基于大數據的交通流量模式分析

高忠文 牛孜飏

摘?要：針對城市道路交通系統汽車流量時空分布嚴重不均且難以預測，極易引發交通擁堵的問題，基于城市交通監控系統中采集到的海量視頻數據，結合模式識別技術與大數據挖掘方法，提出建立城市道路交通中車輛日常出行模式的方法。為進一步優化交通信號配時、調控交通流量、提高交通管理效率和道路資源利用率進而改善交通擁堵狀況，提供有效的數據支持。

關鍵詞：大數據;交通流量;模式分析

DOI：10.15938/j.jhust.2018.06.022

中圖分類號： TP273

文獻標志碼： A

文章編號： 1007-2683（2018）06-0124-04

Abstract：In view of the urban road traffic systems temporal and spatial distribution is severe unevenly，and we cannot predict the situation of the roads，it is easily to lead to traffic jam.In order to solve the problem，we could build the system of vehicle trips in urban road traffic，which combined with ?pattern recognize technique nique and data mining method，and based on the massive video data collected by the urban traffic monitoring sysem.The system can offer effective data support to optimizing traffic signal timing furtherly ，regulating traffic flow?improving traffic management efficiency and road traffic resource utilization?eventually improve traffic congestion.

Keywords：big data; traffic flow; mode analysis

0?引?言

城市交通擁堵問題一直是一項世界性的難題。目前我國正處于城鎮化爆炸式發展時期，大中城市居民私家車保有量大幅度增加，大量存在的交通擁堵問題亟待解決。然而城市道路交通所產生的交通擁堵是階段性發生的，如果交通指揮系統能提前分析掌握交通流量起伏變化的時空規律并加以分析，這必將對緩解交通擁堵問題大有助益。而傳統的OD調查方法代價極高、過程繁瑣。大數據挖掘方法概念一經提出便已促進能源、醫療、服務等大量傳統產業產生了巨大變革，推動了諸多行業的發展進步[1-5]。不少專家學者也在研究運用目前炙手可熱的大數據分析方法來解決交通問題[6-8]。文獻[9-10]中應用車型聚類分析對檢測范圍內的車流前進速度進行高效的檢測。文獻[11]提出借助Intergraph GeoMedia建立GIS平臺，將道路交叉口車輛數據、交通設施數據、交通事故數據等結合起來，進行事故分析檢測。然而由于手機GPS提供的數據信息并非直接數據來源，且其中包含著大量不具備研究價值且無用的數據，這將會浪費巨大的數據處

理資源。本文從一個全新角度結合路網中由完備的監控系統中拍攝到的車輛，進行照牌提取。分析整合車輛日常出行時間及路線，再通過模糊聚類分析算法進行智能優化計算，建立交通路網運行模式。這樣數據來源更精準更直接有效減少了大量冗余無效的數據，因而能以更低的成本和更高的效率分析獲取相關潛在規律。根據所得交通模式，可以進一步對未來時間段的交通狀況進行預測和預調度，交通擁堵現象勢必能得到大大改善。

1?運行模式建立

1.1?數據來源

隨著現代智能交通系統（ITS）建設不斷完善，網絡通信技術、高清視頻技術及大數據挖掘等技術廣泛應用于交通領域[12]。人們可以方便的將大量的交通信息收集存儲起來，并從中提取整合出大量富含價值的信息。文獻[13-15]將視頻圖像處理技術與模式識別相結合，集成了城市交通的基礎信息、存儲了海量的交通數據、數據挖掘技術可以對交通數據進行微觀和宏觀的統計、分析、綜合和推理。道路上的攝像頭可以捕捉到車牌的號碼信息并進行識別，因此我們可以得到關于車牌信息、時間、攝像頭編號等有效信息，加以存儲，并用以分析出車輛的行駛方向、時間。

1.2?時段劃分

交通系統中的通行過程類似于一種供求關系。各交通道路提供車輛行駛的空間，對應的車輛通過路網提供的空間順利通過。供應方面為需求方面服務，在運行方式部署的路網交通燈及指揮人員的安排下，車輛按照交通法則行駛在路網中。而具體的規則本身也隨著特定時段的等待車輛多少來相應修整（如交通信號燈的等待時長等），體現適應車流量變化規律的要求，由此可見流量方面的重要性。城市固定車輛的運行習慣模式分析的重要性毋庸置疑，且交通路網的指揮調度與流量的變化規律有著密不可分的關系。因此我們第一步的工作就是根據交通流量的情況進行時段（模式時段）的劃分。

在交通系統中，交通流量及跟蹤流量變化的交通擁堵現象在一天的變化是有規律的，有時變化快，有時變化慢，有時負荷較大，有時又較小，為了反映交通流量的水平檔次的變化，我們給出了如下的時段劃分方法：

2.2.1?形成節氣樣本中心

在同一節氣中，人們日常的出行時間是相似的，但又有緩變信息，如何找出一個能代表這個節氣的樣本中心是分析這一節氣負荷特性的第一步。

1.2.2?最近樣本中心日的選取

以上述方式形成的節氣樣本中心，實際上是求取某種平均值，當某一個時段車流量的上升率是相同的，而流量上升段出現的時刻不同時，所形成的節氣樣本中心，其流量上升率將變緩慢，這種情況如圖1所示，其中實線為節氣樣本（K=1，2），虛線為節氣樣本中心，可見虛線上升率減緩，這不足已反映流量變化的真是情況，為此我們選取了最近樣本中心的樣本為節氣樣本代表，選取如下：

1.2.3?區域流量水平分檔

一天的流量按流量大小分為n檔，則第K日第i采樣時間單元第j區域的流量水平檔次nij為：

1.2.4?系統的流量所處的水平檔次

至此就可以根據ni同檔（數據相同）對運行模式的時段進行劃分了。

1.3?模式更新

為了反映模式的緩變信息，當新的一天采樣數據來到時，首先要判斷是否屬于正常日樣本，如果是則參與樣本類中心的更新然后計算新的最近樣本中心日的運行模式，添加到數據庫中。研究管理人員就可以從簡單的對比分析中，立刻掌握局部交通系統的現行運行狀態的梗概。

2?實例分析

本文以某市區擁堵情況多發的某主干道路段為例，使用上文中論述的實施步驟將檢測結果在可視化原型上進行統計分析。

取一年中比較有代表性的夏冬兩季節所包含的六個節氣樣本中心進行綜合分析，夏至至立秋節氣樣本中心綜合為夏季樣本中心;冬至至立春節氣樣本中心綜合為冬季樣本中心。圖中實線給出的是統計周期內得到的以20min為單位統計的總車流量日平均結果;虛線為相同統計條件下居民出行具備節氣相關性的出行車流量。

由圖4中可以看出夏季樣本中心，深夜車流量季節相關性基本不存在，且早晚高峰流量具有明顯的季節相關性，峰值時甚至高達74.8 %;午間小高峰季節相關性不低于35%;至于8：20～11：40及3：00～5：20平峰時段的季節相關性則只體現介于13%～19%的低相關性。圖5冬季日間總車流量較之夏季相差不大，但相較于夜間能顯示突出的日間出行傾向。比之夏季樣本中心夜間相關出行量則出現了銳減。冬季樣本中心和夏季相比，晚高峰出現時段則出現了40-50分鐘的前移，且持續時間延長20-30分鐘。

分析建立相關交通系統運行模式可帶來如下好處：

1）相關運行模式的交通流量特征指標簡明扼要，信息量并不繁雜，具有綜合性，便于調度運行人員迅速掌握交通系統的發展態勢。

2）相關運行模式注意反映總體、局部不同層次的關系，式樣多級分層調節體制。

3）正常運行模式向人們提供正常化與否的參照系，便于運行調度人員及時發現異常問題及其所在。

3?結?論

本文借助監控系統結合車牌圖像識別，以大數據挖掘的方法建立路網系統運行模式。完成了對固定交通流規律的分析統計，解決了以往對交通流規律無法預測的情況。有助于交通系統的分析和運行調度人員對系統運行狀況的了解和掌握，方便優化交通組織方案。可作為智能交通優化調度的基礎數據，為進一步的優化調控提供數據支持。

參 考 文 獻：

[1]?CHEN M?MAO S?LIU Y.?Big Data： A Survey[J]. Mobile Networks and Applications?2014?19（2）：171-209.

[2]?YADAV C?WANG S?KUMAR M.?Algorithm and Approaches to Handle Large Data-A Survey[J]. International Journal of Computer Science & Network?2013?2（3）：1177-1181.

[3]?李建中?王宏志?高宏.?大數據可用性的研究進展[J]. 軟件學報?2016?27（7）：1605-1625.

[4]?李國杰?程學旗.?大數據研究：未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J]. 中國科學院院刊?2012?27（6）：5-15.

[5]?李雨童?姚登舉?李哲，等.?基于R的醫學大數據挖掘系統研究[J]. 哈爾濱理工大學學報?2016?21（2）：38-43.

[6]?LI De-ren?CAO Jian-jun?YAO Yuan.?智慧城市中的大數據[J]. Science China Information Sciences?2015?39（10）：631-640.

[7]?胡宇舟?范濱?顧學道，等.?基于Storm的云計算在自動清分系統中的實時數據處理應用[J]. 計算機應用?2014（S1）：96-99.

[8]?張和生?張毅?胡堅明，等.?面向ITS的GIS研究與設計[J]. 公路交通科技?2004?21（3）：71-74.

[9]?吳聰?李勃?董蓉，等.?基于車型聚類的交通流參數視頻檢測[J]. Acta Automatica Sinica?2011?37（5）：569-576.

[10]BALAJI P G?SRINIVASAN D.?Type-2 Fuzzy Logic Based Urban Traffic Management[J]. Engineering Applications of Artificial Intelligence?2011?24（1）：12-22.

[11]王冬蕾?劉富強?周凱.?GIS在智能交通系統交叉口監控中的應用研究[J]. 計算機工程與設計?2008?29（20）：5330-5332.

[12]孫智源?陸化普.?考慮交通大數據的交通檢測器優化布置模型[J]. 清華大學學報（自然科學版）?2016（7）：743-750.

[13]王洋?曾雪琴?范劍英.?汽車牌照字符識別系統設計[J]. 哈爾濱理工大學學報?2012?17（1）：90-95.

[14]咼潤華?蘇婷婷?馬曉偉.?BP神經網絡聯合模板匹配的車牌識別系統[J]. 清華大學學報（自然科學版）?2013（9）：1221-1226.

[15]陶澤明?裴玉龍?杜文剛.?基于MATLAB的車輛圖像濾波[J]. 哈爾濱理工大學學報?2008?13（1）：18-20.

（編輯：關?毅）