基于交通指數云圖的宏觀交通流分析方法綜述

王忠浩, 張 靜, 肖建力

(上海理工大學 光電信息與計算機工程學院,上海 200093)

基于交通指數云圖的宏觀交通流分析方法綜述

王忠浩, 張 靜, 肖建力

(上海理工大學 光電信息與計算機工程學院,上海 200093)

基于交通流分析在智能交通研究和應用中的重要性,聚焦路網交通流分析方法的回顧,綜述了宏觀尺度的路網交通流分析方法的研究現狀.從微觀、中觀、宏觀3個方面梳理了交通流分析方法的基本類型;重點闡述了宏觀交通流分析中的交通擁堵指數的基本概念及其計算方法;隨后基于交通擁堵指數提出交通指數云圖的概念;最后對基于交通指數云圖的路網交通流分析進行了討論,并對其發展和應用前景進行了展望.

交通流分析; 交通指數; 區域劃分; 交通指數云圖

交通流理論是研究交通流隨時間和空間變化規律的模型和方法體系,是描述道路上的車輛與道路設施和環境交互運行規律的基礎科學,也是交通工程學的基礎[1-2].隨著現代都市道路交通擁堵狀況的加劇,“智能交通[3]”已經成為未來城市交通發展的必然趨勢,因此,對城市的交通流進行分析顯得格外重要.作為交通工程學的基礎,交通流分析理論已被廣泛應用于交通控制、交通規劃,以及道路工程設計等諸多領域.特別是隨著交通信息技術的蓬勃發展,將交通流分析和人工智能、控制理論等技術相結合,解決了交通運輸研究中的許多復雜問題[4-6].通過對路網交通流進行分析,可以發現路段和區域的交通運行規律并預測道路擁堵情況,為交通管理者進行提前道路疏散,限制車流量等提供科學的依據,也為出行者規劃出行路徑提供了便利.

路網交通流分析的方法根據路網的空間尺度可以劃分為微觀交通流分析、中觀交通流分析、宏觀交通流分析3個派別.微觀交通流分析主要研究某一點或某一斷面交通特性;中觀交通流分析主要研究路段的交通流特性;而宏觀交通流分析則主要側重于從路網區域這一宏觀的尺度對交通流進行分析.從大范圍把握事物的特性總是更加富有挑戰性,本文主要對宏觀交通流分析的方法進行了回顧.宏觀交通流分析對于交通管理部門具有非常重要的意義,特別是對路網區域的交通流分析能夠為交通管理部門制定交通發展規劃提供有力的數據支撐,同時還能夠為出行者避開擁堵的區域提供宏觀尺度的指引.

本文首先論述了交通流分析方法的基本類型,然后重點回顧了宏觀交通流分析方法的研究現狀,隨后對基于交通指數云圖的宏觀路網交通流分析方法進行了展望.

1 交通流分析方法的基本類型

目前已經提出了許多對路網交通流進行分析的方法.根據路網空間尺度的不同,大致可以劃分為微觀交通流分析、中觀交通流分析、宏觀交通流分析3個派別[7].

微觀交通流理論分析主要研究某一點或某一斷面交通特性.它是一種針對個體車輛交通運行特性進行分析與建模的理論方法,是解析、描述和預測交通流運行規律的重要手段之一[2].微觀交通流分析的經典方法主要有車輛跟馳模型[8]、換車道模型[9]等.跟馳理論是通過動力學方法,研究車隊在難以超車的道路上行駛時,前后車之間的行駛狀態,并且用數學模型加以表達和闡明的一種方法[10].它在微觀交通仿真、駕駛人行為分析、通行能力分析、智能車輛、交通安全等領域都有廣泛的應用價值,是微觀交通流理論的核心.20世紀50年代以來,國內外學者針對車輛跟馳模型的特點和性質進行系統研究,產生了刺激-反應模型、安全距離模型、心理-生理模型、神經網絡的車輛跟馳模型等,使得車輛跟馳理論得到快速發展[11].換車道模型主要用于描述車輛行駛過程中變換行駛車道的行為,最早由Gipps[12]于1986年提出.該模型考慮了換道風險、到障礙物的距離、轉向需求等影響因素,設計了相應的優先決定規則來判別不同因素對換道行為產生的影響.由于這一模型比較復雜,需要以大量微觀車輛數據為基礎,處理不當會對交通安全、交通通行能力有諸多影響,因此關于換車道模型的研究備受關注.上述微觀交通流模型在實際的交通應用中,存在缺乏對人為因素的考慮、模型適應性不強、實測數據不準確等問題,這在一定程度上限制了微觀交通流模型在城市路網狀態分析中的應用和發展[13].

中觀交通流理論分析主要研究路段的交通流特性.中觀交通流理論以氣體動力學為基礎,建立可以模擬真實交通流狀況的數學模型,從中觀層面研究行駛的車輛,從而描述交通流的隨機性與不確定性[2].其研究對象不僅可以是單個車輛,也可以是數輛車組成的車隊.與微觀交通流的跟馳、換車道模型不同,它是通過宏觀模型中的速度-密度關系來表示車輛的行駛速度[14].主要模型有車頭時距分布模型、聚類模型、排隊服務模型[15]等.這些模型與微觀模型相結合,具有較強的優勢.但是大多已有的中觀交通流模型以歐美發達國家的運輸狀況為背景,很難反映出中國城市的交通狀況,而且,模型對機動車和非機動車混合的交通流還沒有很好的解決方法.

宏觀交通流理論分析主要研究路網區域的交通流特性.它不是描述具體某車輛的行駛規律或某一路段的交通流特性,而是對整個路網區域的交通流特性進行描述分析.通過在宏觀尺度上研究擁堵區域的形成和消散的規律,為城市交通控制管理、挖掘現有路網的通行潛力、提高交通資源的利用率等提供更為可靠的科學依據[16].1955年,Lighthill,Whitham和Richards提出LWR模型[17-18],這是最早的宏觀交通流模型.此模型認為宏觀交通路網內的車流永遠處于一個相對平衡的狀態,并引入速度和密度的關系,為建立宏觀交通流模型奠定了基礎.在此基礎上,Payne[19]為解決非平衡交通現象,提出了一個高階模型:

vk(t+ω)=V(ΔL)

(1)

式中:vk是第k輛車的行駛速度;ω是車輛行駛時速度變化的時間延遲量;V是速度優化函數;ΔL是第k-1輛車和第k輛車之間的距離.這一模型使得交通流車速在偏離平衡速度時也可以取得良好的效果.此外,Papageogiou等[20-21]為了便于更好地分析交通流數據,提出了METANET離散模型,這是一種離散化的高階宏觀交通流模型,很好地體現出交通流的各向異性.在宏觀交通流預測方面,南加州大學的Abadi等[22]利用動態交通流仿真器將路網中的缺失數據進行補全,并用自回歸模型將交通預測推廣到整個路網系統,實現整個路網的宏觀交通流預測.以上各種宏觀交通流模型的提出及其在實際生活中的應用體現出了宏觀交通流的研究價值,也為以后從宏觀角度預測整個路網的交通擁堵情況提供了理論基礎和指導.圖1從宏觀上呈現了交通流分析的基本類型.

圖1 交通流分析方法的基本類型Fig.1 Basic methods for traffic flow analysis

2 宏觀交通流分析方法研究現狀

宏觀路網交通流分析主要是對宏觀交通路網總體運行狀態進行評價.而在宏觀交通路網評價方面,最為關鍵的是建立反映路網運行狀態的科學合理的評價指標.目前,對交通擁堵評價指標的研究主要基于行程速度、道路交通密度、交通量和出行時間等方面,從道路最大交通量與最大通行能力的比值、擁堵時間比[23]等角度挖掘出適合宏觀交通流分析的評價指標.因此,國際上一些城市采用道路交通指數[24]來綜合評價交通路網的整體運行質量.城市道路交通指數主要描述某一時間段的城市路網交通狀況的優良程度,它是一種對城市交通狀態的綜合性評價指標.其直接影響因素有交通密度、路段平均車速、交通流量和交通延誤;間接因素有天氣狀況、交通突發事故、交通秩序以及國家政策等.

為衡量道路交通密度、擁堵強度和持續情況,1994年,美國德克薩斯州交通研究院的Boarnet提出道路擁堵指數[25](roadway congestion index,RCI)的概念,Boarnet認為交通流量和交通密度在一定程度上很好地反映某路段交通的運行狀態.因此,他將道路中每公里的日平均交通量作為道路擁堵指數.該指數適用于對某區域整體、長周期的交通狀況進行評價[26].但由于其反應不夠靈敏,無法對路網動態交通狀況進行評價,在實際應用中已經很少使用.美國加州采用擁堵持續指數(lane kilometer duration index,LKDI)作為從宏觀角度評價交通路網運行狀態的指標.該方法用年均日交通量與通行能力的比值作為判斷擁堵路段的標準,然后以擁堵路段的長度和擁堵持續時間來計算區域內的擁堵持續指數.

(2)

式中:LKDI為擁堵持續指數;Li為區域內擁堵路段長度;ti為擁堵持續時間;K為擁堵路段數目.該指標從宏觀角度較全面地考慮了整個區域交通狀況,在復雜路網的環境中也有良好的評價效果.在國內,高德地圖[27]在搜集交通歷史信息數據的基礎上,以擁堵延時指數作為城市擁堵程度的評價指標,這里的擁堵延時指數計算方式為城市居民平均一次出行的實際旅行時間與自由流狀態下旅行時間之比.延時指數越大表示出行延時占出行時間的比例越大,這就意味著交通道路越擁堵.除此之外,很多城市交通管理部門在宏觀路網交通流評價分析方面進行了積極的研究.北京和廣州都采用擁堵里程比作為宏觀交通擁堵評價指標.該方法根據路段交通流速度將路段進行等級層次劃分,并將擁堵里程比定義為在一段時間內交通路網中各等級道路處于擁堵等級的路段里程比.然后根據此比值和各級路段進行權重疊加,得到全路網中的擁堵里程比,最后按照比例進行轉換,得到反映全路網的實時交通運行狀況的交通運行指數.此評價方法易于計算和理解,但計算擁堵里程比例時僅計入最擁堵等級的路段,忽略了其他等級路段的影響[26].上海于2002年提出道路交通指數,該指數以選取道路的飽和度和機動車運行速度為基本數據,以數學手段和邏輯分析建立的指數模型為基本手段得到,可以直觀地反映交通服務狀況的優劣程度.研究人員在此基礎上于2011年提出道路交通狀態指數(traffic state index,TSI)[28],解決了之前用顏色無法表達各種狀態的程度差異以及無法區分同一顏色的狀態差別的問題.TSI是在統計時間間隔內,將城市道路交通狀態的相對數值進行量化,其核心參數為道路行駛速度.但由于在實際交通流中,路段長度、車道數目等都會對道路交通擁擠程度產生不同影響,因此,需將里程長度和車道數目進行綜合加權計算.

(3)

式中:vm表示路網中路段i在暢通狀態下的車速;vi表示路網中路段i的實際車速;Li表示路段i的長度;ki表示路段i的車道數目.交通狀態指數可以在宏觀角度動態、直觀地對城市路網交通流進行評價,已經成為交通管理者在宏觀層面分析交通擁堵問題的重要工具.

3 基于交通指數云圖的宏觀路網交通流分析

由于城市交通路網日趨復雜,相鄰路段之間彼此關聯,從宏觀角度對整個城市的交通系統進行統一調度管理變得很難實現.而實際路網中的交通流是隨時間動態變化的,相鄰路段之間的流量變化相互關聯,進而影響整個路網的變化.將交通網絡視為一個整體,確定科學合理的宏觀網絡交通狀態分析方法,對描述路網運行狀態的變化特征與掌握路網運行質量影響規律有重要意義.本文提出使用交通指數云圖對宏觀路網的交通流進行分析.所謂交通指數云圖是受氣象衛星云圖的啟發,將路網區域某一時刻的交通指數分布映射到連續的顏色空間,再與地圖進行融合,最后得到的圖像稱為該時刻的交通指數云圖.圖2是上海浦西的交通指數云圖,圖中不同顏色表示各區域的擁堵情況,由綠到紅,顏色越深越擁堵[29].

在建立交通指數云圖的過程中,最為重要的步驟是對交通路網進行動態劃分.YAGODA等[30]認為相鄰道路之間具有很強的關聯性,通過分析路段長度和路段流量,對道路交叉口之間的協調控制進行描述,建立了基于交叉口關聯性分析的交通區域劃分方法.Tian等[31]在分析交通控制子區帶寬的基礎上對交通區域進行動態劃分.段后利等[32]針對傳統交通控制區域劃分無法適應城市路網交通流快速變化的問題,建立了基于超圖表示的路網模型,并設計了相應的路網超圖劃分算法,通過對超圖模型的分割達到交通區域動態劃分的目的.鄒文杰等[33]借鑒GIS系統中網格,定義了交通網格的概念,提出了一種基于空間相關性分析的路網評價區域劃分方法,以多元交通數據為基礎,實現路網區域的劃分.以上述動態區域劃分為基礎,交通指數云圖將整個城市路網根據各個路段的擁堵情況進行動態劃分成數個不同的區域,以每個交通子區域為研究對象綜合進行優化和控制,而各個區域的擁堵情況根據其內部路網交通狀態來決定.并將最終的路網區域劃分用擁堵指數的形式進行顏色劃分,以此實時獲取城市中某一區域的具體交通狀況.

圖2 上海浦西地區的交通指數云圖Fig.2 Traffic index clouds of Shanghai Puxi

4 結束語

城市路網交通流中包含著大量可用于改善交通運行狀況的規律信息.從宏觀角度分析路網交通流對描述路網運行狀態的變化特征,以及掌握路網運行質量的影響規律有重要意義.交通指數云圖以動態區域劃分模型為基礎,具有動態性、直觀性、區域性的特點,可以從空間尺度對交通狀態進行估計和預測,方便交通管理者進行路網誘導與控制的集成.在大空間尺度上對城市區域的交通運行狀態進行全面評價,研究擁堵區域的形成和消散的規律,為城市交通控制管理、挖掘現有路網的通行潛力、提高交通資源的利用率等提供更為可靠的科學依據,從而解決城市發展中的很多問題.

[1] 王翔,肖建力.基于視頻的交通參數檢測綜述[J].上海理工大學學報,2016,38(5):479-486.

[2] 《中國公路學報》編輯部.中國交通工程學術研究綜述·2016[J].中國公路學報,2016,29(6):1-161.

[3] ALAM M,FERREIRA J,FONSECA J.Introduction to intelligent transportation systems[M]∥ALAM M,FERREIRA J,FONSECA J.Intelligent Transportation Systems.Switzerland:Springer International Publishing,2016:1-17.

[4] 何勝學,劉潔,張皓東.基于粒子群算法的快速路投資優化方法[J].上海理工大學學報,2016,38(4):373-379.

[5] LI M W,HONG W C,KANG H G.Urban traffic flow forecasting using Gauss-SVR with cat mapping,cloud model and PSO hybrid algorithm[J].Neurocomputing,2013,99:230-240.

[6] 干宏程,汪晴,范炳全.基于宏觀交通流模型的行程時間預測[J].上海理工大學學報,2008,30(5):409-413.

[7] CHAKROBORTY P.Models of vehicular traffic:an engineering perspective[J].Physica A:Statistical Mechanics and Its Applications,2006,372(1):151-161.

[8] 楊龍海,趙順,羅沂.基于期望跟馳間距的跟馳模型研究[J].武漢理工大學學報(交通科學與工程版),2016,40(4):580-584,591.

[9] 王茉莉.車輛換道行為對交通流影響分析[D].長春:吉林大學,2016.

[10] 郭健.城市微觀交通流模型綜述[J].自動化技術與應用,2008,27(4):1-4.

[11] 王殿海,金盛.車輛跟馳行為建模的回顧與展望[J].中國公路學報,2012,25(1):115-127.

[12] GIPPS P G.A model for the structure of lane-changing decisions[J].Transportation Research Part B:Methodological,1986,20(5):403-414.

[13] ZHENG Z D.Recent developments and research needs in modeling lane changing[J].Transportation Research Part B:Methodological,2014,60:16-32.

[14] 江竹,張琦,林勇,等.基于機器學習的中觀交通仿真器模型參數標定[J].系統仿真學報,2007,19(24):5692-5695.

[15] 刁陽,雋志才,倪安寧.中觀交通流建模與系統仿真研究綜述[J].計算機應用研究,2009,26(7):2411-2415.

[16] 王殿海,曲昭偉.對交通流理論的再認識[J].交通運輸工程學報,2001,1(4):55-59.

[17] LIGHTHILL M J,WHITHAM G B.On kinematic waves.II.A theory of traffic flow on long crowded roads[J].Proceedings of the Royal Society A:Mathematical,Physical and Engineering Sciences,1955,229(1178):317-345.

[18] RICHARDS P I.Shock waves on the highway[J].Operations Research,1956,4(1):42-51.

[19] PAYNE H J.Models of freeway traffic and control[M]∥BEKEY G A.Mathematical Models of Public Systems.La Jolia,CASimulation Councils,Inc.,1971:51-61.

[20] PAPAGEORGIOU M,BLOSSEVILLE J M,HAJ-SALEM H.Modelling and real-time control of traffic flow on the southern part of Boulevard Peripherique in Paris,Part II:coordinated on-ramp metering[J].Transportation Research Part A:General,1990,24(5):361-370.

[21] WANG Y B,PAPAGEORGIOU M,MESSMER A.A real-time freeway network traffic surveillance tool[J].IEEE Transactions on Control Systems Technology,2006,14(1):18-32.

[22] ABADI A,RAJABIOUN T,IOANNOUP A.Traffic flow prediction for road transportation networks with limited traffic data[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(2):653-662.

[23] SCHRANK D,EISELE B,LOMAX T.TTI′s 2012 urban mobility report[R].Texas:Texas A&M Transportation Institute,2012.

[24] 關積珍.城市交通綜合指數、交通出行指數及其數學建模[J].交通運輸系統工程與信息,2004,4(1):49-53.

[25] BOARNET M,KIM E,PARKANY E.Measuring traffic congestion[J].Transportation Research Record:Journal of the Transportation Research Board,1998,1634:93-99.

[26] 鄭淑鑒,楊敬鋒.國內外交通擁堵評價指標計算方法研究[J].公路與汽運,2014(1):57-61.

[27] 高德交通.高德地圖:2015年度中國主要城市交通分析報告[R].北京:高德軟件有限公司,高德交通,2016.

[28] 張揚,何承,張祎,等.上海市道路交通狀態指數簡介及應用案例[J].交通與運輸,2016,32(3):16-18.

[29] 肖建力.智能交通中的多核支持向量機與分類器集成方法研究[D].上海:上海交通大學,2013.

[30] YAGODA H N,PRINCIPE E H,VICK C E,et al.Subdivision of signal systems into control areas[J].Traffic Engineering,1973,43(12):42-45.

[31] TIAN Z,URBANIK T,MESSER C,et al.A system partition approach to improve signal timing[C]∥TRB 2003 Annual Meeting CD-ROM.Washington,DC:Transportation Research Board,2003.

[32] 段后利,李志恒,張毅,等.交通控制子區動態劃分模型[J].吉林大學學報(工學版),2009,39(S2):13-18.

[33] 鄒文杰,翁劍成,榮建,等.基于空間相關性分析的路網評價區域劃分方法[J].北京工業大學學報,2012,38(4):564-569.

(編輯:丁紅藝)

Survey on the Analysis Methods for Macroscopic Traffic Flow Based on Traffic Index Clouds

WANG Zhonghao, ZHANG Jing, XIAO Jianli

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

The paper focuses on the review of analysis methods for traffic flow on road networks on account of the importance of its applications in intelligent transportation systems.It affords a meaningful review on the large-scale analysis methods for traffic flow.The basic types of the traffic flow analysis methods were drawn from the three aspects of microscopic,mesoscopic and macroscopic views at first.Then,the concept of traffic congestion index and its computing method were presented in detail,and at the same time,the concept of traffic index clouds was proposed.Finally,the methods for analyzing macroscopic traffic flow based on traffic index clouds were discussed,and the development and applications of the traffic index clouds were also presented.

trafficflowanalysis;trafficindex;regiondivision;trafficindexclouds

1007-6735(2017)04-0353-05

10.13255/j.cnki.jusst.2017.04.009

2016-12-21

國家自然科學基金資助項目(61503250);上海高校青年教師培養資助計劃(ZZslg15018);上海理工大學國家級項目培育課題(16HJPY-QN03)

王忠浩(1993-),男,碩士研究生.研究方向:數據挖掘與大數據技術.E-mail:1223644190@qq.com

肖建力(1982-),男,講師.研究方向:數據挖掘與大數據技術、機器學習與計算機視覺、智能交通與智慧城市.E-mail:audyxiao@sjtu.edu.cn

TP 391

A