基于AI的交通流狀態智能檢測與擁堵態勢分析

摘要：文章基于YOLO+DeepSORT框架，開發了一套基于AI的交通流狀態智能檢測系統，能夠快速準確地檢測出不同地點的交通流量。文章以潤揚大橋附近區域為例，進行交通流特性分析，并且從交通流演化規律出發，可以得到產生擁堵的3種可能原因，包括高速公路車道減少、匝道匯入車流影響和下游揚州市區擁堵等。這些結論對未來的高速公路大流量管控工作具有重要的參考意義。

關鍵詞：高速公路；交通擁堵；視頻檢測；交通流特征

中圖分類號：U4文獻標志碼：A

0 引言

高速公路是我國交通系統的重要組成部分。截至2022年年底，中國的高速公路總里程已經達到16.19萬千米，為全球第一。對高速公路的交通流運行特性進行系統、全面的分析，尤其是對交通擁堵的時空演化過程進行研究，對高速公路部門的管控工作具有非常重要的參考意義。近年來隨著科技的發展，人工智能（AI）技術在各個領域都有了長足的發展與應用。在高速公路交通流的數據采集工作中，由于全國各地已經建成了全方位的視頻監控系統，使用AI技術對交通流視頻數據進行分析和輔助決策已經成為可能［1-2］。基于這一點，本文開發了一套基于AI的交通流狀態智能檢測系統，并針對潤揚大橋附近區域非擁堵和擁堵時段的交通流運行特征，進行了宏觀和微觀層面的討論，并重點分析了擁堵演化的機理和原因。

1 基于AI的視頻檢測方法

1.1 目標檢測算法YOLO

對于道路交通中的車輛檢測而言，目前最常用的算法是YOLO（You Only Look Once），它是指只需要瀏覽一次就可以識別出圖中物體的類別和位置。因為只需要看一次，YOLO被稱為Region-free方法，也被稱為單階段（1-stage）模型，而傳統的Region-based方法也被稱為兩階段（2-stage）方法。

YOLO v1在2015年被提出［3］，到目前為止，最新版本的YOLO是2020年提出的YOLOv5。和之前曾經最流行的版本YOLOv3［4］相比，YOLOv5的檢測精度沒有顯著提升，但是檢測和訓練速度更快，更能適應工程應用的需要。

YOLOv5開啟了一個網絡結構的多分支時代，可以有選擇性地配置網絡，包括YOLOv5s， YOLOv5m， YOLOv5l和YOLOv5x 4種結構。相關研究表明，4種版本的YOLOv5算法在COCO數據集上的檢測精度均強于同一時期谷歌大腦推出的EfficientDet算法，并且速度明顯更快。

4種版本的網絡結構差異主要體現在：

（1）每個CSP結構的深度都是不同的。以YOLOv5s為例，第1個CSP1中使用了1個殘差組件，因此是CSP1_1。而在YOLOv5m中，則增加了網絡的深度，在第1個CSP1中使用了2個殘差組件，因此是CSP1_2。

（2）網絡特征圖的厚度不一樣。以YOLOv5s結構為例，在第1個Focus結構中，最后卷積操作時卷積核的數量是32個。因此經過Focus結構，特征圖的大小變成304*304*32。而YOLOv5m的Focus結構中，卷積操作使用了48個卷積核，因此Focus結構后的特征圖變成304*304*48。

1.2 軌跡追蹤算法DeepSORT

軌跡追蹤（或者叫目標追蹤）是計算機視覺領域的重要問題，其中多目標跟蹤（Multiple Object Tracking，MOT）對于交通流參數的提取和分析至關重要。MOT任務常見的解決方案主要有兩種，即MFT和TBD。其中TBD的含義是基于檢測的目標跟蹤，屬于目標檢測的后續任務，是近年來比較常用的方法。

SORT（Simple Online Realtime Tracking）是一個粗略的框架［5］，核心包括兩個算法：（1）卡爾曼濾波，包括預測和更新兩個過程；（2）匈牙利算法，解決的是二分圖分配問題，即如何分配使成本最小。

2017年提出的DeepSORT框架［6］在SORT的基礎上做了改進，包括：（1）加入外觀信息，借用了ReID領域模型來提取外觀特征，減少了ID switch的次數；（2）匹配機制變化，從原來的基于IOU成本矩陣的匹配，變成了級聯匹配+IOU匹配。

DeepSORT的核心流程是預測（track）觀測（detection+數據關聯）更新。

1.3 流量檢測模塊

本文基于YOLO+DeepSORT框架并進行了優化改進，構建了基于AI的交通流狀態智能檢測系統，可以快速統計每個車道的流量和車頭時距。在經典的劃線檢測算法基礎上，本文進行了方法修正，具體包括：（1）對車頭時距的合理范圍進行估計，剔除過短車頭時距的結果；（2）軌跡與檢測線相交角度明顯異常（即車輛行駛方向不正常）的結果也要剔除，從而有效地提高了檢測準確率。

視頻來源于潤揚大橋橋面有代表性的監控攝像頭。高速公路為雙向6車道，加上右側的下匝道共形成了7個車道。主線的6個車道從左到右分別命名為A，B，C，D，E，F，其中CD為快車道，AF為慢車道。7個檢測器用淡青色線段標記，所有車輛會根據車型用不同的矩形標出具體位置。

2 非擁堵時段交通流分析

為具體探明潤揚大橋附近區域的交通狀況，首先抽取橋面上有代表性的監控視頻進行分析。初步研究結果表明，非節假日橋上交通不擁堵。此處以2022年7月23日為例，針對早晨7點到晚上7點的視頻數據進行了詳細的流量統計，6個車道的流量時間序列如圖1所示。此處將不同方向相同性質的車道放在一起作流量對比，包括左車道、中間車道和右車道，所有數據的統計間隔為10 min。概括地說，相同性質的車道流量是接近的，兩個方向的總流量也較為接近。雖然在上午少數時刻采集到了較高的流量，但總體來說不存在典型的早高峰。相比之下，除去較為特殊的車道D，大部分車道在下午4點左右的流量最高，可以認為存在晚高峰。總體來看，無論是上午或下午，單車道的最大流量都未超過1 200輛每小時。

另外，本文還研究了這一時段內6個車道的車頭時距分布，選擇的作圖時間間隔為2 s，下限為0.7 s，如圖2所示。少數特別大的時距結果已被舍去，未包含在圖2中。可以看到，雖然不同車道的流量有差異，但因為整體未發生擁堵，所以6個車道的分布特征定性一致，都接近于負指數分布。

3 擁堵時段交通流分析

通過進一步調研，發現在少數時段潤揚大橋附近區域也存在著明顯的交通擁堵，所以本文選擇2022年9月30日下午的視頻數據進行分析。在16點30分到18點之間，潤揚大橋北側3公里的范圍內出現了較長時間的擁堵，此時段只有從南向北方向（從溧陽到揚州）發生擁堵，另一側道路始終暢通。從K3+315的攝像頭開始，擁堵基本消失。

接著分析不同地點的流量狀況，有代表性的數據如圖3所示。可以看到在上游較遠處（K3+315）的單車道最高流量達到了1 300輛每小時左右，如圖3（c）所示，且3條車道流量比較接近。這一數值距離道路通行能力還比較遠，并不會直接導致擁堵產生。另外，17點20分之后上游流量有所下降，進一步減輕了下游的壓力。但是下游地點一直都存在擁堵，尤其以K0+350為例，如圖3（a）所示，從16點50開始流量就顯著下降，視頻中出現了嚴重的排隊和時走時停現象，直到18點天黑時仍未緩解。并且此處左右車道的流量相差較大，左車道平均流量約為400輛每小時，但右車道長時間處于停頓狀態，平均流量接近于0。而另一些中間位置，例如K0+795，如圖3（b）所示，流量始終處于較低水平，3條車道流量均在200～600輛每小時附近振蕩。因此，這一時段最嚴重的擁堵應該產生于K0+350下游一帶，在向上游傳播時強度逐漸減弱，直至消失。

通過初步的分析，發現這一時段的擁堵有多種可能的原因。

（1）高速公路車道減少。雙向6車道的揚溧高速和雙向4車道的啟揚高速在K0+350和K0+795之間的某處相接。對于向北運動的交通流而言，單向少一個車道之后，會損失大約1/3的通行能力。粗略來說，K3+315處的3車道總流量在16點50分左右達到最大值，約為3 400輛每小時，換算出的兩車道平均流量約為1 700輛每小時。雖然這一數值仍未達到通行能力極限，但已經很容易產生擁堵。

（2）匝道匯入車流影響。由K0+350處攝像頭的視頻截圖看出，在遠處有一個上匝道，這一股匝道車流來源于滬陜高速，并且存在較多匯入車輛，它對揚溧高速的交通運行顯然存在較大影響。

（3）下游揚州市區擁堵。通過視頻和提取的流量數據可以研判，最擁堵的區域必然是K0+310的下游更遠處。潤揚大橋起點（K0）下游已經距離揚州市區很近，附近就是揚州大學揚子津校區，在9月30日當天可能市區道路已經產生了擁堵，繼而影響到了潤揚大橋北側高速的運行。

綜上所述，這3個原因都可能導致這一時段的擁堵。

4 結論

本文基于YOLO+DeepSORT框架，開發了交通流視頻自動分析系統，能夠自動檢測出不同地點的交通流量。然后，針對潤揚大橋附近路段的交通狀態進行分析。在大多數時段，這一區域沒有擁堵產生，例如在2022年7月23日當天，從早到晚橋面上所有車道的流量都不高，并且對應的車頭時距都接近于負指數分布。另一方面，在少數時段仍然觀測到了典型的交通擁堵，例如在2022年9月30日下午，從南向北的車流在潤揚大橋北側3公里的范圍內出現了長時間的擁堵。雖然未能獲取下游更遠處的視頻數據，但從交通流特性出發，可以推斷出產生擁堵的3種可能原因，包括高速公路車道減少、匝道匯入車流影響和下游揚州市區擁堵等。這些結論對未來的高速公路大流量管控工作具有重要的參考意義。

參考文獻

［1］曹鑫勝，韓一德.基于固定視頻圖像的高速公路交通流參數檢測研究［J］.山西電子技術，2018（6）：77-80.

［2］林大岵.基于模糊識別的高速公路交通流數據實時監控方法［J］.科技通報，2020（8）：65-69.

［3］REDMON J， DIVVALA S， GIRSHICK R， et al. You Only Look Once： unified， real-time object detection［EB/OL］. （2015-06-08）［2022-05-09］. https：//arxiv.org/abs/1506.02640.

［4］REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2022-04-08］. https：//arxiv.org/abs/1804.02767.

［5］BEWLEY A. Simple online and realtime tracking［EB/OL］. （2016-02-02）［2022-07-07］. http： //arxiv.org/abs/1602.00763.

［6］WOJKE N， BEWLEY A， PAULUS D. Simple online and realtime tracking with a deep association metric［EB/OL］. （2017-03-21）［2022-03-21］. https：//arxiv.org/abs/1703.07402.

（編輯 李春燕）