基于公交浮動車數據的城市交通擁堵路段判別

朱興林 溫喜梅 張佳明 劉泓君 李錳錳

(新疆農業大學交通與物流工程學院 烏魯木齊 830052)

0 引 言

智能交通系統核心技術之一是交通信息基礎數據的采集.目前廣泛應用的浮動車信息采集技術擁有覆蓋面廣、實時性高、維護成本低,以及可靠性高等優點，能夠滿足智能交通系統對數據的高要求.除此之外，如何利用這些有效交通信息及時準確判斷道路擁堵狀態，并將信息及時發布給交通參與者，也是智能交通研究的熱點.

20世紀美國加利福尼亞運輸部[1]提出“加州算法”來實現對道路擁堵狀況判斷，它是通過分析路段上下游截面的道路占有率變化.Kong等[2]利用GPS浮動車數據對路段交通流量進行估算，采用模糊理論達到對路段交通擁堵狀況進行判別的目的，此算法能夠實時判斷道路交通狀態.趙風波等[3]以傳統浮動車檢測技術作為數據來源，運用改進模糊C-均值(FCM)算法對道路交通狀態進行識別，并將道路交通運行狀態分為暢通、輕度擁堵、擁堵和嚴重擁堵四個等級，通過對上海部分路段進行仿真實驗研究，可有效判別道路交通狀態.王艷軍等[4]考慮城市道路網復雜性、道路匹配過于困難等特征，提出適合復雜城市道路網絡的地圖匹配方法，創建時空關聯模型.符旭等[5]通過浮動車采集技術獲取車輛的速度參數，利用擴展卡爾曼濾波估計目標路段的交通密度與交通流量，從而實現對擁堵路段的有效判別.前期學者對交通擁堵進行判別主要以出租車作為浮動車進行數據采集，它具有分布廣泛、實時性高、能夠全天候采集交通信息的優勢，但同樣有運行線路不固定，地圖匹配算法要求高的缺點.另外部分出租車駕駛員有提前避讓擁堵路段的習慣，不能全面客觀地反映交通擁堵狀態.公交車具有線路固定、采樣頻率高、發車時間穩定、分布廣和成本低等優勢，彌補了出租浮動車存在的缺陷，能進一步提高智能交通系統對交通擁堵狀態判別的全面性和準確度.文中提出基于公交浮動車數據，利用地理信息系統技術(ArcGIS)，引入模糊理論實現對城市道路擁堵路段的判別，并通過A市驗證該判別方法的有效性.

1 構建公交車與出租車之間速度關系

目前各大城市對道路交通運行狀態判別閾值的選取，大多是基于出租車輛的路段平均行駛速度和行程時間進行劃分的，公交車的運行狀況相比于出租車輛具有經常性停靠站的特點，因此需要建立出租車與公交車之間的路段平均行駛速度和行程時間之間的關系，進而確定適合公交車使用的道路交通狀態等級劃分的判別閾值.公交車輛的運行狀況見圖1.

圖1 公交車行駛狀態示意圖

由圖1可知:公交車的進出站過程可分為四個部分：①停靠(0～t1)：公交車速度為零，停靠在站臺內等待乘客上下車；②出站(t1～t2)：公交車速度由0加速到與出租車輛相同的速度v0；③勻速行駛(t2～t3)：公交車以速度v0做勻速運動；④進站(t3～t4)：公交車速度由v0減速至0，進入站臺.

公交車的路段行程時間等于公交車的路段行程時間加上公交車的減速進站時間、停靠站延誤時間和加速離站時間，進而求得公交車的路段行駛速度，公交車的路段行駛速度與出租車輛的路段行駛速度關系為

(1)

式中：V為公交車的路段行駛速度，m/s；L為目標路段的道路長度，m；v0為出租車輛的行駛速度，m/s；a1為公交車出站時的加速度，m/s2；a2為公交車進站時的加速度，m/s2；T為公交車相對于出租車輛的延誤時間，s.

根據文獻[6]對公交車停靠特性調查研究結果可知：公交車進站、出站的加速度以及相對于出租車的延誤時間見表1.

表1 指標建議表

獲得由出租車輛測得的路段交通狀況等級劃分表后，再由式(1)和表(1)中的參數指標完成對路段交通狀況等級劃分表的速度閾值轉換.

2 路段交通狀況等級劃分

反映路段不同的交通運行狀況，可以依據路段平均行駛速度將道路運行狀況劃分為五個等級：暢通、基本暢通、輕度擁堵、中度擁堵及嚴重擁堵，或者可以采用三級劃分方法，將路段運行狀況劃分為暢通、緩慢、擁堵三個等級[7].

為探究交通擁堵對人們心理承受能力影響大小，2018年新疆A市通過獲取司機和隨車人員在車輛行駛途中對道路擁堵狀態的直觀感受，對道路擁堵等級的各速度區間進行了劃分，確定適合A市的路段交通狀況等級劃分表[8].此次調查分別以主干路、次干路為研究對象，各收集了2 130條、397條有效問卷.本文就主干路，對采集到的速度樣本數據進行整理分析，當樣本量速度區間為10時，其樣本分布量見表2.

由于不同擁堵等級中存在一些不合理的數據，因此需要剔除，以保證結果的準確性.首先分析道路各擁堵等級中速度樣本量的個數及比例分布，再依據表2中速度區間對數據進行初步篩選，其篩選結果見表3.

表2 主干路速度區間樣本分布量

表3 初步篩選出的速度區間

初步篩選后可以發現:不同的擁堵等級中存在著很多不合理的數據，速度分散或集中，因此需要做進一步的篩選，多次篩選后可得各擁堵等級在速度區間中的樣本數量和比例分布，其結果見表4.

表4 主干路各擁堵等級中的速度區間樣本量占比

根據表4中主干路各擁堵等級中的速度區間樣本量占比，可以得到樣本量速度劃分區間為10:00時主干路劃分標準，其結果見表5.

表5 主干路交通運行狀況劃分表(速度區間為10) 單位：km·h-1

繼續縮小速度劃分區間，直到速度劃分區間變為1時即可得各擁堵感受的速度劃分閾值，同理可得次干道路交通運行狀況的劃分標準，限于篇幅字數要求，這里不再贅述，其結果見表6.

表6 路段交通運行狀況劃分表 單位：km·h-1

由于A市的擁堵感受調查是基于出租車浮動車數據進行，因此本文需將路段運行狀況等級劃分標準轉換為適合公交車，依據式(1)來計算，其結果見表7.

表7 公交車路段運行狀態劃分表 單位：km·h-1

由表7可知，各運行等級的速度閾值區間間隔過小，這與實際不相符.因此依據表7的速度閾值，將路段運行狀況的五級劃分法轉換為三級劃分，以擴大運行等級的速度閾值區間.另外，為解決速度閾值不準確的問題，本文引入模糊數學的思維來構建擁堵判別模型，以實現對路段交通運行狀況判別.

3 擁擠路段判別模型建立

3.1 模糊理論

模糊理論用數學的觀點來刻畫模糊的事物，其特點是沒有二者居其一且必居其一的性質[9].使用元素對集合的隸屬程度來描述元素所處于的狀態，例如有隸屬度函數UA(x)，UA(x)在[0，1]內取值，其值大小會反映x屬于集合A的程度或者具有集合A的性質的程度，即隸屬函數UA(x)的值越接近于1，則表示元素x屬于模糊集合A的程度越大；反之，則表示元素x屬于模糊集合A的程度越小.

3.2 確立隸屬函數

由于公交車與出租車之間速度關系獲得的交通運行狀況等級劃分不符合實際.因此，本文將公交車路段運行狀態五級劃分方法轉換為三級劃分法，并引入模糊理論建立模糊評價模型.根據表7的速度閾值，當路段為主干道時，設定路段平均行駛速度大于14 km/h為暢通狀態，13～14 km/h為緩慢和暢通的臨界狀態，11～13 km/h為緩慢狀態，9.5～11 km/h為擁堵和緩慢的臨界狀態，小于9.5 km/h為擁堵狀態，隸屬函數構造圖見圖2.

圖2 主干道公交浮動車平均行駛速度隸屬函數

各等級隸屬函數解析式為

(2)

(3)

(4)

當路段為次干道時，設定路段平均行駛速度大于14 km/h為暢通狀態，11～14 km/h為緩慢和暢通的臨界狀態，9.5～11 km/h為緩慢狀態，7～9.5 km/h為擁堵和緩慢的臨界狀態，小于7 km/h為擁堵狀態.

各等級隸屬函數解析式為

(5)

(6)

(7)

式中：U1(x)為道路處于擁堵狀態的隸屬函數；U2(x)為道路處于緩慢狀態的隸屬函數；U3(x)為道路處于暢通狀態的隸屬函數.將求出的路段平均速度帶入公式，從而得到目標路段所處的交通狀態隸屬度，將隸屬度代入矩陣就能得出一個道路交通狀態的模糊判別矩陣，V=[擁堵，緩慢，暢通]，即V=[U1(x)，U2(x)，U3(x)]，最后根據最大隸屬度法，可以判斷道路所處的交通狀態.

4 實例分析

新疆A市的人民路和中山路都是主干道，途徑繁華的商業區；紅山路是A市的次干道，周圍有醫院、學校等人群聚集場所，高峰時段的三條路交通擁堵狀況較為嚴重，具有代表性，因此將人民路、中山路和紅山路的部分路段作為試驗路段.

人民路的試驗區域范圍是東經87.61767°～87.622572°，北緯43.789823°～43.790508°，即試驗路段為人民路與建中路交叉口到人民路與和平南路交叉口.

中山路的試驗區域范圍是東經87.615084°～87.6175°，北緯43.79301°～43.793211°，即試驗路段為中山路與紅旗路交叉口到中山路與解放北路交叉口.

紅山路的試驗區域范圍是東經87.62342°～87.629927°，北緯43.808636°～43.810088°，即試驗路段為紅山路與紅山路北八巷交叉口到紅山路與五星南路交叉口.

選取2019年4月26日星期五非高峰時段15:30—16:00與高峰時段19:30—20:00的公交浮動車數據，通過對比分析這兩段時間內參數指標的數值，判斷兩個時段內試驗路段道路交通狀態.

采用地理信息系統(ArcGIS)軟件對A市的公交浮動車數據進行處理，運用ArcGIS中的地理配準功能將電子地圖進行配準，將公交浮動車數據導入ArcGIS，并依據經緯度數據與X、Y字段進行匹配，完成地圖匹配，匹配的結果見圖3.

圖3 地圖匹配后界面

根據已導入的公交浮動車數據，在數據屬性表中對屬性內容進行篩分，以篩選人民路試驗路段中15:30—15:40的數據為例，在數據屬性表中將屬性篩選條件設置為：87.61767°≤經度≤87.622572°，43.789823°≤緯度≤43.790508°，1530≤業務時間≤1540.篩選結果見表8.

表8 試驗路段15:30—15:40的數據

依據數據篩選結果，運用ArcGIS工具箱中的匯總統計工具可以計算試驗路段中的路段平均行駛速度，以人民路的試驗路段中15:30—15:40的數據為例，打開ArcGIS中的匯總統計數據工具，輸入表的選項中選擇15:30—15:40時間段的數據，統計字段的選項中選擇GPS速度，分組字段的選項中選擇車載機編號，這樣就能根據單一浮動車的數據對路段平均行駛速度進行計算，計算結果見表9.

表9 單一浮動車的路段平均行駛速度計算結果

再根據每輛車的路段平均行駛速度繼續求平均值，最終得到人民路的試驗路段中15:30—15:40 的路段平均速度為5.02 m/s，進行單位換算后，結果為18.1 km/h.同理可以求得紅山路與中山路的兩條試驗路段中所有時段的路段平均速度，計算結果見表10.

表10 試驗路段各時段的平均行駛速度

將表10中試驗路段各時段的平均行駛速度帶入道路交通狀態判別模型中，通過隸屬函數式(2)～(7)計算，得出各時段路段平均速度的隸屬重要程度，并建立模糊判別矩陣，其判別結果見表11.

表11 試驗路段各時段交通狀態隸屬重要程度判斷結果

最后按照最大隸屬重要程度的原則，判別出試驗路段上各時段的交通狀態.交通狀態的判別結果見表12.

表12 試驗路段中各時段的交通狀態

試驗結果表明，人民路、中山路與紅山路試驗路段中各時段的交通狀態判別結果，與其對應的高峰時段、非高峰時段的實際交通狀態是一致的，因此本文通過公交浮動車數據來判別擁堵路段是可行的，并具有一定的實用性.

5 結 束 語

鑒于出租浮動車線路不固定、地圖匹配難度大的缺陷，提出采用基于公交浮動車數據的擁堵路段判別方法.在分析公交車與出租車之間路段平均速度關系基礎上，研究確定適合公交車路段平均速度的速度閾值，引入模糊理論解決由于換算造成速度閾值不準確問題，據此建立路段擁堵判別模型，最后通過ArcGIS軟件對A市部分路段的實際交通數據進行擁堵判別分析，并與實際交通運行狀態進行對比.試驗結果表明，基于公交浮動車擁堵判別模型能夠準確判別路段的交通擁堵狀態.

公交浮動車數據擁堵判別模型同樣也存在一定不足，目前該模型僅能對常規公交車浮動車數據進行處理，對于擁有公交專用道的快速公交還缺乏有效的判別手段，因此建立多源交通信息采集方法相結合的綜合交通運行狀況判別體系，才能夠更好地提升智能交通信息系統的全面性和準確性.