基于貝葉斯網絡的城市道路交通擁堵多原因自動實時識別

曹 堉，王 成，楊岳銘，徐江濤

(華僑大學 計算機科學與技術學院，福建 廈門 361021)

0 引言

目前，在交通擁堵的問題中多從兩個方面研究：(1)判斷識別某道路是否發生擁堵。例如：李宇軒等[1]利用支持向量機構建了對擁堵狀態和非擁堵狀態識別的分類器；李桂毅等[2]通過分析管制扇區交通時空擁擠特征，基于雷達航跡數據建立了多扇區交通擁擠識別模型。(2)擁堵發生后采取措施的有效性[3-4]。而這兩個問題的連接處即尋找發生交通擁堵的具體原因對于解決交通擁堵也至關重要。在此問題中，安萌等[5]從路網結構出發，分析了重慶市路網系統的特征和缺陷，延伸到對重慶市路網格局下特有的節點型擁堵進行成因和特征分析，但該分析是城市級宏觀靜態的，無法落實到具體的某條城市道路。王瀟[6]基于故障樹理論建立了城市交通擁堵致因分析模型。Wang等[7]根據M/M/1的排隊模型，測量平均到達率、平均服務率和隊列長度等參數，在此基礎上根據各交叉口的繁忙率和空閑率分析了道路交通擁堵的原因，沒有進行自動實時識別。

目前對于擁堵原因的分析識別研究中，遇到擁堵情況后多憑當時的具體情況及道理信息以主觀經驗分析擁堵原因，自動化程度低、主觀性強、實時性差。而道路的擁堵原因是動態實時、復雜多變的。人工進行主觀判斷費時、費力、效率不高，延長了擁堵的持續時間，因此根據道路工作狀態下交通可觀測變量對交通擁堵原因進行自動實時識別就尤為必要。

本研究將貝葉斯網絡引入城市道路交通擁堵的原因識別中，提出了一種基于貝葉斯網絡的城市道路交通擁堵多原因自動實時識別方法。貝葉斯網絡通過圖形化的方法來表示，克服了基于規則的系統所具有的概念上和計算上的許多困難，并且擅長描述學習變量間的因果關系，能夠充分利用領域知識和樣本數據的信息，在交通擁堵的判別[8]、交通事故的自動識別[9-10]等方面的運用上效果顯著。本研究運用貝葉斯網絡,首先對城市道路交通的動態可觀測變量和多個擁堵原因之間的關系進行系統的機理分析和仿真驗證，從而構建貝葉斯網絡結構，再以獲取的實測歷史數據進行參數學習訓練，得到完整的貝葉斯網絡模型。最后，將該道路工作狀態下的交通可觀測變量輸入該貝葉斯網絡模型，就能同時自動實時識別出交通擁堵的多個原因。

1 基于貝葉斯網絡的城市道路交通擁堵原因識別模型的構建

1.1 城市道路交通擁堵多原因識別問題的形式化描述

問題模型：道路的交通擁堵多原因識別是要根據研究區域范圍內有關的城市道路交通狀態可觀測變量{a1,a2,a3,…,an}，判斷出交通擁堵原因的0-1離散類型{c1,c2,c3,…,cm}。該問題的難點在于：城市道路交通狀態可觀測變量{a1,a2,a3,…,an}與交通擁堵原因的離散類型{c1,c2,c3,…,cm}之間存在復雜的因果關系，1個城市道路交通擁堵的原因發生會引發多個城市道路交通狀態可觀測變量值的變化；同時，1個城市道路交通狀態可觀測變量值的變化，可能是多個城市道路交通擁堵的原因共同發生作用后的結果。且多個交通擁堵原因可以單獨發生，也可以同時發生。

值得注意的是，由于交通擁堵原因{c1,c2,c3,…,cm}是0-1型離散類型，多個交通擁堵原因可以單獨發生，也可以同時發生。因此，該問題轉化為一個數據驅動的多分類問題。

1.2 道路擁堵原因類型

城市道路交通系統是由人、車、路、環境4個部分組成。其中車輛作為道路上的主要交通工具，因此是交通擁堵的關鍵因素。行人作為交通的主要參與者，其行為也對城市道路交通產生重大影響。道路和環境對道路使用者有著直接的影響[11]。系統的各個部分都與交通擁堵緊密相關。

但由于固定的因素狀態無法通過數據變化來反映，所以本研究只考慮非固定因素，即不考慮道路缺陷。另外，考慮到模型可用性和數據的可獲得性，因此對于交通環境因素僅考慮信號配時不合理和停車占道現象，對其他問題，如天氣情況及交通事故因素，由于數據缺乏可靠來源，難以獲取，因此本研究模型中暫不考慮。

同時，對交通擁堵原因節點進行調整，將車輛問題向下細化變為過街車流影響、車流高峰2個類別。因此，重點研究行人影響、過街車流影響、車流高峰、信號配時不合理及停車占道這5個原因類型(如圖1所示)。需要注意的是，交通擁堵發生時，5種原因類型相互獨立，可能有1種或多種原因類型同時發生。

圖1 調整后的交通擁堵原因類別Fig.1 Adjusted traffic congestion cause categories

1.3 可觀測交通狀態變量

針對本研究的5個原因類型，參考福建省泉州市泉秀街(刺桐路至田安路方向)的路段情況，將部分道路分為A, B, C 3段，其道路結構如圖2所示。根據道路監控視頻，路段上可觀測的交通狀態變量見表1。為了滿足建模要求，需要將連續變量處理為離散變量，各變量的設置同見表1。

圖2 泉秀街道路結構示意圖Fig.2 Schematic diagram of road structure of Quanxiu Street

表1 可觀測交通狀態變量Tab.1 Observable traffic state variables

1.4 貝葉斯網絡構建

構建貝葉斯網絡的過程分為結構學習和參數學習兩個步驟。結構學習主要是確定貝葉斯網絡的節點和節點間的鏈接關系，從而獲得貝葉斯網絡結構。貝葉斯網絡結構構建有兩種方法：(1)通過對樣本數據的學習，使用結構學習算法自動得到貝葉斯網絡結構[12]；(2)根據專家知識確定貝葉斯網絡的變量節點及變量間的依賴關系。第1種方法需要有足夠的樣本數據為前提，而第2種方法在相關專業知識比較重要、變量間關系明顯、缺少數據的情況下非常有效[13]。所以通過專家知識事先確定，而不使用貝葉斯結構學習得到的貝葉斯網絡結構，只是通過樣本進行參數學習，可大大降低對訓練樣本的要求。可見第2種方法更加適用于本研究建立交通擁堵原因識別的貝葉斯網絡。

1.4.1確定網絡結構

對本研究的5種擁堵類型進行詳細分析，貝葉斯網絡在解決這類問題上有著較突出的優點。行人影響主要指行人分散過街情況，分散過街次數增加理論上造成停車讓行次數增多[14]、路段的平均速度下降及單位時間內的車流通過數量降低[15]。車流高峰主要表現為單位時間內路段的進入車流過多，造成車速下降，同時也可能會因為更加密集的車流使得讓行次數也增加[16]。停車占道(路邊停車)則會造成該車道后續車流停車等待或變換車道行駛，在單位時間內最外側車道通過車流下降，其他車道車流增多，車道流量差明顯變化[17]。信號配時不合理主要是某方向上綠燈時間過長導致該方向已無車通過，而其他方向車流排隊時長過長或某方向上綠燈過短，造成該方向上還存在過多的剩余車流量未流出即車輛二次排隊現象嚴重[18]。而車道流量之差在不同方向車流就存在一定的差值，并且通過固定的綠燈放行時間難以較好地顯示信號配時不合理問題，主要以剩余排隊車流和方向上的流出量來反映。過街車流的增多造成的影響與行人影響類似[19]，但本研究的“過街車流”不僅包括從與主路相交的支路流出的車流，還包括從主路轉向支路的車流，因此若主路左右轉車輛流出受阻也會降低單位時間內的車流通過數量。根據以上系統的理論分析得出的節點關系結構如圖3所示。

圖3 節點影響關系及數據類型Fig.3 Node influence relationships and data types

由于實際上引發一次擁堵的原因可能是單個也可能是多個，因此分別單列原因類型節點。本模型的網絡結構搭建基于專家知識，根據圖3的分析結果及表1中所示變量，以變量作為貝葉斯網絡的節點用符號表示，相互間的影響關系為連接線，構建如圖4所示的貝葉斯網絡結構。根據道路的實際情況和監控視頻，可以觀測并統計出表1中的數據。由于視頻無法得到速度信息，本試驗暫不考慮速度變量。其中，c1至c5分別代表行人影響、車流高峰、停車占道、信號配時不合理和過街車流影響5種原因類型。需要注意的是，交通擁堵發生時，5種原因類型相互獨立，可能有1種或者多種原因類型同時發生。

圖4 交通擁堵原因識別貝葉斯網絡結構Fig.4 Bayesian network structure for traffic congestion cause recognition

1.4.2確定網絡參數

對于該道路，已經采集了一些歷史數據作為輔助數據集，在確定貝葉斯網絡結構后，可以利用輔助數據集進行貝葉斯網絡的參數學習。參數學習方法主要有貝葉斯方法、極大似然估計方法，在此不多論述其原理。在進行結構構建和參數學習后，一個完整的貝葉斯網絡就構建完成，并可應用到城市道路交通擁堵原因識別的預測中。

2 應用實例的試驗驗證

2.1 應用對象和數據說明

應用對象為福建省泉州市泉秀街，其示意圖如圖2所示。原始數據取自2019年2月25日至3月3日每天17：40—19:30晚高峰的監控視頻(此期間無特殊天氣及交通事故情況)。數據以每5 min間隔統計1次，每條數據包含表1中的所有變量和專家手工標注的道路擁堵原因類型，排除由于原始視頻出現問題導致的數據缺失和無交通擁堵發生情況，可得154條有效數據。

2.2 擁堵原因識別準確率評價指標

采用n折交叉驗證重復n次試驗，選取平均值來表征平均識別準確率，對模型預測準確度進行檢驗。擁堵原因識別準確率為：

(1)

2.3 試驗參數設置

本試驗運用MATLAB里的FullBNT-1.0.4工具箱，將各節點及節點關系網絡構建完畢后，將各節點的先驗分布取Dirichlet分布，采用貝葉斯方法進行參數學習[10]。根據實際采集的數據更新其條件概率表直至數據全部使用完畢，得到參數學習結果。采用工具箱中聯結樹推理引擎，用所輸入的證據求解后驗概率，獲得最大可能解釋。

本研究采用BPNN(反向傳播神經網絡)、ML-KNN(多標簽k近鄰算法)及多標簽嶺回歸作為對比試驗，其中BPNN隱含層節點設置為13個，最大訓練次數設置為300次，最多驗證失敗次數設置為50次，ML-KNN最近鄰為15個，多標簽嶺回歸正則化系數0.01。

2.4 貝葉斯網絡結構的試驗結果和分析

2.4.1網絡結構模型驗證試驗結果

在與交通擁堵有關的各個因素影響下，本模型的參數學習部分結果見表2。

利用聯合樹算法對擁堵原因進行貝葉斯網絡的部分節點進行推理分析,得到圖5、圖6。

同時，使用vissim仿真軟件構建了1個類似圖2但路段中僅有1條支路的基礎路段模型，針對行人影響、車流高峰、停車占道、信號配時不合理及過街車流影響5種擁堵原因類型，在初始條件相同的情況下分別調整過街行人數量(在仿真模型中將人數轉化為分散過街次數)、車流流入量、路邊停車發生次數、同一個進口道3個方向上的綠燈時長、過街車流數量，進行3個時段的連續仿真(每5 min 為1個時段)，詳細內容見表3～表7。

2.4.2網絡結構模型驗證結果分析

由表3～表7可以發現，隨著不同變量的數據改變，一些交通狀態(即可觀測變量)也發生了不同程度的量值變化。對于行人影響原因類型，發生變化的數據有過街人數、停車讓行次數、路段平均速度(根據行程時間轉化)、路段車流量；車流高峰時停車讓行次數、路段平均速度和流入車流改變；發生停車占道時各車道流量差異明顯；信號配時不合理時，交叉口進口道車流流出受限，二次排隊現象增加；過街車流影響時各車道流量、過街車數不同。根據仿真結果可知，與本研究構建的網絡結構基本符合。

表2 參數學習部分結果Tab.2 Partial result of parameter learning

圖5 一些節點對行人影響的影響Fig.5 Influence of some nodes on pedestrian influence

由圖5可知，對于在本研究構建的網絡結構中與行人影響原因類型無直接關系的節點，其隨變量狀態的改變而改變的概率大小幅度不大，或沒有發現有規律性的變化，沒有表現出明顯的相關關系。

圖6 停車讓行次數對行人影響的影響分析Fig.6 Analysis of influence of parking times on pedestrian influence

表3 車流高峰分析Tab.3 Analysis of traffic in rush hour

表4 信號配時分析Tab.4 Analysis of signal timing

因此，從推理分析的數據上看，本研究構建的網絡結構具有一定的合理性。

根據圖6的推理分析結果可知，對于行人影響原因類型，隨著A段或B段停車讓行次數的增加，概率也隨之增大，因此，若A段或B段停車讓行次數較多，則發生行人影響擁堵類型的可能性增加。而C段停車讓行次數的增加卻沒提升發生行人影響擁堵類型的可能性，說明在C段使停車讓行增多的原因大部分不是行人影響。可見，若在實際應用中使用本模型分析出發生了行人影響的擁堵原因類型，則后續可以重點對A段及B段實施緩堵措施，使措施更加具有針對性。本研究的貝葉斯網絡共構建了5種擁堵原因，由于篇幅原因，本研究僅列出部分結果。

表5 行人影響分析Tab.5 Analysis of pedestrian influence

表6 停車占道分析Tab.6 Analysis of parking occupancy

表7 過街車流分析Tab.7 Analysis of cross-street traffic

2.5 擁堵原因識別精度的試驗結果和分析

2.5.1模型識別精度試驗結果

本研究根據觀測到的證據(即變量狀態)，通過本模型分析識別每次擁堵發生的原因類型，即若觀測到的證據為a1=2，a2=1，a3=1，a4=1，a5=2，a6=2，a7=3，a8=2，a9=3，a10=2，a11=2，a12=1，a13=2，a14=1，a15=1，a16=2，a17=2，a18=3，a19=2，a20=2，a21=2，a22=1，a23=1，a24=1，根據推理引擎得最大可能為c1=2，c2=1，c3=2，c4=1，c5=2，而實際值為c1=2，c2=1，c3=2，c4=1，c5=2，則推理的結果與實際情況相符，此次擁堵的發生的原因為車流高峰(c2)及信號配時不合理(c4)。本研究構建的模型與對比模型對行人影響、車流高峰、停車占道、信號配時不合理和過街車流影響這5個類型，在n為10的交叉驗證下，分析結果的擁堵原因平均識別準確率見表8。

表8 模型平均識別準確率(單位：%)Tab.8 Average recognition accuracy of model (unit: %)

2.5.2模型識別精度試驗結果分析

從表8的對比試驗結果可以發現，5種類型的擁堵原因使用因果貝葉斯網絡模型的識別準確率都高于BPNN模型的識別準確率，但在停車占道這個原因上的識別準確率略低于ML-KNN和多標簽嶺回歸。本研究模型的“停車占道”擁堵類型的準確率較低，這是由于本試驗獲取的這一類型的數據過于缺乏導致，而以概率為基礎的貝葉斯網絡無足夠的數據支撐從而影響了模型的精度，增加數據量有助于提升準確率。

本模型對其他4種擁堵類型的對比試驗結果都表現良好，說明使用本模型對城市道路交通擁堵原因分析識別是有效的。

試驗僅采集了154條有效數據，還需要采用十折交叉驗證方法將其劃分為訓練集和測試集，否則訓練樣本數太少會影響基于貝葉斯網絡的城市道路交通擁堵多原因識別的準確率。

3 結論

本研究針對尋找發生擁堵的具體原因的問題，基于理論推導及仿真手段進行系統的分析擁堵變量，對交通擁堵建立分析樹，根據變量間的相互關系構建貝葉斯網絡結構，建模時選擇了5個常見的引發交通擁堵的原因，通過實際數據進行采用貝葉斯方法進行參數學習。所建模型對于不同城市道路交通擁堵原因的分析與判斷識別具有一定的實用性及借鑒意義。

今后將對擁堵原因影響可觀測交通狀態的變量進行更深入的探究，使貝葉斯網絡結構更加完善精確，同時可考慮從歷史數據中利用結構學習方法獲得貝葉斯網絡的結構，對本研究利用專家知識所構建的網絡結構的正確性進行驗證。采用更多多分類模型的評價指標評價貝葉斯網絡方法，以識別交通擁堵多原因的精度。由于數據的獲取限制，本研究只采用了視頻信息能獲得的交通狀態作為可觀測交通狀態變量，擁堵的影響變量還有很多(例如路段所處位置、天氣情況和交通事故等)，可用以進一步完善模型結構，分析其對擁堵的敏感程度，做變量選擇，并獲取更多的數據量，進一步提高預測精度。