非常態下路段行程時間估計方法

楊兆升，莫祥倫，于 堯，張 彪

（1.吉林大學 汽車仿真與控制國家重點實驗室，長春 130022；2.吉林大學 交通學院，長春 130022）

非常態事件發生后，為了確保救災工作的順利進行，需要根據實時道路交通狀況預測路段行程時間，為疏散和救援車輛提供必要的引導。

現有車輛路段行程時間（以下簡稱行程時間）估計方法，主要是根據車載GPS發回的實時數據，或者根據交通路側檢測設備獲得的數據進行行程時間估計［1－3］。但是，在非常態情況下，道路及其承載的交通流情況變化較大，并且伴隨有路側交通檢測設備損毀和GPS數據不足的情況，現有的方法不足以準確估計路段行程時間。

本文針對各類非常態事件的特性，研究了各類非常態事件發生的通用行程時間估計流程和方法，并進行了試驗驗證。

1 非常態事件分類

根據非常態事件發生原因及其可預知性，可將非常態事件分為自然災害、事故災難、社會生產安全事件等。每種非常態事件對交通流會產生很大的影響和沖擊，即使同類事件內不同子類的事件對交通流的影響也是不同的。交通流是路段行程時間估計的主要影響因素，根據不同非常態事件對交通流的影響，將所有非常態事件進行分類。

1.1 疏散型非常態事件

疏散型非常態事件是在事件發生時，區域路網呈現大規模的多D點疏散狀態的非常態事件。該類事件多為洪水、地震、泥石流等惡劣自然災害。其特點是事件發生會在短時間內造成局部地貌的巨大變化，產生道路損毀、房屋倒塌等惡劣后果。在此類事件發生前根據預測會進行人員疏散，也會在災后組織救援行動。這種疏散狀況下，交通流密度大、速度小，伴隨有道路損毀引起的通行能力下降等特點。

1.2 避險型非常態事件

避險型非常態事件是在事件發生時，由于惡劣天氣的影響，人們選擇居家度過該時段，進而區域道路車輛稀少。該類事件多為暴風雪、冰凍、臺風等自然災害。其特點是具有一定的持續性，且不同災害會引起道路通行能力不同程度的下降。此類事件發生時，大部分人員均選擇居家避險，區域道路交通流稀疏，可是會有一定量的救援需求。由于災害對能見度、道路摩擦因數的影響，致使交通流速度較低，并伴隨有路測交通檢測設備檢測功能下降的情況。

1.3 即時消散型非常態事件

即時消散型非常態事件是在事件發生時，由于道路局部通行能力快速下降，導致小范圍路網交通擁堵，當事件快速處理后，堵塞消散。該類事件多為交通事故。其特點是事件的發生不會對人民的生產生活產生重大影響，但也會有救援需求。此類事件發生時局部道路交通流流量大、速度低［4］。

2 非常態下路段行程時間估計流程

正常狀態下路段行程時間估計主要根據實時獲取的GPS數據為支持。在非常態情況下，道路交通流呈現擁擠或稀疏兩種情況，路段上樣本量會出現不足或者沒有的情況。因此需要考慮與地基型檢測器監測數據的融合。在洪水、地震等破壞地基型檢測器的非常態事件中，可參考遙感檢測結果進行行程時間估計。

2.1 路段行程時間估計的交通數據獲取

目前用于交通信息獲取的檢測方式主要有地基型檢測、車基型檢測和空基型檢測3種。用于路段行程時間估計的方式主要為車基型檢測和地基型檢測。隨著GPS技術的發展，GPS數據行程時間檢測精度不斷提高，越來越多的城市交通信息獲取系統中增加了GPS數據獲取預處理［5］。由于車載GPS模塊成本較高，模塊一般強制搭載于出租車、客貨運輸車，少部分私家車出于安全考慮也會選擇搭載車載GPS。遙感數據獲取比較昂貴，且在正常情況下地基型和車基型檢測完全可以滿足路段行程時間估計的需求，不會采用遙感數據進行融合估計。

在非常態情況下，浮動車數據主要通過無線傳輸，只要道路上有搭載GPS車載機的車輛運行，就有檢測數據?？墒请S著非常態下交通流變化的情況會有樣本量的波動，從而導致檢測結果失精，需要有其他類型檢測數據進行融合才能完成行程時間估計。此時地基型檢測設備可能因為非常態事件而產生功能上的下降或者完全失靈:在冰雪、大霧情況下某些檢測設備會因為溫度和能見度等因素的影響而導致檢測功能下降；在地震、洪水等災害情況下由于電力、通信線路損毀造成檢測器直接破壞進而失靈?？栈蜋z測可以在地基型檢測設備失靈的情況下與GPS數據融合估計行程時間［6－9］。

2.2 路段行程時間估計流程

非常態下路段行程時間估計是以GPS數據為主，輔助以地基型檢測數據和遙感數據。獲得GPS數據首先要進行樣本量的判定，樣本量充足時直接基于GPS數據進行行程時間估計。當樣本量不足時，采用樣本量不足情況時的基于GPS數據的行程時間估計方法。同時啟用地基檢測數據，首先判斷地基檢測數據的可靠性，數據可靠時直接進行基于地基型數據的行程時間估計，并且與樣本量不足情況下的行程時間估計結果進行融合；當數據不可靠時，啟用遙感數據進行道路的密度提取，并與GPS數據進行聯合估計，得到最終的行程時間估計結果。行程時間估計流程如圖1所示。

圖1 非常態下行程時間估計流程Fig.1 Process of estimation of travel time under abnormal state

3 非常態下路段行程時間估計的關鍵技術

3.1 基于GPS數據的路段行程時間估計的樣本量判定

非常態情況下，交通流以大流量和小流量兩種極端的形式出現。交通流總體的特性可以用GPS數據樣本來反映，交通流速度和車輛行程時間及它們的變化有直接關系，估計結果精確性與其數量的大小有直接關系。路段行程時間估計的精確程度更依賴于GPS樣本量的大?。?0］。本研究采用統計學方法，從路段內車輛行程時間角度出發考慮樣本量:

式中:t為GPS數據采樣間隔；σ為行程時間方差；t?／2為正態分布的雙側百分位點；ψ為路段浮動車行程時間估計允許的相對誤差，%。

現實中cv值難以控制，本文采用Shawn M Turner給出的一個計算公式［11］:

實例計算:設置信區間為90%，系統的相對誤差為5%，路段平均速度約為60km／h，通過計算得最小樣本量應在400以上。

3.2 基于GPS數據的路段行程時間估計方法

3.2.1 樣本量充足時路段行程時間估計方法

假設浮動車的車輛性能、型號完全一致，車輛的運行速度只與交通流有關系。

根據道路的特點，首先需要將路段劃分為幾個子路段，每個子段為500～700m。設第i路段上第j小區段的車輛數為，路段每個小區段的平均速度為

為了保證準確性，首先驗證幾個子段的速度是否在均值的置信區間內，如果在，則剔除噪聲后進行均值計算，否則分別計算幾個子段的平均速度后再進行累計計算。整個區段的平均速度為

假設浮動車速度是均值為v－i的正態分布，則方差為

式中:L為所估計路段的長度。

3.2.2 樣本不足時路段行程時間估計方法

在樣本量不足時，原始的平均行程時間計算方法的精度大大下降。主要是由于當樣本量不足時會出現樣本分布不均，從而導致局部的樣本數量過少而不能反映路段上的交通情況，針對這種情況，提出了以下的解決方法。

當樣本量不足時，根據路段上單個或幾個浮動車的數據計算浮動車的平均行程時間。

設t時刻浮動車的瞬時速度為Vt，t＋1時刻浮動車的瞬時速度為Vt＋1，浮動車的數據提取周期為Δt。則浮動車的運行平均速度為

針對連續的幾個時刻的Δv進行分析:

（1）當Δv全部大于0或者全部小于0時，說明浮動車在減速或加速行駛。此時理論的運行時間為

式中:Δa為平均加速度，Δa＝∑（vt＋1－vt）／（n－1）。

該方法用區域的速度估計整個路段的速度，具有一定的誤差。速度變化是一個固定的函數f（x），而此方法將速度的變化看成是勻加速或者勻減速的過程，因此導致運行事件和實際的運行事件存在系統誤差，比較T與tt－t1計算系統誤差與隨機誤差之和為

式中:ε為系統誤差；φ為隨機誤差。

在交通系統中，隨機誤差是不可避免的，誤差的發生和大小不可控制。在此不考慮隨機誤差的發生，則:

整個路段的行程時間為

式中:L1為浮動車T時刻的位置到路段終點的距離；L2為浮動車起點時刻到路段起點的距離。

當路段上有幾個速度采集點時，平均的行程時間為

（2）當Δv在0上下浮動時，認為此時車輛勻速行駛，其速度為

當路段上有幾個速度采集點時車輛的平均速度為

車輛的路段的平均行程時間為

3.3 路段行程時間估計融合方法

本研究采用基于BP神經網絡的融合模型。模型輸入為基于GPS數據的行程時間估計、GPS樣本量、基于地基檢測的行程時間估計、交通量；輸出為行程時間檢測結果。神經網絡由輸入層、輸出層和隱含層組成。隱含層可以為多層結構，隱含層越復雜，相對的融合結果越準確，計算速度也越低。行程時間估計需要保證其時效性，時滯過長，提供給駕駛員的信息誤導性增強。本文采用只具有一個隱含層的BP神經網路。輸入節點4個，輸出節點1個，隱含節點15個。具體結構形式如圖2所示。

圖2 行程時間融合神經網絡Fig.2 Neural network of travel time fusing

4 仿真驗證及結果分析

非常態事件發生隨機性強，很難把握事件的發生時間，即使采集到事件發生時影響區域內的交通信息，路段行程時間也無參照值。本文采用仿真的方式建立路網，模擬了交通事故和大霧天氣兩種非常態事件，并在此條件下對本文方法進行了驗證。

采用Paramics仿真軟件，以山東德州城區為模擬對象構建路網（如圖3所示），設置地基型檢測器，采集單車速度，保證信息檢測源。Paramics可以改變道路通行能力、車流速度。在交通事故模擬過程中，設置某地點的道路通行能力在仿真3h時突然下降，經過1.5h后恢復，模擬交通事故對道路通行能力的短時影響。在大霧天氣模擬過程中，設置在仿真3h時整個路網車輛運行速度緩慢減低，經過1h后車輛運行速度再緩慢恢復到原值。

圖3 仿真路網圖Fig.3 Simulation map

基于時間序列的自回歸積分滑動平均模型（Auto－regressive integrated moving average，ARIMA）是一種應用最為廣泛的時間序列模型。該模型不像其他時間序列方法一樣需要固定的初始化模擬。它將某一時刻的交通流量看成是更為一般的非平穩隨機序列。ARIMA模型行程時間估計方法是一種采用GPS實時數據的行程時間估計方法。它基于歷史數據和實測數據，來預測各路段下一時段的路段行程時間。

最后，將采用本文行程時間估計方法和ARIMA模型行程時間估計方法估計的路段行程時間與路段實際行程時間作比較。

4.1 交通事故仿真驗證

假定德州市德城區湖濱大道發生交通事故，事故等級為一般級（IV級），事故的持續時間大概是1.5h。發生交通事故導致天衡路、三八路、東方紅西路和湖濱大道方向上發生擁堵，非常態事件影響區域示意圖如圖4所示。

圖4 交通事故影響區域路網Fig.4 Road network of impact area of traffic accident

事故發生45min時，采用本文方法和ARIMA模型計算路段1～10的行程時間并進行對比，結果如表1所示。

由表1可知，ARIMA模型算法整體上低于參照的行程時間，是由于常用的方法適用于交通流順暢穩定時的行程時間估計，當用于交通事故這種非常態事件下時，會導致常用方法估計的速度值偏高，進而導致行程時間的整體偏低。選用本文方法的估計值在參照值附近波動，且波動幅度不是很大，可見本文方法可以適用于道路交通擁擠時的非常態事件的行程時間估計。

表1 模擬交通事故45min時行程時間對比Table 1 Simulation of traffic accident 45minutes travel time contrast

4.2 大霧天氣仿真驗證

假定德州區禹城市中路和富華街發生大霧，這次非常態事件的持續時間大概為1h。機動車出行較少，行駛速度比較低。大霧事件影響區域示意圖如圖5所示。

圖5 大霧影響區域路網Fig.5 Road network of fog－affected area

事故發生30min時，采用本文方法和ARIMA模型計算路段1～10的行程時間并進行對比，結果如表2所示。由表2可以看出:ARIMA模型算法的估計值在參照值附近波動，本文方法的估計值的波動比參照值要小，因此本文方法在流量小時可以準確地完成路段行程時間估計。

表2 模擬大霧30min時行程時間對比Table 2 Fog simulation 30minutes travel time comparison

5 結束語

針對非常態事件對道路交通運行和交通信息檢測設備的影響，設計了一種新的適應于各類非常態事件的路段行程時間估計方法。該方法通過綜合各類檢測方式獲取交通流信息，改變了以往估計方法不適于非常態事件的情況。最后通過仿真的方式對本文方法的可靠性進行了驗證。結果表明，該方法可較為準確地估計各類非常態事件下的路段行程時間，為非常態事件下路段行程時間估計提供了一種有效的方法。

［1］Chen M，Chien S I J.Dynamic freeway travel－time prediction with probe vehicle data:link based versus path based［C］∥Transportation Research Board，Washington DC，USA，2001:157－161.

［2］Nath R P D，Hyun－Jo L，Nihad K C，et al.Modified k－means clustering for traveltime prediction based on historical trafic data［C］∥Proceedings of the 14th International Conference on Knowledge－based and Intelligent Information and Engineering Systems:Part I，Berlin，Heidelberg，2010:511－521.

［3］楊兆升.關于智能運輸系統的關鍵理論——綜合路段行程時間預測研究［J］.交通運輸工程學報，2001，1（1）:64－66.Yang Zhao－sheng.Study on the synthetic link travel time prediction model of key theory of ITS［J］.Journal of Traffic and Transportation Engineering，2001，1（1）:64－66.

［4］姜桂艷，常安德，張瑋.基于GPS浮動車的路段行程時間估計方法比較［J］.吉林大學學報:工學版，2009，39（2）:182－186.Jiang Gui－yan，Chang An－de，Zhang Wei.Comparison of link travel－time estimation methods based on GPS equipped floating car［J］.Journal of Jilin University（Engineering and Technology Edition），2009，39（2）:182－186.

［5］于德新，高學英，楊兆升.基于GPS數據及車輛運行特性分析的單車路段行程時間估計［J］.吉林大學學報:工學版，2010，40（4）:965－970.Yu De－xin，Gao Xue－ying，Yang Zhao－sheng.Individual vehicle travel－time estimation based on GPS data and analysis of vehicle running characteristics［J］.Journal of Jilin University（Engineering and Technology Edition），2010，40（4）:965－970.

［6］張和生，張毅，胡東成.路段平均行程時間估計方法［J］.交通運輸工程學報，2008，8（1）:89－95.Zhang He－sheng，Zhang Yi，Hu Dong－cheng.Estimation method of average travel time f or road sections［J］.Journal of Traffic and Transportation Engineering，2008，8（1）:89－95.

［7］李筱菁，孟慶春，魏振鋼，等.GPS技術在城市交通狀況實時檢測技術中的應用［J］.青島海洋大學學報，2002，32（3）:475－481.Li Xiao－jing，Meng Qing－chun，Wei Zhen－gang，et al.The applications of GPS technology in the real－timedetection of city traffic condition to GPS［J］.Journal of O－cean University of Qingdao，2002，32（3）:475－481.

［8］朱中，楊兆升.基于卡爾曼濾波理論的實時行程時間預測模型［J］.系統工程理論與實踐，1999，19（9）:74－78.Zhu Zhong，Yang Zhao－sheng.A real－time travel time estimation model based on the Kalman filtering theory for traffic flow guidance system［J］.Systems Engineering－Theory＆Practice，1999，19（9）:74－78.

［9］董紅召，吳方國.基于FCM的路段平均行程時間估計［J］.科技交通，2011，27（3）:426－430.Dong Hong－zhao，Wu Fang－guo.Estimation of average link travel time using Fuzzy C－Mean［J］.Builetin of Science and Technology，2011，27（3）:426－430.

［10］王力，張海，余貴珍，等.移動交通流檢測技術探測車樣本比例模型研究［J］.交通運輸系統工程與信息，2007，7（5）:31－36.Wang Li，Zhang Hai，Yu Gui－zhen，et al.The study of probe sample size model of the probe vehicle technology［J］.Journal of Transportation Systems Engineering and Information Technology，2007，7（5）:31－36.

［11］Jiang Gui－yan，Gang Long－hui，Cai Zhi－li.Impact of probe vehicles sample size on link travel time estimation［C］∥2006IEEE Intelligent Transportation Systems Conference，Toronto，Canada，2006:505－509.