
1、动态交通瓶颈
[0070]
部分有关研究在衡量瓶颈定义时仅仅考虑了道路自身的拥堵水平，而未考虑道路拥堵可能传播到附近道路的拥堵传播效应。并且由于早晚高峰的存在，不同时间路网中道路的拥堵水平不同导致拥堵传播概率变化，因此不同时间段路网中的交通瓶颈可能发生变化。针对以上问题，我们充分考虑了拥堵传播的空间特性与时间特性，提出了一种新的动态交通瓶颈定义。我们将总拥堵成本高于瓶颈阈值的道路预测为交通瓶颈。其中，道路的总拥堵成本等于拥堵水平成本和拥堵传播成本之和。其中动态特性体现在不同时间段道路的拥堵传播概率的变化导致拥堵传播成本不同。本方法的关键便是量化道路拥堵水平成本以及拥堵传播成本。
[0071]
2、量化拥堵水平成本
[0072]
本方法使用道路的平均占用率来表征路段的拥堵水平。然而，由于道路在路网中位置的不同，路网中拥有相同拥堵水平的路段对路网的影响效应可能不同。因此，本方法使用归一化的道路平均流量作为权重反映道路的重要程度。
[0073]
具体来说，对于含有n个道路的路网，令n个道路的平均占用率分别为[y1，y2，...，yn
]，所有道路基于最大平均流量归一化的平均流量为[x1，x2，...，xn]。那么，该路网中所有道路的加权拥堵水平为：[x1*y1，x2*y2，...，xn*yn]。
[0074]
更进一步，使用归一化的道路加权拥堵水平作为道路的拥堵水平成本，即：
[0075]
wi＝xi*yi/max{x1*y1，x2*y2，...，xn*yn}
[0076]
其中，wi表示路网中第i个道路的拥堵水平成本。
[0077]
3、量化拥堵传播成本及总拥堵成本
[0078]
3.1、拥堵状态定义
[0079]
部分研究为旅行时间，旅行速度和道路占用率等指标设置阈值来判断道路是否处于拥堵状态。这些阈值通常是固定的，而且是凭经验指定的，不能反映不同道路的特性。为了更好的识别道路的拥堵状态，本方法利用道路平均旅行速度这一重要指标用来评判道路是否处于拥堵。具体如图3所示，我们基于道路旅行速度的历史数据计算其平均旅行速度，然后将平均旅行速度的n％，例如50％，作为拥堵状态指标，认为道路旅行速度低于这个拥堵状态指标时，道路处于拥堵状态。
[0080]
3.2、筛选拥堵传播
[0081]
在明确了评估道路拥堵状态的标准之后，可以进一步讨论道路间的拥堵传播效应。当前道路发生拥堵后，在一定时间范围内，拥堵可能传播到一定空间范围内的其他道路，符合这样的情况则认为两条道路具有拥堵相关性。上述即为拥堵相关性的描述，且拥堵相关性还设计对应的判断准则。
[0082]
拥堵相关性：如果道路a和道路b依次先后发生拥堵，并且满足判断准则，则道路a和道路b之间就有拥堵相关性。
[0083]
第一判断准则(空间阈值)为：两条道路之间的最短路径距离k小于空间阈值ts。
[0084]
第二判断准则(拥堵传播速度区间)为：两条道路之间的最短路径距离k与两条道路分别发生拥堵的时间差td的比值k/td，处于预先指定的拥堵传播速度区间内。
[0085]
图4中给出了一个示例，道路1在7：00发生拥堵，之后一段时间里陆陆续续有四条道路发生拥堵，根据空间阈值ts，我们可以筛选出距离道路1最短路径距离小于空间阈值ts的道路2，道路3，道路4。其中，道路5与道路1的最短路径距离大于空间阈值ts。可以看出道路4和道路1几乎同时发生拥堵，根据指定的拥堵速度传播区间，可以算出它们之间的拥堵传播速度不处于该拥堵速度传播区间内，所以道路4和1无拥堵相关性。综上，同时考虑空间阈值和拥堵速度传播区间时，道路2和道路3与道路1有拥堵相关性。并且拥堵传播是从道路1到道路2和道路3。
[0086]
基于路网中所有道路的拥堵时刻表，空间阈值以及拥堵传播速度区间，可以筛选出一天内路网中发生的所有拥堵传播。
[0087]
3.3、拥堵传播时间网络
[0088]
时间网络一般抽象实世界的动态系统，以此来研究该系统随时间而演变的规律。例如人际社交网络中的三元闭包定律，其描述了如果两个节点拥有一个共同的相邻节点，那么这两个节点在不久后往往也会发生链接，这反映了人们是如何建立社会联系的。该社交网络拥有明显的时移特性和周期性，即要求两个节点先跟第三个节点发生链接，然后才会彼此发生链接，并且该网络中如果还有其他的符合该结构三个节点，那么它们也会发生这种演变。与社交网络模型相似，城市路网中，道路发生拥堵后，随着时间可能会传播到周
边道路，导致周边道路发生拥堵，具有时移特性。并且由于路网结构固定，每天的早晚高峰周期相似，路网中的拥堵传播也具备规律，呈周期性。因此，我们想到使用时间网络刻画路网中的拥堵传播规律，构建拥堵传播动态模型，掌握其随时间演变的规律，从而预测交通瓶颈。
[0089]
利用道路的拥堵时刻表以及预先指定的空间阈值和拥堵传播速度区间，我们可以获取任何道路之间一天内何时发生了拥塞，发生了几次拥塞传播。更具体的说，如图5a和图5b是道路a和道路b的拥塞时刻表。假设路段b处于路段a的空间阈值内。根据图5a和图5b中路段a和b发生拥堵的时间差值，以及路段ab的最短路径距离，可以计算出其拥塞传播速度。如果该拥塞传播速度处于预先指定的拥堵传播速度区间内，则认为路段ab之间发生了拥堵传播。如图5c中路段ab之间于420分和470分发生了拥塞传播。使用路段作为发生交互的节点，拥堵传播作为交互，拥堵传播的时间作为时间标签构建如图5c拥堵传播。将筛选范围拓展到整个路网，获取一天内发生的所有拥堵传播，基于图论知识合并拥堵传播，即可得到如图5d的路网拥堵传播网络模型，其中蕴含了该路网的拥堵传播规律。
[0090]
3.4、因果匿名游走原理
[0091]
通过因果匿名游走来建模时间网络的思想是受到有关时间网络基序研究的启发。时间网络基序是指有限时间范围内具有链接的连通子图，其本质上反映了网络的动态性质。图6三元闭包网络就是一个网络基序，其反映了社会上人际关系变化的动态过程。当归纳模型捕捉到这种规律时，它应该预测节点b和节点c会在稍后发生第三个链接，且第三个链发生需要的时长t3大于t1和t2。但是这种预测应该无关基序的节点身份，这样才能应用在含有不同节点的相同网络结构。与此同时，如果只关注结构动力学，完全忽略节点身份，归纳模型会混淆节点导致预测失败。因果匿名游走拥有两个重要属性，可以解决以上的问题。
[0092]
因果关系提取：caw从感兴趣的链接开始，随着时间的推移回溯几个相邻的链接，以编码网络动态的潜在因果关系。每一次游走本质上采集了一个时间网络基序。具体如图7a所示，我们想要预测t＝10时，节点u和节点v是否发生交互。分别以节点u和节点v作为起始节点，进行m次m步游走，获得2m条游走采样。因为游走是随着时间回溯进行，游走中链接的时间戳不断减小。其中，找不到历史链接时的默认时间戳和默认节点。
[0093]
基于集的匿名化：caw在游走过程中会删除节点标识以保证归纳学习，同时根据一组游走采样中节点在某个位置出现的次数编码相对节点标识。相对节点标识保证了去除节点标识后基序的结构及其相关性仍然保持不变。具体如图7b所示，首先对从节点u和节点v开始采样的6条3步游走进行集合化操作，形成集合su和sv。使用节点出现在不同位置的计数信息编码其相对节点标识i
caw
。最后使用相对节点标识替换掉所有节点的节点标识，游走集完成了匿名化。i
caw
不仅编码每个网络基序对应于哪一个行走，也建立了这些网络基序之间的相关性。
[0094]
3.5、拥堵传播概率
[0095]
caw-network：为了预测感兴趣的两个节点之间时间链接，有学者出一个模型caw-network(caw-n)从这两个节点采样一些因果匿名游走(caws)，分别通过rnns和set-pooling编码和聚合这些caws从而进行链接预测。caw-n提出是基于无向图上的因果匿名游走，然而路网中的拥塞传播明显具有方向性。因此，本文针对有向图上的因果匿名游走修改caw-n，使其能够基于有向时间网络进行游走采样，并预测时间链接。实验证明，修改为有向
图上的因果匿名游走能够提升模型性能。最后，基于拥堵传播动态模型构建拥堵传播数据集进行caw-network训练，待模型的性能得到验证后，便可以使用此网络预测任意时刻道路间的拥堵传播概率，并用其进行拥堵传播成本的计算。
[0096]
3.6、拥堵传播图和最大生成树
[0097]
基于路网中所有道路的行驶速度表和拥塞相关性的定义。我们可以获取所有道路的拥塞关系。我们基于拥塞关系可以构建出该路网的拥塞传播图。拥塞传播图中蕴含了该路网上拥塞传播的范围和路径信息。更详细的构建过程如图8所示。
[0098]
图8中初始状态是部分构建的拥塞传播图以及新的拥塞关系。需要在图中插入所有拥塞关系得到完整的拥塞传播图集。当插入的拥塞关系一边端节点已经属于拥塞传播图，另一个端节点不属于时，只需在已有的拥塞传播图的基础上加入新节点并引入相应的边即可，如图8的第一个步骤。当然插入的拥塞关系的两端节点都不在现有的拥塞传播图上，则新建一个拥塞传播图，如图8的第二个步骤。最后，如果新插入的拥塞关系的两个端点属于拥塞图集中不同拥塞传播图的子节点，那么在相应节点之间添加有向边，合并两个拥塞传播图，如图8的第三个步骤。遵循这三条规则，不断插入拥塞关系，即可获得完整的拥塞传播图集。
[0099]
待获取路网的拥塞传播图后，在此之上构建最大生成树。最大生成树显示了根节点路段在路网中的拥塞传播路径和影响范围。我们在最大生成树的基础上量化一个路段引起的拥堵传播效应并计算相应的拥堵传播成本。最大生成树形式化的定义如下：
[0100]
最大生成树：图的最大生成树是由最大有向边集构成的树，使得从树的根节点有且只有一条到树任何其他节点的路径。
[0101]
本方法提出了一种最大生成树算法，该算法的提出基于广度优先遍历。算法的核心便是在每次向生成树中插入新的边时需要判断是否会在树中构成循环路径以破坏树的结构。判断方式是查看当前的生成树中是否有从j到i的有向路径。在图9中我们展示了在由节点a，b，c，d，e，f构成的图中，以每个节点作为根节点生成最大生成树的过程。
[0102]
3.7、拥堵传播成本，总拥堵成本以及瓶颈预测
[0103]
最后，基于最大生成树，我们可以使用路段的拥堵等级成本以及相应时刻的拥堵传播概率计算根节点路段的拥堵传播成本。我们从最大生成树的叶子节点开始，递归的计算从该叶子节点的父节点传播到该叶子节点的拥堵传播成本，直到根节点为止，具体如图10所示。
[0104]
图10中展示的最大生成树拥有6个节点，和7条拥堵传播有向边，并且边含有对应时刻的拥堵传播概率。其反映了根节点a在路网中的拥堵传播效应。将每个路段的拥堵水平成本记为[wa，wb，wc，wd，we，wf]。如图10所示，从左往右依次计算。我们从叶子节点f开始，首先得到其父节点e和父节点d到叶子节点f的拥堵传播成本，分别为p
df
wf和p
ef
wf。然后我们删除叶子节点f。此时节点d和e成为新图中的叶子节点，并且自身的总拥堵成本是wd p
df
wf和we p
ef
wf。这样我们可以计算e的父节点b和c的拥堵成本，并最终得到根节点a的总拥堵成本，如下：
[0105]
节点b的总拥堵成本：tcb＝wb p
be
(we p
ef
wf)；
[0106]
节点c的总拥堵成本：tcc＝wc p
ce
(we p
ef
wf)；
[0107]
节点a的总拥堵成本：tca＝wa p
ab
[wb p
be
(we p
ef
wf)] p
ac
[wc p
ce
(we p
ef
wf)] p
ad
[wd
p
df
wf]。
[0108]
其中wa为节点a自身的拥塞等级成本，其他为拥堵传播成本。通过修改测试集的时间戳，让caw-n估计出不同时间的拥堵传播概率，我们便可以计算出节点a在不同时间的拥堵传播成本。按照这样的思路可以获取路网中所有道路在不同时间的总拥堵成本。通过比较同一时间不同道路的总拥塞成本，我们将总拥堵成本高于瓶颈阈值(凭经验指定)的道路预测为此时间段路网中的瓶颈。基于以上步骤，我们便可以预测路网中任意时间段的交通瓶颈。
[0109]
4、实施例
[0110]
4.1、路网信息
[0111]
使用交通模拟工具sumo模拟设定地区路网一天的交通情况。使用检测器收集交通信息后构建拥塞传播数据集并训练caw-n。基于动态拥塞传播概率计算总拥塞成本并预测出路网中的瓶颈路段。最后，我们通过拓宽所有道路对比路网旅行速度提升的方式验证所提出的动态瓶颈预测技术的有效性。
[0112]
如图11所示，在交通模拟工具sumo中使用24个节点匹配某地区的主要路口，100条边匹配该地区的主要道路。其中每条边的长度约等于真实路网中两个路口的直线距离。交通模拟工具sumo中每条边设置为三车道，这样能够较为良好的模拟真实路网的情况。我们模拟早晚高峰使用randomtrips随机生成路网中的车流文件。最后在每条车道上设置e2检测器来收集一天内的车流信息。
[0113]
4.2、创建数据集并训练caw-n
[0114]
基于e2检测器的输出文件，我们收集道路的旅行速度，车流量以及占用率信息。将车辆旅行速度低于平均旅行速度的50％的时刻视为拥堵，获取所有道路的拥塞时刻表。然后结合空间阈值和拥塞传播速度区间获取所有的拥塞传播时刻和拥塞相关性。汇总所有发生拥塞传播的源路段，目标路段以及相应的拥塞传播时刻即可构建拥塞传播数据集。
[0115]
使用拥塞传播数据集进行caw-n的训练与测试。最终不论是转导任务还是链接预测任务，模型测试均有87％的正确率。待模型的性能得到验证后，我们根据最大生成树获取所有需要预测拥塞传播概率的节点对。结合不同的时间戳构建预测不同时刻拥塞传播概率的测试集。最后，使用caw-n进行拥塞传播概率的预测。
[0116]
4.3、预测交通瓶颈
[0117]
首先使用路网中的车流量以及占用率信息，计算路网中100条道路的拥堵水平成本。如图12所示，道路33拥有最高的拥塞等级成本。
[0118]
接着基于最大生成树结合相应时刻的拥塞传播概率以及自身拥塞等级成本即可计算路网中所有道路的总拥堵成本。如图12，以第450分钟为例，将总拥堵成本高于一定阈值的道路视为第450分钟路网中的瓶颈，即路段33和38。
[0119]
在图13a和13b中我们展示了10到900分钟路网中总成本最高的瓶颈路段。图14中我们展示了一天内瓶颈路段的热度图.
[0120]
4.4、交通瓶颈验证
[0121]
在验证环节，我们分别拓宽100条道路，将3车道变为5车道。不更改车流文件，然后重新仿真，收集e2检测器输出文件中的旅行速度信息，查看路网平均旅行速度的提升。拓宽不同道路的旅行速度提升如图15所示。
[0122]
如图15所示，当一天所有时间内，最多被预测为瓶颈的路段33被拓宽时，路网的平均旅行速度提升是最高了，这证明了本方法预测交通瓶颈的准确性。
[0123]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。