R语言最大流最小割定理和最短路径算法分析交通网络流量拥堵问题

今天早上，我们使用一些论文中提到的示例，使用最大流最小割定理将流量拥塞降至最低， 并应用了最短路径分析了交通瓶颈。

我们可以在下面看到

map=openp(map)
plot(map)
points(t(m[3:2,]),col="black", pch=19, cex=3

 

要提取有关边缘容量的信息，在该网络上使用以下代码，该代码将从论文中提取三个表

extract_tab(location)

在Windows中，要先下载另一个软件包

library(devtools)

extract_tab(locatio

现在我们可以得出具有容量的数据框

B1=as.data.frame(out[[2]])
B2=as.data.frame(out[[3

capacity=as.character(B2$V3[-1])
capacity[6]="843"
ic(capacity)

我们可以在地图上添加这些边

plot(map)
points(t(m[3:2,]),col="black", pch=1

for(i in 1:nrow(E)){
i1=which(B$i==as.character(E$from
]))
segments(B[i1,"x"],B[i1,"y"],B[i2,

text(t(m[3:2,]),c("s",1:10,"t"),col="white")

 

 

要获得具有容量的图形，可以使用另一种方法

g=graph_from_data_frame(E)
E(g)$label=E$capacity
plot(g)

 

但是它不考虑节点的地理位置。可以使用

plot(g, layout=as.matrix(B[,c("x","y")]))

 

为了更好地了解道路通行能力，使用

plot(g, layout=as.matrix(B[,c("x","y")]),
edge.width=E$capacity/200)

通过具有容量的网络，目标是确定该网络上从源到宿的最大流量。可以使用R

$value
[1] 2571

$flow
[1] 10 142 130 23 0 2

我们的最大流量为2571，这与两篇论文中的最大流量最小割定理以及 最短路径的应用中都实际要求的不同   ，因为表格和图表上的值不同。

E$flux1=m$flow
plot(g, layout=as.matrix(B[,c("x","y")]),

 

考虑采用更简单的流程，但是相同的全局值

 

E(g)$label=E$flux2
plot(g, layout=as.matrix(B[,c("x","y")]),
edge.width=E$flux2/200)

 

实际上，有可能在同一城市的另一篇论文中做同样的事情，这是道路网络的交通拥堵问题。

dim(out[[3]])
B1=a
ame(from=B1[2:61,"V2"],
to=B1[2:6
as.numeric(
as.characte
data_frame(E)
m=max_flow(graph=g,
source="S",

E$flux1=m$flow
E(g)$label=E

edge.width=E$flux1/200,
edge.arrow.size=0.15)

此处的最大流量值为4017，就像原始论文中发现的那样

 

---

最受欢迎的见解 

1.R语言动态图可视化：如何、创建具有精美动画的图

2.TABLEAU的骑行路线地理数据可视化

3.用数据告诉你出租车资源配置是否合理

4.R语言GGMAP空间可视化机动车交通事故地图

5.用R语言制作交互式图表和地图

6.基于出租车GPS轨迹数据的研究：出租车行程的数据分析

7.R语言动态可视化：制作历史全球平均温度的累积动态折线图动画gif视频图

8.把握出租车的数据脉搏

9.共享单车大数据报告