多源數據融合的交通走廊交通流量分析

【摘 " "要】：針對現有交通流量采集手段的不足，利用多源數據從多個角度分析了交通走廊的流量變化規律。結果表明，客車和貨車的交通流量存在周變化和日變化趨勢，客車流量周五最高，貨車流量相對平均；客車交通流量具有明顯的早晚高峰，而貨車交通流量則全天比較均勻；不同省份和城市駛入高速公路的車輛占比存在差異；交通樞紐的交通流量具有明顯的方向性，主線方向的流量最大。

【關鍵詞】：多源數據融合；交通走廊；交通流量；多角度分析；高速公路

【中圖分類號】：U491 【文獻標志碼】：C 【文章編號】：1008-3197（2024）04-01-04

【DOI編碼】：10.3969/j.issn.1008-3197.2024.04.001

Traffic Flow Analysis of Transportation Corridors from Multiple Perspectives Based on Multi-Source Data Fusion

CHEN Junjian1， LIU Chunsheng3， WANG Xiaohan3， HU Fengjiang2

（1. Shangdong Gezhouba Jushan Expressway Co. Ltd.， Jinan 250000，China; 2.Tianjin Municipal Engineering

Design amp; Research Institute Co. Ltd.， Tianjin 300392，China；3.Shandong Jianzhu University， School of Transportation Engineering，

Jinan， 250000，China）

【Abstract】：Taking into account the inadequacies of existing traffic flow collection methods， this study analyzed the traffic flow change patterns of traffic corridors from multiple perspectives using multi-source data. The results showed that there were weekly and daily trends in the traffic flow of passenger and freight vehicles， with passenger traffic peaking on Fridays and freight traffic being relatively consistent;passenger traffic showed obvious peak hours， while freight traffic remained relatively uniform throughout the day;the proportion of vehicles entering expressway from different provinces and cities varied;the traffic flow of transportation hubs showed obvious directionality， with traffic flowing in the main direction being the largest.

【Key words】：multi-source data fusion; traffic corridor; traffic flow; multi-perspective analysis; expressway

交通流量是道路交通運行狀態的重要參數，準確計算和分析交通流量可以更好地理解城市交通情況，改善交通擁堵問題，提高環境質量，為城市的可持續發展提供支持。傳統交通流量的計算方法主要是人工實地觀測法[1]、OD推算法[2～3]。人工實地觀測法通過人工方法對車輛屬性等信息進行細致的觀測，可以得出較為準確的數據，符合實際需要；但也有一些缺點，如勞動強度大、費時費力、受人為因素影響較大。OD推算法能夠根據少量的觀測數據，精確地推算出未知的OD矩陣和交通流量，解決缺乏數據的問題；但該方法需要利用先前的數據建模，數據不準確會影響推算的準確性。現階段隨著信息技術的快速發展，越來越多的檢測方法被用于交通流量的計算，如，交通監控視頻[4]、路段感應線圈[5～6]、收費站數據[7]。交通監控視頻處理成本高，不易于在高速路網中推廣；感應線圈數據雖然可以獲得準確的斷面交通流參數，但是難以反應車輛的流向情況；收費站數據僅記錄車輛進出高速公路的信息，可以捕捉交通走廊中OD流向情況，但是難以捕捉車輛在某個具體路段的行車狀態。

針對當前技術手段分析交通流量過程中的不足，引入了高速公路門架數據，利用收費站數據和門架數據，從交通流量的時空變化、交通走廊OD分布、駛入服務區車輛占比及交通樞紐分流特征4個角度對整個交通走廊的流量情況進行分析和討論。

1 理論與方法

1.1 交通走廊多角度流量分析框架

為更好了解高速公路交通走廊中交通流量的規律，在門架數據和收費站數據的基礎上設計多角度流量分析框架。首先門架數據經過預處理刪除重復及缺失的記錄，然后根據門架數據計算出交通樞紐分流情況、交通流量時空變化特征，結合收費站門架計算出駛入服務區的車輛數目，根據收費站數據可以得出交通走廊OD流向。見圖1。

1.2 駛入服務區車輛識別算法

K-means聚類算法[8]是一種常用的無監督學習算法，用于將數據集劃分為K個不同的類別。假設有n個車輛x1，x2，……，x3，選取的特征為時間和車輛平均行程，將這些數據點劃分為K個聚類，每個聚類的中心點分別為c1，c2，……，c3。由于利用K-means聚類算法來判定車輛是否駛入服務區，所以K設置為2。針對不同車型采用不同的聚類中心，聚類時長為24 h，客車、貨車度分別為90、75 km/h。見表1。

表1 各個車型聚類中心選擇

[參數名稱 設置數值 聚類時間序列的長度 24 h K-means中針對客車的兩個

初始化聚類中心 （90 km/h，12 h） （10 km/h，12 h） K-means中針對貨車的兩個

初始化聚類中心 （75 km/h，12 h） （10 km/h，12 h） ]

首先，定義數據點xi與聚類中心點cj的距離dist（xi，cj），可以使用歐氏距離或其他距離度量方法；然后，將每個數據點xi分配給距離最近的聚類中心點；接著，更新每個聚類的中心點，計算每個聚類中所有數據點的均值。對于第j個聚類，其中心點cj的更新公式為

[cj=1 Sjxi∈Sjxi] （1）

式中：Sj為分配給第j個聚類的數據點集合；[Sj]為該集合中的數據點數量。

重復執行上述分配和更新步驟，直到聚類中心點不再變化或達到預定的迭代次數。

K-means聚類算法的目標函數是最小化所有數據點與其所屬聚類中心點之間的距離的平方和，即

[J=i=1nj=1Krij?dist（xi，cj）2] （2）

式中：[rij=1]表示數據點[xi]屬于聚類中心點；[rij=0]表示不屬于。

2 實例分析

2.1 數據來源

以山東省巨單高速公路作為研究對象。巨單高速公路（巨野—魯皖界段）為南北走向，全長 116.202 "km，沿線設置王官屯—巨野西、大田集—成武樞紐、單縣南—龍王廟等12個門架及3個服務區。見圖2。

數據時間范圍為2023年7月—9月，共3 802 235條數據。

2.2 交通流量時空變化特性

分析巨單高速公路所有門架的交通流量時空變化特性，對周變化趨勢和日變化趨勢進行統計。在周變化中，周五的客車交通流量最高，平均為11 166輛；而貨車流量變化較為均勻。在日變化中，客車呈現出了明顯的早高峰趨勢，早高峰時間段為7：00—9：00，晚高峰時間段為16：00—18：00；而貨車全天沒有明顯的高峰趨勢。見圖3。

2.3 交通走廊OD流向

對各地車輛流入巨單高速公路的比例進行分析，可以更好地了解當地的交通狀況和未來交通規劃，對交通運輸企業的業務決策和政府部門的交通規劃也有重要的參考價值，利用收費站數據挖掘出各車型的OD流向情況。所有車型中從菏澤本地駛入的車輛占比最高，為24.07%；貨車車型中從安徽流入的車輛占比排名第二，為13.76%。見圖4。

2.4 駛入服務區流量

對駛入服務區的流量進行分析可以幫助優化服務區的布局規劃和物資配送，提高服務質量和效益。各類貨車駛入服務區的比例最高，是客車的2.5倍左右；另外，西側單縣服務區駛入服務區的占比最高，達到15.03%。見表2。

2.5 交通樞紐分流特征

高速公路交通樞紐是高速公路與其他交通方式的銜接點，也是高速公路的交通集散中心，如收費站、服務區、匝道等，是高速公路通行能力和交通安全的重要組成部分，探究高速公路交通樞紐分流特征具有重要意義。各路段在主線方向的流量最大，其余方向占比較小。見圖5。

3 結論與展望

1）巨單高速公路客車與貨車的交通流量存在周變化和日變化趨勢。具體來說，客車交通流量在周五最高，貨車的交通流量則相對比較平均。另外，客車交通流量呈現明顯的早晚高峰趨勢，早高峰時間為7：00—9：00，晚高峰時間為16：00—18：00，而貨車的交通流量則全天較為均勻。

2）菏澤本地駛入的車輛占比最高；從安徽流入的貨車占比排名第二，表明安徽地區與巨單高速公路的貨物貿易較為頻繁。

3）貨車車型駛入服務區的比例最高，是客車車型的2.5倍左右，可能是由于貨車在長途運輸中需頻繁駛入服務區進行休息、加油、維修等操作；可以進一步分析服務區內的貨車停車位、洗車和維修配套設施的數量和質量，從而優化和擴展貨車服務區設施，以更好地滿足貨車司機和物流需求。

4）各服務區駛入服務區的車流量中，西側單縣服務區的占比最高，達到15.03%。表明該站整體服務質量和硬件設施較為優秀，吸引了更多的駕駛員和乘客前來休息、加油等，可能與其地理位置、周邊道路條件和宣傳推廣等因素有關；因此，可以在其他服務區或站點中借鑒西側單縣服務區的優秀經驗和做法，提升其他服務區的服務質量和客流量。

5）從交通樞紐分流特征看出，各路段在主線方向交通流量最大，其他方向的占比較小，說明交通樞紐的交通流量具有明顯的方向性。

這些研究結果在交通運輸企業的業務決策、政府部門的交通規劃及未來的交通建設中都有重要的參考價值；同時，未來的交通發展需要加強技術創新，推廣智能化和綠色運輸，以實現可持續發展。

參考文獻：

[1]高 鵬，柯 磊，徐 倩，等.基于人工計數法的交通量調查與應用研究[J].電子測試，2019，（16）：111-113.

[2]段進宇，繆立新，江見鯨.由路段交通流量反估出行OD矩陣技術的應用[J].清華大學學報（自然科學版），2000，（6）：123-126.

[3]鄭志鵬，盧守峰，王 杰.一種基于開源軟件的OD反推求解算法[J].交通科學與工程，2015，31（1）：98-102.

[4]Zhang X X， Zhao M， Appiah J， et al. Improving interstate freeway travel time reliability analysis by clustering travel time distributions[J]. Transportation research record，2021， 2675（10）：566-577.

[5]Sánchez C N，Pérez R M L，Benítez F， et al. Traffic Flow Estimation Models Using Cellular Phone Data.[J]. IEEE Trans. Intelligent Transportation Systems，2012，13（3）：1430-1441.

[6]Sun Z B ， Ban X G.Vehicle trajectory reconstruction for signalized intersections using mobile traffic sensors[J].Transportation Research Part C，2013，36（11）：268-283.

[7]賴見輝，齊 悅，王 揚，等.基于收費數據的交通運行參數估計方法[J].中國公路學報，2022， 35（3）：205-215.

[8]楊俊闖，趙 超. K-Means聚類算法研究綜述[J].計算機工程與應用，2019，55（23）：7-14+63.