基于個體行為畫像的路段擁堵責任劃分方法

栗 波， 余 志*

(1.中山大學智能交通研究中心， 廣州 510275; 2.廣東省智能交通系統重點實驗室， 廣州 510006)

隨著城鄉居民生活水平的不斷提高，中國機動車保有量持續保持快速增長趨勢，居民通勤出行選擇偏好發生轉變，私家車的使用率攀升[1]。城市交通基礎設施的供給水平與居民日益增長的私家車出行需求不匹配，致使城市交通系統供需矛盾日漸突出[2]。過去十幾年里，雖然城市道路交通基礎設施建設不斷推進，但是城市交通擁堵狀況仍然持續惡化，這一情形在中小城市的中心城區愈發嚴重[3]。在中國的中小城市，學校、醫院、購物中心等公共生活服務場所往往地處中心城區，城市空間的不斷拓展和中心城區土地資源的緊缺，使得居民住宅與公共生活服務場所的空間分離問題突顯[4]。城市居民通勤方式選擇偏好的變化進一步加重了城市中心區域的交通壓力，導致公共生活服務場所周邊路段擁堵頻發[5]。中小城市中心城區面臨的剛性出行需求以及有限的土地資源，客觀上都制約了道路拓寬和停車場等基礎設施的增建。因此，如何充分利用城市中心區域有限的交通資源緩解公共生活服務場所周邊路段的擁堵問題具有重要研究意義。此外，與交叉口相比，擁堵瓶頸點一般不會出現在路段中，但是公共生活服務場所周圍往往會在特定時段形成擁堵瓶頸點。出行者的個體交通行為與公共生活服務場所周邊路段的交通擁堵直接相關，建立出行者個體行為畫像對于路段擁堵成因分析和擁堵緩解對策制定都具有十分重要的參考意義。

按照發生的頻率，路段擁堵可分為時段與地點固定的周期性擁堵和由突發事件造成的時間、地點隨機的非周期性擁堵[6]。然而，公共生活服務場所周邊路段的擁堵則兼具兩類擁堵的特征。以學校周邊路段擁堵為例，由上、下學的事件觸發了具有特定出行目標的群體(學生、家長、教職工等)的脈沖式聚集，進而引發上學日的固定時段學校周邊路段的周期性擁堵。可以將這類公共生活服務場所周邊路段由于特定事件使得特定人群在特定時間段內脈沖式聚集所引起的路段擁堵定義為“脈沖聚集式擁堵”。近年來，針對公共生活服務場所周邊路段的脈沖聚集式擁堵問題，中外學者進行了大量研究。為克服傳統交通檢測器(微波、線圈、視頻等)在擁堵識別中的應用局限性，楊海強等[7]基于車輛全球定位系統(global positioning system, GPS)軌跡數據，利用空間聚類算法對城市常發性擁堵區域進行網格級別的識別。雖然GPS數據是一種低成本、大范圍的交通檢測數據，但是目前GPS數據較低的采樣率客觀上制約了擁堵識別的空間粒度[8]，使得GPS驅動的擁堵識別方法在公共生活服務場所周圍的表現欠佳。Lu等[9]通過分析北京學生出行模式發現早高峰期間送孩子上學的私家車是導致學校周邊路段擁堵和污染的主要原因，建議大城市可以通過調整城市規劃，重新分配優質教育資源來解決“學校-家庭”空間分離的問題，從而緩解中小學周邊路段的脈沖聚集式擁堵。寧波城市設計師們在規劃德培小學新校區時，專門為學校建造了多層地下停車場，滿足了家長接送學生期間的停車需求，使得學校周邊的交通擁堵狀況得以改善[10]。Gutierrez等[11]建議在規劃醫院建筑布局時，將急救中心與院區其他設施在空間上進行分隔，試圖解決醫院周邊路段的脈沖聚集式擁堵問題。

然而，交通基礎設施建設，尤其對中小城市的中心城區而言，經常會受到各種因素的制約：一方面，閑置土地資源不足客觀上制約了停車場等設施的增建[12]，公共生活服務場所周圍的停車需求趨勢具有明顯的時間集中度，為停車場規模及收費定價的確定帶來困難和挑戰[13]；另一方面，道路拓寬或公共生活服務場所附近的交通重新組織、規劃均伴隨著高昂的成本并可能對周邊路段產生額外的影響[14]。此外，禁行、限行等交通管控措施在公共生活服務場所周圍的實施效果欠佳且易引發輿情關注[15]。所以，目前仍缺乏一種具有良好可推廣性、高效、低成本的解決公共生活服務場所附近路段的脈沖聚集式擁堵問題的方法。由于脈沖聚集式擁堵的成因和性質的特殊性，這類擁堵問題的治理方法也不同于經典的擁堵緩解策略。首先，脈沖聚集式擁堵是由特定事件在固定的時段內觸發的，對交通管理者而言，這類事件可以事先預知并有針對性地提前采取管理措施；其次，引發脈沖聚集式擁堵的主要責任人是具有特定出行目標的特定群體，擁堵主要責任人以公共生活服務場所周邊作為出行目的地，出行行為特征與同一路段上經過該公共生活服務場所的過往車輛，具有明顯差異；最后，大部分常用的緩解交通擁堵的措施對于脈沖聚集式擁堵問題的適用性較差：設立交通管制區域，在學校周圍路段實施限行、禁停等管理手段將與家長接送子女的交通需求產生激烈沖突[16]。Xu等[17]統計了美國德克薩斯州的所有公立醫院周圍的交通狀況后也發現，設置獨立急救中心并不能真正緩解醫院周邊路段的脈沖聚集式擁堵。

特定出行者在公共生活服務場所附近扎堆導致的脈沖聚集式擁堵，可通過對特定出行者采取不同行動級別的精準管理、誘導的方式進行緩解[18]。因此，針對同一路段、同一時段內的出行者建立精細化分類模型，并用作路段擁堵責任劃分的依據是具有一定的理論和現實意義。基于上述問題，按出行者的出行目標，將公共生活服務場所附近路段上的車輛分為以服務場所為目的地的車輛和經過服務場所的車輛兩類。將在服務場所周圍扎堆聚集的車輛作為路段擁堵的主要責任對象，這些引發脈沖聚集式擁堵的車輛可稱為路段的“致堵車輛”；經過服務場所的車輛則可看作被擁堵影響正常通行的車輛，即“被影響車輛”。通過公共生活服務場所周邊路段的自動車輛識別(automatic vehicle identification,AVI)數據，建立路段常使用者的個體出行行為畫像；并通過行為畫像提取出相應的個體出行行為特征，通過多層聚類算法實現對同一路段、同一時段內的出行者進行精細化分類，從而明確不同管控級別的精準管理對象。

1 方法概述

圖1為所提出的路段擁堵責任劃分方法的總體框架，分為4個部分：①輸入數據模塊，主要包括對服務場所周邊路段上、下游的車輛AVI數據和交叉口信號運行數據的收集和預處理；②路段擁堵成因分析模塊，基于輸入數據，對路段擁堵成因進行初步診斷，進行路段擁堵與公共生活服務場所周圍聚集事件的相關性分析；③ 體行為畫像模塊，包含2個子模塊，分別為“路段常使用者”提取和個體出行圖像建立，路段常使用者指一周之內研究時段內出行5次以上且工作日期間出行3次以上的車輛。這一粗略分類的主要目的是避免所建立的個體長、短期出行圖像矩陣過于稀疏；④擁堵責任劃分模塊，結合路段擁堵成因及個體長、短期出行行為圖像，通過特征提取和層級聚類的方法，將同一時段、同一路段上的出行者劃分為致堵車輛和經行車輛。

圖1 研究總體框架

2 模型數據簡介

關于路段擁堵與出行者公共生活服務場所扎堆聚集事件的關聯分析和個體長、短期出行行為畫像所用到的輸入數據為AVI數據和路段上下游交叉口的信號運行數據。將從數據采集、數據結構和特性幾個方面，對模型輸入數據做一個簡要介紹。

自動車輛識別(AVI)系統采用一系列視頻圖像技術抓拍過往的每一輛汽車，并自動識別其車牌號碼[19]。近年來，AVI系統被廣泛地部署在城市路網以及高速公路網的關鍵節點和重要路段上[20]。AVI數據以往主要用作交通非現場執法的輔助取證，現在越來越多地被用于交通動態研判與管理[21]。按系統組成要素劃分，AVI系統主要包括前端檢測模塊、抓拍圖像數據傳輸模塊、車牌圖像定位、識別模塊以及AVI數據分析、存儲模塊。前端檢測模塊的工作特性決定了AVI數據的基本特性，如圖2所示。

圖2 AVI系統前端檢測設備

抓拍設備部署在交叉口停車線附近，由慢速運動攝像機和高清照相機組成，進入檢測區域的車輛將喚醒慢速運動攝像機并觸發高清照相機對車輛進行抓拍。高清車輛圖片經過AVI系統其他功能模塊的處理，將產生文本化的AVI數據，主要包括2部分內容：個體車輛的經過信息和前端檢測設備的位置信息。具體而言，個體車輛的經過信息包含車牌號碼、車型、進入檢測區域的時刻等信息；前端檢測設備的位置信息包含設備部署的交叉口位置、拍攝車道位置等信息。根據實地測試，工況正常的情況下，前端檢測設備抓拍的成功率可達98%以上。因此，AVI數據是一種高滲透率、高分辨率的個體身份檢測數據，是一種數據驅動建模的理想輸入。

按車輛進入交叉口停車線附近檢測區域的時刻劃分，AVI檢測數據可分為2類：紅燈期間及綠燈期間生成的檢測數據。由于前端視頻檢測區域容量有限(一般可容納1～3輛標準小汽車)，高峰時段到達隊尾的車輛，僅有隊列前端的車輛可被檢測，這些車輛的檢測時間與它們通過交叉口的時間具有較大差異，可通過交叉口信號機的運行數據，估計出隊列前端車輛的具體通行時間。因此，所建立的擁堵-出行者扎堆聚集事件關聯分析模型和個體長、短期出行行為畫像需要用到AVI數據和信號機運行數據。

3 擁堵與聚集事件關聯分析

雖然造成路段擁堵的因素可能是多方面的，歸根結底還是由于交通供需不平衡所致[22]。為探究公共生活服務場所周圍路段的常發性擁堵成因，可從供給與需求兩個方面進行分析。一方面，需要確認交通基礎設施的供給能力是否充足、道路結構和交通管理是否合理；另一方面，也要評估擁堵常發路段的需求特性，即通行需求總量是否與路段供給能力匹配。所以，可選取路段交通流量與路段平均速度作為評判指標，從而進行路段擁堵與公共生活服務場所出行者扎堆聚集事件的關聯分析。

假設所有車輛都遵章行駛，在不考慮違法占道行駛的情況下，使用AVI數據計算路段旅行時間之前需要將紅燈期間到達檢測區域并停車等待的車輛所對應的AVI檢測數據進行檢測時間的修正。隊列前段車輛檢測時間修正的主要目的是將個體車輛進入檢測區域的時刻估計為車輛駛離路段的時刻。基于車輛隊列只有在綠燈亮起之后才會開始隊列消散的過程，即雖然隊列前段車輛的AVI檢測數據是在紅燈期間產生的，但是它們對應的離開路段的時刻必定在綠燈亮起之后到檢測區域綠燈期間新增AVI數據檢測時刻之前的區間。因此，排隊車輛駛離路段的時間估計表示為

(1)

假設路網拓撲空間為ΩS，假設任意車輛i在時刻t位于路網上任意一點為x，可記為xi(t)。設Xi(T)為車輛i在時段T上的位置集合，即xi(t)∈Xi(T)，對于任意路段S?ΩS，定義δxi(t)(S)=χS[xi(t)]，其中χS[xi(t)]為路段S的特征函數，可表示為

(2)

δxi(t)(S)表示車輛i在t時刻在路段S任意位置x上的狄拉克測度，那么對于特定時刻t，路段上的在線車輛數NS(t)可看作是路段S在t時刻的狄拉克測度，可表示為

(3)

(4)

4 個體出行行為畫像

基于AVI數據建立個體長、短期出行行為畫像，首先需要明確出行行為畫像的對象。按出行頻次來分，可將同一路段、同一時段內的出行者分為常發使用者和偶發使用者。為避免個體出行圖像矩陣過于稀疏，僅針對路段常發使用者建立個體長、短期出行行為畫像。由于不同車輛的AVI檢測數據序列的長度并不一致，建立個體出行行為畫像的主要目的是對于不定長觀測數據進行規范化定長表達，以便作為個體長、短期出行特征向量提取的模型輸入。

多維度的個體出行圖像相對于一維的出行數據向量，能夠反映個體在不同維度上(日期和時段)出行行為的分布特征，以高維圖像的形式進行數據的標準化，使得原本低維度、線性的出行行為關聯特征轉換為具有局部時域(包括日期和時段)關聯的高維度、區域性的出行特征，進而可以從更高的維度上刻畫出更具區分度的個體出行畫像。如圖3所示，建立了以車牌號碼為標簽的多維度個體出行圖像，將個體出行時間按日期和時刻進行矩陣化表達，單次出行數據向量則可成為矩陣中的一個高維元素。出行數據向量主要包括車型信息、出行日期類型等靜態屬性以及出行路段、車道、旅行時間等動態信息。

圖3 個體出行行為畫像

建立多維度的個體出行圖像之后，選擇目前廣泛應用于圖像特征提取的多層卷積神經網絡(convolutional neural network, CNN)進行個體出行者的長短期出行特征的提取。出行圖像特征提取網絡結構如圖4所示。選用基于CNN的深度學習網絡進行長短期出行特征的訓練，一方面考慮到卷積層可以保留輸入的個體出行圖像形狀，使得個體單次出行向量在出行日期和出行時段兩個維度上的相關性均可被有效識別；另一方面，卷積層通過滑動窗口機制可將個體出行圖像不同位置的子矩陣與卷積核進行互相關運算，可有效降低個體出行圖像維度，從而避免參數尺寸過大。卷積層的輸出上使用RELU激活函數并輸入2×2的池化層，用來降低卷積層對圖像不同位置區域的敏感性。卷積層塊由上述基本單位重復堆疊組成，所用的長短期出行特征提取網絡由2個卷積層塊和1個全連接層組成，從而最終訓練出包含個體長、短期出行行為關聯的特征向量。

圖4 基于CNN的長短期出行特征訓練網絡

5 研究區域介紹

選擇門前路段的周期性常發擁堵，作為公共生活服務場所附近脈沖聚集式擁堵的典型實例，探究六中門前路段擁堵的成因及擁堵責任劃分方法。宣城市第六中學位于中國安徽宣城中心城區主干道鰲峰東路上，西側距離鰲峰與錦城路交叉口230 m，東側距離鰲峰與宛溪路交叉口458 m。學校門前路段為雙向四車道，學校門前的路中AVI檢測設備可實現雙向四車道全覆蓋。學校周邊環境復雜，路段上分布著居民小區(九州小區)、公園(鰲峰公園)及職能機構(工商局、教育局、征兵辦公室等)，因此，研究路段無法進行大規模的交通設施改造或停車場增建。

如圖5所示，根據AVI檢測設備的部署位置，可以將路段按交通流方向劃分4個子區間(Link 1～4)。對于經過路段的個體車輛，利用路段上下游信號交叉口和學校門前的AVI檢測設備，可以觀測到路段整個區間及其子區間的旅行時間，可有效避免路段常發使用者的個體出行圖像矩陣過于稀疏。宣城市第六中學每天放學期間，校門口形成了以人行橫道為中心的類交叉口，主要交通沖突為：橫穿馬路的學生人群與機動車東—西向通行之間的沖突。由于校門口沒有行人過街交通信號燈，交警不得不站在人行橫道中央現場指揮人流、車流的通行，從而避免學校西側路段經常出現的排隊溢出(link 1、link 2)。校門前路段交通混亂，每天放學時都會在出現嚴重擁堵，這成為典型的公共生活服務場所附近的周期性常發擁堵，也成為宣城市中心區最為棘手的交通問題。

圖5 研究區域及其周邊情況

6 擁堵成因分析

主要探究了宣城市第六中學門前路段的周期性常發擁堵與每天放學期間家長們的聚集接送事件之間的相關性，從而找出引發宣城市第六中學門前路段擁堵的主要原因。分別統計了案例路段2019年5月16日(上學日，16:50放學)和8月15日(暑假) 16:40—17:40每5 min的路段平均速度和交通流量。擁堵與聚集事件關聯分析的2個日期均為周四工作日，對比實驗設計的主要目的是通過暑假與上學日同一時段的交通狀況對比，首先確定家長的接送行為是否對路段產生了額外的通行壓力；進一步分析家長接送的通行需求是否超出了路段的通行能力，以及宣城市第六中學放學引發的家長聚集事件是否與學校門前路段的周期性擁堵具有直接關聯關系。

案例路段2019年5月16日(上學日)和8月15日(暑假) 16:40—17:40每5 min的路段平均速度和交通流量對比結果如圖6所示。從圖6可以看出，無論是上學日或者暑假期間的工作日，16:40—17:40期間的路段流量基本相同，5 min流量一般分布在50～60 veh，小時流量在600～700 veh/h。研究路段為雙向四車道，參照《城市道路工程設計規范》(CJJ 37—2016)的建議[23]，以學校區域正常最高速度40 km/h估算，研究路段單向通行能力可達1 200 veh/h。換句話說，無論是上學日或者暑假，工作日16:40—17:40的路段通行能力可以滿足路段交通需求。然而，上學日與暑假期間的路段平均速度卻有明顯差異：5月16日16:40—17:40期間，路段平均速度為18 km/h，最低5 min路段平均速度僅有9 km/h，速度最小值出現在17:10左右，在放學后20 min左右。而在8月15日，相同時段的路段平均速度可達24 km/h，比上學日高出約33%，最低5 min節段平均速度亦可達22 m/h，暑假16:40—17:40期間的路段平均速度基本穩定。上述對比表明，路段交通需求相近的情況下，上學日與暑假期間的交通狀況差異顯著：上學日16:50—17:20路段出現嚴重擁堵。5 min交通量的對比也說明，家長的接送行為對路段產生的額外通行壓力十分有限：僅在17:05—17:15，上學日的5 min交通量略高于暑假期間。也進一步說明家長接送學生的通行需求雖然并未超出路段通行能力，而放學事件與學校門前路段的周期性擁堵有直接關聯關系。

圖6 研究路段暑假與上學日交通情況對比

為探究上述現象的原因，于2019年9月9日展開了實地交通調查，發現上學日的學校門前路段上，接送學生的家長們長時間占用機動車道違章停車現象普遍：這些家長在學校放學前15 min左右陸續抵達，直至接到子女離開。在此期間，學校門前路段從雙向四車道變為只有2條車道可供其他車輛通行。長時間違章占用機動車道，使得路段通行能力減半，同時由于放學之后道路通行需求的波動，使得路段交通狀態迅速惡化。圖7展示了長時間違章占用機動車道的家長車輛。進而說明案例學校下午放學引發的家長聚集事件與學校門前路段的周期性擁堵有直接關聯。

圖7 學校門前長時間違章占用機動車道的家長車輛

7 路段擁堵責任劃分

通過對比實驗和實地調查發現，放學期間學校門前路段的雙向通行能力減半是造成路段擁堵的主要原因。而路段雙向通行能力減半則是由放學引發的家長脈沖式聚集所導致的，雖然放學期間路段上所有的經過學校門前的車輛都參與了擁堵過程，但大部分車輛其實是學校門前路段擁堵的被影響者。相比之下，長時間違章占用機動車道停車的家長車輛，其一方面對擁堵的產生負有主要責任；另一方面又通過違章行為獲利。家長們接孩子放學這一出行目標就是通過違章占道行為達成的。這一出行目標的差異，使得家長車輛與過往車輛的長短期交通行為差別顯著。得益于研究路段上AVI系統，路段上下游交叉口及學校門前的車輛身份檢測條件使得精確找出造成路段擁堵的主要責任車輛成為可能。

下午放學期間學校門前路段的經行車輛，按其出行頻次，可分為路段常發出行車輛(以下簡稱高頻車輛)和偶發出行車輛。同時，下午放學期間的路段高頻車輛按其出行目標又可以分為：每天下班通勤需要經過學校門前路段的車輛，稱為A類高頻車輛；經常接孩子的家長車輛，稱之為B類高頻車輛。將討論兩類高頻車輛的長短期交通行為差異。

考慮到接孩子放學的具體情景，B類高頻車輛僅出現在開學期間，由于孩子們周末及寒暑假不上學，這部分車輛的出行頻次將大大降低。與之相比，由于A類高頻車輛的出行目標不同，其出行并不會受到學生寒暑假的影響。因此，不僅需要按周來統計路段上的不同車輛的出行頻數，還應當針對每一輛車，利用其長期出行行為特征向量，結合其在開學期間以及寒暑假期間的出行次數，粗略區分兩類高頻車。此外，兩類高頻車輛在短期交通行為上存在著明顯的差異：一般情況下，B類高頻車輛需要在學校放學之前到達學校附近，直至接到孩子才離開，因此B類高頻車輛的路段旅行時間將明顯大于A類高頻車。根據這一特性，可準確區分出兩類不同的高頻車。同時，將B類高頻車輛當中的每周工作日出行頻率大于4次的車輛定義為頻繁接送車輛，用來表征幾乎每天都會接學生放學的常態化出行的家長車輛。

圖8為上學日(2019年5月13日—2019年5月19日)與暑假(2019年8月12日—2019年8月18日)每天16:40—17:40的路段旅行時間分布直方圖。從圖8可以看出，暑假與上學日的路段旅行時間樣本分布基本特征差別明顯：2019年8月12—18日期間，觀測到的最大路段旅行時間樣本為387 s，大多數旅行時間樣本分布在30～150 s。相比之下，2019年5月13—19日的出行時間樣本分布在50～250 s，出現了異常大的路段旅行時間樣本，且遠大于暑假期間觀察到的最大出行時間。此外，這些異常大的旅行時間樣本往往在放學后出現，暑假期間也會同時消失。因此，可將異常大的路段旅行時間作為A類高頻車輛與B類高頻車輛區分的主要依據。

圖8 上學日與暑假期間路段旅行時間分布直方圖

基于2019年5月8日—2019年9月30日案例路段工作日每天16:40—17:40的旅行時間樣本(共64 317個樣本)，擬合出路段旅行時間累計分布曲線，并找出該曲線的拐點(二階導數為0的點)，如圖9所示。路段旅行時間累計分布曲線的拐點坐標為(368, 96.5%)，表明研究路段上有96.5%的車輛在研究時段內的旅行時間小于368 s。路段旅行時間累計分布曲線的拐點坐標作為路段旅行時間異常大值的閾值。

圖9 旅行時間樣本累計百分比

根據已標定的路段旅行時間異常大值的閾值，基于2019年9月1日—2019年10月31日(不含國慶假期)研究路段每天16:40—17:40的290 684條AVI數據(上下游交叉口及學校門前)提取的個體長、短期出行行為特征向量，共找出56 258輛在研究時段出現過的車輛，其中常發出行車輛有1 468輛。

從表1可以看出，一個月內，雖然研究時段內經過學校門前的車輛超過3×104輛，但工作日期間學校門前路段的常發出行車輛僅占其中的3%左右，這表明研究時段內大部分經過學校門前的車輛為偶發出行車輛，這些偶發出行車輛成為放學期間學校門前路段的脈沖聚集式擁堵的被影響者。從統計數據來看，B類高頻車輛僅占所有出行者的0.5%～0.7%，這類占比極低的家長車輛，成為導致學校門前路段的脈沖聚集式擁堵的主要責任車輛。B類高頻車輛通過長時間違章占道的行為達成接學生的出行目標，既是學校門前路段常發擁堵的致堵要素，又是擁堵的“獲利者”。更進一步，B類高頻車輛中有部分車輛，幾乎每天都會來接孩子放學，頻繁接送車輛僅占B類高頻車輛的15%，卻成為導致學校門前路段脈沖聚集式擁堵的最活躍要素。上述層級聚類結果，可為交通管理者的個性化精準管理提供有力的數據支撐與依據，有條件實現對同一路段、同一時段的不同出行者，依據其個體長、短期出行行為特征，采取不同行動級別的精準管控策略。交通管理者可通過明確個體管理目標，付出最小的管理代價，解決學校門前路段的脈沖聚集式擁堵。

表1 研究路段出行車輛統計情況

8 結論

基于公共生活服務場所門前及路段上下游交叉口的AVI數據，通過對個體出行交通信息的挖掘，建立了路段常發出行者的個體行為畫像。并將建立的個體行為畫像作為多層卷積神經網絡的輸入，實現對個體出行者的長、短期出行特征提取。以個體出行特征向量進行的出行者層級聚類，剖析公共生活服務場所周邊常發擁堵成因和機理。本文以安徽省宣城市第六中學周邊路段的常發擁堵為例，運用提出的路段擁堵責任劃分方法，找出了導致案例學校門前路段擁堵的主要責任車輛。得出以下結論：

(1)公共生活服務場所周邊路段的常發擁堵，一般是由特定事件觸發特定人員的脈沖式聚集引發。

(2)發生于公共生活服務場所周邊路段的脈沖聚集式擁堵，是由占比0.5%～0.7%的極少數出行者的個體交通行為導致的，并對路段交通產生嚴重的影響。

(3)脈沖聚集式擁堵可以提前預測并制定相應的擁堵管理預案。

(4)引發公共生活服務場所周邊路段脈沖聚集性擁堵的極少數出行者，可根據其長、短期行為特征，進行更加精細的分級，實現對同一路段、同一時段的不同出行者的個性化精準管理，最小化交通管理代價。