立交區(qū)域交叉口交通信息識(shí)別概率預(yù)測(cè)

沈強(qiáng)儒，楊少偉，曹 慧，顧鎮(zhèn)媛，葛 婷

(1.南通大學(xué) 交通與土木工程學(xué)院，江蘇 南通，226019；2.長(zhǎng)安大學(xué) 公路學(xué)院，西安 710064；3.蘇州科技大學(xué) 土木工程學(xué)院，江蘇 蘇州215011 )

立交是山區(qū)高速公路或公路網(wǎng)實(shí)現(xiàn)交通流轉(zhuǎn)換的構(gòu)造物，當(dāng)高速公路與一般公路交叉，駛出及駛?cè)肓⒔粎^(qū)域時(shí)常采用平面交叉的型式，典型的立交有收費(fèi)菱形立交，只需要設(shè)置唯一收費(fèi)站，即可實(shí)現(xiàn)樞紐功能. 收費(fèi)菱形立交一側(cè)設(shè)置左轉(zhuǎn)彎，另外一側(cè)設(shè)置右轉(zhuǎn)彎，為了節(jié)約用地，通常交叉口與上跨橋梁距離很近，駕駛員行駛至交叉口附近時(shí)，前方大型車輛容易影響小型車駕駛員對(duì)交叉口信息的獲取，形成交通信息識(shí)別盲區(qū). 同時(shí)，由于立交區(qū)信息瞬息萬(wàn)變引起交通識(shí)別問(wèn)題進(jìn)而導(dǎo)致事故頻發(fā)，準(zhǔn)確預(yù)測(cè)動(dòng)態(tài)交通量獲取交通信息識(shí)別概率已成為立交區(qū)域安全管理的重要手段之一.

近年來(lái)，對(duì)交通信息識(shí)別問(wèn)題主要集中在兩個(gè)方面：一方面利用深度學(xué)習(xí)法研究高速公路中交通信息識(shí)別問(wèn)題，文獻(xiàn)[1-3]提出了一種短期(KNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的時(shí)空交通流KNN-LSTM模型，運(yùn)用深度學(xué)習(xí)法研究交通信息的探測(cè)技術(shù)，建立了多車道高速公路路側(cè)交通信息識(shí)別模型；另一方面，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法對(duì)實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行聚類分析，將神經(jīng)網(wǎng)絡(luò)模型與無(wú)跡卡爾曼濾波方法結(jié)合，同時(shí)融合交互式方法實(shí)現(xiàn)交通信息識(shí)別預(yù)測(cè)[4-5]，文獻(xiàn)[6]基于時(shí)間及空間研究了交通信息識(shí)別問(wèn)題，文獻(xiàn)[7]對(duì)交通信息的視認(rèn)距離及大小型車之間的速度差、車頭時(shí)距等方面進(jìn)行研究，確定交通信息設(shè)置方法. 以上研究大多針對(duì)高速公路路側(cè)交通信息識(shí)別問(wèn)題，對(duì)立交區(qū)域交叉口交通信息識(shí)別問(wèn)題研究較少，同時(shí)已有問(wèn)題主要針對(duì)靜態(tài)、單一的交通量狀態(tài)，對(duì)交通信息視認(rèn)區(qū)域、交通信息識(shí)別預(yù)測(cè)的定義相對(duì)保守，致使靜態(tài)交通識(shí)別概率的計(jì)算結(jié)果與實(shí)際識(shí)別過(guò)程存在偏差.

事實(shí)上，立交區(qū)域交叉口信息識(shí)別預(yù)測(cè)與交通信息的獲取、交通量的周期性動(dòng)態(tài)變化有直接關(guān)系[8-9]. 每個(gè)周期的交通量時(shí)間序列具有一定的相似性，且包含多種周期，如1 d(24 h)、5 d(120 h)、7 d (168 h)、28 d(672 h)之間有相似重復(fù)性規(guī)律和趨勢(shì)[10]，但在某些情況下也具有一定的隨機(jī)性. 因此，交通流信息可認(rèn)為是長(zhǎng)期及短期的時(shí)間周期項(xiàng)和交通量趨勢(shì)項(xiàng)及交通流輔助項(xiàng)(路網(wǎng)節(jié)點(diǎn)指數(shù)項(xiàng)、交通量隨機(jī)變化項(xiàng))綜合構(gòu)成[11-13].

本文通過(guò)建立駕駛員信息識(shí)別框架，形成考慮駕駛員特性及預(yù)測(cè)交通量的識(shí)別視距計(jì)算方法，運(yùn)用時(shí)間序列對(duì)動(dòng)態(tài)交通量進(jìn)行預(yù)測(cè)，形成交通信息識(shí)別預(yù)測(cè)模型， 旨在對(duì)主線上跨的立交區(qū)域交叉口交通信息設(shè)置及管理提供依據(jù).

1 交通信息識(shí)別框架模型

交通信息設(shè)置應(yīng)考慮交叉口信號(hào)、駕駛員對(duì)交通信息的識(shí)別及交通信息安裝位置的合理性[14]. 車輛駛?cè)虢徊婵趨^(qū)域，當(dāng)小型車前方有大型車時(shí)，應(yīng)考慮前方大型車輛對(duì)交通信息的識(shí)別問(wèn)題，其構(gòu)成如圖1所示.

圖1 交通信息識(shí)別示意圖

小型車輛駕駛員視線高度與交通信息高度差記為h(h=h1-h2)，交通信息與小型車水平視線高度夾角為φ，在10°～20°可正確識(shí)別交通信息[15]，文中φ取15°，駕駛員視角超過(guò)此閾值時(shí)，交通信息容易被錯(cuò)過(guò)，如圖1所示，則根據(jù)幾何關(guān)系，可得

(1)

其中D為交通信息發(fā)現(xiàn)點(diǎn)與交通信息間的距離，m.

由幾何關(guān)系可知：在一定環(huán)境條件下可根據(jù)動(dòng)態(tài)交通量和駕駛員視距確定，因此，上述不等式中主要為水平視線與交通信息間的夾角問(wèn)題，與駕駛員對(duì)交通信息的識(shí)別及動(dòng)態(tài)交通量有關(guān). 因此有必要解決駕駛員在行駛過(guò)程中的交通信息識(shí)別問(wèn)題.

2 識(shí)別視距計(jì)算分析

立交區(qū)域主線上跨交叉口前一段范圍內(nèi)，駕駛員主要工作任務(wù)是對(duì)道路環(huán)境引起的視覺(jué)混亂或?qū)撛诮煌ㄐ畔⒃催M(jìn)行判斷，選擇合理的措施以安全高效地完成行駛?cè)蝿?wù)[16].

2.1 條件假設(shè)

立交區(qū)域交叉口中小型車駕駛員對(duì)交通信息識(shí)別受前方大型車輛或主線上跨橋梁共同作用的影響，與大型車混入率、交通量等相關(guān)，同時(shí)也與大型車和小型車車頭時(shí)距有關(guān)，其中，動(dòng)態(tài)交通量及交通組成對(duì)交通信息識(shí)別起到重要影響，因此，交通信息識(shí)別預(yù)測(cè)時(shí)應(yīng)充分考慮交通量預(yù)測(cè)，擬作以下假設(shè)：1)交叉口附近為直線段，且該區(qū)域最大縱坡不大于3%；2)小型車、中型車、大型車按設(shè)計(jì)規(guī)范要求；3)交通信息設(shè)置滿足設(shè)施設(shè)計(jì)規(guī)范要求；4)各種車型車輛到達(dá)率服從泊松分布，大型車在小型車前方的概率為50%；5)立交區(qū)域交叉口主要有小型車、中型車及大型車3種車型，其比例分別為i1，i2，i3.

2.2 動(dòng)態(tài)識(shí)別視距計(jì)算

駕駛員對(duì)交通信息處理通常需要經(jīng)過(guò)讀取信息、判斷信息、操作車輛(減速、加速、轉(zhuǎn)向、直行)等過(guò)程[17]. 動(dòng)態(tài)識(shí)別視距為駕駛員發(fā)現(xiàn)交通信息至完成相應(yīng)操作且車輛與前方交通信息保持一定的安全距離(I)，如圖2所示.

圖2 識(shí)別視距示意圖

交通信息設(shè)置在E點(diǎn)，車輛按圖中方向行駛至交叉口A點(diǎn)時(shí)，發(fā)現(xiàn)E點(diǎn)的交通信息，此段時(shí)間駕駛員對(duì)交通信息進(jìn)行識(shí)別，B點(diǎn)開始讀取交通信息，至C點(diǎn)完成交通信息讀取，車輛在此段時(shí)間所經(jīng)過(guò)的距離稱之為認(rèn)讀距離(l′)；當(dāng)駕駛員認(rèn)讀完信息后根據(jù)交叉口道路交通條件作相應(yīng)決策，車輛行駛至D點(diǎn)，此段過(guò)程車輛經(jīng)過(guò)的距離稱為判斷距離(j)；從行動(dòng)點(diǎn)D至動(dòng)作完成點(diǎn)F稱之為行動(dòng)距離(l)；s為與前方車輛之間的安全距離，如圖2所示. 駕駛員讀完交通信息，在動(dòng)態(tài)交通環(huán)境下安全、順暢地完成必要駕駛行為(如：變換車道、減速行駛等)所經(jīng)過(guò)的距離為動(dòng)態(tài)識(shí)別視距[18]，因此，動(dòng)態(tài)識(shí)別視距計(jì)算公式為

Ls=l′+j+l+s,

(2)

式中：

l′=v·t1，

j=v·t2，

(3)

其中：t1為認(rèn)讀時(shí)間，即駕駛員對(duì)交通信息的讀取過(guò)程，通常取3 s；t2為判斷時(shí)間，即駕駛員對(duì)交通信息的研判過(guò)程(與駕駛員心理有關(guān))，通常取2 s；ua0為立交區(qū)域交叉口車輛運(yùn)行速度，可按交叉口設(shè)計(jì)速度取值,m/s；us0為車輛經(jīng)過(guò)研判后的速度，可以通過(guò)預(yù)測(cè)動(dòng)態(tài)交通量與運(yùn)行速度獲得[19].

動(dòng)態(tài)識(shí)別視距的獲得與動(dòng)態(tài)交通環(huán)境密切相關(guān)，要想獲得較為準(zhǔn)確動(dòng)態(tài)識(shí)別視距，必須在考慮現(xiàn)有交通量及交通組成條件下，獲取具有時(shí)間序列的長(zhǎng)期和短期預(yù)測(cè)交通量.

3 時(shí)間序列的交通量預(yù)測(cè)

立交區(qū)域由于各種交通量與影響因素之間相互作用，各交通組成中也存在相互制約關(guān)系，交通量的變化具有隨機(jī)性，非線性特點(diǎn)，其影響因素也具有一定的隨機(jī)性、非線性特征，因此，交通量的形成通常不能用簡(jiǎn)單的數(shù)學(xué)表述. 立交區(qū)域車輛速度、交通量具有時(shí)間特性的分布規(guī)律[23]，合理利用時(shí)間序列對(duì)交通量預(yù)測(cè)，可有效解決交叉口由于交通量隨時(shí)間變化導(dǎo)致的交通信息獲取不足問(wèn)題.

長(zhǎng)期和短期時(shí)間序列(long and short-term time-series，LST)預(yù)測(cè)模型是解決時(shí)間序列導(dǎo)致的交通問(wèn)題[24]. LST使用卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)與遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)將當(dāng)前交通量與時(shí)間序列聯(lián)系起來(lái)，建立時(shí)間序列交通量Q(t)，其分解為主要項(xiàng)為時(shí)間周期項(xiàng)q(t)及交通量趨勢(shì)項(xiàng)f(t)，輔助項(xiàng)為路網(wǎng)節(jié)點(diǎn)指數(shù)項(xiàng)ψ(t)及交通量隨機(jī)變化項(xiàng)ε(t).

(4)

(5)

其中：

si(t)=α(Gi(t)-pi-k)+(1-α)(si-1(t)+ti-1),

(6)

ti=β(si(t)-si-1(t))+(1-β)ti-1,

(7)

(8)

式中：i為季節(jié)性影響因子；k為周期長(zhǎng)度；si(t)為時(shí)間步長(zhǎng)i(第i個(gè)時(shí)間點(diǎn))上經(jīng)過(guò)平滑后的值；ti為當(dāng)前趨勢(shì)的未平滑值，是當(dāng)前平滑值(si(t))和上一個(gè)平滑值(si-1(t))的時(shí)間差；ri為立交區(qū)域交叉口交通量變化周期；α，β，γ為平滑常數(shù)；Gi(t)為真實(shí)值.

θ(t+1)=θ(t)+

(9)

(10)

(11)

式中：λ為遺忘因子，0<λ<1；p(t)為誤差協(xié)方差矩陣.

以一個(gè)月內(nèi)的預(yù)測(cè)為基本量，分別按照24、120、168、720 h為周期進(jìn)行預(yù)測(cè)，則

θ(t)=[θ1(t)θ2(t)θ3(t)θ4(t)]T，

(12)

(13)

(14)

(15)

因此，由時(shí)間及空間相關(guān)性引起的交通節(jié)點(diǎn)的路網(wǎng)指數(shù)項(xiàng)交通量為

(16)

基于此，可獲得立交區(qū)域交叉口中預(yù)測(cè)交通量主要項(xiàng)及輔助項(xiàng)值：

ε(t).

(17)

4 交通信息識(shí)別預(yù)測(cè)

交通信息識(shí)別是由動(dòng)態(tài)識(shí)別視距及預(yù)測(cè)交通量共同決定的，文中擬通過(guò)動(dòng)態(tài)識(shí)別視距及交通預(yù)測(cè)結(jié)果對(duì)其識(shí)別問(wèn)題進(jìn)行預(yù)測(cè).

4.1 內(nèi)側(cè)車道交通信息識(shí)別概率預(yù)測(cè)

假設(shè)雙車道匝道進(jìn)入交叉口的一定長(zhǎng)度范圍內(nèi)的交通量密度為λ表示為

(18)

(19)

則在此區(qū)域大型車引起小型車識(shí)別問(wèn)題概率為

(20)

4.2 外側(cè)車道交通信息識(shí)別概率預(yù)測(cè)

(21)

4.3 小車出現(xiàn)在AB區(qū)域內(nèi)識(shí)別概率預(yù)測(cè)

小型車在AB區(qū)域內(nèi)的外側(cè)車道，大型車出現(xiàn)在BC區(qū)域內(nèi)，發(fā)生交通信息識(shí)別問(wèn)題的概率為

p3=2[1-p(k=0)]=

(22)

P=P[J1∩(J2∪J3)]=P1·(P2+P3-P2·P3).

(23)

其中P1、P2、P3與立交區(qū)域交叉口附近車輛運(yùn)行速度、駕駛員特性、預(yù)測(cè)交通量等因素相關(guān).

5 仿真實(shí)驗(yàn)與結(jié)果分析

5.1 實(shí)驗(yàn)數(shù)據(jù)采集

本實(shí)驗(yàn)采集了2018年5月21日至2018年6月20日浙江、陜西，以及2019年2月11日至2019年3月10日澳大利亞墨爾本共兩個(gè)月中12座主線上跨橋梁的立交數(shù)據(jù)，匝道為雙車道出入口，交叉口為單向雙車道，運(yùn)行速度為實(shí)測(cè)數(shù)據(jù)，年平均日交通量實(shí)測(cè)獲得，各種車型到達(dá)率服從泊松分布，大型車在內(nèi)外側(cè)車道所占比重按實(shí)際調(diào)研所得，交通流統(tǒng)計(jì)時(shí)間間隔為15 min，數(shù)據(jù)見表1. 表中v1為在交叉口前實(shí)測(cè)車輛速度；v2為距離交叉口100 m減速后實(shí)測(cè)速度.

表1 立交調(diào)研數(shù)據(jù)

5.2 仿真實(shí)驗(yàn)

借助于SIMULINK及MATLAB2019軟件，以動(dòng)態(tài)識(shí)別視距的計(jì)算方法及基于時(shí)間序列的交通量信息識(shí)別預(yù)測(cè)模型預(yù)測(cè)立交區(qū)域交叉口交通量. 大型車、中型車、小型車的比例為4∶3∶3；運(yùn)行速度按設(shè)計(jì)速度85%計(jì)算；時(shí)間間隔采用15 min序列，運(yùn)用三次季節(jié)性指數(shù)平滑法預(yù)測(cè)時(shí)采用1 d作為一周期，即s1(t)=96，可得α1、β1、γ1，同樣s2(t)=480，可得α2、β2、γ2，同樣s3(t)=672，可得α3、β3、γ3，同樣s4(t)=2 688，可得α4、β4、γ4，從t>96開始對(duì)其三次平滑預(yù)測(cè)，以實(shí)測(cè)4周中的第3周作為預(yù)測(cè)值與實(shí)測(cè)值比對(duì)分析. 由于速度與交通信息識(shí)別概率之間具有較大的相關(guān)性，采用速度作為劃分參數(shù)依據(jù)，即

(24)

式中：ο(h)為1，2，…,H；vmin、vmax分別為在立交區(qū)域交叉口中的速度最大值和最小值.

其中

(25)

計(jì)算其中間值與預(yù)測(cè)值和實(shí)際值之間的平均絕對(duì)誤差，當(dāng)其值小于5%時(shí)，可取該值作為α1、β1、γ1值，其他按此方法計(jì)算.

5.2.1 預(yù)測(cè)權(quán)值可靠性分析

采用帶遺忘因子計(jì)算權(quán)重時(shí),遺忘因子λ取值一般為0.95～0.99，文中取中值，即λ=0.97，θi(t)=[0 0 0 0]T，i分別取1，2，3，4，如圖3所示. 星期一到星期五中θ1(t)和θ2(t)基本保持一定趨勢(shì)，在星期六與星期日之間θ3(t)明顯高于θ1(t)及θ2(t)，說(shuō)明周末的交通趨勢(shì)與周一至周五具有差異性，θ4(t)在每星期六與星期日有相對(duì)下降趨勢(shì)，表明星期六及星期日對(duì)星期一至星期五交通量依賴程度較大，因此，文中采用了4種權(quán)重，基本涵蓋了交通量預(yù)測(cè)過(guò)程中每個(gè)節(jié)點(diǎn)的變化，具有一定的合理性.

5.2.2 仿真結(jié)果分析

運(yùn)用組合預(yù)測(cè)法對(duì)28 d時(shí)間序列中的1周(168 h)交通流量隨機(jī)項(xiàng)進(jìn)行預(yù)測(cè)，共有2 688時(shí)間預(yù)測(cè)節(jié)點(diǎn)，327個(gè)隨機(jī)項(xiàng)預(yù)測(cè)值，交通量隨機(jī)項(xiàng)頻次預(yù)測(cè)誤差，如圖4所示. 該隨機(jī)項(xiàng)誤差服從正態(tài)分布，說(shuō)明在時(shí)間序列條件下隨機(jī)項(xiàng)對(duì)全局交通信息識(shí)別概率影響不大.

由于在28 d中的第3周相關(guān)性較為明顯，運(yùn)用MATLAB采用第3周作為基準(zhǔn)進(jìn)行預(yù)測(cè)，預(yù)測(cè)時(shí)間序列交通量與車輛識(shí)別概率雖然在第300～400時(shí)間序列區(qū)間識(shí)別概率與交通量有偏差，但總體趨于一致,具有較好的相關(guān)性，如圖5所示.

圖3 權(quán)重關(guān)系

圖4 隨機(jī)項(xiàng)組合頻率分布

圖5 交通量與識(shí)別概率相關(guān)性

運(yùn)用交通信息識(shí)別概率模型對(duì)時(shí)間序列交通信息識(shí)別概率預(yù)測(cè)值和真實(shí)值貼合度進(jìn)行比較，通過(guò)平均絕對(duì)誤差MAD，均方根誤差RMSE及均方差MSE評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確性，運(yùn)用泊松回歸相關(guān)性系數(shù)得出預(yù)測(cè)值與實(shí)測(cè)值間的相關(guān)系數(shù)為0.849，說(shuō)明實(shí)測(cè)值與預(yù)測(cè)值具有較好的相關(guān)性.

為了進(jìn)一步闡明預(yù)測(cè)結(jié)果和實(shí)測(cè)值的相關(guān)性，運(yùn)用Image J及Origin數(shù)字圖像處理法對(duì)交通信息識(shí)別概率實(shí)測(cè)值95%置信區(qū)間和預(yù)測(cè)值95%置信區(qū)間對(duì)比，確定兩者在95%置信區(qū)間內(nèi)的相關(guān)性，根據(jù)計(jì)算得到兩者重疊部分為87.65%，預(yù)測(cè)結(jié)果如圖6所示，預(yù)測(cè)結(jié)果比實(shí)測(cè)結(jié)果具有更好的廣泛性和可靠性.

圖6 基于時(shí)間序列的識(shí)別概率預(yù)測(cè)結(jié)果

6 結(jié) 論

1)提出考慮駕駛員視覺(jué)的交通信息識(shí)別概率模型. 運(yùn)用動(dòng)態(tài)預(yù)測(cè)交通量修正模型，獲取動(dòng)態(tài)識(shí)別視距值.

2)運(yùn)用交通量預(yù)測(cè)模型及卷積神經(jīng)網(wǎng)絡(luò)理論對(duì)立交區(qū)域交叉口交通量進(jìn)行短期15 min及長(zhǎng)期28 d時(shí)間序列預(yù)測(cè)，分析預(yù)測(cè)交通量與交通信息識(shí)別概率相關(guān)性.

3)交通量預(yù)測(cè)結(jié)果顯示，交通信息識(shí)別存在問(wèn)題區(qū)域，可從提高駕駛員視認(rèn)距離角度出發(fā)，采用立交區(qū)域交叉口交通信息靈活性設(shè)置.

4)在仿真過(guò)程中對(duì)大型車混入比例進(jìn)行了初步假設(shè)，也可根據(jù)實(shí)際的交通組成進(jìn)行計(jì)算，以指導(dǎo)立交區(qū)域交叉口交通信息設(shè)置.