《Physica A: Statistical Mechanics and its Applications》：Bottleneck-constrained partitioning of heterogeneous urban traffic networks
编辑推荐：
摘要现有的交通网络划分方法可能忽视拥堵瓶颈等局部特征，导致重要的局部连接被割裂。为解决这一问题，本文提出了一种将局部瓶颈特征与Leiden社区检测算法相结合的划分方法。该方法将实时瓶颈信息自适应地编码到图的边权重中，从而引导社区检测算法在划分过程中保持瓶颈区域的结构性连通性。
摘要
现有的交通网络划分方法可能忽视拥堵瓶颈等局部特征，导致重要的局部连接被割裂。为解决这一问题，本文提出了一种将局部瓶颈特征与Leiden社区检测算法相结合的划分方法。该方法将实时瓶颈信息自适应地编码到图的边权重中，从而引导社区检测算法在划分过程中保持瓶颈区域的结构性连通性。此外，本文还设计了一种基于核心节点的动态划分更新方法，利用实时数据对非核心节点进行局部调整，以适应交通状态的时变特征。真实路网实验表明，该方法在子区域划分质量方面优于纯数据驱动的基线模型，且动态划分更新机制能够有效跟踪交通状态的演变，提高子区域划分结果的稳定性。这些发现为基于宏基本关系图（MFD）信息的交通管理与控制提供了更具可解释性和实用性的子区域结构基础。
引言
MFD为网络级交通控制提供了一种简单高效的建模方法[1]，使其更加简洁优雅。然而，交通需求分布的异质性导致全网MFD存在显著分散，使得控制策略难以有效应用于大规模网络。为解决这一问题，提出了子区域划分方法。通过将网络划分为多个子区域，可以降低子区域内部的异质性[2]，从而使MFD更加紧凑聚集。因此，研究者考虑将路网划分为更加同质的子区域[3,4]，使每个子区域都具有良好的MFD定义。因此，开发有效的子区域划分方法成为一个基本问题。
尽管现有的划分方法能够有效地将交通网络划分为若干个近似同质区域，但其划分逻辑往往优先满足宏观层面的分析需求，导致对细节和局部特征的重视不足。许多当前研究严重依赖纯数据驱动的聚类方法来切分和聚合交通子区域。虽然这些方法能够识别交通数据的统计特征，但其划分结果是由数据的全局统计结构驱动的。因此，它们可能会忽视拥堵瓶颈等局部关键特征在塑造子区域边界中的作用。换言之，现有方法生成的子区域在数据层面上是同质的，但在局部瓶颈连通性方面可能是割裂的。因此，在数据聚类过程中引入拥堵瓶颈的识别与引导至关重要，使子区域划分在保持宏观层面同质性的同时，避免对关键局部结构的错误切割，从而提升MFD的紧凑性以及后续的控制性能。
为解决上述问题，本文提出了一种将局部瓶颈特征与Leiden社区检测算法相结合的子区域划分方法，该方法从路网图构建中边权重的角度出发。与仅在数据层面进行聚类的现有方法不同，本文的核心思想是将瓶颈信息自适应地编码到图的边权重中，从而引导社区检测算法在划分子区域时保持瓶颈区域的连通性。同时，为适应交通状态的时变特征，本文进一步设计了一种基于核心节点的动态划分更新方法。该方法利用实时交通数据调整子区域内的非核心节点，保证划分结果更好地与实际的交通演变过程相吻合。基于真实路网的实验验证表明，该方法在子区域划分指标方面优于数据驱动模型，为基于MFD的交通控制提供了更具可解释性和实用性的子区域结构基础。
本文其余部分组织如下。第2节介绍文献综述。第3节阐述本研究提出的子区域划分方法。第4节开展案例研究。最后，第5节总结主要发现、贡献和局限性，并展望未来研究方向。
章节摘要
文献综述
MFD描述了路网中平均交通流、密度和速度之间的宏观关系[[5], [6], [7]]。具体而言，这三个变量在理想网络中呈现出低分散度的稳定曲线。相应地，在多模式网络中，MFD也可以以多维形式表示[8]。基于这一宏观关系，网络级交通管理与控制策略如边界控制[9,10]、交通估算[[11], [12], [13]]、匝道控制[
方法论
本节介绍所提出的子区域划分方法，整体研究框架如图1所示。我们首先检测拥堵瓶颈作为结构先验（第3.1节）。然后将这些瓶颈整合到静态划分框架中，其中增强的瓶颈内部连接引导社区检测算法保持瓶颈的完整性（第3.2节）。最后，通过量化每个节点的归属强度来开发动态调整策略
数据
为验证所提方法，我们使用了公开的UTD19数据集[41]。该数据集包含多个城市的交通数据，常用于与MFD相关的研究[42,43]。在这些城市中，伦敦数据的误差率低且时间分辨率为5分钟，适合本研究。因此，我们使用了伦敦数据。伦敦数据集包括来自不同检测器的平均流量和占有率，以及路段信息（包括经度
结论
本研究提出了一种将局部拥堵瓶颈特征与Leiden社区检测算法相结合的交通子区域划分方法，以及一种基于核心节点的动态划分更新机制。基于UTD19伦敦路网数据的实验表明，所提方法在静态划分结果方面优于K-means、DBSCAN、Ncut和原始Leiden算法，同时保持了瓶颈区域的空间连续性。在动态方面
CRediT作者贡献声明
Yang Yuhang：撰写——初稿，方法论，数据管理，概念化。Xin Yiqing：软件，数据管理。Zhang Shuyang：撰写——审阅与编辑，监督，概念化。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的财务利益或个人关系。
致谢
感谢审稿人和编辑提出的建设性意见和富有洞察力的建议，这些建议对提高本手稿的质量做出了重大贡献。
作者感谢湖北省重点研发计划（项目编号：2023BAB076）和中央高校基本科研业务费（项目编号：104972025RSCrc0011）的支持。
Yang Yuhang|Xin Yiqing|Zhang Shuyang
武汉理工大学 交通与物流工程学院，武汉，430063，中国
