基于多属性TOPSIS决策的交通网络路段重要度计算

陆百川，舒 芹，马广露2，何相嶬

(1.重庆交通大学 交通运输学院，重庆 400074；2.连云港杰瑞电子有限公司，江苏 连云港 222007)

城市路网是由路段和交叉口组成的空间网络，不同路段相对整个路网的作用是相互关联、相互影响的[1]。由于交通路段周围环境的改变和交通流的波动等，每条路段对整个路网的影响以及重要程度会随时间不断变化，所以结合路段自身物理属性和路网动态交通信息，对路段重要程度进行动态分析，能够找出不同交通状态下对路网性能影响最大的关键路段，从而为交通管理控制、居民出行选择提供有效的决策信息。

刘思峰等[2]、Chinthavali等[3]利用路段连通性选取度、中心性和介数等结构指标评估路段重要性，这种利用路段拓扑结构属性的度量法忽略了路网独有的交通流特性。张纪升等[4]基于实际路网功能利用旅行时间量化路段重要程度；Tian等[5]选取路径长度、通行能力和交通效率等构建了节点重要度识别模型，这种利用路网交通特性指标的度量法忽略了路段自身属性和交通流时空影响。张建旭等[6]基于路段级联失效采用出行者费用变化和路段交通负荷变化计算路段重要度，这种利用路网性能变化的度量法交通流重分配计算量大。之后，马丹[7]结合拓扑属性及交通流量，考虑m阶邻接节点的贡献构建了重要度计算模型；尹小庆等[8]考虑路段宽度、车流量等因素利用LinkRank算法识别关键路段，忽略了周围邻接路段交通流对路段重要性的影响。以上研究考虑了路段拓扑结构属性和路段失效时路网性能变化对路段重要度的影响，但忽略了路网交通流波动和交通流时空影响强度对路段重要度的贡献。针对这一问题，笔者考虑路网中路段自身物理特征、交通流变化及时空影响特性，结合层次-熵权法的主客观赋权优势和TOPSIS技术的较强可操作性，基于多决策变量和层次-熵权TOPSIS的方法对不同交通状态下路段重要度进行计算。首先引入路段等级、通行能力等静态属性和交通流量、旅行时间等动态信息，利用时空相关系数分析不同时间延迟下交通流的时空影响关系，将路段的重要程度定义为路段承担路网交通功能能力以及路段与周边邻接路段交通流相互影响程度的大小；其次以多决策变量作为输入，通过层次-熵权TOPSIS模型进行路段重要度计算，获得不同交通状态下路段重要度指数；然后采用变异SI模型对不同重要程度的路段影响力进行仿真，验证测算结果的准确性和识别模型的优越性；最后通过算例分析表明，考虑交通流变化及影响特性的多属性层次-熵权TOPSIS法在平峰和晚高峰时段都能准确识别路段重要程度。

1 路段重要性影响因素分析

1.1 路段重要性的物理影响因素

交通路段根据其构成路网物理结构静态属性特征的异质性而对路网影响表现出差异性，不同的路段对于整个路网的作用力和重要度不尽相同。

道路等级反映了路段担负交通运输功能的能力，承担运输量越大的路段，交通状态波动对路网干扰越严重，往往重要程度越高。通行能力表达了路段疏导交通和运载车辆的极限能力，交通容量和疏导能力越大的路段，对路网贡献越突出，往往重要程度越高。路段长度、宽度及车道数等物理属性能反映车辆运行的聚散程度和相互干扰程度，长度越短、宽度越窄的路段车辆行驶聚集性越高，车辆之间相互干扰越大，相对路网重要度越高。此外，路段的路面状况、坡度及街道化程度等现实因素也会影响路段重要等级，质量越差、坡度越高、街道化程度越大的路段交通行驶状况越差，越容易发生交通拥堵。因此，交通路段在路网中重要度的量化应体现路段自身物理特征。

1.2 路段重要性的交通影响因素

城市路段根据其交通需求动态时变特征的不同而对路网交通的影响具有差异，不同的路段受时空二维邻接路段交通流相关程度的影响而在整个路网中的重要程度亦不同。

当路网处于自由流时，即交通负荷较小时，每条路段交通流主要受其上游驶入车辆的影响，此时流量越大且与直接相邻路段交通流相关性越强的路段，对路网整体交通状态影响越大，往往重要程度越高。当路网处于饱和流时，即交通负荷较大时，每条路段交通状态不但会随着其上游交通流的变化而改变，还会受到其下游交通状况的影响，此时与直接或间接相邻路段交通流相关性越强的路段，发生交通拥堵影响范围越广，相对路网重要程度越高。不同路段因自身交通需求和邻接路段时空影响程度的异构性而对路网影响表现出差异性，故交通路段在路网中重要度的量化还应体现路段交通需求变化和交通时空影响特性。

2 基于多属性决策的路段重要度评估指标构建

2.1 基于路段物理特征的重要度评估指标

本节考虑路段在路网结构中的静态物理特征差异，通过路段等级、通行能力等属性评估其重要程度。

路段等级是衡量交通运输能力的关键要素，等级越高且承担运输功能越多的路段发生拥堵往往会造成路网交通瘫痪。通过路段等级评估重要程度的属性指标δi,1为

(1)

式中：δi,1为路段li的等级属性指标；δq为q类路段的等级属性值，q取值为1，2，3时，分别代表主干路、次干路和支路，且有δ1=α，δ2=β，δ3=1-α-β，根据文献[9]取α=0.5，β=0.3。

通行能力越大且长度越短的路段，大量交通流因行驶聚集性越高而受到外界干扰越大，越容易在交叉口形成排队，造成路网交通拥堵。衡量两者对路网交通状态贡献程度的重要度系数δi,2为

(2)

式中：δi,2为路段li的重要度系数；Ci为路段li的设计通行能力，pcu/h；Li为路段li的长度，m。

2.2 基于交通需求变化的重要度评估指标

本节考虑路段交通需求变化，通过交通流量、旅行时间等动态参数评估路段重要程度。考虑到交通流会随时间不断波动，每条路段在不同时间段内相对整个路网的重要度会动态变化，所以将路段交通流序列xi划分为若干个时间段{a1,a2,…,an}以分析路段重要程度在不同交通状态下的变化。

路段流量反映了出行者的出行需求，流量大的路段说明出行者选择次数多，由于交通分担率较大而对路网状态影响越大。a时段内(如平峰、高峰时段等)交通流量对路段重要性影响的饱和系数δia,3为

(3)

式中：δia,3为路段li在a时段的交通饱和系数；qaik为路段li在a时段里第k个时间间隔的交通流量，qai为a时段内平均交通流量，pcu/h；n为时间间隔数；τ为时间间隔长，h。

旅行时间作为出行行为选择的重要因素，通过路段的旅行时间越短，出行者选择该路段概率越大，造成交通阻塞几率越高。考虑出行行为特征的路段重要度评估指标δia,4[10]为

(4)

式中：δia,4为路段li在a时段的旅行时间倒数；ni为车道数；Vi为自由车速，km/h；Li为路段li长度，km。

2.3 基于交通流时空特性的重要度评估指标

本节考虑交通流时空影响特性，通过时空相关函数分析测评路段与邻接路段交通流的相关程度以构建路段重要性评估的交通影响指标。

2.3.1 路段邻接矩阵和空间权重矩阵的建立

(5)

选取图1中路段li，lj，lk上单向车流分析基于交通流双向影响特性[8]的路段k邻接矩阵建立过程：1) 交通畅通时，交通流的影响主要是从上游li，lj传递到下游lk，此时路段li，lk以及路段lj，lk为一阶邻接关系，而li，lj无直接邻接关系；2) 交通拥堵时，上游路段li交通流的增大会使下游路段lk的交通流增加，由于lk交通状态的变化会反向影响其上游路段li，lj，使路段lj的交通流增大，此时路段li，lj为二阶邻接关系，路段li，lk以及路段li，lj为一阶邻接关系。按照以上方法建立如图1所示的交通路网，一阶、二阶邻接矩阵如表1，2所示。

图1 道路交通网络Fig.1 Road traffic network

表1 路段一阶邻接矩阵Table 1 First-order adjacency matrix

表2 路段二阶邻接矩阵Table 2 Second-order adjacency matrix

针对一条路段有多条k阶邻接路段的情况，引入综合空间邻接矩阵Wm×m={wij}表示各路段与其所有相邻路段的邻接关系，计算公式为

(6)

(7)

2.3.2 路段时空相关性及影响属性指标的计算

引入空间算子L[11]来计算a时段内各路段与其邻接路段交通流的综合观测值，其表达式为

(8)

式中：xia(t)为路段li在a时段内第t时刻的交通流样本值；L(k)xia(t)，Lxia(t)分别为路段li的k阶邻接路段、所有邻接路段在a时段内第t时刻的交通综合样本值；m为路段数。

利用时空相关系数[11]来表达待测路段与其邻接路段交通流相互影响程度，其计算式为

(9)

(10)

根据相关系数Iia(s)大小，引入权重向量w对不同时间延迟下各路段与其邻接路段交通流的相关程度进行加权，构建a时段内路段重要性评估的时空影响属性指标δia,5，具体表达为

(11)

式中：δia,5为路段li在a时段的时空影响属性指标；ws为时间延迟s下的权值，若|Iia(s)|>0.7，代表交通流高度相关，令ws=0.62，若0.3≤|Iia(s)|≤0.7，代表交通流中度相关，令ws=0.38，否则为低度或不相关，令ws=0。

3 基于多属性决策的路段重要度计算模型构建

3.1 基于层次-熵权法的多属性指标权重计算

层次分析法是基于知识经验的主观赋权法，分析过程能与人的思维高度契合，但忽略实测数据；熵权法是基于指标信息的客观赋权法，能充分利用指标实际属性，却过度依赖样本数据。因此，采用综合主客观因素的层次-熵权法来优化多属性决策指标权重，使路段重要性评估结果既满足决策者偏好，又能与实际情况相符。

3.1.1 层次分析法的指标权重确定

层次分析法通过构建层次结构模型，依据两两比较的标度和判断原理对决策指标的重要程度进行量化。令层次分析法求得交通路段重要度评估指标的权值向量为S1=(s1(1),s1(2),…,s1(n))T，且满足

(12)

式中s1(j)为第j个重要度评估指标的权重。

3.1.2 熵权法的指标权重确定

熵权法根据重要度评估指标值的变异程度，利用信息熵来计算决策属性权重。设L={l1,l2,…,lm}为待测路段集，δ={δ1,δ2,…,δn}为决策指标集，记路段li上第j个重要度评估指标δj的属性值为δi,j(i=1,2,…,m；j=1,2,…,n)，即有路段重要度评估指标矩阵E=(δi,j)m×n。为了消除不同决策变量数量级和量纲的影响，对矩阵E进行处理，得到归一化评价矩阵P=(pij)m×n，即

(13)

(14)

式中：当zij=0时，规定zijlnzij=0。由于指标的信息熵[12]越小，包含的有效信息量越大，则评估路段重要性时权重越高。故第j个决策指标的熵权为

(15)

按照式(13～15)则可求得路段重要性评估指标的熵权向量为S2=(s2(1),s2(2),…,s2(n))T，且有

(16)

式中s2(j)为第j个重要度评价指标的熵权。

3.1.3 层次-熵权法的组合权重确定

为使重要度计算结果体现主观经验和客观信息，采用最小信息熵原理和拉格朗日乘子法[13]将s1(j)，s2(j)进行融合以保证组合权重s(j)与s1(j)，s2(j)尽可能都接近，得到层次-熵权法的评估指标权值向量S=(s(1),s(2),…,s(n))T，即

(17)

式中：s(j)，s1(j)，s2(j)分别为层次-熵权法、层次分析法、熵权法求得第j个重要度评估指标的权重。

3.2 基于层次-熵权TOPSIS的路段重要度计算

层次-熵权理论和理想点分析法(TOPSIS)的路段重要度计算是将每条路段看作一个方案，将能够反映路段重要性的多属性指标值分别看作输入变量，通过计算与最佳方案[14]的接近程度来量化路段重要度。

结合层次-熵权理论与多变量决策TOPSIS模型对路段重要性进行识别时，首先由层次-熵权权重向量S与多属性评估矩阵P构建加权归一化决策矩阵G=(gij)m×n，即

G=(gij)m×n=(s(j)·pij)m×ni∈m，j∈n

(18)

(19)

(20)

最后计算多属性决策指标到理想点的贴近程度C={c1,c2,…,cm}，量化路段在路网中综合重要度，即

(21)

式中：ci为路段li与理想点的贴近度，即为路段li的综合重要度。ci越大，则路段li的决策属性与正理想点越接近，表明路段li对路网交通状态影响程度越大，因而重要性越高。

4 基于变异SI模型的交通路段影响评估

为评估路网中路段节点影响力以及验证多属性TOPSIS方法识别路段重要度的有效性，利用变异SI模型将正常行驶状态的路段抽象为易感节点[8]，将紊乱行驶状态的路段抽象为感染节点。某一时刻路网中出现感染路段节点(图2中黑色节点)后，由于车辆行驶受阻会影响邻接路段的交通流通性，会在下一时间步长使易感路段节点(图2中白色节点)以β的概率被感染，如图2(a，b)所示。以后每个时间步长内，感染路段节点会持续感染易感路段节点，直至将路网所有路段变为紊乱感染节点，如图2(b，c)所示。

图2 基于变异SI模型的路段节点感染过程Fig.2 Road link infection process based on variant SI model

不同路段在路网中重要程度的差异导致对邻接路段节点感染概率也有差异，越重要的交通路段对邻近道路及整个路网运行状态影响越大，即在变异SI模型中表现为对邻接路段感染概率越大，相同时刻感染路段数量越多。为使感染过程符合实际情况，每条交通路段的感染概率β为

(22)

式中：βi为路段li的感染概率；sk(j)为第k种方法求得第j个重要度评价指标的权重，k=1,2,3分别代表层次分析法、熵权法和层次-熵权法。

基于变异SI模型的路段重要度验证是将多属性TOPSIS算法识别出的不同重要程度路段节点作为路网初始感染源，通过比较相同时刻感染正常路段节点数量或变异SI模型达到稳定状态时间长短来确定交通路段影响力和识别方法有效性，主要步骤为

Step1分别选择重要度较高、重要度适中、重要度较低的路段节点作为路网初始感染源。

Step2多次运行变异SI模型并分别记录相同时刻被感染的路段数量，确定初始感染路段对路网的综合影响力。

Step3若变异SI模型所评估的路段影响力与多属性TOPSIS决策模型求得的路段重要度一致，即表明路段重要度计算结果是准确有效的。

笔者也采用变异SI模型分别评估层次-熵权法优化指标权重以及融合多属性指标综合决策的TOPSIS方法识别路段重要度的优越性。将不同方法识别出的重要度排名靠前的路段群分别设为初始感染源，能够在相同时刻累积感染路段数量越多，初始感染路段群影响力越大，相对应的路段重要度识别方法有效性越高。

5 算例分析

选取合肥市一小型路网中的18条路段为研究对象，实际路网及各待测路段的空间位置如图3所示。该道路网主要包括黄山路、科学大道、香樟大道等主要干道，天智路与天达路等次要干道，以及梦园路、天湖路等支路；路网中不同等级的道路相交形成了不同形式的丁字形、十字形等交叉口，选此路网进行模型验证具有代表性。由于梦园路缺乏连续观测交通流数据，无法分析交通需求变化和交通流时空影响特性等属性对路段重要度的影响，因此选用天达路、黄山路、科学大道、香樟大道、天湖路、天智路等交通路段进行重要度测算。

图3 实际道路及实验路网编号Fig.3 Actual road and experimental road network number

选取2016年7月4—8日的微波检测(布设于距停车线25 m处)交通参数为评估路段重要度的基础数据，经过平滑处理将数据时间间隔转换为5 min，即一条路段一天共有288 组观测值。同时，为了分析路段重要程度在不同交通状态下的变化，按照交通分布规律选取平峰时段(11:00—14:00)、晚高峰时段(17:00—20:00)的交通样本来验证重要度量化模型的有效性。根据路网拓扑结构，并参考相关规范计算得到各路段的相关属性如表3所示。

表3 待测评路段基本属性Table 3 Basic attributes of the road links

5.1 路段时空相关性及其重要度评估指标计算

相邻路段距离在三阶[15]及以上时交通流相互影响可以忽略，故笔者仅考虑上、下游路段的一、二阶邻接关系。根据2.3.1节路段邻接矩阵建立过程，结合路网交通流影响特性，构建实验路网零、一、二阶邻接矩阵以及综合空间邻接矩阵，并采用式(7)计算空间权重矩阵，利用表3中平峰、晚高峰流量数据分别对路段交通流相关性进行计算，其中6 条待测路段与其邻接路段交通流相关程度如图4所示。

图4 路段交通流时空相关性计算结果Fig.4 Results of time-space correlation of traffic flow

由图4可知：平峰时段多数路段与其邻接路段交通流的相关性处于区间[-0.6,0.6]，而晚高峰时段处于区间[-0.8,0.8]。不同路段在相同时段的时空相关性具有异质性，如路段1，5在晚高峰的相关性值相差很大；同一路段在不同时段对路网状态影响也具有差异性，如路段6的相关系数在平峰由正相关变为负相关，而晚高峰由负相关变为正相关。故利用各路段与周围路段交通流相互影响大小，按式(11)量化交通流相关度的差异性构建时空影响重要度评估指标，并结合表3中路段属性，求得待测路段重要度决策指标归一化值如表4所示。

表4 重要度评估指标归一化值Table 4 Normalized values of the importance evaluation indicators

5.2 基于多属性TOPSIS决策的路段重要度计算

根据3.1节指标权重求解步骤，首先确定平峰及晚高峰时段评估指标构建的层次判断矩阵，得到一致性指标值分别为0.010 8，0.046 6；然后根据指标变异程度，由式(13～15)确定两个时段内指标熵权值；最后根据最小熵原理，由式(17)分别计算两个时段重要度评估指标的组合权值。各属性权重如表5所示。由表5可知：平峰时段路段旅行时间δi,4波动对其重要性的影响最明显，属性指标δi,3，δi,4综合影响程度为57.86%，符合该时段出行者对旅行时间和交通流量更为敏感的出行规律；晚高峰时段路段等级δi,1差异对其重要性的影响最显著，属性指标δi,1，δi,3综合权重为53.41%，符合该时段内等级越高且交通流越大的核心路段发生交通拥堵时更易导致整个路网交通瘫痪的客观事实。

表5 重要度评价指标权重Table 5 The weights of importance evaluation index

结合表4中属性指标值和表5中层次-熵权权值，运用多属性决策的TOPSIS算法分别识别平峰和晚高峰时段内路段重要性，计算结果及重要度值排序如表6所示。

表6 不同时段下待测路段重要度计算结果Table 6 Results of the importance degree at base and peak period

由表6可知：平峰和晚高峰时段最重要路段分别为路段9和11，重要程度分别为70.70%和71.79%，路段9在平峰时段由于出行选择多、交通流量大，因此重要度较高；路段11为主干道、在晚高峰时段对路网交通影响程度大，因此重要性突出。通过对比，同一路段在不同统计时段的重要程度具有差异，对于路网中相对重要路段来说，路段8的重要度在平峰时段为68.58%，且排序为3；在晚高峰时段为59.53%，排序为8；而对于路网中相对不重要路段来说，路段1的重要度在平峰时段为19.28%，且排序为17；在晚高峰时段为21.77%，排序为16。

为了说明权重优化对路段重要性识别结果的影响，利用表5中层次分析法、熵权法、层次-熵权法确定的权重系数分别基于多属性TOPSIS决策模型计算平峰及晚高峰时段路段重要程度，具体如图5所示。

图5 不同权值下待测路段重要度对比Fig.5 Comparison of importance degree based on different weights

由图5可知：多属性决策指标采用不同权值时路段重要度值差别很大，但重要程度排序却基本一致。以晚高峰为例，层次-熵权TOPSIS法的路段重要度值较层次分析TOPSIS减小、熵权TOPSIS法增大，这是因为该时段内路段等级属性δi,1对重要性的影响最显著，优化权值使δi,1权重较层次分析权值降低、熵权权重上升。因此，利用综合主客观因素的层次-熵权权值使得基于多属性TOPSIS的路段重要度量化结果更符合实际情况。

为了验证交通流时空影响等多属性指标对路段重要性识别结果的影响，选取由δi,1，δi,2，δi,3，δi,4，δi,5构成的多属性指标(实验一)、由δi,1，δi,2，δi,3，δi,4构成的忽略交通时空影响的属性指标(实验二)、由δi,3，δi,4，δi,5构成的交通运行指标(实验三)以及由δi,1，δi,2构成的路段物理属性指标(实验四)在层次-熵权权值下分别利用TOPSIS模型进行重要度测算，得到基于不同属性指标的决策结果对比如图6所示。

图6 不同属性指标下待测路段重要度对比Fig.6 Comparison of importance degree based on different indicators

由图6可知：选取不同决策指标使路段重要度值差别很大。以晚高峰为例，实验二和实验一的测算结果虽然最一致，但考虑交通流时空影响的准确度更高，如路段11的交通流量及相互影响程度高于路段10，多属性指标决策(实验一)结果显示路段11的重要度高于路段10，而忽略交通流时空影响(实验二)的结果却低于路段10；实验三和实验一的评价结果偏差较小，故基于交通流运行属性的指标能相对准确地评估路段重要度；实验四和实验一的结果偏差最大，故基于路段物理特征的重要度量化方法不能准确反映在路网中的真实重要度。

5.3 基于变异SI模型的多属性决策方法效果验证

为了说明基于多属性TOPSIS决策的重要度计算结果准确性，采用变异SI模型对求解结果(表6)进行检验。平峰时段分别选取重要度较高(排序前30%)的路段8和9、重要度适中(排序为40%～60%)的路段11和4、重要度较低(排序后30%)的路段13和7作为路网初始感染源，晚高峰时段分别选取路段11和10、路段8和9、路段16和2作为初始感染源，利用MATLAB平台运行程序100次后获得路段平均影响力如图7所示。

图7 不同交通路段影响力对比Fig.7 Comparison of influences of different traffic links

由图7可知：随着时间步长的增加，路网中被感染路段数量逐渐增多且受感染速度逐渐减慢，直至达到路段全部被感染的平稳状态。以晚高峰为例，重要程度依次减弱的路段11，10，8，9，16，2在相同时刻感染路段数量依次减小，到达平稳状态时间依次增加，说明路段节点影响力依次减弱。由此可见，变异SI模型求得的路段影响力与多属性TOPSIS决策模型求解的路段重要度相一致，即重要度值越大的路段影响力也越大，即表明综合多属性指标和层次-熵权TOPSIS法识别出的路段重要度是准确有效的。

为了评估决策指标权重优化的TOPSIS方法识别路段重要度的有效性，采用变异SI模型分别对图5中不同方法求得的重要度排名前30%的路段影响力进行仿真，得到重要路段累积平均感染力如图8所示。

图8 不同权值下重要路段影响力对比Fig.8 Comparison of influences based on different weights

由图8可知：晚高峰内层次-熵权TOPSIS法、层次分析TOPSIS法、熵权TOPSIS法识别出排名前30%的重要路段在相同时刻累积感染路段数量依次减小，到达平稳状态时间依次增加，说明路段影响力依次减弱。因而，多属性指标决策和主客观综合赋权的层次-熵权TOPSIS模型识别出的重要路段对路网影响最大、效果最优。

为了验证综合多属性指标的TOPSIS方法识别路段重要度的优越性，同样采用变异SI模型分别对图6中重要度排名前30%的路段节点影响力进行仿真，得到重要路段的累积平均感染力如图9所示。

图9 不同属性指标下重要路段影响力对比Fig.9 Comparison of influences based on different indicators

由图9可知：平峰和晚高峰时段综合多属性指标(实验一)、交通运行属性指标(实验三)、忽略交通时空影响指标(实验二)、路段物理属性指标(实验四)分别基于TOPSIS理论识别出排名前30%的重要路段在相同时刻累积感染路段节点数量依次减小，到达平稳状态时间依次增加，说明重要路段节点影响力依次较弱，即表明考虑交通流时空影响等多属性指标进行路段重要性识别有效性最高。

因此，图7～9的验证结果表明考虑交通流时空影响等多方面因素的层次-熵权TOPSIS模型识别路段重要性准确度高、可行性强。从现实角度评估，该方法得到平峰时段重要度最大的路段9交通需求高、交通流量大；晚高峰时段重要度最大的路段11处于路网中心位置、对周围路段交通影响程度大且存在堵车现象，因此也表明路段重要性识别结果是比较符合实际情况的。

6 结 论

在考虑路段等级、通行能力等静态属性和交通流量、旅行时间等动态需求的前提下，结合路段交通流与邻接道路交通状态的相关程度提出了多属性决策的路段重要度计算方法。在综合多属性因素和层次-熵权法优化各决策指标权重的基础上，利用TOPSIS技术对交通路网中路段重要性进行了识别，并通过变异SI模型进行了交通路段影响力评估。实例分析表明考虑交通流时空影响等多属性决策的层次-熵权TOPSIS法在平峰和高峰时段都能准确识别路段重要程度，且与其他方法相比测算精度更高，从而能为交通管理、居民出行等提供更有效的决策信息。