基于LightGBM和TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別

李坤,劉杰*,郭建民,申永生,王喆

1.山東交通學(xué)院交通與物流工程學(xué)院,山東 濟(jì)南 250357;2.濟(jì)南軌道交通集團(tuán)有限公司,山東 濟(jì)南 250014;3.杭州城市大腦有限公司,浙江 杭州 310020;4.濟(jì)南市規(guī)劃設(shè)計(jì)研究院,山東 濟(jì)南 250101

0 引言

截至2022年底,中國大陸地區(qū)共開通軌道交通線路308條,運(yùn)營里程達(dá)10 287.45 km[1]。城市軌道交通是公共交通的重要組成部分,在居民日常出行與通勤中承擔(dān)著重要作用[2]。城市軌道線網(wǎng)中某節(jié)點(diǎn)發(fā)生故障,將嚴(yán)重危害整個(gè)網(wǎng)絡(luò)的安全運(yùn)行[3]。為盡可能降低關(guān)鍵節(jié)點(diǎn)故障對(duì)軌道交通網(wǎng)絡(luò)的影響,快速、精確地識(shí)別城市軌道交通線網(wǎng)中的關(guān)鍵節(jié)點(diǎn)成為當(dāng)前研究的熱點(diǎn)問題。

目前,國內(nèi)外對(duì)關(guān)鍵節(jié)點(diǎn)識(shí)別的主要研究方法分為2類。第1類主要基于復(fù)雜網(wǎng)絡(luò)理論,考慮節(jié)點(diǎn)在網(wǎng)絡(luò)中的度、中心性與特征向量等指標(biāo),識(shí)別網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn):張晉等[4]基于復(fù)雜網(wǎng)絡(luò)理論,分析北京軌道交通網(wǎng)絡(luò)結(jié)構(gòu)模型,識(shí)別其關(guān)鍵節(jié)點(diǎn);陳錦渠等[5]分別基于站點(diǎn)度、站點(diǎn)介數(shù)及改進(jìn)LeaderRank算法識(shí)別高鐵網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn);王德龍等[6]采用度表征各節(jié)點(diǎn)在機(jī)場網(wǎng)絡(luò)中的重要程度并進(jìn)行排名,采用復(fù)雜網(wǎng)絡(luò)理論構(gòu)建機(jī)場網(wǎng)絡(luò)級(jí)聯(lián)失效抗毀性評(píng)估模型;秦孝敏[7]采用復(fù)雜網(wǎng)絡(luò)理論及熵權(quán)法分析重慶軌道交通網(wǎng)絡(luò)的度、直徑和平均路徑長度等特性,尋找脆弱站點(diǎn)并加強(qiáng)防護(hù);Wang等[8]采用信息熵模型構(gòu)建多式聯(lián)運(yùn)復(fù)合運(yùn)輸網(wǎng)絡(luò),通過改進(jìn)的加權(quán)k殼模型識(shí)別關(guān)鍵節(jié)點(diǎn);Yang等[9]提出結(jié)合人口密度的加權(quán)綜合指數(shù),評(píng)估節(jié)點(diǎn)重要性,并用于定位軌道交通網(wǎng)絡(luò)中的樞紐站點(diǎn);Zhang等[10]基于度中心性與接近中心性等復(fù)雜網(wǎng)絡(luò)特性指標(biāo),提出基于邊緣中介的節(jié)點(diǎn)收縮算法;Lai等[11]對(duì)比分析節(jié)點(diǎn)度、k殼層度與加權(quán)k殼層度鄰域識(shí)別法等,發(fā)現(xiàn)綜合考慮元素的加權(quán)k殼層度鄰域識(shí)別法效果最好。第2類是基于交通網(wǎng)絡(luò)特性,綜合探究交通網(wǎng)絡(luò)中的客流量、出行效率等建立關(guān)鍵節(jié)點(diǎn)識(shí)別模型:Sun等[12]基于節(jié)點(diǎn)度和介數(shù)考慮節(jié)點(diǎn)的客流強(qiáng)度,識(shí)別軌道交通網(wǎng)絡(luò)中的關(guān)鍵站點(diǎn);胡映月等[13]綜合考慮網(wǎng)絡(luò)中的客流特性和線路的運(yùn)輸承載結(jié)構(gòu),提出評(píng)估節(jié)點(diǎn)重要度的指標(biāo);徐敏[14]將軌道交通線路客流數(shù)據(jù)分別抽象為物理網(wǎng)絡(luò)和客流網(wǎng)絡(luò),提出基于客流的軌道交通網(wǎng)絡(luò)節(jié)點(diǎn)重要度的定義和評(píng)價(jià)方法;李宗平等[15]提出結(jié)合進(jìn)、出站客流與換乘客流的關(guān)鍵節(jié)點(diǎn)識(shí)別方法。上述研究均從復(fù)雜網(wǎng)絡(luò)理論和交通網(wǎng)絡(luò)運(yùn)行性能方面識(shí)別交通網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn),未考慮軌道交通與城市空間布局、城市活力間的耦合關(guān)系。軌道交通站點(diǎn)在城市空間結(jié)構(gòu)中的分布及站點(diǎn)周邊的城市活力信息在一定程度上表征該站點(diǎn)在軌道交通網(wǎng)絡(luò)中的重要性,如中央商務(wù)區(qū)(central business district,CBD)是城市經(jīng)濟(jì)發(fā)展中樞,客流高度集聚,該區(qū)域的軌道交通站點(diǎn)一旦受到影響,將直接影響城市交通的正常運(yùn)營[16]。現(xiàn)有研究多采用熵權(quán)法對(duì)指標(biāo)賦權(quán),但熵權(quán)法難以橫向考慮各指標(biāo)間的關(guān)系,易受樣本影響導(dǎo)致權(quán)重失真。一些研究采用傳統(tǒng)的逼近理想解排序(technique for order preference by similarity to ideal solution,TOPSIS)法,但未考慮各評(píng)價(jià)指標(biāo)對(duì)方案的不同貢獻(xiàn)程度。

本文通過引入站點(diǎn)的城市活力信息,結(jié)合機(jī)器學(xué)習(xí)算法,提出從橫向與縱向角度考慮各指標(biāo)間關(guān)系、避免權(quán)重失真的綜合評(píng)價(jià)方法。構(gòu)建考慮復(fù)雜網(wǎng)絡(luò)理論、交通網(wǎng)絡(luò)運(yùn)行性能與城市活力信息的評(píng)價(jià)指標(biāo)體系,基于輕量級(jí)梯度提升決策樹(light gradient boosting machine,LightGBM)機(jī)器學(xué)習(xí)算法改進(jìn)TOPSIS法構(gòu)建關(guān)鍵節(jié)點(diǎn)識(shí)別模型,以杭州軌道交通為例進(jìn)行分析,驗(yàn)證基于LightGBM和TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型的識(shí)別精度,為城市軌道交通安全有序運(yùn)營提供良好支撐。

1 評(píng)價(jià)指標(biāo)分析與量化

城市軌道交通網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、覆蓋范圍廣,與城市空間布局及其他系統(tǒng)密切相關(guān),應(yīng)綜合考慮各因素,建立科學(xué)、高精度的城市軌道交通網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)識(shí)別模型[17-20]。根據(jù)評(píng)價(jià)指標(biāo)表征的網(wǎng)絡(luò)信息范圍分為全局指標(biāo)與局部指標(biāo),全局指標(biāo)包括介數(shù)中心性、接近中心性和客流量;局部指標(biāo)包括度中心性、特征向量中心性和城市活力信息。

1.1 全局指標(biāo)

介數(shù)中心性B11是網(wǎng)絡(luò)中通過某節(jié)點(diǎn)的最短路徑數(shù),穿過節(jié)點(diǎn)的最短路徑越多,節(jié)點(diǎn)越重要,節(jié)點(diǎn)i的介數(shù)中心性

(1)

接近中心性B12是指通過計(jì)算網(wǎng)絡(luò)中某節(jié)點(diǎn)與其余節(jié)點(diǎn)的平均距離達(dá)到去特殊值的影響,節(jié)點(diǎn)i的接近中心性

(2)

式中dij為節(jié)點(diǎn)i、j間的最短路徑長度。

1.2 局部指標(biāo)

節(jié)點(diǎn)度ki是指與某節(jié)點(diǎn)i的相鄰節(jié)點(diǎn)數(shù)[21],ki越大,在網(wǎng)絡(luò)中的影響力越高,度中心性越大,節(jié)點(diǎn)i的度中心性

B21(i)=ki/(N-1)。

(3)

節(jié)點(diǎn)重要性既與其相鄰的節(jié)點(diǎn)數(shù)有關(guān),也與相鄰節(jié)點(diǎn)的重要性有關(guān),通過特征向量中心性體現(xiàn)節(jié)點(diǎn)重要性,節(jié)點(diǎn)i的特征向量中心性

(4)

式中:E為N×N矩陣,λ為E的最大特征向量,aij為構(gòu)成網(wǎng)絡(luò)的鄰接矩陣變量,CE(j)為節(jié)點(diǎn)j的度中心性。

用商業(yè)與商務(wù)辦公設(shè)施數(shù)表征城市活力信息。不同類型站點(diǎn)周邊的商業(yè)與商務(wù)辦公設(shè)施數(shù)不同,位于CBD的樞紐站點(diǎn)與換乘站點(diǎn)周邊的商業(yè)與商務(wù)辦公設(shè)施較多,而郊區(qū)或中心城外圍區(qū)域的普通站點(diǎn)周邊的商業(yè)與商務(wù)辦公設(shè)施較少。站點(diǎn)周圍的商業(yè)和商務(wù)辦公設(shè)施越多,客流量越大,站點(diǎn)在軌道交通網(wǎng)絡(luò)中的重要性較大。統(tǒng)計(jì)站點(diǎn)周邊的商業(yè)與商務(wù)辦公設(shè)施興趣點(diǎn)(point of interest,POI),篩選各站點(diǎn)周圍1 km范圍內(nèi)的商業(yè)與商務(wù)辦公設(shè)施數(shù),記為B23。

2 關(guān)鍵節(jié)點(diǎn)識(shí)別算法

根據(jù)評(píng)價(jià)指標(biāo)的維度,將關(guān)鍵節(jié)點(diǎn)的評(píng)價(jià)方法分為單維和多維2類方法,前者指標(biāo)體系較單一,識(shí)別精度較低,后者能綜合考慮指標(biāo)特征,識(shí)別精度較高。樣本分類也會(huì)影響關(guān)鍵節(jié)點(diǎn)的識(shí)別精度,應(yīng)均衡處理樣本數(shù)據(jù),提高分類算法準(zhǔn)確率。

2.1 Borderline-SMOTE算法

圖1 Borderline-SMOTE算法對(duì)樣本的分類示意圖

在人工少數(shù)類過采樣法(synthetic minority oversampling technique,SMOTE)基礎(chǔ)上改進(jìn)的Borderline-SMOTE算法,將樣本分為A、B和C3類,A類為安全,近鄰樣本超過一半為少數(shù)類,B類為邊界,近鄰樣本超過一半為多數(shù)類,C類為噪聲,近鄰樣本全部為多數(shù)類。選擇最具代表性的邊界樣本合成新樣本,改善樣本的類別分布,有效避免過度擬合及類內(nèi)混淆問題。Borderline-SMOTE算法對(duì)樣本的分類過程如圖1所示,主要包括4個(gè)步驟。

步驟1:計(jì)算某樣本ei與所有訓(xùn)練樣本的歐氏距離,即n個(gè)近鄰。

步驟2:設(shè)在n個(gè)近鄰中有n′個(gè)屬于多數(shù)類樣本,0≤n′≤n。若n=n′,ei為噪聲樣本;若0≤n′

步驟3:計(jì)算ei′與ei的k近鄰,選擇l個(gè)近鄰與ei′進(jìn)行線性插值得到新樣本

enew=ei+rjdj,j=1,2,…,l,

式中:dj為ei′與其l個(gè)近鄰的距離;rj為隨機(jī)數(shù),rj∈[0,1]。

步驟4:新樣本與原樣本合并,得到新的訓(xùn)練樣本T′。

2.2 LightGBM算法

LightGBM算法具有訓(xùn)練速度快、內(nèi)存消耗低和準(zhǔn)確率高等優(yōu)點(diǎn)[22]。采用LightGBM法改進(jìn)TOPSIS法,可解決其忽略評(píng)價(jià)過程中各指標(biāo)貢獻(xiàn)度不同的問題。

樣本數(shù)據(jù)集

D={(Xi,yi)|Xi={xi1,xi2,…,xis};yi={1,2,…,i}},

式中:Xi={xi1,xi2,…,xis}為第i個(gè)樣本的特征參數(shù),其中s為參數(shù)個(gè)數(shù);yi為第i個(gè)樣本的標(biāo)簽。

第i個(gè)樣本的預(yù)測站點(diǎn)類型

式中:fk為獨(dú)立樹結(jié)構(gòu)q中葉節(jié)點(diǎn)權(quán)重z組成的集合;K為樹的總數(shù);Г為回歸樹數(shù)據(jù)空間,Γ={f(X)=wq(x)}(q:Rm→L,z∈RT),能將樣本映射到相應(yīng)的葉節(jié)點(diǎn)L,m為特征數(shù),T為葉子節(jié)點(diǎn)的數(shù)。

為分析預(yù)測準(zhǔn)確度,計(jì)算LightGBM算法在地鐵站點(diǎn)類型預(yù)測的平均絕對(duì)百分比誤差

EA=(TP+TN)/(TP+TN+FP+FN)×100%,

式中:TP為實(shí)際為正類且預(yù)測結(jié)果為正類的站點(diǎn),TN為實(shí)際為負(fù)類而預(yù)測結(jié)果為負(fù)類的站點(diǎn),FP為實(shí)際為負(fù)類而預(yù)測結(jié)果為正類的站點(diǎn),FN為實(shí)際為正類而預(yù)測結(jié)果為負(fù)類的站點(diǎn)。

通過LightGBM模型中的gain屬性和split屬性,從橫向與縱向2個(gè)角度綜合計(jì)算各特征的重要性。gain屬性G指每個(gè)分裂變量的信息增益,split屬性S指用特征劃分?jǐn)?shù)據(jù)類型時(shí)所用特征次數(shù),公式為:

式中:IL為節(jié)點(diǎn)I分裂后的左子樹,IR為I分裂后的右子樹,l(IL)為左子樹的個(gè)數(shù),l(IR)為右子樹的個(gè)數(shù),rm為第m個(gè)特征在訓(xùn)練中被用的次數(shù)。

2.3 LightGBM-TOPSIS法

TOPSIS法可衡量評(píng)價(jià)方案與最優(yōu)、最劣方案間的距離,最優(yōu)方案是指方案的各屬性在所有方案中均最優(yōu);反之則為最劣方案,對(duì)所有方案進(jìn)行排序可逼近理想解[23]。但TOPSIS法無法區(qū)分不同評(píng)價(jià)指標(biāo)的貢獻(xiàn)度,熵權(quán)法難以橫向考慮各評(píng)價(jià)指標(biāo)間的關(guān)系,二者均不適合分析具有多層次復(fù)合評(píng)價(jià)指標(biāo)的城市軌道交通。本文將能從縱向與橫向?yàn)槎鄬哟卧u(píng)價(jià)指標(biāo)客觀賦權(quán)的LightGBM算法與TOPSIS法結(jié)合識(shí)別城市軌道交通系統(tǒng)的關(guān)鍵節(jié)點(diǎn)。

正向化處理樣本數(shù)據(jù),遵循數(shù)值越大越好的原則。假設(shè)某網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)為N,節(jié)點(diǎn)重要度指標(biāo)有M個(gè),各節(jié)點(diǎn)在該網(wǎng)絡(luò)中的指標(biāo)值為xij(i=1,2,3,.…,N;j=1,2,3,…,M),構(gòu)造初始決策矩陣

為消除量綱不同造成的影響,計(jì)算xij的標(biāo)準(zhǔn)化值

hij=(xij-minxij)/(maxxij-minxij),maxxij≠minxij。

采用網(wǎng)格調(diào)參函數(shù)尋找LightGBM模型最優(yōu)參數(shù),計(jì)算特征的gain屬性與split屬性,通過熵權(quán)法計(jì)算綜合權(quán)重ω,對(duì)標(biāo)準(zhǔn)化決策矩陣H進(jìn)行加權(quán),得到加權(quán)決策矩陣

R=(rij)N×M=(hijωj)N×M。

3 實(shí)例應(yīng)用

3.1 算例建模

圖2 杭州城市規(guī)道交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

以杭州城市軌道交通網(wǎng)絡(luò)為例,驗(yàn)證基于LightGBM和TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型的識(shí)別精度。采用Space-L模型構(gòu)建杭州城市軌道交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),如圖2所示。站點(diǎn)代表網(wǎng)絡(luò)節(jié)點(diǎn),邊代表線路區(qū)間[24],共有241個(gè)節(jié)點(diǎn)、261個(gè)區(qū)間。采集2022-06-13杭州城市軌道交通客流量數(shù)據(jù),全天共計(jì)進(jìn)站客流1 835 121人次,出站客流1 899 459人次,其中火車東站是進(jìn)、出站客流最多的站點(diǎn),分別為55 273、52 668人次;青西三路站是進(jìn)、出站客流最少的站點(diǎn),分別為50、54人次。部分站點(diǎn)的進(jìn)、出站客流及商業(yè)與商務(wù)辦公設(shè)施如表1所示。

表1 部分站點(diǎn)客流量與商業(yè)與商務(wù)辦公設(shè)施

3.2 計(jì)算數(shù)據(jù)

表2部分站點(diǎn)評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化值

站點(diǎn)B11B12B113B213B21B22B23濱康路站0.240.660.080.070.600.270.14西興站 0.160.700.200.210.200.200濱和路站0.190.770.200.170.200.230.14建業(yè)路站0.000.350.160.1700.040誠業(yè)路站0.040.400.130.110.200.090.29偉業(yè)路站0.070.460.080.080.200.150.43

將杭州城市軌道交通站點(diǎn)根據(jù)通過的線路數(shù)分為普通站點(diǎn)(198個(gè))、換乘站點(diǎn)(39個(gè))和樞紐站點(diǎn)(4個(gè))3類,普通站點(diǎn)只有1條線路通過,換乘站點(diǎn)有2條線路通過,樞紐站點(diǎn)有3條及以上線路通過。通過式(1)～(4)計(jì)算各站點(diǎn)的介數(shù)中心性、接近中心性、度中心性和特征向量中心性,與統(tǒng)計(jì)得到的客流量、商業(yè)與商務(wù)辦公設(shè)施數(shù)組成樣本數(shù)據(jù),進(jìn)行標(biāo)準(zhǔn)化處理,部分站點(diǎn)的評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化值如表2所示。由于樣本數(shù)據(jù)過少,易導(dǎo)致分類算法結(jié)果擬合性較差,在普通站點(diǎn)數(shù)據(jù)的最小值與最大值間震蕩,隨機(jī)產(chǎn)生新數(shù)據(jù)至600條,復(fù)制所有樞紐站點(diǎn)數(shù)據(jù)并隨機(jī)插入樣本數(shù)據(jù)集。采用Borderline-SMOTE算法均衡處理樣本數(shù)據(jù)集,過采樣率為100%,即平衡少數(shù)類樣本與多數(shù)類樣本的數(shù)量,設(shè)置近鄰個(gè)數(shù)為5,隨機(jī)種子為42。樣本均衡后數(shù)據(jù)分布如表3所示。

表3 樣本均衡前后對(duì)比

表4 LightGBM機(jī)器學(xué)習(xí)算法參數(shù)設(shè)置

將Borderline-SMOTE算法均衡后的樣本數(shù)據(jù)集按7：3比例劃分為訓(xùn)練集與測試集,設(shè)置隨機(jī)種子為42,在訓(xùn)練集訓(xùn)練LightGBM機(jī)器學(xué)習(xí)算法,采用網(wǎng)格調(diào)參函數(shù)搜索最優(yōu)參數(shù),設(shè)置50個(gè)弱估計(jì)器。LightGBM機(jī)器學(xué)習(xí)算法參數(shù)設(shè)置如表4所示。

圖3 混淆矩陣

采用訓(xùn)練后的LightGBM算法預(yù)測杭州城市規(guī)道交通各站點(diǎn)的類型,測試集的預(yù)測準(zhǔn)確度為98.15%。通過混淆矩陣驗(yàn)證算法的性能,基于LightGBM算法對(duì)樣本數(shù)據(jù)識(shí)別結(jié)果的混淆矩陣如圖3所示。

由圖3可知:有185個(gè)普通站點(diǎn),2個(gè)被誤判為換乘站點(diǎn);有166個(gè)換乘站點(diǎn),2個(gè)被誤判為普通站點(diǎn);有189個(gè)樞紐站點(diǎn),2個(gè)被誤判的為換乘站點(diǎn)。采用熵權(quán)法分別求gain屬性和split屬性的權(quán)重,其中g(shù)ain與split的信息熵與二者總信息熵的比分別為81%、19%。各評(píng)價(jià)指標(biāo)的gain屬性、split屬性及權(quán)重如表5所示。

表5 各評(píng)價(jià)指標(biāo)的權(quán)重

圖4 LightGBM-TOPSIS法識(shí)別的前15個(gè)關(guān)鍵節(jié)點(diǎn)

將各評(píng)價(jià)指標(biāo)的權(quán)重代入TOPSIS法計(jì)算各節(jié)點(diǎn)的重要性并排序。目前研究多采用靜態(tài)識(shí)別方法,即僅按初始數(shù)據(jù)識(shí)別關(guān)鍵節(jié)點(diǎn),忽略了某節(jié)點(diǎn)失效后剩余網(wǎng)絡(luò)結(jié)構(gòu)、節(jié)點(diǎn)度等的變化。本文采用動(dòng)態(tài)識(shí)別方法,每次識(shí)別僅取排序第1的節(jié)點(diǎn),然后刪去此節(jié)點(diǎn)再重新計(jì)算節(jié)點(diǎn)度等更新樣本數(shù)據(jù),重新進(jìn)行節(jié)點(diǎn)重要性排序[25]。LightGBM-TOPSIS法識(shí)別的前15個(gè)關(guān)鍵節(jié)點(diǎn)如圖4所示。

3.3 結(jié)果分析

3.3.1 關(guān)鍵節(jié)點(diǎn)識(shí)別精度評(píng)價(jià)

采用刪除節(jié)點(diǎn)法衡量基于LightGBM-TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型的識(shí)別精度,若刪除關(guān)鍵節(jié)點(diǎn)后城市軌道交通網(wǎng)絡(luò)結(jié)構(gòu)嚴(yán)重破環(huán),性能急劇下降,說明關(guān)鍵節(jié)點(diǎn)的識(shí)別精度較高。采用最大連通子圖和網(wǎng)絡(luò)效率量化所識(shí)別的關(guān)鍵節(jié)點(diǎn)在網(wǎng)絡(luò)結(jié)構(gòu)中的影響力,通過網(wǎng)絡(luò)結(jié)構(gòu)變化趨勢衡量關(guān)鍵節(jié)點(diǎn)排序結(jié)果的準(zhǔn)確性。

網(wǎng)絡(luò)效率是指網(wǎng)絡(luò)中信息的傳播速度,可評(píng)價(jià)網(wǎng)絡(luò)整體的通行能力及連通水平[27]。刪除節(jié)點(diǎn)后,節(jié)點(diǎn)間的路徑長度發(fā)生變化,網(wǎng)絡(luò)效率逐步減小,其減小的速度反映所刪除節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)的破壞程度,網(wǎng)絡(luò)效率

式中V為節(jié)點(diǎn)集合。

3.3.2 情景分析

為驗(yàn)證基于LightGBM-TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型的有效性,設(shè)置a、b 2組對(duì)照試驗(yàn):a組樣本數(shù)據(jù)僅采用B11、B12、B21、B224個(gè)單層次評(píng)價(jià)指標(biāo),分別采用熵權(quán)-TOPSIS法與LightGBM-TOPSIS法識(shí)別關(guān)鍵節(jié)點(diǎn);b組樣本數(shù)據(jù)采用B11、B12、B13、B21、B22、B236個(gè)多層次評(píng)價(jià)指標(biāo),分別采用TOPSIS法、熵權(quán)-TOPSIS法與LightGBM-TOPSIS法識(shí)別關(guān)鍵節(jié)點(diǎn)。不同算法的關(guān)鍵節(jié)點(diǎn)識(shí)別結(jié)果如表6所示。由表6可知:a組試驗(yàn)中2種算法識(shí)別出13個(gè)相同的關(guān)鍵節(jié)點(diǎn),但僅前5個(gè)關(guān)鍵節(jié)點(diǎn)的排序一致;b組試驗(yàn)中3種算法識(shí)別出11個(gè)相同的關(guān)鍵節(jié)點(diǎn)。

表6 不同算法的關(guān)鍵節(jié)點(diǎn)識(shí)別結(jié)果

圖5 蓄意攻擊后a組的與η變化結(jié)果

圖6 蓄意攻擊與隨機(jī)攻擊后b組的與η變化結(jié)果

根據(jù)網(wǎng)絡(luò)中節(jié)點(diǎn)動(dòng)態(tài)失效過程可知:網(wǎng)絡(luò)攻擊首先瓦解城市中心的樞紐站,如錢江路站;其次切斷次中心與繞城環(huán)線的樞紐站,如鳳起路站與近江路站等;最后切斷次中心與郊區(qū)的換乘站,如中醫(yī)藥大學(xué)站與三壩站等。杭州軌道交通管理部門應(yīng)加強(qiáng)對(duì)中心樞紐站與環(huán)線換乘站的保護(hù)。

4 結(jié)論

為提高城市軌道交通關(guān)鍵節(jié)點(diǎn)的識(shí)別精度,綜合考慮軌道交通站點(diǎn)的城市活力信息,結(jié)合復(fù)雜網(wǎng)絡(luò)理論與交通網(wǎng)絡(luò)運(yùn)行性能,提出基于LightGBM改進(jìn)TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型,以杭州城市軌道交通為例進(jìn)行關(guān)鍵節(jié)點(diǎn)識(shí)別。采用蓄意攻擊與隨機(jī)攻擊,以動(dòng)態(tài)方式刪除節(jié)點(diǎn),通過網(wǎng)絡(luò)效率與最大連通子圖比例驗(yàn)證基于LightGBM與TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型的有效性與識(shí)別精度。結(jié)果表明:在破壞網(wǎng)絡(luò)結(jié)構(gòu)速度方面,基于LightGBM與TOPSIS法的城市軌道交通關(guān)鍵節(jié)點(diǎn)識(shí)別模型在刪除前5個(gè)關(guān)鍵節(jié)點(diǎn)時(shí)網(wǎng)絡(luò)效率與最大連通子圖比例下降約50%;在破壞網(wǎng)絡(luò)結(jié)構(gòu)程度方面,刪除前15個(gè)關(guān)鍵節(jié)點(diǎn)時(shí),網(wǎng)絡(luò)效率與最大連通子圖比例分別下降至25.61%、16.60%,軌道交通網(wǎng)絡(luò)基本完全破壞。

研究僅考慮城市軌道交通中的靜態(tài)客流,下一步應(yīng)考慮城市軌道交通網(wǎng)絡(luò)在級(jí)聯(lián)失效的情況下,客流將會(huì)由于站點(diǎn)的失效轉(zhuǎn)而流向鄰近的其他站點(diǎn),采用動(dòng)態(tài)客流更能挖掘動(dòng)態(tài)攻擊下的關(guān)鍵節(jié)點(diǎn)。