基于复杂网络聚类算法的酒驾违法行为查处选址研究

胥 文， 谢长江， 石臣鹏

(四川警察学院道路交通管理系， 四川泸州 646000)

0 引言

酒驾违法人数近年来仍然有较大数量增长，酒驾违法现象层出不穷，对我国人民的人身和财产安全造成极大的威胁，在我国公安机关交通管理部门多方面的管理举措之下，酒驾违法行为存在屡治屡犯的常态化现象。

目前有关酒驾管理的理论研究和相关文献资料并不多，大多数研究还停留在酒驾和刑罚之间的联系和酒驾对驾车行为的影响等[1]。张伟提出在道路上设置临时执法卡点，选址时应该考虑到车速限制、交通流量、执法效果和成本等因素[2]。对于酒驾盘查卡点的选址问题，国内外研究均存在较大的空白。选址问题一直以来都是国内外多个领域的热门研究问题，如公共服务设施(医疗卫生、教育、文化)、物流配送中心选址[3]、应急设施选址(消防站、危险品仓储中心、灾害救援点)、快递服务网点[4]等领域。针对选址问题的经典算法主要有4种：(1)传统选址问题通常采用启发式算法，保证求解过程的有效搜索；(2)把选址问题这类非线性规划问题，进行整数规划求解，运算时间过长且难以求出最优解；(3)基于主观判断的定性研究，采用层次分析或者模糊综合评判，结果多会受限于专家的知识经验。而现有针对城市酒驾管理对策和查处过程中卡点选址的研究主要是定性研究，没有针对其影响因素的定量决策结果。为了使发生在网络中任意路段的酒驾违法行为得到精准高效的查处和响应，应该从宏观路网层面考虑酒驾违法行为查处盘查卡点的选址问题。因此对于酒驾盘查卡点的宏观选取应做到：选择城市道路网络主干道；选择在晚间就餐后时间点路网中的流量热点路段；选择对城市道路网络高覆盖性的主要连接路段重要节点。本文针对酒驾违法行为查处卡点选址研究，主要考虑对城市道路网络的宏观选取，将城市路网中的交通流量作为唯一的选址决策因素，增强其在选址问题中的实用性。基于复杂网络聚类算法的路段聚集度分析，研究城市交通网络中的路段车流聚集度，辨识网络中关键车流聚集路段，从而在酒驾违法行为查处盘查卡点选址规划时重点考虑关键路段节点，使整个设卡查处酒驾违法行为的效率和准确性得到提高。

1 酒驾违法行为盘查设卡概述

1.1 酒驾查处卡点设置的原则

根据酒驾违法行为查处时盘查卡点的选址原则，首先是要制定多种应变方案，对于执勤点位设置和人员做好任务分配。在道路上开展酒驾盘查设卡执勤执法过程中，需要在确保安全的前提下，明确人员的合理站位，完成对有限警力条件的最大化利用，设置预警区的观察组、警戒区的检查组和拦截组、处置区的阻车增援组和机动组，确保在岗警力能够迅速响应，协同作战[5-6]。

而由于酒驾违法行为事件发生的地点不确定性，酒驾违法行为可能发生在城市道路交通网络线网内的任意一个路段，为了使发生在网络中任意路段的酒驾违法行为得到精准高效的查处和响应，应该从宏观路网层面考虑酒驾违法行为查处卡点的选址问题，因此对于酒驾盘查卡点的宏观选取的原则应做到，选择城市道路网络主干道；选择在晚间就餐后时间点、车流量大的路网车流量热点路段；选择对城市道路网络高覆盖性的主要连接路段重要节点。

1.2 酒驾盘查卡点识别

本文通过对路段的有效划分获得路网中流量监测的备选节点，在此基础上，对路网节点的重要度指标进行合理分析，为下一步的酒驾违法行为查处盘查卡点分级、分类提供支撑，实现路网中重要监测点的指标识别新模式。达到构建酒驾查处中对于重要盘查卡点重要度识别数学模型的目的。

1.2.1 路网抽象与模型构建

根据城市道路网络酒驾违法行为查处盘查卡点选址的特点和原则，以及酒驾违法行为查处工作的需求与目标，构建出适用于选址规划需求的城市道路网络酒驾违法行为查处盘查卡点的选址模型。本文基于复杂网络的L-space空间模型，将城市路网交通网络中所有车流OD起讫点抽象为节点的集合，车站之间的联系抽象为节点之间的连接边的集合，于是构建交通网络有向图G(V，E)，其中V是车流OD起讫点集合，E是车流OD起讫点之间连接路段的集合，基于此分析识别城市道路交通网络车流量高聚集性的路段，以此设置酒驾违法行为查处盘查卡点。

1.2.2 车流高聚集路段的评估指标构建

本文引入客流聚集指数对路网内车流量聚集的路段进行评估[7]。客流聚集指数(concentration index of passenger Flow，简称CPF指数)，定义为一定时段内通过一个车站或者路段的客流占全网客流百分比的平方和，如公式(1)所示。

(1)

式中，N表示路网内的路段总数，fi为一定时段内经过路段i的所有客流量，为同一时段内使用轨道交通网络的乘客总量。当所有客流被一个路段垄断的力度越大时，(fi/F)2越大；当所有车站规模相同时，各路段(fi/F)2接近相等，所以当CPFi数值越大时，表明道路网络的差异程度越高，客流量在该路段内聚集越集中，等价于车流量在该路段内聚集越集中，引出车流量聚集指数。

2 路网车流加载条件下基于复杂网络聚类的酒驾盘查卡点选取

2.1 路网车流量分配方法

计算城市道路网络中的路段车流聚集指数，首先要计算路段车流量，所以要对路网车流量进行交通量分配，交通量分配就是将已经预测出的OD需求量按照一定的准则分配到路网中的各条路段上，求出各条路段上的交通流量。Beckmann采用数学形式描述Wardrop平衡状态[8]，如公式(2)所示。

(2)

(3)

约束条件：

本文基于用户均衡和系统最优原则对路网内车流量进行分配，然后得到路段流量。在对城市道路网络进行客流分配后，得到路网内每个路段的车流量，最后计算车流聚集指数，以车流聚集指数最高的路段节点为酒驾违法行为查处盘查卡点。

2.2 算法选取

Frank-Wolfe算法在每个起终点对之间，反复在最短路径上使用“全有全无”加载方法，不要求太大的存储容量，能将求解非线性规划问题转化为求解一系列的线性规划问题，而且各线性规划具有相同的约束条件[10]。

以下为Frank-Wolfe算法求解步骤。

3 酒驾查处卡点选址实证分析

本文以某城市道路交通路网的酒驾违法行为查处盘查卡点选址决策为案例，对本文提出的引入车流量加载条件下，基于复杂网络聚类算法的酒驾违法行为查处盘查卡点选址模型和方法进行综合研究，以检验模型、算法的有效性。

3.1 实例描述

由于道路网络的巨系统特性，结合本文理论研究实际，本文以某市三环内交通网络为例，验证本文所提选址方法。由于计算能力所限，研究整个三环内道路网络问题规模过于庞大，本文选取某市三环内城区的21个区域，区域间路段共有62条(区分上下行)，每个区域作为一个OD车流量发生点，设定21组OD间的车流需求量，将该城区道路交通线网映射为网络图，即将该城区道路交通线网的元素与无向图的元素对应起来，实际线网对应着无向网络图G=(V,E)中的21个区域、42条路段，如图1所示。路段在映射为网络图的边，每个区域映射为网络图的节点，相邻两点间的路段长度采用最短距离表示。

图1 某市城区三环内主要区域间路网示意图

考虑到城市道路交通网络路段车流聚集指数计算的客流数据需求，本文采用如下数据作为本文的城市道路交通网络基础数据，表1表示该城区路网主要区域间在酒驾违法行为查处时段的车流量需求，表示两个区域间的车流量需求。通过这项数据可以完成道路网络车流量分配，进一步计算路段车流量聚集指数。

表1 某市城区三环内路网主要区域间酒驾违法行为查处时段车流量需求

3.2 道路网络车流配流

通过某市道路网络基础数据和该城区路网主要区域间在酒驾违法行为查处时段的车流量需求，首先完成在酒驾违法行为查处时段的道路网络车流量分配，计算城市道路网络中的路段车流量聚集指数。本文使用Frank-Wolfe算法对该城区路网主要区域间在酒驾违法行为查处时段的车流量需求进行分配。某市城区路网主要区域间酒驾违法行为查处时段各路段车流量分配结果，如表2所示。

表2 某市城区路网主要区域间酒驾查处时段各路段车流量分配结果

3.3 道路网络车流聚集性分析

根据该城区路网主要区域间酒驾违法行为查处时段各路段车流量分配结果，计算各路段车流聚集指数并降序排列。计算结果前8名，结果如表3所示。

因此，如果公安机关交通管理部门决定设置8个酒驾盘查卡点，根据表3车流量聚集指数结果降序排列，这8组警力盘查卡点将分别安排在槐树店—成都东站、成都东站—东大路、驷马桥—槐树店、人民北路—骡马市、火车北站—驷马桥、驷马桥—火车北站、火车北站—西南交大、西南交大—一品天下这8个路段，如图2所示。

图2 基于车流量聚集指数的酒驾盘查卡点选址

表3 某市城区路网主要区域间酒驾查处时段各路段车流量聚集指数

4 结论与展望

本文针对酒驾违法行为查处卡点选址规划中存在的问题，区别于以往按照专家知识经验选取的定性方法。主要考虑对城市道路网络的宏观选取，将城市路网中的交通流量作为唯一的选址决策因素。对城市路网中路段的流量大小和重要程度进行定量分析，采用复杂网络理论分析在车流加载的条件下，识别出城市道路交通网络中车流量最大的路段，作为酒驾盘查设卡选址的参考依据，为酒驾盘查卡点设卡选址奠定理论与应用基础。同时由于酒驾违法行为查处时的各种不确定因素，因此会造成不可避免的拥堵情况，此问题属于论文后续的研究方向。