基于多源浮動(dòng)車數(shù)據(jù)融合的道路交通運(yùn)行評(píng)估

孫 超， 張紅軍， 陳小鴻

(1.同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2.深圳市城市交通規(guī)劃設(shè)計(jì)研究中心有限公司，深圳市交通信息與交通工程重點(diǎn)實(shí)驗(yàn)室 廣東 深圳 518021；3.美國加州大學(xué)戴維斯分校，土木與環(huán)境工程學(xué)院，戴維斯 95616，美國)

浮動(dòng)車(floating car)是伴隨著智能交通應(yīng)用而發(fā)展起來的新型交通信息采集手段，它是指安裝有全球定位系統(tǒng)(GPS)定位模塊和無線通信模塊的普通車輛，能實(shí)現(xiàn)較高精度的衛(wèi)星定位并實(shí)時(shí)將位置信息傳送到服務(wù)器數(shù)據(jù)中心.由于具備運(yùn)營時(shí)間長、道路覆蓋面廣、便于集中管理等顯著優(yōu)點(diǎn)，出租車浮動(dòng)車數(shù)據(jù)(floating car data，F(xiàn)CD)已經(jīng)在北京、上海、廣州等城市道路交通運(yùn)行狀況評(píng)價(jià)中得到了廣泛應(yīng)用[1-2].但是，完全依托出租車GPS數(shù)據(jù)存在數(shù)據(jù)源單一、樣本量偏少、空間分布不均衡、覆蓋度不足等問題，一定程度上影響了道路交通運(yùn)行評(píng)估的精度和可靠性，不利于全面掌握交通運(yùn)行狀況和變化態(tài)勢.為此，部分學(xué)者探索了面向道路交通運(yùn)行狀況評(píng)價(jià)的多源數(shù)據(jù)融合方法.Chris Bachmann等[3]采用線圈檢測數(shù)據(jù)和視頻監(jiān)控?cái)?shù)據(jù)等多源數(shù)據(jù)融合技術(shù)來推算高速公路運(yùn)行車速，提高了車速估計(jì)的精度；Nour-Eddin El Faouzi等[4]提出采用GPS和車牌識(shí)別等多源數(shù)據(jù)融合方法推算旅行時(shí)間；李慧兵等[5]融合了線圈數(shù)據(jù)和浮動(dòng)車數(shù)據(jù)，獲得了更高精度的路段平均行程時(shí)間估計(jì)值；李嘉等[6]構(gòu)建了基于浮動(dòng)車GPS數(shù)據(jù)、微波檢測數(shù)據(jù)的行程時(shí)間預(yù)測融合模型；趙瑩[7]基于北京浮動(dòng)車和微波檢測數(shù)據(jù)，采用優(yōu)化反向傳輸(back propagation,BP)神經(jīng)網(wǎng)絡(luò)融合模型對(duì)城市快速路區(qū)間車速進(jìn)行推算；魏敏燕[8]基于出租車和公交車兩種浮動(dòng)車數(shù)據(jù)融合方法進(jìn)行城市道路交通狀態(tài)判別；張旭[9]以北京浮動(dòng)車數(shù)據(jù)、微波檢測器數(shù)據(jù)以及車牌識(shí)別數(shù)據(jù)這三種異質(zhì)交通流數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型進(jìn)行交通運(yùn)行狀態(tài)評(píng)價(jià)；張昕等[10]基于深圳定點(diǎn)數(shù)據(jù)和浮動(dòng)車數(shù)據(jù)等多源數(shù)據(jù)融合，提出一種基于推理和支持向量機(jī)的數(shù)據(jù)融合算法.

隨著移動(dòng)互聯(lián)網(wǎng)和大數(shù)據(jù)時(shí)代的到來，基于百度高德地圖、浮動(dòng)車GPS的大數(shù)據(jù)融合挖掘?qū)⒔鉀Q目前出租車GPS覆蓋范圍和數(shù)據(jù)質(zhì)量不足的問題，大大提高了交通運(yùn)行評(píng)估的精度和可靠性，同時(shí)將減少線圈、視頻、微波等外場設(shè)備的投資建設(shè)和依賴.以深圳為例，深圳全天擁有1.5萬輛穩(wěn)定出租車浮動(dòng)車，但空間分布不均，尤其原特區(qū)外覆蓋不足，同時(shí)由于數(shù)據(jù)傳輸?shù)仍?，可能存在?shù)據(jù)量劇減或數(shù)據(jù)中斷的情形；百度高德地圖導(dǎo)航定位數(shù)據(jù)在全市范圍內(nèi)分布均勻，白天至少擁有1.5萬臺(tái)設(shè)備，定位頻率能達(dá)到秒級(jí)響應(yīng)，但存在時(shí)間分布不均的問題；公交車在全市范圍內(nèi)分布均勻，白天擁有1.2萬輛浮動(dòng)車，但存在時(shí)間分布不均及由于公交進(jìn)出站特性需要進(jìn)行速度修正的問題，見表1.通常情況下，可直接利用車牌識(shí)別數(shù)據(jù)計(jì)算得到實(shí)際車速，深圳設(shè)有304個(gè)車牌識(shí)別點(diǎn)，由于總體數(shù)量有限和空間分布不均，只能直接獲取少數(shù)主要道路真實(shí)車速.出租車、百度、公交車等數(shù)據(jù)源同屬于浮動(dòng)車數(shù)據(jù)，數(shù)據(jù)存在互補(bǔ)且獲取容易，為新時(shí)期道路交通運(yùn)行狀況評(píng)估提供了可行辦法.本文面向道路運(yùn)行評(píng)估和擁堵管理，提出一種基于出租車、百度、公交車多源FCD數(shù)據(jù)融合的道路交通運(yùn)行評(píng)估方法，將為政府規(guī)劃決策、市民出行選擇和技術(shù)人員分析等提供重要支持.

表1可用于道路運(yùn)行評(píng)估的深圳多源交通數(shù)據(jù)優(yōu)缺點(diǎn)比較

Tab.1Comparisonoftheadvantagesanddisadvantagesofmulti-sourcedatausedinroadoperationassessmentinShenzhen

數(shù)據(jù)源優(yōu)點(diǎn)缺點(diǎn)出租車24h運(yùn)營，全天穩(wěn)定1．5萬輛，頻率15s，原特區(qū)內(nèi)覆蓋充足，涵蓋各種出行目的空間分布不均，原特區(qū)外覆蓋不足，由于數(shù)據(jù)傳輸?shù)仍?，可能存在?shù)據(jù)量劇減或數(shù)據(jù)中斷的情形百度百度手機(jī)導(dǎo)航數(shù)據(jù)在全市范圍內(nèi)分布均勻，白天1．5萬臺(tái)設(shè)備，頻率1～1．5s時(shí)間分布不均，夜間數(shù)據(jù)覆蓋不足(凌晨僅有2000臺(tái)設(shè)備上傳數(shù)據(jù))高德同百度，但在線設(shè)備量較少同百度公交車全市范圍內(nèi)分布均勻，白天1．2萬輛，頻率15s時(shí)間分布不均，夜間數(shù)據(jù)覆蓋不足，速度需修正車牌識(shí)別全市范圍內(nèi)分布304個(gè)車牌識(shí)別點(diǎn)，可用于主要道路實(shí)際車速計(jì)算總體數(shù)量有限，只能直接獲取少數(shù)主要道路實(shí)際車速，且空間分布不均，原特區(qū)外覆蓋不足手機(jī)信令時(shí)空分布均勻，百萬級(jí)別設(shè)備量基站覆蓋范圍大，較少用于城市道路狀態(tài)判別

1 交通運(yùn)行指數(shù)算法

1.1 評(píng)估指標(biāo)及指數(shù)定義

近年來，發(fā)達(dá)國家交通管理部門和研究機(jī)構(gòu)開展了大量的交通擁堵評(píng)價(jià)相關(guān)研究.美國、歐洲、日本等建立了比較完善的擁堵評(píng)價(jià)指標(biāo)體系，如美國的暢通性研究報(bào)告(mobility report)[11]和交通擁堵評(píng)價(jià)系統(tǒng)(congestion management system，CMS)[12]，日本道路公團(tuán)從交通擁堵在時(shí)間和空間的分布狀態(tài)出發(fā)，提出了道路交通擁堵評(píng)價(jià)指標(biāo)[13]，包括行程車速、排隊(duì)長度和擁堵持續(xù)時(shí)間.國內(nèi)公安部和建設(shè)部制訂了城市道路交通管理評(píng)價(jià)體系，近年來積累了有關(guān)交通擁堵評(píng)價(jià)的經(jīng)驗(yàn).美國等西方國家，以及上海、北京等國內(nèi)大城市先后提出了不同的交通指數(shù)定義和算法，其中美國道路擁堵指數(shù)(roadway congestion index，RCI)[14]基于道路交通密度定義，上海道路交通指數(shù)(road traffic index，RTI)[1]以行駛速度及道路交通負(fù)荷度為基礎(chǔ)基于綜合評(píng)價(jià)方法定義，北京交通擁堵指數(shù)(traffic congestion index，TCI)[15]基于擁堵里程比例定義，廣州與北京的指標(biāo)類似.

深圳交通運(yùn)行指數(shù)(traffic performance index，TPI)[16]是一種基于出行時(shí)間比的交通運(yùn)行指數(shù)，取值范圍為0～5，分為暢通(0～1)、基本暢通(1～2)、緩行(2～3)、輕度擁堵(3～4)和擁堵(4～5)等五個(gè)等級(jí)(顏色逐漸加深)，見表2.

表2 深圳市道路交通運(yùn)行指數(shù)分級(jí)

其中，出行時(shí)間比是路段或路網(wǎng)實(shí)際行程時(shí)間與期望行程時(shí)間的比值，表征當(dāng)前路況下相比期望車速情形下多花費(fèi)的時(shí)間.在此基礎(chǔ)上通過實(shí)際調(diào)查和專家打分，建立行程時(shí)間比與交通運(yùn)行指數(shù)的換算關(guān)系.國內(nèi)外主要地區(qū)和城市的交通運(yùn)行指數(shù)定義方法、關(guān)鍵參數(shù)和特點(diǎn)見表3.

表3 交通運(yùn)行指數(shù)定義方法比較

1.2 基于出行時(shí)間的指數(shù)算法

根據(jù)深圳交通運(yùn)行指數(shù)的定義范圍和等級(jí)劃分，基于大量歷史計(jì)算結(jié)果和實(shí)地調(diào)查，建立行程時(shí)間比與交通運(yùn)行指數(shù)(TPI,以TPI表示)的換算關(guān)系.

TPI=F(RT)

(1)

設(shè)路網(wǎng)中共有n個(gè)路段，路段k的長度為lk、流量為qk，實(shí)際行程時(shí)間和期望行程時(shí)間分別為tk、tdk；實(shí)際速度與期望速度分別為vk、vdk，則行程時(shí)間比為

(2)

通過在深圳的大量實(shí)地調(diào)查評(píng)分，研究行程時(shí)間比與交通運(yùn)行指數(shù)之間的換算關(guān)系.在路段層面，兩者線性回歸關(guān)系如圖1所示，與《美國道路通行能力手冊(cè)》(2000 年版)[17]的對(duì)應(yīng)關(guān)系相似.圖1中，v,vd與式(2)中vk,vdk含義相同，只是不特定指某個(gè)路段. 在路網(wǎng)層面，兩者線性回歸關(guān)系如圖2所示.

圖1 路段行程時(shí)間比與交通指數(shù)關(guān)系

Fig.1Relationsbetweenthetravellingtimeratioandtrafficindexforroadsection

圖2 路網(wǎng)行程時(shí)間比與交通指數(shù)關(guān)系

Fig.2Relationsbetweenthetravellingtimeratioandtrafficindexforroadnetwork

其中路段交通運(yùn)行指數(shù)：

TPI,link=Fl(RTlink)=

(3)

式中：TPI,link為路段交通運(yùn)行指數(shù)；RTlink為特定時(shí)段內(nèi)路段行程時(shí)間比.

路網(wǎng)交通運(yùn)行指數(shù)：

TPI，net=Fn(Rnet)=

(4)

式中：TPI，net為路網(wǎng)交通運(yùn)行指數(shù)；Rnet為特定時(shí)段內(nèi)路網(wǎng)行程時(shí)間比.

2 多源浮動(dòng)車數(shù)據(jù)融合算法

2.1 數(shù)據(jù)融合規(guī)則

基于融合因子采用決策級(jí)融合機(jī)制，對(duì)不同區(qū)域(片區(qū))不同道路等級(jí)每個(gè)精細(xì)化路段細(xì)分出每種數(shù)據(jù)源的計(jì)算結(jié)果和融合結(jié)果，用于支持橫向?qū)Ρ?對(duì)每種數(shù)據(jù)源的融合引入融合參數(shù)實(shí)現(xiàn)決策級(jí)融合，參數(shù)維度大類分為時(shí)間和空間維度，取一定時(shí)間段(如一個(gè)月)的數(shù)據(jù)進(jìn)行訓(xùn)練標(biāo)定，得到6 300個(gè)融合因子.多源數(shù)據(jù)融合因子見表4.多源FCD數(shù)據(jù)融合框架如圖3所示.

表4 多源數(shù)據(jù)融合因子

圖3 基于多源FCD的數(shù)據(jù)融合框架

Fig.3Datafusionframeworkbasedonmulti-sourceFCDdata

將出租車、百度導(dǎo)航及公交車三種FCD數(shù)據(jù)源納入數(shù)據(jù)融合，建立融合規(guī)則如下.

首先是數(shù)據(jù)重要度排序規(guī)則.根據(jù)不同數(shù)據(jù)源計(jì)算結(jié)果比較，出租車車速>車牌識(shí)別車速(作為實(shí)際車速，下同)>百度導(dǎo)航車速>公交車速，其中出租車速度平均比車牌識(shí)別速度高3%～5%，百度導(dǎo)航車路平均比車牌識(shí)別速度低5%～10%，公交車速度平均比車牌識(shí)別車速低30%～35%.因此在單種數(shù)據(jù)源樣本量足夠的條件下，數(shù)據(jù)重要度排序方面，出租車優(yōu)先于百度優(yōu)先于公交車.

其次是數(shù)據(jù)樣本量確定規(guī)則.根據(jù)與車牌識(shí)別

車速的測試精度要求，確定不同情況下融合的樣本量參數(shù)：當(dāng)路段出租車浮動(dòng)車樣本量不小于3，只考慮出租車浮動(dòng)車數(shù)據(jù)源，根據(jù)與車牌識(shí)別車速測試比較分析，平均誤差可控制在3%以內(nèi)；當(dāng)路段出租車浮動(dòng)車樣本量小于3，且出租車+百度浮動(dòng)車樣本量不小于4時(shí)，只考慮與百度浮動(dòng)車數(shù)據(jù)的融合，根據(jù)與車牌識(shí)別車速測試比較分析，平均誤差可控制在5%以內(nèi)；其他情況納入三者融合.

最后是時(shí)間規(guī)則.00:00～07:00時(shí)段，大部分公交車停止運(yùn)營或處于非正常運(yùn)營狀態(tài)，此時(shí)公交車浮動(dòng)車數(shù)據(jù)不納入融合.

2.2 數(shù)據(jù)融合算法

道路交通運(yùn)行指數(shù)以固定時(shí)間長度為周期進(jìn)行計(jì)算，且時(shí)間周期長度遠(yuǎn)大于出租車、百度和公交車三類浮動(dòng)車GPS的采樣周期，因此在一個(gè)時(shí)間周期內(nèi)一輛浮動(dòng)車可能存在多條采樣數(shù)據(jù)，為避免不同車輛的采樣數(shù)據(jù)長度不同引起的指數(shù)計(jì)算偏差，采用平均法進(jìn)行取值.以出租車浮動(dòng)車為例，假設(shè)一個(gè)時(shí)間周期Δt內(nèi)出租車i在某一個(gè)路段有j條采樣記錄，那么在該時(shí)間周期內(nèi)該浮動(dòng)車平均車速為

(5)

假設(shè)在時(shí)間周期Δt內(nèi)出租車浮動(dòng)車的數(shù)量為N，在該時(shí)間周期內(nèi)出租車浮動(dòng)車的行駛速度為

(6)

同時(shí)，假設(shè)出租車浮動(dòng)車在一個(gè)時(shí)間周期Δt內(nèi)的行駛長度為l，根據(jù)N輛車在時(shí)間周期Δt內(nèi)的GPS數(shù)據(jù)可以計(jì)算出租車的行駛長度ltaxi.同理，可以求解一個(gè)時(shí)間周期Δt內(nèi)百度和公交車浮動(dòng)車的行駛速度分別為vbaidu，vbus，行駛長度分別為lbaidu，lbus.

基于上述融合規(guī)則，建立如下動(dòng)態(tài)加權(quán)融合算法：

(7)

ifNtaxi≥3, thenktaxi=1,kbaidu=0,kbus=0

ifNtaxi<3,Ntaxi+Nbaidu≥4, thenktaxi=1,

kbaidu=1,kbus=0

elsektaxi=1,kbaidu=1,kbus=1

if time∈(0:00-7:00),kbus=0

式中:vfusion為多源浮動(dòng)車數(shù)據(jù)融合后的行程車速;v為某一種浮動(dòng)車數(shù)據(jù)計(jì)算得到的行程車速;F為融合因子；l為某一類車輛在當(dāng)前路段行駛的長度之和；k為控制參數(shù)，ktaxi，kbaidu，kbus分別是指出租車、百度浮動(dòng)車和公交車浮動(dòng)車數(shù)據(jù)源是否加入融合(1或0)；Ntaxi，Nbaidu，Nbus為當(dāng)前路段行駛過的出租車、百度浮動(dòng)車和公交車浮動(dòng)車的車輛數(shù).

3 融合效果分析及應(yīng)用方向

以深圳2016年3月浮動(dòng)車數(shù)據(jù)為例，根據(jù)融合結(jié)果，全市范圍內(nèi)使用純出租車浮動(dòng)車數(shù)據(jù)的占6%，使用出租車+百度浮動(dòng)車數(shù)據(jù)融合的占10%，使用出租車+百度+公交車三種浮動(dòng)車數(shù)據(jù)融合的占84%；中心城區(qū)范圍內(nèi)使用純出租車浮動(dòng)車數(shù)據(jù)的占14%，使用出租車+百度浮動(dòng)車數(shù)據(jù)融合的占12%，使用三種浮動(dòng)車數(shù)據(jù)融合的占73%.

3.1 融合效果分析

3.1.1結(jié)果精度分析

數(shù)據(jù)融合后，結(jié)果精度有所提高，融合后車速相比其他單一數(shù)據(jù)源與實(shí)際車速誤差最小.以深圳北環(huán)大道(東西向城市快速路)某工作日(2016年3月24日)為例，多源浮動(dòng)車數(shù)據(jù)融合后車速更接近實(shí)際車速，平均誤差在3%以內(nèi)，如圖4所示.

圖4 城市快速路車速對(duì)比(以北環(huán)大道為例)

Fig.4Speedcomparisonofurbanexpressway(takenorthcentralavenueasanexample)

3.1.2數(shù)據(jù)覆蓋率分析

這里定義覆蓋率為數(shù)據(jù)匹配到的路段數(shù)占所有

路段數(shù)的比例.根據(jù)融合結(jié)果，全市整體浮動(dòng)車覆蓋率從32%提升至77%，原特區(qū)內(nèi)福田、羅湖、南山三區(qū)平均覆蓋率從75%提升至81%；原特區(qū)外提升更為顯著，其中寶安區(qū)(從17%提升至73%)、龍華新區(qū)(從41%提升至88%)、龍崗區(qū)(從24%提升至75%)、光明新區(qū)(從2%提升至67%)、坪山新區(qū)(從3%提升至62%)和大鵬新區(qū)(從1%提升至43%).三種浮動(dòng)車數(shù)據(jù)分布如圖5所示，出租車浮動(dòng)車數(shù)據(jù)分布如圖6所示，融合后覆蓋道路情況如圖7所示.圖7表示了白天時(shí)段(17：00～20：00)每5 min對(duì)次干道及以上級(jí)別道路的平均覆蓋率.

圖5 出租車、百度導(dǎo)航、公交浮動(dòng)車分布

圖6 出租車、浮動(dòng)車分布

圖7 多源FCD數(shù)據(jù)融合后道路覆蓋情況

3.1.3數(shù)據(jù)可靠性分析

三種FCD數(shù)據(jù)互補(bǔ)，數(shù)據(jù)可靠性得到提高.在高時(shí)間分辨率下，融合后的速度、指數(shù)時(shí)間序列趨于平穩(wěn).融合后，白天時(shí)段匹配成功的路段Link數(shù)量為出租車的2.5倍，解決了因出租車數(shù)據(jù)傳輸不穩(wěn)定、數(shù)據(jù)量不足導(dǎo)致的異常大幅度波動(dòng)情況.以某工作日(2016年3月24日)為例，多源FCD數(shù)據(jù)融合后匹配道路變化情況(每5 min)如圖8所示.

圖8 FCD數(shù)據(jù)融合后匹配道路情況

3.1.4樣本量分析

增加多源浮動(dòng)車數(shù)據(jù)后，尤其引入百度手機(jī)導(dǎo)航數(shù)據(jù)后，樣本量大幅提升，準(zhǔn)確率大幅提高.根據(jù)統(tǒng)計(jì)，百度市場份額約70%，依賴龐大的數(shù)據(jù)量，在市場主流的手機(jī)應(yīng)用程序(Application，簡稱APP)中，百度路況覆蓋度最高、準(zhǔn)確率最高.與出租車同期匹配的路段情況對(duì)比，融合后樣本量有提升的路段比例為76%，原先低樣本(僅有1～3輛車經(jīng)過)情況下有顯著提升的比率超過65%.數(shù)據(jù)融合后不同浮動(dòng)車樣本量的提升比例分布如圖9所示.

圖9 數(shù)據(jù)融合后不同浮動(dòng)車樣本量的提升比例分布

3.2 主要應(yīng)用方向

本文提出的道路運(yùn)行評(píng)估方法可為擁堵路段排查治理及擁堵機(jī)理分析、交通需求管理、重大交通政策、重大交通事件評(píng)估等提供重要決策支持.

3.2.1擁堵路段排查治理及擁堵機(jī)理分析

以深圳為例，通過擁堵等級(jí)的時(shí)長和頻率，排查得出2016年深圳全市常發(fā)擁堵路段249段，總擁堵里程345.4 km，為針對(duì)性開展交通擁堵治理起到重要支撐作用.再者，利用交通運(yùn)行指數(shù)的實(shí)時(shí)變化情況，統(tǒng)計(jì)評(píng)估一定范圍內(nèi)各擁堵等級(jí)的持續(xù)時(shí)間，分析擁堵形成及消散機(jī)理.對(duì)于特定道路路段，可通過擁堵時(shí)空?qǐng)D綜合全面地反映評(píng)估路段上交通擁堵在時(shí)空的分布及衍變情況，為研究擁堵產(chǎn)生和擴(kuò)散機(jī)理提供了很好的技術(shù)手段.

3.2.2停車收費(fèi)等需求管理政策評(píng)估

以深圳為例，在已實(shí)施的路內(nèi)停車收費(fèi)的基礎(chǔ)上建立路內(nèi)停車收費(fèi)費(fèi)率與交通運(yùn)行的動(dòng)態(tài)調(diào)節(jié)機(jī)制，實(shí)現(xiàn)動(dòng)態(tài)評(píng)估路內(nèi)停車收費(fèi)等需求管理政策實(shí)施效果并根據(jù)實(shí)施效果對(duì)停車收費(fèi)方案進(jìn)行動(dòng)態(tài)調(diào)整，保障道路運(yùn)行維持在合理水平.根據(jù)評(píng)估，深圳2014年中心城區(qū)實(shí)施路內(nèi)停車收費(fèi)政策后，四個(gè)試點(diǎn)片區(qū)工作日晚高峰平均車速增幅3.2 km·h-1，上升約13%.

3.2.3重大事件評(píng)估

利用本文提出的道路運(yùn)行評(píng)估方法評(píng)估重大事件(如交通基建開通、特殊天氣、大型活動(dòng)等)對(duì)道路交通運(yùn)行狀況的影響，輔助政府重大政策和管理措施制定.以深圳軌道三期7、9號(hào)線為例，開通前后全市平均車速增幅約7.3%，7、9號(hào)線沿線片區(qū)平均車速增幅約8.9%.

4 結(jié)語

針對(duì)當(dāng)前出租車FCD覆蓋范圍和數(shù)據(jù)質(zhì)量不足的問題，本文引入百度手機(jī)導(dǎo)航和公交車GPS數(shù)據(jù)，面向道路運(yùn)行評(píng)估和擁堵管理提出了基于出行時(shí)間的交通運(yùn)行指數(shù)算法和一種基于出租車、百度、公交車多源FCD數(shù)據(jù)融合的道路交通運(yùn)行評(píng)估方法，構(gòu)建了多源數(shù)據(jù)融合規(guī)則和融合算法.在融合規(guī)則方面，充分考慮了三種數(shù)據(jù)源的特點(diǎn)，從數(shù)據(jù)重要度排序、數(shù)據(jù)樣本量確定及時(shí)間方面制定了融合規(guī)則及相關(guān)參數(shù)確定的原則，能夠滿足測試精度要求.在融合算法設(shè)計(jì)方面，在融合規(guī)則指導(dǎo)下，建立了動(dòng)態(tài)加權(quán)融合算法.以深圳為例進(jìn)行了融合效果分析，結(jié)果表明本文提出的多源數(shù)據(jù)融合方法效果顯著，很大程度上提高了融合結(jié)果精度、數(shù)據(jù)覆蓋率、數(shù)據(jù)可靠性和數(shù)據(jù)樣本量，最后在擁堵路段排查治理及擁堵機(jī)理分析、交通需求管理、重大交通政策、重大交通事件評(píng)估等方面給出了初步應(yīng)用及效果分析.

相比傳統(tǒng)基于出租車的交通運(yùn)行指數(shù)算法及其他異質(zhì)交通數(shù)據(jù)融合方法，本文構(gòu)建的多源浮動(dòng)車數(shù)據(jù)融合方法大大提高了交通運(yùn)行評(píng)估的精度和可靠性，具有數(shù)據(jù)獲取容易、算法可移植性強(qiáng)、不依賴外場硬件設(shè)備的突出優(yōu)點(diǎn).后續(xù)研究和應(yīng)用中可考慮進(jìn)一步拓展數(shù)據(jù)來源(如滴滴網(wǎng)約車浮動(dòng)車數(shù)據(jù))，優(yōu)化數(shù)據(jù)融合算法進(jìn)一步提高道路運(yùn)行車速、運(yùn)行指數(shù)計(jì)算的準(zhǔn)確性，為城市道路交通運(yùn)行評(píng)估和交通管理工作奠定基礎(chǔ).

[1] 魏正明.上海推出交通指數(shù)評(píng)價(jià)運(yùn)行質(zhì)量[J].上海環(huán)境科學(xué), 2002,21(9):556.

WEI Zhengming. Shanghai launched traffic index evaluation operation quality[J]. Shanghai Environmental Sciences, 2002,21(9):556.

[2] 章威,徐建閩,王海峰.基于浮動(dòng)車技術(shù)的城市路況計(jì)算方法[J].交通運(yùn)輸系統(tǒng)工程與信息, 2007,7(1):43.

ZHANG Wei, XU Jianmin, WANG Haifeng. Urban traffic situation evaluation methods based on probe vehicle data[J]. Journal of Transportation Systems Engineering and Information Technology, 2007,7(1):43.

[3] BACHMANN C， ADBULHAI B， ROORDA M J,etal. A comparative assessment of multi-sensor data fusion techniques for freeway traffic speed estimation using microsimulation modeling[J]. Transportation Research Part C, 2013，26(1):33.

[4] FAOUZI N E E， KLEIN L A. Data fusion for ITS: techniques and research needs[J]. Transportation Research Procedia, 2016(15):495.

[5] 李慧兵,楊曉光.面向浮動(dòng)車取樣偏差修正的數(shù)據(jù)融合方法[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,40(10):1498.

LI Huibing, YANG Xiaoguang. Data fusion method on modifying sampling bias of floating cars[J]. Journal of Tongji University (Natural Science), 2012,40(10):1498.

[6] 李嘉,劉春華,胡賽陽,等. 基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型[J]. 湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,41(1):33.

LI Jia, LIU Chunhua, HU Saiyang,etal. A travel time prediction model based on traffic data fusion technology[J].Journal of Hunan University (Natural Science),2014,41(1):33.

[7] 趙瑩.基于多源檢測器的城市快速路區(qū)間車速融合算法研究[D].北京:北京交通大學(xué),2016.

ZHAO Ying. Study on interval speed fusion algorithm of urban expressway based on multi-source detectors[D]. Beijing: Beijing Jiaotong University,2016.

[8] 魏敏燕.異種浮動(dòng)車數(shù)據(jù)融合的城市道路交通狀態(tài)判別及時(shí)空分析[D].重慶:重慶大學(xué),2016.

WEI Haiyan. Study on urban road traffic state identification and spatio-temporal characteristics based on different types of floating car data fusion[D]. Chongqing: Chongqing University,2016.

[9] 張旭.面向交通運(yùn)行狀態(tài)評(píng)價(jià)的多源異質(zhì)交通流數(shù)據(jù)融合技術(shù)方法研究[D].北京:北京交通大學(xué),2008.

ZHANG Xu. Fusion of multi-source heterogeneous traffic flow data for the assessment of traffic operational conditions[D].Beijing: Beijing Jiaotong University,2008.

[10] 張昕,關(guān)志超,胡斌.實(shí)時(shí)動(dòng)態(tài)交通信息服務(wù)的數(shù)據(jù)融合技術(shù)研究[C]//2008第四屆中國智能交通年會(huì)論文集.青島：中國智能交通協(xié)會(huì),2008(9):902-908.

ZHANG Xin, GUAN Zhichao, HU Bin. Research on data fusion technology for real-time traffic information service[C]//2008 Fourth China Intelligent Transportation Symposium. Qingdao: China Intelligent Transportation Association,2008(9):902-908.

[11] Texas Transportation Institute 3135 TAMU, Cambridge Systematics. Current conditions and trends from archived operation data[R]. Columbus: Monitoring Urban Freeways,2004.

[12] Texas Transportation Institute 3135 TAMU, Cambridge Systematics. Congestion and reliability using archived traffic detector data[R]. Columbus: Lessons Learned,2004.

[13] Schrank D, Lomax T. 2011 Urban mobility report[R]. Texas: Texas Transportation Institute, The Texas A & M University System, 2011.

[14] Turner S, Margiotta R, Lomax T. Lessons Learned: monitoring highway congestion and reliability using archived traffic detector data[R].Texas: Texas Transportation Institute, The Texas A & M University System, 2004.

[15] 北京市質(zhì)量監(jiān)督局.城市道路交通擁堵評(píng)價(jià)指標(biāo)體系(征求意見稿)[S].北京:北京市質(zhì)量監(jiān)督局,2010.

Beijing Municipal Bureau of Quality Supervision. Urban road traffic congestion evaluation system[S]. Beijing: Beijing Municipal Bureau of Quality Supervision,2010.

[16] 陳蔚,段仲淵,周子益，等.基于出行時(shí)間的道路交通運(yùn)行指數(shù)算法與應(yīng)用研究[C]//中國城市交通規(guī)劃2012年年會(huì)論文集.福州:中國城市交通規(guī)劃學(xué)術(shù)委員會(huì), 2012:1703-1711.

CHEN Wei, DUAN Zhongyuan, ZHOU Ziyi,etal. Traffic Performance Index Algorithms and Applications Study based on road traffic travel time[C]//Chinese Urban Transportation Planning 2012 Annual Conference Proceedings. Fuzhou: Chinese Urban Transportation Planning Academic committee, 2012:1703-1711.

[17] Transportation Research Board, Highway Capacity Manual[M]. Washington D C： Transportation Research Board, 2000.