[论文解读] Partial order approach to compute shortest paths in multimodal networks

Andrew Ensor, Felipe Lillo|arXiv (Cornell University)|Dec 14, 2011

Risk and Safety Analysis参考文献 32被引用 8

一句话总结

本文提出一种基于加权彩色边图的偏序方法，用于在无需启发式约束或边缩减的情况下，计算多模式网络中的Pareto最优最短路径。通过为不同交通模式分配颜色，并在多权重边之上应用偏序关系，该方法能高效识别出一个可处理的最优路径集合，已在法国真实多模式网络上得到验证，Pareto集合的基数保持可控。

ABSTRACT

Many networked systems involve multiple modes of transport. Such systems are called multimodal, and examples include logistic networks, biomedical phenomena, manufacturing process and telecommunication networks. Existing techniques for determining optimal paths in multimodal networks have either required heuristics or else application-specific constraints to obtain tractable problems, removing the multimodal traits of the network during analysis. In this paper weighted coloured--edge graphs are introduced to model multimodal networks, where colours represent the modes of transportation. Optimal paths are selected using a partial order that compares the weights in each colour, resulting in a Pareto optimal set of shortest paths. This approach is shown to be tractable through experimental analyses for random and real multimodal networks without the need to apply heuristics or constraints.

研究动机与目标

• 解决现有方法需要依赖特定应用的约束或启发式方法才能使多模式最短路径问题可计算的问题。
• 通过将交通模式建模为边的颜色而非在分析过程中进行缩减或约束，保留网络的多模式特性。
• 开发一种通用的、与应用无关的框架，利用多权重边上的偏序关系，计算多模式网络中的最短路径。
• 在合成网络和真实多模式网络（包括法国交通系统）上评估所提方法的可计算性与可扩展性。

提出的方法

• 将多模式网络建模为加权彩色边图，其中边的颜色代表不同的交通模式（如道路、铁路、高速公路、水道）。
• 为每条边分配多个权重（如距离、时间或成本），对应于不同模式的性能指标。
• 应用偏序关系比较路径的多权重特征，仅选择在所有权重上均不被支配的Pareto最优路径。
• 实现一种支持多权重、彩色边的改进Dijkstra算法，计算从源点到所有顶点的所有Pareto最优路径。
• 使用基于聚类的顶点聚合技术，结合最小节点间距离阈值，以降低图的密度，同时保持网络连通性。
• 进行后处理，报告路径基数、每顶点的平均和最大最优路径数量，以及执行时间。

实验结果

研究问题

• RQ1 是否存在一种通用方法，可在不依赖启发式方法或特定应用约束的情况下，计算多模式网络中的最短路径？
• RQ2 在真实多模式网络中，Pareto最优路径集合的基数如何随网络规模和聚类分辨率变化？
• RQ3 所提出的偏序方法在大规模多模式网络（如法国交通系统）中是否具有计算上的可处理性？
• RQ4 保留边的颜色和多权重边在多大程度上提升了所计算路径的代表性与实用性？

主要发现

• 该方法成功在多模式网络中计算出Pareto最优最短路径，且未使用任何启发式约束或边缩减技术。
• 对于法国多模式网络，Pareto集合的基数保持可控，当聚类距离为0.115度（≈11公里）时，每顶点平均有3,575条最优路径。
• 执行时间随聚类细化而增加（例如在0.115°时为823.10分钟），但在配备8GB内存和双核2.93 GHz CPU的标准台式机上仍具可行性。
• 随着聚类细化，顶点数和边数增加，从0.150°时的1,501个顶点增至0.115°时的3,108个，反映出更高的路径多样性。
• 每顶点的最优路径平均数量从0.150°时的33.09增至0.115°时的3,575.03，表明在高分辨率下路径多样性显著。
• 该方法在真实多模式网络中展现出良好的可扩展性与可处理性，无需预处理缩减或约束。