考慮臨近時空序列影響的城市交通狀態判別方法

陳澤山，方 捷，許夢云，肖平輝，劉志佳

(福州大學土木工程學院，福建 福州 350108)

0 引言

裝有GPS設備的車輛作為浮動車判別交通狀態已逐步走向成熟[1].鄔群勇等[2]利用出租車軌跡數據計算道路擁堵指數.Nantes等[3]將線圈數據、手機GPRS數據和GPS數據作為多源異構數據，為城市主干道建立實時交通預測模型；孫超等[4]利用出租車、百度地圖、公交車的GPS數據作為數據源構建融合算法進行交通狀態判別.這些算法在評價道路交通狀態有較好的效果，但需其他多源數據提高算法準確性.李勇[5]將城市區域劃分為40×40個單元格，計算各時段各網格中車輛軌跡的平均速度確定擁堵閾值.Yang等[6]將研究區域劃分為30×20個格子，基于相關交通特性判別擁堵.通過網格法判別交通狀態能較好地描述城市宏觀交通狀態，但容易忽略區域網格內的路網密度等因素，單路段高擁堵狀態平均到區域網格內,其顯著性降低.

鑒于此，本研究基于車輛GPS數據特性進行車輛軌跡化處理，以離散的路段和時間段為分析單元對道路網絡進行交通狀態研究，由于交通流在時空上具有延續性和相關性的特點，采用考慮鄰近時空序列速度可提高算法的準確性.

1 營運車輛GPS數據特性分析

研究以漳州市中心城區2017年4月11日營運車輛的GPS數據作為數據源，車輛類型分為載貨和載客汽車兩大類.載貨車輛在道路交通網絡中承擔著跨區間長距離的貨流輸送的職能，車輛一般以較高速度行駛，能充分反映道路交通狀態，缺點是由于交通管制等原因，車輛在城市中心交通網絡覆蓋率低；載客汽車通常分布在城市客流出行集散區，其車輛類型不包含公交車，沒有固定的行駛路線，可全天候在道路上連續行駛，有利于精確地檢測路段交通參數，缺點是車輛在空載時，駕駛員通常會以較低的車速行駛尋找客源，由于GPS會按照固定間隔上傳數據，所以載客汽車會出現未以實際交通狀況行駛的現象.研究將綜合載貨車輛和載客車輛的交通特性，以互相彌補兩種服務型車輛在判別道路交通狀態的不足.

2 算法基礎定義

2.1 車輛軌跡

營運車輛GPS數據按照一定的時間頻率記錄其行駛狀態，包括位置，時間戳等信息.將GPS數據軌跡化處理，其車輛GPS定位點和車輛軌跡定義如下

定義1定位點P定義為四元組：P={id,lon,lat,t}.其中，id表示GPS設備標識號，lon和lat表示車輛的經緯度，t表示時間戳.

2.2 路網模型

根據道路網絡拓撲性建立電子地圖模型，將路網離散為一系列路段邊與節點，路網模型定義如下

定義3道路網絡G定義為有向圖G=(E,N)，式中E表示路段，N表示道路節點.

圖1 路網地圖模型Fig.1 Road network map model

2.3 路段交通運行狀況劃分

速度能直接反映交通狀態，對交通狀態的變化有較高的敏感性.參考《城市交通運行狀況評價規范(GB/T 33171—2016)》[7]，選取速度作為交通狀態的判別依據，如表1所示，其中Vkj為路段速度，Vf為自由流速度，針對不同類型的道路，Vf取道路限速值.

表1 路段交通運行狀況等級劃分表Tab.1 Road traffic status classification table

3 交通狀態判別算法設計

3.1 當前路段速度更新

將1 d離散為多個長度為Δt的時間周期，若時間周期Δt和路段長度elen足夠小，則可假設在離散的時間周期和路段內交通狀態保持穩定，若干個短時間跨度周期和短距離路段組合可表示連續一段時間內區域路網交通狀態的變化.

(1)

3.2 考慮鄰近時-空序列速度的路段速度判別

交通擁堵的產生、傳播和消散都與路網結構和交通環境等時-空因素有關系[6].考慮鄰近時-空序列速度進行路段交通狀態判別能減小誤差.根據向前的時-空衰退思想[9]，在路段速度的時-空序列分析中，確定當前路段交通狀態與時-空序列中相關性最強的若干序列，并且越接近當前時間周期和空間路段的序列其影響程度越大.

(2)

(3)

(4)

特別地，在空間路網之中由于存在交叉口的情況，空間序列速度中該路段上游m路段可能存在n條路徑的情況，則此時空間序列速度則為：

(5)

4 結果討論與分析

4.1 基于時-空序列速度路網交通狀態判別分析

對實驗區域路網交通狀態進行時空規律演化定性分析.以17:00—19:00作為晚高峰分析為例，交通狀態變化如圖2所示.在17:00—17:30期間交通擁堵已迅速形成，該時間段擁堵的主要原因是由于單位下班或放學時間較為統一，交通出行量突增，因此擁堵主要集中在核心區域；17:30—18:30時，擁堵呈現向周圍擴散的趨勢，擁擠程度降低但擁堵面積擴散；18:30—19:00時交通擁堵已經消退，擁堵路段數量顯著減少，但在漳州市商業圈附近出現了略微擁堵，晚高峰的交通狀態變化情況與實際情況基本吻合.

圖2 試驗區域晚高峰路網交通狀態變化Fig.2 Change of traffic status at the evening park in the test area

分析主干道勝利路的時空演變規律，如圖3所示.

圖3 勝利路交通狀態變化Fig.3 Traffic state change of Shengli Road

道路交通活躍期為08:00—23:00，時間分布上，早晚高峰的運行速度顯著低于其他時間段，上下午擁堵時間段分別為08:00—10:00和 17:00—19:00；交通狀態在空間分布上具有制約性和傳遞性，當某路段出現交通擁堵，該路段的運行狀態會影響下一路段；方向分布上，兩方向的交通狀態基本相似，但西至東的交通壓力要略大于另一方向，主要因為該方向為進入市中心方向，勝利路的交通狀態變化符合交通分布的時空規律.

4.2 基于時-空序列速度的有效性分析

為定量分析算法的有效性，算法計算路段速度的結果將與布設在城市路網中線圈的采集的實際結果進行對比分析.衡量誤差的主要指標有平均絕對誤差(MAE)、歸一化平均絕對誤差(NMAE)、絕對均分誤差(MSE)和歸一化均方誤差(NMSE)，具體公式如下：

(6)

(7)

(8)

(9)

算法實驗結果將與線圈檢測數據進行比較.選取的擁堵和暢通路段分別位于悅巷路和騰飛路，高峰時間段內該路段營運車輛平均采樣量分別約為64輛·h-1和43輛·h-1，營運車輛占所有車輛的比率約為2%～3%，不同交通狀態下的路段拓撲圖如圖4所示.

圖4 不同交通狀態下的路段拓撲圖Fig.4 Road topology diagram under different traffic conditions

檢測路段與算法結果的路段速度對比如圖5所示，路段速度時變圖顯示上下午各出現一個交通高峰.算法的運行結果在兩個路段都有一個較好的效果，如表2所示，擁堵路段和暢通路段的MAE和MSE指標相近，但由于暢通路段的平均速度要高于擁堵路段，因此暢通路段的NMAE和NMSE指標要大于擁堵路段，總體而言各項的誤差指標顯示出算法有一個較高的準確性.

圖5 算法結果與線圈數據比較Fig.5 Comparisons between algorithm results and loop data

表2 算法結果誤差分析Tab.2 Error analysis of algorithmic result

5 結語

研究構建了一種基于營運車輛GPS數據判別交通狀態的算法，該算法采用鄰近時-空序列速度判別路段交通狀態，有效提高了算法的準確性.實驗結果表明，算法在擁堵路段的準確性約為91.5%，暢通路段的準確性約為86.9%，可有效識別城市交通狀態.

研究以漳州市為例定性分析路網狀態，晚高峰期間主要為大量居民出行加上固有的路網瓶頸點所形成的靜態堵點，晚高峰交通擁堵聚集速度快，消散速度較為緩慢.晚高峰期間車輛出行需求增大，易形成連片的擁堵，所得出的結論符合城市路網交通狀態的時空分布規律.