道路交通网络节点分配优化策略研究进展

卢东祥

(盐城师范学院，江苏 盐城 224002)

随着计算机和物联网等多种技术的发展及应用，城市交通网络也逐渐实现了网络化与数字化。利用各类技术对道路交通网络的节点调度水平进行优化，可大幅提升相关网络的通行效率。在实际应用过程中，城市机动车保有量与城市道路的拓扑结构得到了大幅度提升。这直接导致节点的分配策略或算法难以满足城市发展的实际需求，加剧了城市拥堵及能源浪费的情况。针对交通网络日益复杂的现状，研究人员逐渐引入复杂网络的概念，并对具有较高复杂度的城市交通拓扑进行了全面的模拟和分析。其基本步骤为：首先设定交通网络中的节点权重值，完成复杂网络的建模与分析；然后计算不同的网络拓扑指标，并分析交通网络的多项复杂度，即中心度、最短路径长度以及K系数中心度等核心指标；最后基于已知的复杂度计算结果，利用变异系数和属性决策等方法，对交通网络的节点进行分配与优化，从而制定有效且实用的节点分配方案，缓解日益严重的城市交通拥堵现状。

为了提高复杂交通网络的通行效率，研究人员曾提出一系列具有较高指导价值与参考意义的研究方法。文献[1]从实际的道路规划出发，总结了道路交通所面临的各类问题，并逐渐引入道路交通网络的节点概念，具有一定的前瞻性和参考价值。文献[2]在道路交通规划中，首次利用IBM公司的计算设备进行了必要的道路交通仿真，减少了繁琐的人工操作与人为失误，提升了道路交通网络规划的速度及精度，且该研究在理论和实践层面均给出了具有较高借鉴价值的解决方法。通过阐述交通网络节点的理论研究过程，本文分析了相关节点分配的研究现状，深入探讨了道路交通规划实践所面临的关键问题，并对复杂交通网络的未来研究方向进行了展望和预测。

1 节点分配策略

在复杂的交通网络中，节点分配策略需要以较小的代价实现流量的均衡，从而缓解实际城市交通应用环境中的拥堵现象。而在具体研究中，复杂的交通网络通常被建模为一个由多节点和多条边组成的加权有向图。其中所有节点均对应于实际交通中的道路交叉点，并具有不同的关键程度，而所有有向边则对应于交通中的实际道路，也具有不同的权值。

面对日益复杂的实际道路交通网络，为了提升城市通行效率且减少社会的能源消耗，按照复杂交通网络的建模方法，已有研究工作大致可分为节点重要度和规划算法等类型，主要成果有：

(1)在复杂交通网络中，节点具有不同的重要程度，按照该重要程度实现对交通网络中所有节点的识别与划分，是复杂交通网络的主要研究内容之一。依据不同的研究内容，节点重要度可以有不同的评价方式，其重要度数据既可以是一维的，也可以是多维的。通常而言，节点重要度的数值越大，则节点在交通网络中的地位越高；

(2)利用节点重要度对交通流量进行合理的分配也是复杂交通网络中的关键研究内容。通常，传统交通分配方法主要有Dijkstra算法、Floyd算法以及Frank-Wolf算法等，能够实现多项特殊的交通规划功能。然而随着交通状况的持续恶化，传统算法已无法满足当前交通规划与分配的多项需求。因此在交通网络的研究过程中，除了节点和边的识别及分类，新型交通分配算法的设计与分析也是复杂交通网络的重要研究内容之一，其可大幅提升城市交通网络的规划水平和通行效率。

2 节点识别

在复杂交通网络中，节点是具有重要地位的基础和单元，而对关键节点的识别与控制研究则属于交通领域中的基础研究。该研究的进展对城市交通拥堵的缓解具有重要影响。针对关键节点的识别研究主要可分为3个阶段：

(1)在研究早期，研究人员在简易交通数据的基础上，总结了若干关键节点的识别算法，但其计算效率与准确程度通常较低。文献[3]首次设计并实现通用的城市交通网络模拟系统，通过对关键交通节点进行基本的识别和分类，辅助相关人员提出可行的交通规划方案，进而为后续研究提供一定的参考。但受限于时代与科技的发展，该研究结果已不适用于当前交通的状况。文献[4]通过统计实际交通的速度、流量等时间变量，提出关键节点的辨识方法，并设计了宏观网络级的交通流模型，初步奠定了现代交通网络的研究基础。文献[5]提出了一种结合交通仿真与路径分配能力的模型，首次实现了车载实时信息对拥挤交通网络性能的分析在交通领域的研究中，该研究工作具有较高的创新性及一定的参考价值。文献[6]从交通网络的拓扑结构出发，将节点识别问题转化为经典的组合优化问题，从而得到了性质优良的局部极小值，该方法具有较好的创新性及参考价值。文献[7]分别从全局与局部的角度引入中央及局部调度单元，提出了一种适用于在线控制的交通控制递进结构，其对实用的交通控制操作具有一定的指导意义。文献[8]进一步划分交通网络的层次，提出了一种全新的节点层次划分规则，从而避免节点识别的不可靠解，并充分考虑大规模交通网络的未来应用场景；

(2)在研究中期，较多研究人员从神经网络(Neural Networks)算法、图论(Graph Theory)和数据统计等理论角度出发，提出大量具备较高精确度和计算效率的关键节点识别算法。但其中部分研究工作的复杂度较高，难以应用于交通网络的日常管理、规划。文献[9]基于人工神经网络(Artificial Neural Network，ANN)与模糊专家系统(Fuzzy Expert System，FES)提出了实时的节点识别方法，其交通控制的理论及实践性能均较为优异。文献[10]通过引入立体视觉、运动分析等方法，提出了适用于市区交通的驾驶员实时辅助算法，且为智能交通的节点识别提供必要的实时数据，此方法具有一定的前瞻性和创新性。文献[11]基于车载激光扫描仪，提出了一种具有实时数据处理能力的高速目标检测及跟踪算法，其可精准地实现道路节点的识别和分类，并进一步明确动态交通场景检测和建模的系统架构，且该方法首次引入了由传感器组成的智能交通系统概念。文献[12]通过引入传统的Kashani模型，设计了综合日常交通和高速公路的宏观控制模型。该模型能将节点识别的范围扩展到高速公路的范围，故具有较优的交通预测功能。文献[13]综合使用GPS接收器和神经网络算法，提出具有极高实用价值的节点辨识算法，分别从宏观及微观角度来实现多种交通路况的预测、分析，从而以较高的精度实现对交通堵塞情况的预测和分析。文献[14]通过引入加权拓扑网络，将复杂交通网络中的节点识别上升到定量研究，详细证明了大规模城市交通通勤过程的高度异质性，同时还考虑了社会人口增量与交通网络之间的关系，进而为交通评估、决策和规划提供切实的分析工具。文献[17]在小区传播模型的基础上，提出一种具有预测和节点识别功能的交通拥塞传播模型，该模型通过精确地估计交通链路及网络的平均行程速度，有效地防止了交通网络的拥堵情况。文献[18]通过引入GIS技术和复杂网络理论，深度分析了城市街道网络的基本拓扑性质，进而实现更加精确的关键节点识别算法，其对城市应急管理、应急交通调度与导航均具有较高的借鉴价值。文献[19]在加权复杂交通网络的基础上，以网络内聚度为指标，采用加权节点收缩法对节点的重要性进行评价，从而提出了具有较高精确度的节点识别分析算法，并为后续的节点识别研究提供重要的参考；

(3)在研究后期，通过引入深度神经网络(Deep Neural Networks，DNN)算法和经典数理统计方法，研究人员陆续提出了具有理论高度及实用价值的识别算法。这类方法充分考虑了复杂交通网络的实时状态，提高了识别算法的实用价值与适用范围。文献[20]提出了一种基于模型预测控制(Model Predictive Control，MPC)理论的结构化全网络交通控制器，以实现MPC控制器的研究与开发，其在牺牲精度的前提下，进一步提升了节点识别算法的计算效率，并降低了复杂交通网络下节点识别的计算负担，深入考虑了实际应用环境下的交通拥堵控制，具有良好的实用价值。文献[21]将MPC理论应用于城市交通网络控制，以减少出行延误和不同气体的交通排放，进而从理论及实用角度上改善交通的流动性与生活环境。文献[22]在交叉口安全摄像头的硬件基础上，利用图论中的最大覆盖理论，提出了具有交通事故控制功能的多周期优化模型，该模型进一步提高了城市交通网络中的事故预防率。文献[23]综合使用人工神经网络和数据统计理论，提出具有短期城市交通流量预测的混合建模算法，并在实际的城市街道完成实验及仿真，具有较高的实践指导意义。文献[24]基于传统的数据统计方法，通过引入契比雪夫不等式，建立了基于时空监测数据的路径交叉口关联度模型，实现了对城市交通网络节点的有效识别、分类和分析。文献[25]建立了复杂交通网络的空间邻接矩阵，并使用时空相关函数描述各个交通节点之间的影响程度，且提出了逼近理想点的节点重要度计算模型，再利用排序完成关键节点的识别及分类，具有高度的实用性、可行性。文献[26]在有向加权复杂交通网络的环境下，利用实际的出租车定位数据，提出基于DWNodeRank的关键节点识别方法，进而为交通网络的规划、设计与管理提供了切实可行的指导方案，其借鉴意义和参考价值均较大。文献[27]以苏州的交通事故数据为基础，利用最大分类区间的支持向量机(Support Vector Machine，SVM)方法，提出基于深度神经网络的黑点识别算法，进而建立具有动态自适应的机器学习结构，并对城市交通网络中的关键节点进行精确的识别与分类。文献[28]将自行车添加到复杂的交通网络环境中，提出了一种基于聚类分析的关键节点识别算法，其可为骑行者提供精确的危险预测，且在充分考虑交通网络的实际环境前提下，拓展了关键节点识别研究的使用范畴，具有较高的实用参考价值。文献[29]在城市交通移动人群感知的基础上，重新定义了城市交通移动人群感知的效用函数，并提出了一种基于道路网络时空特性的关键节点优化模型，且深入分析交通流与交通网络拓扑之间的动态关系，有效提升了交通监控系统的实用性，其对于未来的研究具有较高的指导意义。文献[30]利用注意力机制(Attention Mechanism)将交通网络构造为动态权值图，同时寻找空间及语义邻域，并提出一种新型时空自适应门控图卷积网络，该网络能精确地预测未来多个时间步长的交通状况，从而提高关键节点识别的计算效率与精确程度。

3 分配算法

现阶段在复杂交通网络研究中，除了对关键节点的识别之外，针对该节点的分配算法也是重要的研究方向之一。鉴于交通网络节点研究的性质和属性，其分配算法的研究大多集中于启发式的智能算法。

为了优化城市交通的拥堵及安全现状，基于精准的关键节点识别，研究人员也提出了一些具有较高优化能力的智能分配算法。文献[31]以交通排队长度为输入，将遗传算法(Genetic Algorithm，GA)融入至交通关键节点的控制优化中，确保了交通流量的流畅程度。文献[32]利用经典的模糊集理论(Fuzzy Set Theor)，在关键节点识别的基础上提出了预测交通流量的模糊增量交通分配算法，该算法可为交通出行流量提供科学的导引及分配，从而缓解日益严重的交通拥堵。文献[33]在关键节点分类的基础上，提出了基于迭代学习控制(Iterative Learning Control，ILC)的非线性交通分配模型，其能较好地适应交通出行流量的非线性增加。文献[34]使用Petri网分析作为适应度函数，提出适应于大规模交通网络的遗传算法，从而降低了复杂交通网络中关键节点所承担的交通流量，具有良好的实用性。文献[35]通过改进传统的遗传算法，利用运动波理论分析了城市交通关键节点发生的拥堵状态，并提出两种适用于大型交通网络的动态用户平衡模型，大幅提升了分配算法的收敛速度。文献[36]基于粒子群的优化(Particle Swarm Optimization，PSO)方法，提出了一种内外元胞自动机(Cellular Automata)机制，从而实现了对大规模交通网络中关键节点的实时调度，并有效提高了调度效率，具有广泛的适用范围。文献[37]在城市交通信息系统与监控网络信息的基础上，利用信息过滤算法准确地评估海量交通参与者的实时行进速度，从而实现对关键节点的精确控制及调度。文献[38]重点研究了单向交通在交通微循环系统中的应用，提出了以遗传算法为基础、融合多目标规划问题与容量受限的交通流量分配模型，进一步提高了复杂交通网络的通信效率及组织效果。文献[39]在高速公路数据的基础上，通过分析交通网络的脆弱程度，构建了基于拓扑遗传算法的指标权重计算框架，并为交通网络的关键节点安全性提供科学的衡量方法。文献[40]使用原始单元法、Ulchis重力模型以及Dijkstra算法，设计了具有较高精确度的复合交通分配模型，实现了复杂交通出行的生成、统计与分析，并为后续理论研究提供一定的参考和借鉴。然而需要说明的是，在当前研究条件下，针对交通网络的节点分配算法研究，并未能完全解决复杂交通网络条件下海量交通参与者的规划与分配问题，因此仍需引入更加精确的分配算法。

4 结束语

针对复杂交通网络中的节点分配问题，文中分别从识别与分配的角度出发，深入探讨及分析了节点分配问题的研究历史与发展方向。根据节点分配问题的研究现状可知：(1)在节点识别的相关研究中，利用神经网络和数理统计的研究结果较多，其识别与分类效果也较优，但现阶段识别计算结果的提升空间已逐步减小并受到了限制，因此突破传统识别算法的限制已成为当前该研究方向所共同面临的重要问题之一；(2)在分配算法方面，大量的启发式智能算法被应用于交通网络流量的预测和管理中，并获得了令人满意的结果，然而随着当前交通网络的复杂度持续增加，实现实时自适应的关键节点分配及控制也是这一研究方向所面临的另一个重要问题。随着传感器、无线网络及大数据技术的发展，复杂交通网络的硬件设施、调度与控制策略均面临着进一步的优化和更新，其研究水平直接关系到居民生活、经济规模、军事安全等关键领域的发展。