本发明属于复杂交通网络，特别是涉及一种考虑级联失效和强化学习的交通关键基础设施部署方法。
背景技术：
1、现代社会对交通系统的依赖日益增加，交通系统作为城市发展的关键基础设施，对经济、社会和环境具有重要影响。然而，随着城市化进程的加快和交通需求的不断增长，交通系统面临着许多挑战。交通拥堵、事故频发、自然灾害和人为破坏等因素都可能导致交通网络的部分或全部瘫痪。这些问题不仅影响人们的日常生活，还会对城市的经济活动造成严重损失。因此，如何提高交通系统的鲁棒性和可靠性，成为了一个亟待解决的重要问题。
2、复杂交通网络理论提供了一种有效的工具，用于研究交通系统的结构和动态行为。交通系统可以被视为由节点(如交叉口、车站)和边(如道路、轨道)组成的复杂网络。通过分析交通网络的拓扑结构和节点的重要性，可以揭示出系统中关键节点和易损点，这对于优化交通系统的设计和提高其抗风险能力具有重要意义。
3、针对交通系统中的关键基础设施部署问题，通过复杂网络分析，识别出在交通流量和网络连通性等方面起着至关重要作用的关键节点，这些节点一旦失效可能引发级联效应，导致大范围的交通瘫痪。基于级联失效模型，能够模拟和评估不同节点失效对整个交通网络的影响，从而设计出性能更优的交通系统。但现有级联失效模型在应用时，更多关注全局网络拓扑结构，缺少对局部节点和边特征的深入分析；并且在面对突发事件和意外情况时，缺乏快速调整和适应能力，无法及时优化应对策略。
4、因此，亟需一种有效的交通关键基础设施部署方法，以使交通系统在面对不同类型的失效时依然能够保持较高的性能和稳定性。
技术实现思路
1、本发明实施例的目的在于提供一种考虑级联失效和强化学习的交通关键基础设施部署方法，以解决现有级联失效模型缺少对局部节点和边的深入分析且适应性差的问题。
2、为解决上述技术问题，本发明所采用的技术方案是，考虑级联失效和强化学习的交通关键基础设施部署方法，包括以下步骤：
3、s1：构建道路网络结构并获取节点特征；
4、s2：根据道路网络结构和节点特征，建立级联失效模型；
5、s3：基于强化学习，识别级联失效模型中关键基础设施。
6、进一步的，所述s1包括：
7、s11：选取道路网络，节点表示道路网络中的交叉口，边表示连接交叉口之间的路段；并构建训练图；
8、s12：计算所有节点的特征信息，即节点的度、接近中心性、介数中心性、特征向量中心性、通过每个节点的实际交通流量数据。
9、进一步的，所述s2包括：
10、在级联失效模型中，
11、s21：设定所有节点初始状态；
12、s22：确定所有节点初始负载；节点的初始负载计算公式如下：
13、
14、其中，li为节点i的初始负载；φ、为调节参数；γi表示节点i的邻居节点集合；m表示节点i的邻居节点，ki表示节点i的度，km表示邻居节点的度；
15、s23：确定所有节点的负载容量；节点的负载容量计算公式如下：
16、ci＝(1+β)li (2)
17、其中，ci表示节点i的负载容量即最大承载量；β为容忍系数，表示节点i可承担的额外负载，β≥0；
18、s24：确定负载再分配策略；节点失效后，根据失效节点的邻居节点的负载水平，进行失效节点流量的按比例分配，计算公式如下式所示：
19、
20、δcj＝cj-lj (4)
21、δcm＝cm-lm (5)
22、其中，接收节点j表示失效节点i的邻居节点集合中的一个节点，l'j是接收节点j负载再分配后的负载；lj是接收节点j当前负载，即负载再分配之前的负载；li表示失效节点i的负载；δcj表示节点j当前可承担的负载水平，为节点负载容量cj和接收节点j当前负载lj的差值，m表示失效节点i的邻居节点集合中的任意一个节点，δcm表示节点i的邻居节点m当前可承担的负载水平，为节点负载容量cm和节点m当前负载lm的差值。
23、进一步的，所述s3包括：
24、s31：构建强化学习模型，基于级联失效模型对强化学习模型进行初始化定义并确定目标函数；
25、s32：在训练图中，进行图加权操作，为每个节点分配权重；
26、s33：在训练图中，进行图嵌入操作，将状态、动作、节点位置、失效概率、节点结构信息、交通流信息编码为嵌入向量；
27、s34：使用s31构建的强化学习模型，进行强化学习，即在迭代过程中计算给定状态下移除失效节点后的q值，得出关键基础设施的数量、序列。
28、进一步的，所述s31包括：
29、在强化学习模型中，确定环境、状态s、动作a、奖励、目标函数；
30、环境：s1中的训练图；
31、状态s：当前经历级联失效后的残余网络；
32、动作a：在状态s下，移除重要节点；
33、奖励：通过失效前后的平均网络效率的变化来确定奖励；
34、对于s1中的训练图，失效的节点数占总节点数的比例为θ，0＜θ＜1，r表示失效节点的集合r＝{v1,v2,...,vθ*n}；
35、其中，vθ*n表示失效节点集合中的最后一个节点，θ*n表示失效节点的个数，
36、目标函数计算公式如下：
37、
38、其中，maxδe表示节点集合r中的所有节点失效后，道路网络效率下降的最大程度，δe表示节点序列失效后，道路网络效率的下降程度；e0表示初始网络结构的全网通行效率；ev\r表示节点集合r中的所有节点失效后，剩余网络结构的通行效率；p、q表示道路网络中任意两个不相同的节点，p*q表示道路网络中p和q之间的节点连接，opq表示节点p和q之间的最短路径的长度，表示节点p和q之间的最短路径长度的倒数，即节点p和q之间的通行效率，n0表示节点失效前道路网络中的节点总数，n0(n0-1)表示节点失效前的节点对数量，nv\r表示节点集合r中的所有节点失效后，剩余网络结构中的节点数；nv\r(nv\r-1)表示节点失效后的剩余节点对数量。
39、进一步的，所述s32包括：
40、将每个节点初始的度、接近中心性、介数中心性、特征向量中心性通过加权求和转化为权重值，并分配给每个节点作为节点权重。
41、进一步的，所述s33包括：
42、s331：将状态s即当前失效网络编码成邻接矩阵zs，zs中每个元素表示节点i和节点j之间的连接状态；将动作a即移除被识别的节点编码为向量za，za中每个维度对应网络中的一个节点，当移除某个节点时，相应维度的值设置为1，其余为0；通过每次迭代后得到的失效网络来确定每个节点的位置，将各个节点的位置进行编码；通过每个节点的历史失效数据、当前负载情况来获取每个节点的失效概率，并将其进行编码；
43、s332：将每个节点的结构信息和交通流信息进行编码；结构信息包括节点的度、接近中心性、介数中心性、特征向量中心性，交通流信息指通过此节点的实际交通流量数据；
44、s333：将节点的网络效率贡献度qg(i)进行编码；qg(i)的计算公式如下：
45、
46、qg(i)＝1-e'g(i)/eg (8)
47、式(7)中，eg表示道路网络的平均效率；n是道路网络中节点的数量，i、j为道路网络中任意两个不同的节点，dij是节点i到节点j的最短路径长度；u表示道路网络的节点集合；qg(i)表示节点i的网络效率贡献度，e'g(i)为节点i失效后的网络平均效率。
48、进一步的，所述s34包括：
49、s341：初始化q值，并预设迭代次数、学习率α、折扣因子γ、探索率ε；
50、s342：根据s12中的每个节点的计算度、接近中心性、介数中心性、特征向量中心性、交通流量数据，在每个特征信息下，按照数值大小将节点排序；根据比例从每个特征信息下筛选出重要节点；
51、t时刻的状态为st，更新动作at的嵌入向量，at表示在t时刻将筛选出的重要节点移除，并记录失效的节点数量和节点标签；
52、将训练图中状态st更新至新状态st+1并更新其嵌入向量，并更新每个节点的节点位置、失效概率、结构信息、交通流量信息、节点的网络效率贡献度的嵌入向量。
53、进一步的，所述s34还包括：
54、s343：获得即时奖励，即时奖励的计算公式如下所示：
55、rt(st,at)＝eg-eg(i),i∈{v1,v2,…,vn} (9)
56、其中，rt(st,at)表示采取动作at后，立即获得的即时奖励，eg表示节点i失效前的平均网络效率，eg(i)表示节点i失效后的平均网络效率，i表示失效节点，{v1,v2,…,vn}表示失效节点集合；
57、s344：计算当前q值并更新q函数；在每次迭代中，根据当前的奖励rt(st,at)和新状态st+1下的最大q值来更新当前q值，q函数计算公式如下：
58、
59、其中，w4、w5是权重参数，za、zs分别表示状态、动作的嵌入向量，za,zs∈r1*p，q(st,at)表示在状态st下采取动作at的当前q值，表示w5的转置，r1*p表示嵌入向量是一个1行p列的向量，表示状态嵌入向量za的转置；
60、q函数的更新公式如下所示：
61、q(st,at)←q(st,at)+α[rt+γmaxq(st+1,a')-q(st,at)] (11)
62、其中，st是当前状态；at是在状态st下采取的动作；rt是采取动作at后得到的即时奖励，st+1是采取动作a后得到的新状态；a'是在新状态st+1下的所有可能动作；α是学习率；maxq(st+1,a′)是下一状态st+1下所有可能动作的最大q值，γ是折扣因子。
63、进一步的，所述s34还包括：
64、s345：使用贪心选择ε下一个动作，即有ε的概率随机选择一个新动作，有1-ε概率选择当前状态下q值最大的动作；
65、s346：重复s342-s345，直到达到预设迭代次数；迭代过程中更新w4和w5，得到预设迭代次数下，效果最好的q函数，即网络效率下降程度最大化时的q函数；根据网络效率下降程度最大化时的q函数，得出重要节点即关键基础设施的数量、序列。
66、本发明的有益效果是：
67、1，利用强化学习算法，可以在动态和不确定的环境中优化基础设施部署策略，通过不断交互和学习，逐步改进策略，使交通系统在面对不同类型的失效时依然能够保持较高的性能和稳定性。
68、2，本发明利用强化学习和级联失效模型相结合的方法，可以有效识别和加固交通网络中的关键节点，不仅考虑单个节点失效对网络的直接影响，还考虑级联失效带来的连锁反应，从而提高了节点重要性评估的准确性，提升整体系统的鲁棒性和抗风险能力。
69、3，本发明能够根据实时交通数据和事件，在每个状态下，对节点的度、接近中心性、介数中心性和特征向量中心性等特征进行提取，并将这些特征编码为嵌入向量，作为状态输入。随着环境的变化，特征输入和状态表示也会动态调整，因此能够动态调整节点的重要性评估和基础设施部署策略，确保模型能够实时反映当前网络的状态，提高了决策的实时性和准确性，具有较高的适应性和响应速度。
1.考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s1包括：
3.根据权利要求1所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s2包括：
4.根据权利要求2所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s3包括：
5.根据权利要求2或4所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s31包括：
6.根据权利要求5所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s32包括：
7.根据权利要求5所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s33包括：
8.根据权利要求7所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s34包括：
9.根据权利要求8所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s34还包括：
10.根据权利要求9所述的考虑级联失效和强化学习的交通关键基础设施部署方法，其特征在于，所述s34还包括：
