區域交叉口交通擁堵傳播規律挖掘方法研究

施佳呈 吳戈 俄文娟

摘要：為了準確識別和預測區域交叉口的交通狀態，研究道路網絡中的擁堵傳播規律，以交叉口流量數據為研究基礎，提出了一種改進型需求容量的交叉口交通狀態判別方法。結合交通領域的具體特點，對算法數據庫進行適應性調整，采用一種基于路網拓撲結構約束的Aprior算法，建立區域交叉口擁堵傳播規律挖掘模型，并以蘇州市某區域的交叉口數據為實例進行驗證，從時間維度分析發現擁堵具有相似性和反復性，從空間維度研究獲取“回溢”和“流出”2種擁堵傳播模式，與現實情況相符。結果表明，模型能夠有效挖掘區域交叉口擁堵傳播規律，并根據傳播規律中各個交叉口擁堵發生的時序特性進行交通狀態預測。所得結論對實現擁堵預警和交通擁堵的早期干預具有一定的借鑒意義。

關鍵詞：交通運輸系統工程;區域交叉口;擁堵傳播規律;交通狀態判別;Aprior算法;交通預測

中圖分類號：U121文獻標識碼：A

doi： 10.7535/hbgykj.2020yx03008

Abstract：

In order to recognize and predict the traffic status at regional intersections accurately， as well as to research congestion propagation rules in road networks， an improved demandcapacity method was used to identify the traffic status at intersections based on traffic flow data. Firstly， adaptive adjustment to the database was conducted according to the specific features of the traffic field. Then， the model of mining traffic congestion propagation rules at regional intersections was established by the Aprior algorithm based on the topological constraints of the road network. Finally， intersection data from an area in Suzhou was used to verify the proposed model. It was found that the congestion had similar and repetitive features from the view of the time dimension， and the congestion propagation modes of "spillback" and "outflow" could be obtained from the view of space， which were consistent with the present reality. It indicates that the model can effectively analyze congestion propagation rules at regional intersections and predict traffic status according to the timing characteristics of the congestion at each intersection in the propagation law， which is of great significance for the early warning and intervention of the traffic congestion.

Keywords：

traffic and transportation system engineering; regional intersection; congestion propagation rule; traffic status identification; Aprior algorithm; traffic prediction

交通擁堵是現代化城市亟待解決的交通難題，對交通狀態的準確預測是進行交通控制和疏導以緩解交通擁堵的基礎。交叉口作為道路網絡的節點，容易成為交通擁堵的誘發點。

現有對交叉口交通狀態預測的研究成果主要有基于統計分析的預測模型、非線性理論模型、基于仿真的預測模型、智能預測模型等[1]。傳統的預測方法大多基于單個交叉口的交通流時間變化特性，隨著研究的深入，學者們開始從道路網絡的整體分析出發，整合交通流時空變化特性，相關研究大致可分為2類。

1）考慮上下游交通流對目標預測點的影響，將目標預測點和與其空間關聯度較高的其他檢測點的相關數據融合作為預測模型的輸入參數，以提高單點預測的模型精度。陳小波等[2]考慮上下游節點的時空相關性，提出一種基于稀疏混合遺傳算法優化最小二乘支持向量回歸方法進行交通流預測。ASIF等[3]以大型異構道路網絡中的行車速度為預測對象，采用支持向量機算法解析預測目標未來的交通狀態與該目標及其相鄰點當前和過去狀態之間的相關關系;陸參軍[4]將時間和空間因素相結合，綜合考慮上下游交叉口交通流量關系對灰色馬爾可夫預測模型進行優化。

2）分析路網中局部點發生交通擁堵后對其他點的交通狀態造成的影響，獲取擁堵擴散的時空規律，以預測未來路網的交通狀況。對擁堵傳播規律的分析以數理解析和交通仿真方法為主。LAWSON等[5]假設交通流量的到達率和離開率恒定，采用追蹤隊尾車輛的方法，提出了基于瓶頸節點的時空擴散范圍估計方法;NAM等[6]基于風險模型估計交通擁堵發生后的持續時間及其可靠性和波動性;和飛飛[7]以惡劣天氣下的快速路交通狀態為分析背景，通過建立擁堵狀態指標獲取快速路交通擁堵時空傳播特征。基于交通仿真的研究主要從跟馳模型、元胞傳輸模型、流體力學模型等展開;李修海等[8]以尋找對信號交叉口車輛跟馳行為影響最大的變量為目的，運用灰色關聯分析方法在交叉口視頻數據中挖掘相關參數，以便更好地擬合擁堵的形成和演化過程;LONG等[9]采用元胞自動機模型對比分析交叉口停車線寬度分配和通道化排隊區域長度對擁堵形成的影響;REDHU等[10]構建了單向道路的格子流體力學模型，并引入下游前后輸出時間間隔的流量差作為反饋控制信號，仿真結果表明該反饋控制方法可以有效地抑制交通擁堵的擴散。

第1類研究主要針對單個節點進行預測，無法獲悉擁堵在道路網絡的演變趨勢;第2類研究的數理解析和交通仿真將實際情況簡化，結果可能會與真實的擁堵傳播現象出現偏差。智能交通系統為交通管理積累了大量的交通流數據，筆者擬應用數據挖掘技術直接識別分析海量數據，以獲取道路網絡中擁堵擴散的演變規律，并克服數理解析和模擬仿真方法所導致的研究結果“失真”問題。

在數據挖掘中，Aprior算法是發現海量數據中隱含信息的重要手段，旨在挖掘2個或多個變量之間存在的某種相關規律，這種規律包含數據之間的數量關系、因果關系、時序關系等。該算法已在商業金融、醫學診斷、高校教育等[1114]領域得到應用，在交通領域中，該算法已被用于交通事故成因分析[1517]、交通輿情分析[18]，但在交叉口擁堵傳播特性研究方面未見有應用。在實際的城市道路網絡中，某個區域的各個交叉口發生擁堵遵循一定的因果關系，并且擁堵發生的時間也具有先后時序，符合Aprior算法的適用范圍。

本模型中的符號說明如表1所示。

1交通狀態判別

1.1模型基本原理

描述和預測交通狀態的關鍵在于準確分析交叉口供需關系。由于本研究的基礎數據是交叉口流量數據，因此研究直接以流量為判別參數分析交叉口的供需關系。但是檢測器輸出的車輛數是實際通過交叉口的流量，而非需求量，當交叉口發生交通擁堵時，通過的流量會小于實際需求，容易出現交通狀態誤判。針對這一問題，勞云騰[19]提出了需求容量法，通過上游交叉口的檢測數據估計下游交叉口的真正需求量。該算法的特點是在單一交叉口流量數據的前提下，對交叉口的交通需求進行估計，和本研究的基礎數據情況類似。該方法在計算過程中存在如下2個方面的問題。

1）在需求方面沒有考慮連接上下游交叉口的路段沿線兩側用地出入口的交通流量對交叉口需求量的影響，在早晚高峰期，道路沿線住宅、寫字樓等出入口的車輛進出量較大，對交叉口的影響不可忽視。

2）在容量方面考慮了下游交叉口排隊蔓延導致上游交叉口的折損，文中提出的調整系數法并沒有對系數的具體取值進行研究。

因此本研究對需求容量法進行改進，在需求計算過程中，加入路段流入量和流出量在早晚高峰期對交叉口需求量影響的考量。在容量計算過程中，針對上游交叉口通行能力折損問題，提出了一種更加簡便的修正方法。

1.2交叉口需求流量

1）下游進口道B4交通需求量主要源于上游交叉口1，2，3三組匯入交通流量，如圖1所示。

2）下游交叉口的交通需求量還受到進出路段兩側用地的交通流量的影響。根據沿線兩側各用地的建筑面積，參考《蘇州市交通影響評價技術標準》的高峰期間各類用地吸發率，計算各地塊的發生吸引量。以基礎數據輸出的時間間隔為標準，將發生吸引量平均分配，得到路段進出流量數據，再將其疊加到式（1）中計算的D′B4，t上，作為下游交叉口進口道B4的總需求量DB4，t。

3）根據t時刻下游進口道各車道檢測交通量，將交叉口進口道總需求量按比例進行分配。以B4進口道的B42車道為例，t時刻的交通需求為

1.4模型必要性驗證

本研究數據為蘇州市吳中區某區域連續5個工作日（20181119—20181123）的交叉口流量數據，數據粒度為5 min，該區域共包含22個交叉口。

以東吳北路吳中路交叉口20181119的7：00—19：00數據為例，早晚高峰期上游匯入流量接近甚至超過該交叉口各方向進口道通行能力的情況較為明顯，如圖2所示。

檢測器輸出的通過交叉口的流量和交叉口真正的需求是有區別的，存在擁堵發生時檢測器檢測到的流量小于實際需求的問題，需要用改進的需求容量法解決。

1.5擁堵程度劃分

飽和度是交通需求和通行能力的比值。

2擁堵傳播規律挖掘

2.1基本原理

交通擁堵具有傳播性，即局部點擁堵可能在關聯點中蔓延[21]。在早晚高峰期，瓶頸交叉口容易產生交通擁堵，如果不采取控制措施，擁堵可能通過與交叉口連接路段向上、下游蔓延，形成小范圍的區域性擁堵，嚴重情況下擁堵繼續向外傳播，沖擊更多的交叉口引發更大規模的區域性擁堵。因此研究區域交叉口的擁堵傳播規律，采取有效的防控措施，對緩解交通擁堵具有重要意義。

擁堵在交叉口間傳播可發生在同一檢測時間，也可跨越幾個檢測時間。筆者用Aprior算法從交叉口交通狀態的相關關系中挖掘頻繁出現事件序列，以確定擁堵傳播時空規律。表3以A，B，C表示不同車道，對擁堵傳播頻繁項集進行演示。

2.2時序數據庫建立

分析對象示意圖如圖3所示。

Aprior算法多用于挖掘靜態的規律，但交通擁堵的時空傳播規律帶有時序性，為了應用Aprior算法，需要將多個交叉口在不同時刻的交通狀態數據集整合成隱含時序特征的數據庫，步驟如下。

1）交通狀態基礎數據庫

以交叉口各進口道每個車道為分析對象，建立交叉口擁堵程度數據庫D={M1，M2，…，Mj，…，Mx}，Mj記錄了數據庫中第j個交叉口的交通狀態，Mj={t，Mjk（p）}：t表示時間;Mjk（p）表示該交叉口k車道交通狀態，用表1中的狀態等級編號表示。

2）交通狀態合并數據庫

合并同一時間段不同交叉口的數據，表4中a，b，c表示不同的交叉口。為節省數據庫內存和提高算法效率，可忽視暢通、基本暢通和輕度擁堵3種情況（交通狀態編號分別為1，2，3），只考慮中度擁堵和嚴重擁堵（交通狀態編號分別為4，5），如表5所示。

2.3添加路網拓撲約束

在分析過程中加入約束條件可以更真實地描述客觀規律，過濾無效不相關數據，從而提高算法的準確性和效率。根據擁堵沿道路網絡拓撲結構傳播的特點，同時考慮基礎數據時間間隔為5 min和擁堵傳播速度，定義在擁堵傳播規律中，擁堵源交叉口和與之關聯的交叉口為相鄰關系。

2.4參數設置

Aprior算法以支持度和置信度2個參數描述規律的有效性，通過設置2個參數的閾值削減候選項，在數據庫中獲取頻率高的項集。如果閾值設置過低會導致挖掘的規律無效，設置過高會導致有效規律遺漏，因此參數閾值的選取尤其重要。

支持度指某擁堵傳導規律發生的頻率。在Aprior經典算法中，假設各項在數據庫中的分布是均勻的，設置唯一的最小支持度。但對于本研究的擁堵傳播這個假設不能成立，因為嚴重擁堵、中度擁堵、輕度擁堵發生的頻率顯然是不一樣的。本研究從狀態數據庫中僅提取嚴重擁堵和中度擁堵，可在一定程度上減小唯一支持度對模型結果的影響，同時考慮嚴重擁堵狀態發生的頻率小于中度擁堵的情況，計算嚴重擁堵原始單元素項集的平均支持度，作為整個模型的最小支持度。

置信度是指擁堵傳導規律中一個交通狀態發生的情況下，另一交通狀態發生的可能性。參考文獻[11]和文獻[13]并進行多次嘗試，設置置信度閾值為0.7。

3實證與分析

3.1模型結果

筆者取對象區域晚高峰時間段（16：30-18：30）共120組流量數據作為模型的驗證樣本，在python3.6中配置Jupyter NoteBook進行算法程序開發。在上述實驗環境和數據的基礎上，應用本文提出的Aprior算法對數據進行挖掘，得到表8所示

3.2擁堵傳播規律分析

以規律1—規律6為例，分析其時空特征。從時間維度分析，將上述傳播規律的起始時間以點的方式在坐標軸中直觀記錄。在基礎數據時間范圍內每一條規律發生的起始時間都集中在某一時間段，擁堵發生的時間具有相似性;交叉口的交通狀態在擁堵與不擁堵之間變化，說明這些交叉口不是持續的擁堵，一次擁堵消散后又有可能發生新的擁堵，具有反復性，如圖5中規律2、規律4、規律6的情況。

根據擁堵的不同傳播方向可將規律歸類為2種模式：回溢模式和流出模式[22]。回溢模式如圖7中實線所示，流出模式見圖8中虛線，箭頭方向表示擁堵傳播的方向。上游交通流參數通過道路載體對下游交通流參數具有傳遞作用，下游的交通狀態也會反作用于上游，且都會經歷一個時間延遲。

1）回溢模式

回溢模式如圖7所示，是指擁堵向行車的反方向傳播，即其下游交叉口某一進口道方向發生擁堵后，車輛不斷積聚，導致路段上車輛排隊長度不斷延長甚至溢出路段，影響到上游交叉口的交通運行狀態。實證區域中規律1，2，3，4屬于這種模式，所涉及的交叉口具有以下特點：交叉口之間的路段相對較短，下游交叉口的擁堵程度比較嚴峻時形成車輛的累積。

2）流出模式

流出模式如圖8所示。流出模式是指擁堵向行車方向的傳播，即上游交叉口某一進口道的交通量較大但尚未形成車輛累積，在一個信號周期內到達該進口道的車輛可以全部通過該交叉口行駛到下游交叉口，使下游交叉口到達的交通量增加，飽和度變大。規律5，6屬于這種模式。產生流出模式的交叉口具有以下特點：連接上下游交叉口之間的路段相對較長，上下游交叉口的擁堵程度相對輕緩，車輛累積情況尚未形成。

3.3在擁堵預測系統的應用

利用上述挖掘的區域交叉口擁堵傳播規律可以分析交叉口擁堵在區域道路網絡中的擴散性綜合影響，獲取該區域中各個交叉口擁堵發生的時間順序。當某一規律中擁堵源交叉口發生擁堵時，根據擁堵傳播規律中擁堵傳播的趨勢，可預測該規律中其他交叉口后續的交通狀況。以上述規律中規律6為例：如果交叉口b北進口直行車道已經發生中度擁堵，那么可以預測5 min后交叉口c北進口直行車道有78%的可能性發生中度擁堵。因此可以將這種擁堵傳播規律應用至擁堵預測系統中，為建立交叉口擁堵預警系統和實行擁堵早期干預提供具體的策略支持。

4結語

本研究立足于交通擁堵的時空傳播特性，將數據挖掘應用于區域交叉口擁堵傳播規律的分析。首先基于交叉口檢測器流量數據，優化了交叉口交通狀態判別算法;然后結合交通領域的特殊性，提出了基于路網拓撲結構空間約束的Aprior算法進行擁堵傳播規律挖掘的基本思路，構造了以各交叉口轉向車道為分析對象的交通狀態歷史數據庫，對數據庫進行了適應性調整，提高了算法的效率;最后利用蘇州市吳中區交叉口實例數據驗證了模型的有效性和正確性。模型實證結果表明，從時間維度分析可知擁堵具有相似性和反復性;從空間維度分析發現了“回溢”和“流出”2種擁堵傳播的模式，“回溢模式”通常出現在擁堵嚴重、相對距離較短的2個交叉口間，而“流出模式”則在擁堵相對輕緩、相對距離較長的2個交叉口間較為常見。

本文獲取的交叉口擁堵傳播規律可以應用于區域交叉口擁堵趨勢的預測，有助于掌握區域道路網絡中交叉口交通狀態的規律性，為城市交通管理者提供輔助決策信息，達到提高城市道路網通行效率的目的。目前，模型的數據基礎是靜態的交叉口歷史流量數據，今后可融合多源交通流數據，對動態實時的交通流數據進行在線分析，以提高預測模型的精度和適用性。

參考文獻/References：

[1]趙宏，翟冬梅，石朝輝. 短時交通流預測模型綜述[J]. 都市快軌交通， 2019，32（4）： 5054.

ZHAO Hong， ZHAI Dongmei， SHI Chaohui. Review of shortterm traffic flow forecasting models[J]. Urban Rapid Rail Transit， 2019，32（4）： 5054.

[2]陳小波，劉祥，韋中杰，等. 基于GALSSVR模型的路網短時交通流預測研究[J]. 交通運輸系統工程與信息， 2017，17（1）：6066.

CHEN Xiaobo， LIU Xiang， WEI Zhongjie，et al. Shortterm traffic flow forecasting of road network based on GALSSVR model[J]. Journal of Transportation System Engineering and Information Technology， 2017，17（1）：6066.

[3]ASIF M T， DAUWELS J，GOH C Y， et al. Spatiotemporal patterns in LargeScale traffic speed prediction[J]. IEEE Transactions on Intelligent Transportation Systems，2013，15（2）：111.

[4]陸參軍. 基于關聯交叉口交通流量短時預測方法研究[D]. 成都：西南交通大學， 2017.

LU Canjun. Research on ShortTerm Forecasting Method of Traffic Flow Based on Intersection[D]. Chengdu： Southwest Jiaotong University， 2017.

[5]LAWSON T W， LOVELL D J， DAGANZO C F. Using the inputoutput diagram to determine the spatial and temporal extents of a queue upstream of a bottleneck [C]// Transportation Research Record 1572， TRB， National Research Council， 1997.

[6]NAM D， FRED M. An exploratory hazardbased analysis of highway incident duration[J]. Transportation Research Part A，2000， 34（2）： 85102.

[7]和飛飛. 惡劣天氣對城市快速路網交通狀態影響規律研究[D].北京：北京交通大學，2016.

HE Feifei. Study on the Influence Rules of Severe Weather on Traffic State of Urban Expressway Networks[D].Beijing： Beijing Jiaotong University，2016.

[8]李修海，于少偉.信號交叉口集聚車輛的跟馳行為分析與建模[J]. 交通運輸系統工程與信息， 2015， 15（2）：102108.

LI Xiuhai， YU Shaowei. Analysis and modeling for carfollowing behaviors on arrival traffic flow of signalized intersection[J]. Journal of Transportation System Engineering and Information Technology， 2015，15（2）：102108.

[9]LONG Jiancheng， GAO Ziyou， ZHAO Xiaomei， et al. Urban traffic jam simulation based on the cell transmission model[J]. Networks and Spatial Economics， 2011， 11（1）：4364.

[10]REDHU P， GUPTA A K. Delayedfeedback control in a lattice hydrodynamic model[J]. Communications in Nonlinear Science and Numerical Simulation， 2015， 27（1/2/3）：263270.

[11]吳學雁. 金融時間序列模式挖掘方法的研究[D]. 廣州：華南理工大學， 2010.

WU Xueyan. The Research on Pattern Mining of Financial Time Series[D]. Guangzhou： South China University of Technology， 2010.

[12]崔妍，包志強. 關聯規則挖掘綜述[J]. 計算機應用研究， 2016， 33（2）：330334.

CUI Yan， BAO Zhiqiang. Survey of association rule mining[J]. Application Research of Computers， 2016， 33（2）：330334.

[13]魯可， 陳騰宇， 黃慈輝， 等.基于中醫傳承輔助平臺軟件的治療咳血方劑的組方規律分析[J].中國藥房，2018，29（6）：769773.

LU Ke，CHEN Tengyu，HUANG Cihui， et al. Analysis of composition regularity of prescriptions for hemoptysis based on TCM inheritance support platform software[J]. China Pharmacy， 2018， 29（6）：769773.

[14]江君， 董顯亮， 王相娥. 基于頻繁項集的學生選課行為分析[J]. 科技視界， 2018（16）：132133.

JIANG Jun， DONG Xianliang， WANG Xiange. Analysis of students' elective course behavior based on frequent itemsets[J]. Science and Technology Vision， 2018（16）：132133.

[15]鄧曉衡， 曾德天. 基于AHP和混合AprioriGenetic算法的交通事故成因分析模型[J]. 計算機應用研究， 2019， 36（6）：16331637.

DENG Xiaoheng， ZENG Detian. Traffic accident causation analysis model based on AHP and hybrid AprioriGenetic algorithm[J]. Application Research of Computers， 2019， 36（6）：16331637.

[16]李淵韜， 張楠， 劉峰， 等. 基于信息論優化的Apriori算法在交通事故分析中的應用[J]. 信息系統工程， 2016（10）：8084.

[17]孫斌. 基于Apriori算法的船舶碰撞事故致因分析[D]. 大連：大連海事大學， 2016.

SUN Bin. Cause Analysis of Ship Collision Accident Based on Apriori Algorithm [D]. Dalian： Dalian Maritime University，2016.

[18]何夢嬌， 吳戈， 梁華， 等.基于多源文本挖掘的城市交通輿情分析——以蘇州為例[J].交通信息與安全，2018，36（3）：105111.

HE Mengjiao， WU Ge， LIANG Hua， et al. An analysis of public opinion on urban traffic based on multisource text mining： A case study of Suzhou[J].Journal of Transport Information and Safety， 2018，36（3）：105111.

[19]勞云騰. 信號控制交叉口交通阻塞動態預測方法研究[D]. 上海：同濟大學， 2008.

LAO Yunteng. Dynamic Forecast Method for Traffic Congestion at Signalized Intersection[D]. Shanghai： Tongji University， 2008.

[20]聶增國. 城市道路交通狀態評價研究[D]. 濟南：山東大學， 2018.

NIE Zengguo. Research on Urban Road Traffic State Evaluation[D]. Jinan： Shandong University， 2018.

[21]聶慶慧. 基于交通傳播特性分析的城市路網動態OD在線估計[D]. 南京：東南大學，2017.

NIE Qinghui. Online Estimation of Dynamic OD Flows for urban Road Networks Based on Traffic Propagation Characteristic Analysis[D]. Nanjing： Southeast University， 2017.

[22]董春嬌， 邵春福， 諸葛承祥， 等.擁擠流狀態下城市快速路交通流時空特性[J]. 北京工業大學學報，2012，38（8）：12421246.

DONG Chunjiao， SHAO Chunfu， ZHUGE Chengxiang， et al.? Spatial and temporal characteristics for congested traffic on urban expressway[J]. Journal of Beijing University of Technology， 2012，38（8）：12421246.