成都地铁网络的关键节点识别方法及性能分析

doi:10.16265/j.cnki.issn1003-3033.2019.01.016

中国安全科学学报 ›› 2019, Vol. 29 ›› Issue (1): 93-99.doi: 10.16265/j.cnki.issn1003-3033.2019.01.016

成都地铁网络的关键节点识别方法及性能分析

薛锋^1,2 副教授, 何传磊¹, 黄倩¹

1 西南交通大学交通运输与物流学院, 四川成都 610031;
2 综合交通运输智能化国家地方联合工程实验室, 四川成都 610031

收稿日期:2018-09-19 修回日期:2018-11-13 出版日期:2019-01-28 发布日期:2020-11-23
作者简介:薛锋 (1981—),男,山东邹城人,工学博士,副教授,硕士生导师,主要从事轨道交通运输组织与安全评估研究。E-mail:xuefeng.7@163.com。
基金资助:
国家重点研发计划项目(2017YFB1200702);成都市软科学研究项目(2017-RK00-00388-ZF);西南交通大学“双一流”建设项目(交通软科学类)(JDSYLYB2018030)。

Identification of key nodes in Chengdu metro network and analysis of network performance

XUE Feng^1,2, HE Chuanlei¹, HUANG Qian¹

1 School of Transportation and Logistics, Southwest Jiaotong University, Chengdu Sichuan 610031, China;
2 National United Engineering Laboratory of Integrated and Intelligent Transportation, Southwest Jiaotong University, Chengdu Sichuan 610031, China

Received:2018-09-19 Revised:2018-11-13 Online:2019-01-28 Published:2020-11-23

摘要/Abstract

摘要： 为提高地铁网络性能分析的精度,基于复杂网络理论分析成都地铁网络的拓扑特性,构建节点重要度评价指标体系,应用灰色关联和逼近理想解法(TOPSIS)综合评价排序136个节点,完成关键节点的识别;采用网络效率等4个参数作为网络性能衡量指标,观察30个关键节点被蓄意攻击、106个普通节点被随机攻击后的网络性能变化趋势。结果表明:成都地铁网络在Space L模型下平均度为2.147,平均路径长度为13.146 5,网络介数、连通度、效率等指标较低,并识别出以成都东客站为首的30个关键节点;蓄意、随机攻击下网络效率与自然连通度下降趋势较慢,网络连通度与最大连通子图的下降趋势较快。

关键词: 城市轨道交通, 复杂网络, 拓扑结构, 关键节点, 网络性能

Abstract: In order to improve the accuracy of metro network performance analysis, topological structures of Chengdu metro network were studied based on complex network theory, an evaluation index system of node importance was constructed, 136 nodes were evaluated by using grey correlation and Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) method to identify key nodes. Four parameters such as network efficiency were used as network performance indicators. Trends in network performance were observed after 30 key nodes were attacked maliciously and 106 common nodes randomly. The results show that the average degree of the Chengdu metro network is 2.147, the average path length is 13.146 5 under the Space L model, the network betweenness, connectivity and efficiency are low, and the East Passenger Station (56) ranks first in 30 key nodes, and that both malicious and random attacks will make the network efficiency and the natural connectivity decrease slowly, but will make both the network connectivity and the maximal connected subgraph decrease faster.

Key words: urban rail transit, complex network, topology structure, key node, network performance

中图分类号:

X951

薛锋, 何传磊, 黄倩. 成都地铁网络的关键节点识别方法及性能分析[J]. 中国安全科学学报, 2019, 29(1): 93-99.

XUE Feng, HE Chuanlei, HUANG Qian. Identification of key nodes in Chengdu metro network and analysis of network performance[J]. China Safety Science Journal, 2019, 29(1): 93-99.

参考文献

[1] 叶青.基于复杂网络理论的轨道交通网络脆弱性分析[J].中国安全科学学报,2012,22(2):122-126.
YE Qing. Vulnerability analysis of rail transit based on complex network theory [J]. China Safety Science Journal, 2012, 22(2): 122-126.
[2] 张晋,梁青槐,贺晓彤.北京市地铁网络拓扑结构复杂性研究[J].北京交通大学学报,2013,37(6):78-84.
ZHANG Jin, LIANG Qinghuai, HE Xiaotong. Study on the complexity of Beijing metro network [J]. Journal of Beijing Jiaotong University, 2013, 37(6): 78-84.
[3] 徐青刚.铁路运输系统的网络模型及其抗毁性研究[D].南昌:华东交通大学,2015.
XU Qinggang. Network model and research on invulnerability for the railway transportation system [D]. Nanchang: East China Jiaotong University, 2015.
[4] 殷勇,刘杰.铁路网络的抗毁性分析研究[J].综合运输,2017(4):55-59.
YIN Yong, LIU Jie. The survivability of railway network [J]. China Transportation Review, 2017(4): 55-59.
[5] YANG Yuhao, LIU Yongxue, ZHOU Minxi, et al. Robustness assessment of urban rail transit based on complex network theory: a case study of the Beijing subway[J]. Safety Science, 2015, 79: 149-162.
[6] 于宝,冯春,朱倩,等.中国高速铁路网络脆弱性分析[J].中国安全科学学报,2017,27(9):110-115.
YU Bao, FENG Chun, ZHU Qian, et al. Vulnerability analysis of China's high speed railway network [J]. China Safety Science Journal, 2017, 27(9): 110-115.
[7] 吴建军.城市交通网络拓扑结构复杂性研究[D].北京: 北京交通大学,2008.
WU Jianjun. Studies on the complexity of topology structure in the urban traffic network [D]. Beijing: Beijing Jiaotong University, 2008.
[8] 赵德.多方式公共交通资源耦合效能评价[D].南京: 东南大学,2016.
ZHAO De. Evaluation on multimodal public transit resources integration [D]. Nanjing: Southeast University, 2016.
[9] 彭景新.南京市区公交、地铁加权复合网络建模与实证分析[D].南京:南京邮电大学,2017.
PENG Jingxin. Modeling and empirical analysis of bus and subway weighted composite network in Nanjing [D]. Nanjing: Nanjing University of Posts and Telecommunications, 2017.
[10] 王班,马润年,王刚.基于自然连通度的复杂网络抗毁性研究[J].计算机仿真,2015,32(8):315-318.
WANG Ban, MA Runnian, WANG Gang. Research on invulnerability of complex networks based on natural connectivity [J].Computer Simulation, 2015, 32(8): 315-318.

[1]	李浩然, 王子恒, 杨起帆, 张亚君, 欧阳作林. 复杂网络下地铁灾害链演化模型与风险分析^*[J]. 中国安全科学学报, 2021, 31(11): 141-147.
[2]	任乐峰, 孟祥坤, 陈国明. 滩海油气管道泄漏风险演化与评估[J]. 中国安全科学学报, 2021, 31(1): 159-164.
[3]	周乃锋, 蒋帅. 海外城市轨道交通运营技术条件安全评估[J]. 中国安全科学学报, 2020, 30(S1): 152-157.
[4]	张帆, 步兵, 赵骏逸. 列车运行控制系统信息安全风险评估方法[J]. 中国安全科学学报, 2020, 30(S1): 172-178.
[5]	陈文瑛, 李泳暾, 宋志光. 基于复杂网络的生产安全事故致因研究:以北京市某城区为例[J]. 中国安全科学学报, 2020, 30(7): 7-12.
[6]	李亚飞, 梁琛, 戴福青. 航路网关键节点识别及抗毁性分析[J]. 中国安全科学学报, 2020, 30(5): 115-121.
[7]	罗军华, 林孝松, 牟凤云, 李宏伟, 张莉. 山区暴雨-农业灾害链复杂网络静态风险分析[J]. 中国安全科学学报, 2020, 30(3): 163-170.
[8]	牟能冶, 康秋萍, 贾程方. 突发事件影响下的城市快递网络脆弱性评估[J]. 中国安全科学学报, 2020, 30(12): 125-132.
[9]	张衡, 王洪伟. 基于LTE-M的城市轨道交通PIS系统应用测试^*[J]. 中国安全科学学报, 2019, 29(S2): 47-50.
[10]	李岩. 综合网管在铁路通信网安全生产中的应用^*[J]. 中国安全科学学报, 2019, 29(S2): 51-56.
[11]	花玲玲, 郑伟. 基于复杂网络理论的铁路事故致因分析^*[J]. 中国安全科学学报, 2019, 29(S1): 114-119.
[12]	冯诚, 杨静, 张红亮, 冯焕东. 基于组合模型的地铁车站行人疏散仿真优化研究[J]. 中国安全科学学报, 2019, 29(8): 49-54.
[13]	王亚风, 黄勇. 基于动态可靠性评价的区域铁路网规划优化:以成渝城市群为例[J]. 中国安全科学学报, 2019, 29(5): 97-104.
[14]	蒋代, 华敏, 潘旭海, 蒋军成. 化工园区储罐多米诺效应的脆弱性评估[J]. 中国安全科学学报, 2019, 29(4): 177-182.
[15]	陈刘瑜, 李希建, 尹鑫, 毕娟. 复杂网络理论下燃气管网节点重要性分析方法[J]. 中国安全科学学报, 2018, 28(9): 74-80.

成都地铁网络的关键节点识别方法及性能分析

Identification of key nodes in Chengdu metro network and analysis of network performance

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价