公路交通擁堵及事故風險預警模型開發及應用研究

謝 斌 萬 劍 黨 倩 徐海潮 楊 曼

(華設設計集團股份有限公司智能交通技術和設備交通運輸行業研發中心 南京 210014)

根據“交通強國、公路先行”的新戰略、新要求，需要賦予公路網“主動思考”能力，實現路網運行監測主動預警，提升公路交通行業管理效率。

國內外專家學者對交通運行狀態預警算法開展了較多的研究，并取得了一定成果[1-3]。研究較多的主要是時間序列模型、決策樹模型、神經網絡模型。其中，時間序列模型如果用于路網短時狀態的預測，只能挖掘時間維度上的特征和變化，無法結合其他多源的異構因素，體現路網事件預警的復雜和多變，預測準確性難以保障[4]；決策樹模型在小規模的單一分類問題中往往具有較好的性能，但一旦網絡規模擴大，節點增多且預測目標復雜，決策樹模型就難以有效支撐[5-6]；神經網絡模型訓練和預測非常依賴于樣本的支撐，并且其難以解釋模型中間的關系和預測過程，無法輸出交通擁堵、交通事故風險的可解釋性特征[7-8]。目前利用動態貝葉斯模型開展公路交通擁堵、事故風險預警的研究逐漸增多，能夠學習變量間的概率依存關系及其隨時間變化的規律，能夠輸出不同狀態的概率網，而且可以針對不同地區交通管理系統特征和輸入的差異，確保即使部分輸入發生了變化，但關聯的預測模型仍繼續產生可靠的預警。

因此，綜合對時間序列模型、決策樹模型、神經網絡模型及動態貝葉斯網絡模型進行分析研究及比選，本項目采用動態貝葉斯網絡構建交通擁堵、事故風險預警模型。

1 總體思路

本項目的總體思路是開發一套路網事件預警算法模型系統，為行業管理人員提供國省干線典型異常事件的主動預警，以此縮小監測的時空范圍，輔助行業管理部門提前做出異常事件預防管控措施。該模型系統支撐省市聯動，具有業務適用、可移植復用特征，為已有業務系統、應急指揮調度系統提供預警信息服務。

模型邏輯架構圖見圖1，基于多源數據整合、相關性分析、道路狀態演變特征分析等工作的成果，選取重要的狀態變量特征，建立基于動態貝葉斯網絡的道路擁堵狀態與事故等級的預警模型，該模型通過學習各種狀態變量間的概率依存關系及其隨時間變化的規律，可以有效對不同狀態的發生概率進行推斷預測。

本模型可實現對全路網范圍內國省干線交通調查(以下簡稱交調)、檢測器數據、路網基礎數據的融合；實現對當前道路擁堵狀態和事故風險的評判；實現對不同時間尺度下未來道路擁堵狀態、事故風險概率的多步預測；模型根據實時交調數據、車檢器數據等進行自動訓練，對模型進行持續更新，不斷提升模型檢測精度。

圖1 模型邏輯架構

2 數據工程

本模型共整合了2019年5-12月的南京市國省干線80余個交調點、車檢器數據及路網基礎信息數據，近420萬條動靜態業務數據。首選對整合的交調數據、車檢數據及路網基礎信息數據進行數據完整性檢驗、多源數據關聯，并設計數據庫。

2.1 數據完整性檢驗

數據缺失檢驗的目的是確認各類多源數據的可用性和完整性，判斷數據能否支撐后續分析。數據缺失檢驗主要包括以下三方面：數據可用性檢驗、數據時間完整性檢驗、數據空間完整性檢驗。通過分析認為，數據時間完整性檢驗結果(部分)見表1，接入數據在時間完整性、空間完整性方面，均達到可用性要求。

表1 數據時間完整性檢驗結果(部分)

2.2 多源數據關聯

多源數據關聯通過路段樁號完成交調、車檢、路網基礎信息數據的有效關聯和匹配，為后續建模的特征選取及模型輸入做準備，多源數據關聯原理見表2。

表2 多源數據關聯

2.3 數據庫開發

為了保存模型靜動態業務數據、模型分析的中間結果，以及模型預警結果，設計模型數據庫，數據庫設計原理圖見圖2，主要包括輸入數據表、中間表、輸出信息表。

圖2 數據庫設計

3 特征分析

3.1 交通擁堵預警特征分析

不同技術等級、功能需求的國道、省道交通流平均速度分布具有明顯差異。故傳統依靠已有公路運行監測指標對公路擁堵狀態進行判定，難以適應本地化、復雜多變的網絡運行監測需要。

本模型依托2019年6-8月的交調、車檢歷史數據，基于聚類分析，提出適應本地化特點、面向不同技術等級的路網運行狀態劃分閾值，設定為擁堵、緩行、暢通3種狀態，部分路線平均速度聚類分析結果見圖3。

圖3 不同路線的平均速度聚類結果

基于歷史數據，分析交通擁堵時序特征見圖4。由圖4分析可知，交通擁堵具有很強的時間相關性，其中當前時刻過去24 h以內交通狀態與當前狀態具有較為顯著的相關性。

圖4 交通擁堵時序特征分析

對不同車型、不同時間窗口速度與交通擁堵情況進行相關性分析得出，擁堵預警輸入特征見表3。提取相關性較大的因素作為擁堵事件特征，用作擁堵預警模型訓練及實時預警的輸入特征。

表3 擁堵預警輸入特征

續表3

3.2 交通事故風險預警特征分析

分析2019年5-12月交調、車檢數據，認為交通流速度波動標準差與路網運行狀態之間存在強相關性；結合《國家突發公共事件總體應急預案》，基于聚類分析，劃分路網事故風險為4個等級：安全、一般事故風險、嚴重事故風險、非常嚴重事故風險。

結合不同車型、不同時間窗口速度波動與交通安全態勢的相關性分析，事故風險預警特征見表4。基于表4內容，提取相關性較大的因素作為交通事故風險預警特征，用作事故風險預警模型訓練及實時預警的輸入特征。

表4 事故風險預警輸入特征

4 模型開發

4.1 模型結構搭建

動態貝葉斯網絡具有能夠學習變量間的概率依存關系及其隨時間變化的規律、能夠輸出不同狀態概率的優勢，同時，針對不同地區交通管理系統特征和輸入的差異，確保即使部分輸入發生了變化，但關聯的預測模型仍繼續產生可靠的預測。

結合行業經驗，設計模型初始網絡，利用路網多源信息進行訓練，訓練動態貝葉斯網絡，尋求多種車型平均速度與擁堵事件、多種車型速度波動標準差與交通事故風險的概率推導關系。交通擁堵預警模型見圖5、交通事故風險預警模型見圖6。

圖5 交通擁堵預警模型

圖6 交通事故風險預警模型

4.2 模型功能設計

在模型結構搭建的基礎上，開發路網事件預警模型，以實現模型訓練及配置、擁堵及事故風險實時預警、預警結果查詢及趨勢分析等功能，模型功能架構見圖7。

圖7 模型功能架構

預警模型系統可視化界面見圖8。由圖8可見，該系統可以GIS地圖方式展現路段預警狀態及概率，并提供預警概率較高路段對應的實時視頻，方便行業管理人員及時采取管控措施。

圖8 預警模型系統界面

4.2.1模型訓練及配置

設置訓練模型輸入選項，實現僅訓練擁堵模型、僅訓練安全模型和同時訓練選項，同時記錄訓練開始時間與訓練結果更新時間，同時依據計劃任務確定下次更新時間。

設置模型預測輸入信息內容選擇，實現能見度信息、卡車速度、道路基本信息和小汽車速度作為獨立選項的組合設置，可得到僅預測擁堵狀態、僅預測安全狀態與同時預測的模型預測結果，預測結果可選擇5～10 min或0.5～1 h。同時擁堵模型和安全模型分別記錄結果更新時間，便于后續查詢。

4.2.2擁堵及事故風險實時預警

采用表格加餅狀圖的方式直觀展現交通擁堵預警與交通事故預警的結果，采用表格化詳細展示數據，同時通過餅狀圖直觀展示緩行、暢通及擁堵的比例和交通事故等級預測分布。

4.2.3預警結果查詢及趨勢分析

查詢界面設置輸入框輸入路段ID，同時，加入時間控件以選擇查詢時段，加入復選框實現擁堵模型和安全模型的分別查詢。

界面下方的標簽頁中，表格詳細展示搜索結果，階梯圖展現交通流突變狀態，直觀顯示預警結果與實際結果的對比及查詢時間段內的路網擁堵、事故風險態勢。

5 測試應用

訓練集采用交調點與車檢器融合后2019年5-8月記錄的所有路段上的交通流數據；驗證部分則采用2019年9-11月中所有路段交通流數據。經過測試，實現擁堵及安全風險10 min、0.5 h、1 h多維度實時預警，預警準確性大于85%，擁堵預警測試結果(部分)見表5、交通事故風險預警測試結果(部分)見表6。

表5 擁堵預警測試結果(部分)

表6 交通事故風險預警測試結果(部分)

為實現項目成果的拓展應用，需結合現有業務系統進行數據共享，并實現數據共享與應用集成，以為成果的推廣應用奠定基礎。對此，基于本項目路網事件預警模型，提供滿足技術要求的事件預警模型算法接口，封裝成可配置、可選擇的調用接口，由其它相關業務管理系統平臺調用，實現普通國省干線交通擁堵、交通安全風險預警算法與業務系統的應用融合，提升檢測算法的應用效益。

路網事件預警模型系統的檢測結果可直接提供給第三方應用系統，當路網事件預警模型系統分析有擁堵、緩行、嚴重安全風險、非常嚴重安全風險時，向已有業務系統推送告警信息，支持在地圖上以紅色標識“擁堵”“非常嚴重安全風險”的路段，以黃色標識“非常嚴重安全風險”“嚴重安全風險”路段，同時當鼠標放在以上線路上時以懸浮框的形式顯示檢測預警事件的發生概率，進行提示。與已有業務系統對接預警效果(緩行預警)圖見圖9。

圖9 與已有業務系統對接預警效果(緩行預警)

6 結語

1) 基于多源數據關聯分析，挖掘國省干線交通流波動及交通事件演變規律。融合交調數據、車檢器數據、路網線型及地貌類型等多源信息，分析大貨、中貨、小貨、大拖、小客、中客、大客等多種車型在不同時間窗口的速度波動特征，挖掘交通流周期性、季節性、突發性運行及演變規律，提供交通擁堵、交通事故演變的可解釋性特征，為交通事件預警提供科學的、精準的評價指標。

2) 改變被動式運行監測模式，提供國省干線交通擁堵及事故風險主動預警。該模型改變當前大范圍路網主要依靠人工輪詢、人工巡查等被動式運行監管模式，為行業管理人員提供國省干線交通擁堵及事故風險的主動預警，以此縮小監測的時空范圍，輔助行業管理部門提前做出異常事件預防管控措施。

3) 改變孤島式系統建設模式，提供支持自主更新、可移植復用的預警模型。模型建立長效更新機制，利用實時接入的數據進行定期自主訓練，不斷優化算法模型的結構與精度。該模型通過標準接口接入交調數據、車檢器數據、路網基礎信息，并通過標準接口將預警結果實時推送到已有業務系統，實現算法模型與業務應用系統的弱耦合關系，便于移植復用。