一種基于交通態(tài)勢(shì)算法的交通預(yù)警系統(tǒng)設(shè)計(jì)

劉大偉， 陳建雄

(1.中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135；2.上海船舶運(yùn)輸科學(xué)研究所有限公司，上海 200135)

0 引 言

近年來(lái)，隨著我國(guó)機(jī)動(dòng)車數(shù)量不斷增多，高速公路擁堵問(wèn)題越來(lái)越嚴(yán)重，由此引發(fā)的時(shí)間延誤和環(huán)境污染等問(wèn)題給社會(huì)造成了巨大的經(jīng)濟(jì)損失。根據(jù)2021年12月國(guó)務(wù)院印發(fā)的《“十四五”現(xiàn)代綜合交通運(yùn)輸體系發(fā)展規(guī)劃》[1]，在智慧公路方面，應(yīng)穩(wěn)步推進(jìn)集監(jiān)測(cè)、調(diào)度、管控、應(yīng)急和服務(wù)等功能于一體的智慧路網(wǎng)云控平臺(tái)建設(shè)，提取、識(shí)別和分析高速公路的交通狀態(tài)是管控的前提。國(guó)內(nèi)外學(xué)者對(duì)此開(kāi)展了一系列研究。LINDLEY[2]利用路段飽和度對(duì)交通擁堵情況進(jìn)行了評(píng)估，將采集到的高峰時(shí)段車流量擴(kuò)充為24 h的日車流量，并與最大通行能力相對(duì)比，確定當(dāng)路段飽和度大于0.77時(shí)，路段處于交通擁堵?tīng)顟B(tài)。劉嚴(yán)磊[3]提出了改進(jìn)的California算法，通過(guò)計(jì)算相鄰線圈的占有率，并與標(biāo)定的閾值相對(duì)比，判別路段是否存在交通事件。譚娟等[4]利用多元基礎(chǔ)數(shù)據(jù)構(gòu)建綜合的交通流特征向量，將其作為數(shù)據(jù)支撐(包含交通流量參數(shù)、環(huán)境狀態(tài)和時(shí)段等數(shù)據(jù)),提出了一種基于自編碼(Auto-Encoder)的深度學(xué)習(xí)模型，并結(jié)合Softmax回歸對(duì)交通擁堵?tīng)顟B(tài)進(jìn)行了預(yù)測(cè)。張誠(chéng)[5]對(duì)McMaster算法進(jìn)行了改進(jìn)，通過(guò)對(duì)大量歷史數(shù)據(jù)進(jìn)行分析，得到流量與占有率的二維數(shù)據(jù)關(guān)系圖，該關(guān)系圖由4個(gè)區(qū)域組成，每個(gè)區(qū)域代表1個(gè)特別的交通狀態(tài)。采用這些研究方法計(jì)算得到的交通狀況評(píng)價(jià)指標(biāo)實(shí)時(shí)性較差，精確度較低。對(duì)此，本文以高速公路收費(fèi)站出入口流水表和ETC(Electronic Toll Collection)門架牌識(shí)數(shù)據(jù)等為研究對(duì)象，采用Van-Aerde模型對(duì)區(qū)域交通流進(jìn)行描述，采用短時(shí)路況預(yù)測(cè)算法對(duì)區(qū)域內(nèi)可能出現(xiàn)的交通擁堵問(wèn)題進(jìn)行預(yù)測(cè)，并將所得結(jié)果與高速公路上現(xiàn)有的情報(bào)板設(shè)備對(duì)接，設(shè)計(jì)一種基于交通態(tài)勢(shì)算法的交通預(yù)警系統(tǒng)，合理準(zhǔn)確地展示當(dāng)前的交通狀況，為高速公路擁堵治理和交通管理者疏導(dǎo)交通提供依據(jù)。

1 系統(tǒng)架構(gòu)及功能分析

1.1 系統(tǒng)架構(gòu)

該系統(tǒng)采用主流的微服務(wù)框架設(shè)計(jì)，在提高系統(tǒng)性能的同時(shí)，增強(qiáng)其拓展性?；诮煌☉B(tài)勢(shì)算法設(shè)計(jì)該系統(tǒng)的架構(gòu)，主要分為數(shù)據(jù)來(lái)源層、數(shù)據(jù)庫(kù)層、業(yè)務(wù)層、網(wǎng)絡(luò)通信層和訪問(wèn)層，各層次根據(jù)不同的功能劃分為不同的應(yīng)用模塊。圖1為系統(tǒng)架構(gòu)圖。

圖1 系統(tǒng)架構(gòu)圖

1.1.1 數(shù)據(jù)來(lái)源層

該層通過(guò)不同的方式采集多種數(shù)據(jù)，包括但不限于收費(fèi)站出入口流水表和ETC門架牌識(shí)數(shù)據(jù)等，為系統(tǒng)提供數(shù)據(jù)流支撐。

1.1.2 數(shù)據(jù)庫(kù)層

數(shù)據(jù)庫(kù)采用MySQL和分布式OLAP(Online Analytical Processing)聯(lián)機(jī)分析處理系統(tǒng)。MySQL具有體積小、速度快和開(kāi)源等特性，在系統(tǒng)開(kāi)發(fā)中得到了廣泛應(yīng)用。分布式OLAP數(shù)據(jù)庫(kù)能進(jìn)行線性擴(kuò)展，且支持多副本，無(wú)單點(diǎn)故障，以保證系統(tǒng)具有高可用和高并發(fā)的特點(diǎn)。數(shù)據(jù)庫(kù)能與Grafana和Prometheus等開(kāi)源監(jiān)控軟件集成，為運(yùn)維提供方便。

1.1.3 業(yè)務(wù)層

系統(tǒng)基于智能中臺(tái)實(shí)現(xiàn)各功能模塊的具體功能，是預(yù)警系統(tǒng)的核心部分。

1.1.4 網(wǎng)絡(luò)通信層

將系統(tǒng)打包部署至租用的公有云環(huán)境中，并搭建nginx負(fù)載均衡集群，以保證系統(tǒng)具有良好的性能和高可用性。采用容分發(fā)網(wǎng)絡(luò)(Content Delivery Network，CDN)，能避開(kāi)影響數(shù)據(jù)傳輸速度和魯棒性的環(huán)節(jié)，使信息傳輸?shù)乃俣雀?，安全性更?qiáng)。

1.1.5 訪問(wèn)層

可通過(guò)PC(Personal Computer)端訪問(wèn)系統(tǒng)，實(shí)時(shí)掌握當(dāng)前的交通態(tài)勢(shì)，交通管理者以此為依據(jù)進(jìn)行交通疏導(dǎo)，同時(shí)將內(nèi)容實(shí)時(shí)推送給高速公路可變情報(bào)板，為出行者的路徑選擇提供依據(jù)。

1.2 系統(tǒng)功能分析

該系統(tǒng)主要包含區(qū)域交通態(tài)勢(shì)實(shí)時(shí)計(jì)算模塊、異常擁堵預(yù)警模塊和交通遷徙計(jì)算模塊，見(jiàn)圖2。

圖2 系統(tǒng)功能模塊圖

將高速路網(wǎng)劃分為數(shù)個(gè)網(wǎng)格區(qū)域，基于實(shí)時(shí)數(shù)據(jù)，利用交通流基本圖模型，結(jié)合路段擁堵?tīng)顟B(tài)、平均車速和出入口排隊(duì)長(zhǎng)度等指標(biāo)，實(shí)時(shí)監(jiān)測(cè)道路交通狀態(tài)的變化。采用短時(shí)路況預(yù)測(cè)算法，根據(jù)區(qū)域交通的變化和區(qū)域類型對(duì)該區(qū)域的交通態(tài)勢(shì)進(jìn)行預(yù)測(cè)，并發(fā)出有關(guān)異常擁堵的預(yù)警。通過(guò)采集各收費(fèi)站流入和流出的車輛數(shù)據(jù)，結(jié)合特殊事件(如節(jié)假日等)，統(tǒng)計(jì)各區(qū)域車輛的OD(Origin-Destination)狀況，計(jì)算交通遷徙情況。

1.3 系統(tǒng)性能目標(biāo)

交通態(tài)勢(shì)實(shí)時(shí)計(jì)算算法的輸出延時(shí)小于5 s；實(shí)時(shí)路況及異常擁堵預(yù)警準(zhǔn)確率能達(dá)到80%；實(shí)時(shí)路況更新時(shí)間小于2 min。

2 系統(tǒng)應(yīng)用模塊設(shè)計(jì)

在傳統(tǒng)的交通流理論中，并沒(méi)有明確給出交通態(tài)勢(shì)算法的定義和描述。近年來(lái)，隨著交通信息化和智能交通的不斷發(fā)展，逐漸出現(xiàn)了一些新的概念和交通流分析方法，但本質(zhì)上并未脫離傳統(tǒng)的交通流理論范疇[6]。在高速公路上，受天氣、道路和事故等眾多不確定因素的影響，交通流運(yùn)行狀態(tài)是不斷發(fā)生變化的。交通態(tài)勢(shì)就是在一定的道路交通條件下，路網(wǎng)中行駛的車輛表現(xiàn)出的狀態(tài)和變化趨勢(shì)。系統(tǒng)實(shí)時(shí)計(jì)算當(dāng)前的交通狀態(tài)，并預(yù)測(cè)未來(lái)的車輛平均行駛速度，由此對(duì)道路異常擁堵情況進(jìn)行預(yù)警；同時(shí)，計(jì)算省內(nèi)外的交通遷徙情況，準(zhǔn)確了解車輛的流動(dòng)趨勢(shì)，全面掌握路網(wǎng)運(yùn)行狀況。

2.1 區(qū)域交通態(tài)勢(shì)實(shí)時(shí)計(jì)算模塊

交通流基本圖模型通過(guò)刻畫(huà)流量、速度和密度等3個(gè)交通要素之間的關(guān)系，表征交通流的狀態(tài)和變化規(guī)律，并通過(guò)數(shù)據(jù)擬合得到三者之間的函數(shù)關(guān)系式[6]。本文采用最小二乘法和標(biāo)準(zhǔn)遺傳算法進(jìn)行參數(shù)標(biāo)定。系統(tǒng)實(shí)時(shí)獲取高速公路收費(fèi)站出入口流水表和ETC門架牌識(shí)數(shù)據(jù)，利用Van-Aerde模型[7]對(duì)區(qū)域交通流進(jìn)行描述，模型的表達(dá)式為

(1)

式(1)中：s為車頭時(shí)距，km；v為平均速度，km/h；vf為自由流速度，km/h；c1為車頭間距參數(shù)，km；c2為可變跟車參數(shù)，km2/h；c3為車頭時(shí)距參數(shù)，h。

c1、c2、和c3的計(jì)算公式[6]為

(2)

(3)

(4)

式(2)～式(4)中：vm為臨界(最高)速度，km/h；vf為自由流速度，km/h；ρc為阻塞密度，輛/km；qm為通行能力，輛/h。

ρ為車頭間距的倒數(shù)，即

(5)

平均速度采用路段平均行程速度，是指道路上或路網(wǎng)中所有車輛的總行駛里程與總行程時(shí)間的比值，其中行程時(shí)間包括中間停車和排隊(duì)時(shí)間。主要根據(jù)高速公路出口流水表進(jìn)行計(jì)算，同時(shí)區(qū)分車型，并剔除壞值數(shù)據(jù)，主要流程如下：

1)選擇相應(yīng)區(qū)間和相應(yīng)時(shí)間段(實(shí)時(shí))的數(shù)據(jù)；

2)根據(jù)車輛出入口收費(fèi)站的序號(hào)匹配每輛車的行駛路段長(zhǎng)度si，并計(jì)算每輛車的行駛時(shí)間ti(ti為出站時(shí)間與入站時(shí)間的差值)；

3)設(shè)置行駛時(shí)間ti的范圍為0～24 h，將超出該范圍的數(shù)據(jù)剔除；

5)根據(jù)

(6)

流量q可由速度和密度得出，即

q=ρv

(7)

通過(guò)采集寧夏高速公路車輛數(shù)據(jù)對(duì)模型參數(shù)進(jìn)行設(shè)置，結(jié)果見(jiàn)表1。

表1 Van-Aerde模型參數(shù)

根據(jù)設(shè)置的參數(shù)可得到流量-密度曲線(見(jiàn)圖3)、速度-密度曲線(見(jiàn)圖4)和速度-流量曲線(見(jiàn)圖5)，清楚地顯示交通流基本圖模型3個(gè)要素之間的關(guān)系[8]。隨著密度的不斷增大，流量不斷增大，會(huì)處于自由流狀態(tài)，但當(dāng)密度達(dá)到某個(gè)閾值之后，隨著密度的繼續(xù)增大，流量逐漸減小，交通逐步進(jìn)入擁堵?tīng)顟B(tài)；隨著密度的不斷增大，車流速度逐漸減少；速度與流量的關(guān)系基本上與密度與流量的關(guān)系一致，也存在閾值。將交通流控制在閾值附近，以提高道路通行效率。

在得到區(qū)域整體的交通流特征之后，評(píng)估區(qū)域的交通運(yùn)行狀態(tài)，對(duì)交通流運(yùn)行是否順暢、是否產(chǎn)生擁堵進(jìn)行分析。平均速度是最能表征車輛運(yùn)行狀態(tài)的指標(biāo)：平均速度較高，說(shuō)明交通流基本上處于自由流狀態(tài)，未受天氣和道路交通條件等不確定因素的影響；平均速度較低，說(shuō)明交通流的運(yùn)行受到了干擾，交通流基本上處于擁堵?tīng)顟B(tài)。根據(jù)不同的限速標(biāo)準(zhǔn)，結(jié)合平均速度將擁堵?tīng)顩r劃分為5個(gè)等級(jí)，具體見(jiàn)表2。

表2 平均速度分級(jí)表

2.2 異常擁堵預(yù)警模塊

根據(jù)實(shí)時(shí)交通信息計(jì)算交通態(tài)勢(shì)的變化情況，及時(shí)對(duì)擁堵情況進(jìn)行預(yù)警，并預(yù)測(cè)路網(wǎng)運(yùn)行指數(shù)、擁堵長(zhǎng)度和擁堵時(shí)間，需明確擁堵路段。

2.2.1 GCN-LSTM模型

為預(yù)測(cè)某路段未來(lái)的擁堵?tīng)顩r，首先需預(yù)測(cè)該路段未來(lái)的車速情況。車速預(yù)測(cè)采用基于圖卷積網(wǎng)絡(luò)(Graph Convolutional Network, GCN)和長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)單元的時(shí)間圖進(jìn)化網(wǎng)絡(luò)(GCN-LSTM)模型完成，流程見(jiàn)圖6。該模型同時(shí)考慮了交通數(shù)據(jù)的空間性和時(shí)間依賴性[9]。利用GCN提取每個(gè)窗口時(shí)刻目標(biāo)路段實(shí)際速度的空間特征，并映射輸出窗口時(shí)刻目標(biāo)路段的隱藏空間關(guān)聯(lián)特征[10]。速度在時(shí)間維度存在時(shí)間相關(guān)性，LSTM模型為提取時(shí)間序列特征常用的模型，將其作為提取時(shí)間特征的關(guān)鍵方法。GCN-LSTM模型整體框架見(jiàn)圖7。

圖6 基于GCN-LSTM模型的車速預(yù)測(cè)流程

圖7 GCN-LSTM模型整體框架

2.2.2 模型參數(shù)設(shè)計(jì)

GCN-LSTM模型參數(shù)[10]主要包括批量大小、學(xué)習(xí)率、迭代次數(shù)、忘記偏置和LSTM單元數(shù)，通過(guò)不斷地進(jìn)行參數(shù)調(diào)試得到模型參數(shù)見(jiàn)表5，此時(shí)預(yù)測(cè)精度最高。

表5 GCN-LSTM模型參數(shù)

對(duì)于模型輸入層，前80%的數(shù)據(jù)作為訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，剩余20%的數(shù)據(jù)作為測(cè)試集對(duì)模型進(jìn)行評(píng)價(jià)。GCN-LSTM模型采用Adam優(yōu)化器訓(xùn)練。

2.2.3 損失函數(shù)及評(píng)價(jià)指標(biāo)

(8)

式(8)中：Lreg為L(zhǎng)2正則項(xiàng)，防止過(guò)擬合；λ為超參數(shù)。

(9)

(10)

(11)

具體地：ERMS和EMA用于衡量預(yù)測(cè)誤差，二者的值越小越好，二者的值越小，代表誤差越??；R2越大越好，R2的值可以為1，即模型為不犯任何錯(cuò)誤的完美模型，這在現(xiàn)實(shí)中往往是不存在的。

2.2.4 模型評(píng)價(jià)

基于寧夏高速公路運(yùn)行數(shù)據(jù)集，對(duì)未來(lái)1 h內(nèi)高速公路上的車輛通行速度進(jìn)行預(yù)測(cè)，將ERMS、EMA和R2作為評(píng)價(jià)指標(biāo)，分別對(duì)本文提出的GCN-LSTM模型與自回歸綜合移動(dòng)平均(Autoregressive Integrated Moving Average，ARIMA)模型和支持向量機(jī)(Support Vector Machine，SVM)模型2種常用預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，結(jié)果見(jiàn)表6。由表6可知：ARIMA模型基于歷史數(shù)據(jù)，從時(shí)間維度描述交通流的變化規(guī)律，在交通流平緩時(shí)效果良好，但不適用于交通狀況急劇變化的情形；SVM模型通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練得到輸入與輸出之間的關(guān)系之后，根據(jù)給出的未來(lái)交通數(shù)據(jù)進(jìn)行交通預(yù)測(cè)；GCN-LSTM模型充分考慮空間相關(guān)性和時(shí)間相關(guān)性，在所有評(píng)價(jià)指標(biāo)下都具有良好的性能，展示出了其在交通預(yù)測(cè)方面的優(yōu)勢(shì)。

表6 3種模型的預(yù)測(cè)結(jié)果對(duì)比

2.2.5 模型使用

采用GCN-LSTM模型對(duì)細(xì)分路段車輛的平均行駛速度進(jìn)行預(yù)測(cè)；根據(jù)表2確定未來(lái)該路段的擁堵指數(shù)，同樣分為5個(gè)等級(jí)；同時(shí)，對(duì)處于嚴(yán)重?fù)矶潞椭卸葥矶聽(tīng)顟B(tài)的路段里程數(shù)求和，將其作為未來(lái)?yè)矶麻L(zhǎng)度并計(jì)算擁堵時(shí)長(zhǎng)。根據(jù)高速公路運(yùn)行狀態(tài)等級(jí)劃分標(biāo)準(zhǔn)動(dòng)態(tài)繪制路段顏色，通過(guò)接口將結(jié)果推送給動(dòng)態(tài)情報(bào)板(見(jiàn)圖8)，實(shí)時(shí)展示交通狀況，誘導(dǎo)司乘行為，提升高速公路通行效率。

圖8 高速公路動(dòng)態(tài)情報(bào)板

2.3 交通遷徙計(jì)算模塊

通過(guò)采集各收費(fèi)站流入、流出車輛的數(shù)量，結(jié)合特殊事件(如節(jié)假日等)統(tǒng)計(jì)各區(qū)域車輛的OD狀況，計(jì)算交通遷徙情況。交通遷徙分為內(nèi)部遷徙(省內(nèi))和外部遷徙。以寧夏為例：內(nèi)部遷徙指寧夏5個(gè)地級(jí)市內(nèi)部的交通遷徙；外部遷徙指外省市與寧夏之間的交通遷徙。通過(guò)統(tǒng)計(jì)各收費(fèi)站的車流量，計(jì)算出寧夏5個(gè)地級(jí)市之間的遷徙情況和寧夏與外省之間的遷徙情況，見(jiàn)圖9。

a)省內(nèi)遷徙圖

3 結(jié) 語(yǔ)

在高速公路管控方面，對(duì)實(shí)時(shí)交通態(tài)勢(shì)進(jìn)行研究具有重要意義，只有精確刻畫(huà)當(dāng)前的交通運(yùn)行狀況，才能準(zhǔn)確誘導(dǎo)司乘行為，并提出合理的管控策略。本文設(shè)計(jì)了一種基于交通態(tài)勢(shì)算法的交通預(yù)警系統(tǒng)，利用Van-Aerde模型準(zhǔn)確描述區(qū)域交通流的變化特征，綜合考慮交通預(yù)測(cè)的時(shí)空性，創(chuàng)新性地提出采用GCN-LSTM模型預(yù)測(cè)未來(lái)1 h內(nèi)高速公路車輛通行速度。相比ARIMA模型和SVM模型，該模型的預(yù)測(cè)準(zhǔn)確度明顯提高，為高速公路的安全高效運(yùn)行提供了重要保障。