《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Multimodal traffic network partition under disturbances using a joint spectral approach
编辑推荐：
为提升大规模多模式交通网络在干扰下的协调管理效率，本研究提出了一种联合谱聚类分区方法。该方法将路网与有轨电车网络建模为双层图，通过计算综合两者交通特征的联合谱，将多模式网络分解为具有内部同质性的子网络。研究结果表明，该方法能在保持子网络内路网和有轨电车交通运行同质性的同时，显著降低有轨电车实时重调度的复杂性，为多模式交通协同管控提供了有效工具。
在城市交通的复杂乐章中，有轨电车的轨道如同跃动的音符，与地面车流交织出繁忙的都市旋律。然而，当“干扰”这个不和谐音突然闯入——比如技术故障或意外延误——这首协奏曲便可能陷入混乱。有轨电车的延误不仅会打乱其自身精准的时刻表，还会像涟漪般扩散，加剧交叉口的路面交通拥堵，因为优先放行有轨电车意味着其他车辆需要等待更长时间。面对这种扰动，传统的交通管理方式往往捉襟见肘，要么只能对路面交通进行分区控制以维持宏观基本图(Macroscopic Fundamental Diagram, MFD)的清晰有效，要么只能对有轨电车网络进行孤立的重调度优化。这两种模式各自为政，忽略了它们在共享基础设施上的深度互动与耦合，难以实现真正高效的协同应对。这正是大规模多模式交通系统协调管理所面临的核心挑战。为此，来自德国德累斯顿工业大学交通过程自动化系的研究团队，在《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》上发表了一项开创性研究，提出了一种名为“联合谱聚类”的网络分区新方法，旨在为路网-有轨电车网络这一双核心系统，在干扰下找到一条协同管理的新路径。
研究人员为应对上述挑战，运用了几个关键技术方法。首先，他们将整个多模式交通系统抽象为一个双层网络模型，其中道路段和有轨电车道段被表示为共享的顶点，而交叉口则成为连接这些顶点的边，路网层和有轨电车层具有不同的边权重。其次，他们分别设计了针对路网和有轨电车的边权重计算新方法：对于路网，基于受干扰影响的未来交通流密度预测，采用高斯核函数计算相似性；对于有轨电车网络，则改进了一种名为“Snake”的算法，通过计算从扰动点到各顶点的最短路径来量化延迟传播的影响。最后，研究采用了核心的“联合谱聚类”算法，以路网层的谱为基础，通过正则化框架优化出一个能同时近似表征有轨电车层结构的“联合谱”，最终基于此谱对网络进行分区。研究在一个合成的网格网络和德国德累斯顿的真实城市网络上验证了方法的有效性。
研究结果
- •
3.1. 方法概述与网络表示
研究首先明确了方法的双重目标：一是将多模式网络分解为内部交通状态（路网密度和有轨电车延迟）同质的子网络；二是通过最小化有轨电车线路在子网络边界被切割的频率，来简化子网络间的耦合。研究假设在干扰触发后进行一次分区，并采用“对偶”方法将基础设施段表示为顶点，构建了共享顶点集的双层网络模型。
- •
3.2. 边权重计算
- •
路网层边权重：为了确保分区后子网络内交通流的同质性，研究基于未来预测的交通密度计算顶点间的相似性。该预测考虑了有轨电车扰动对邻近路段产生的拥堵传播效应，通过一个受逻辑斯蒂增长方程启发的一阶近似模型来实现。最终的边权重通过高斯核函数计算，顶点间预测密度差异越小，权重越大，相似性越高。
- •
有轨电车层边权重：为简化重调度并控制扰动影响范围，该层权重反映了有轨电车线路的同质性和延迟传播。研究改进了传统的“Snake”算法，将其重新定义为从扰动点到目标顶点沿有轨电车线路的最短路径，以模拟延迟演变。边权重通过计算两个顶点的“Snake”路径交集大小并进行归一化来获得，共享路径越多、距离扰动点越近的顶点对，权重越大，表明它们受扰动的相似影响程度越高，更应被划分在同一子网络。研究通过一个包含三条有轨电车线路的简单网络示例，具体说明了该算法的计算过程。
- •
3.3. 联合谱聚类
这是本研究的核心算法。研究采用规范化拉普拉斯矩阵来描述路网层和有轨电车层。关键创新在于，算法并非简单合并两层信息，而是以路网层的谱（特征向量）为基础，通过一个正则化优化过程，学习得到一个“联合谱”。这个联合谱在尽可能保持路网层结构信息的同时，也能很好地近似表示有轨电车层的结构特征。最后，对联合谱的前n个分量（n为期望的子网络数量）应用平衡K-means算法进行聚类，从而得到最终的多模式网络分区结果。
结论与讨论
本研究针对现有交通网络分区方法将路网和有轨电车网络孤立处理、忽略其交互、且未充分考虑有轨电车扰动影响传播的三大科学缺口，提出了一种创新的基于联合谱聚类的多模式交通网络分区框架。该框架通过双层网络建模，巧妙地将路网的交通流密度特征与有轨电车的扰动延迟传播特征，分别编码到不同的网络层边权重中。其核心算法——联合谱聚类，则智慧地寻找到了一个能兼容两种交通模式内在结构的低维表征（联合谱），从而实现了对多模式网络“一举两得”的协同分区。
研究的意义重大且深远。在理论上，它将多层网络理论成功应用于多模式交通系统分析，为理解此类复杂系统的结构提供了新视角。在方法上，改进的“Snake”算法首次将有轨电车扰动传播纳入分区考量，而联合谱聚类算法则为处理具有不同特征的多层网络分区提供了有效工具。最重要的是在实际应用层面，该方法所产生的分区结果，能够在子网络内部同时保持道路车流和有轨电车运行状态的同质性，这为在每个子网络内实施协调一致的交通控制策略（如基于MFD的边界控制）和独立、简化后的有轨电车重调度创造了理想条件。这相当于为庞大而复杂的城市多模式交通系统安装了一个“智能分区开关”，在干扰发生时，能够迅速将大问题分解为多个更易管理的小问题，并确保每个小区域内的管控动作是协调一致的，从而极大提升了大规模交通系统应对突发扰动的韧性、协同管理效率和恢复速度，为未来智慧城市交通管理系统的建设提供了关键的技术支撑。
