基于門架數據的高速公路擁堵識別研究

余 暢, 蘇躍江,2, 韋清波

(1.廣州市交通運輸研究院有限公司, 廣州 510635; 2.華南理工大學 土木與交通學院, 廣州 510614;3.廣州市公共交通數據管理中心有限公司, 廣州 510620)

近年來,隨著機動車保有量的迅猛增長,高速公路擁堵愈發(fā)頻繁發(fā)生,已成為影響交通安全和運行效率的主要問題。有效識別高速公路擁堵情況,準確掌握高速公路交通運行狀態(tài),是對高速公路進行科學的交通管理控制以及建設規(guī)劃的關鍵前提,對于改善高速公路擁堵狀況、提升運行效率和交通安全具有重要意義。

關于高速公路的交通擁堵識別分析,國內外學者對于擁堵識別算法進行了大量研究,主要可以歸納為直接檢測算法和間接識別算法兩大類。直接檢測算法主要是基于各類視頻圖像識別技術對交通擁堵事件進行檢測[1-3],該類算法可以從微觀角度開展交通擁堵識別分析,但在實際應用中成本較高。間接識別算法主要根據擁堵對交通流的影響來識別擁堵,主要包括基于交通流模型的算法以及基于智能算法的算法[4],其中交通流模型中常用于擁堵識別的度量參數有道路交通流車輛速度、車輛密度、占有率、車流量和行程時間等[5-7],交通流模型能夠定量分析交通運行情況,但部分交通流模型參數較多導致復雜度較高;智能算法主要包括深度神經網絡[8]、支持向量機[9]、梯度提升[10]、聚類分析[11]等,智能算法能夠從數據層面準確識別交通運行狀態(tài),但無法探究交通內部的運行機理。

數據源方面,目前被應用于高速公路擁堵識別的數據來源多樣,主要包括車檢器數據[12]、視頻數據[13]、收費站流水數據[14]、移動信令數據[15]及多源數據融合等類型[16]。張騰月[17]基于高速收費流水數據,分匝道和主線兩部分對行程時間進行估算并求取交通流參數,從而進行交通狀態(tài)識別,但由于收費站流水數據顆粒度較粗,對于細分路段的分析精確度不高;韓坤林[18]提出一種決策級融合算法對車檢器數據和收費數據進行融合,以判別高速公路的交通異常狀態(tài),但國內高速公路現有檢測設施布設稀疏,數據檢測率有待提高;陳子瑜[19]提出了基于電子收費(electronic toll collection,ETC)交易數據的區(qū)段交通擁堵檢測方法,從區(qū)段交通流量和行程時間速度兩個指標進行檢測分析,但其僅根據相關技術標準來設定指標閾值,設定方法主觀性較強,不夠精細。

隨著ETC系統(tǒng)技術的發(fā)展成熟, ETC門架系統(tǒng)已廣泛應用于高速公路,其生成的門架流水數據體量大、覆蓋范圍廣、顆粒度細、采集處理方便,為高速公路的擁堵識別分析提供了新的路徑。本文基于海量高速公路門架數據,全面獲取所有車輛出行信息,結合交通流參數和智能算法的優(yōu)勢,提出通過聚類算法獲取各路段擁堵行程時間閾值的擁堵識別方法,能夠快速實現對高速公路全網全路段全時段的擁堵識別分析,具有較強的普適性以及應用可行性。

1 研究方法

本文提出了一套基于門架數據的擁堵識別分析方法,研究框架如圖1所示。第一,通過數據清洗及預處理流程,過濾錯誤及異常數據,并對缺漏數據進行補全;第二,以門架對應路段為單位組織數據,提取所有車輛在各門架路段上的行程時間集合。第三,基于目標路段所有的行程時間樣本統(tǒng)計來定義合適的參數特征,利用DBSCAN (density-based spatial clustering of applications with noise)聚類算法,對目標門架路段的行程時間集合進行聚類分析,根據聚類結果的類別特征對路段的擁堵行程時間閾值進行標定;第四,對于各個門架路段進行以上聚類分析流程,形成各門架路段的擁堵行程時間閾值經驗庫;第五,對于目標時段路段,將路段對應行程時間閾值與目標行程時間樣本集的統(tǒng)計特征進行對比分析,實現對任意時段的路段擁堵情況進行判別,從而掌握高速公路的擁堵時空分布特征。

1.1 數據清洗與預處理

為實現路段級別的精細化擁堵識別,采用門架數據作為基礎數據,門架數據主要包括車輛信息(車牌號、車輛類型、門架路段、所在高速、通過時間等)和交易信息(通行介質、計費里程等),如表1所示。由于高速電子不停車收費(electronic toll collection, ETC)門架系統(tǒng)存在的不完善,采集到的門架數據會出現出行漏檢(過車時無識別)、錯檢(過車時被對向門架檢測到)的情況。為了提高原始數據的質量,提升車輛出行信息獲取的準確度,需要對原始數據進行以下數據清洗及預處理流程。

表1 門架數據示例

第一步:異常及冗余數據剔除。針對車牌號識別失敗、計費里程為0 km等異常數據,以及同一車輛被同一門架檢測多次產生的冗余數據,直接篩選出來進行剔除。

第二步:錯檢數據修正。針對通過車輛被對向門架檢測而產生的錯檢數據,將門架路段信息融入高速路網模型,根據路網模型中的門架路段拓撲關系梳理出對向門架對應關系以及門架路段序列,判斷異常過車邏輯;對于被對向門架檢測的錯誤數據,將其替換為正確的門架路段。

第三步:漏檢數據補充。針對通過車輛未被門架有效識別或數據異常導致的門架數據缺失,利用均值插補法進行補全。根據高速路網模型中的相鄰門架對應邏輯關系及門架路段序列,補全缺失的門架路段,對于相鄰門架之間的通行時間,則統(tǒng)計同時段在該路段(相鄰門架之間)所有同車型通行車輛的平均通行時間,依次倒推各個缺失門架的過車時間,從而對缺失門架數據進行補全。

1.2 路段行程時間聚類

路段行程時間是一個能反映路段交通運行狀態(tài)的重要指標。基于門架數據統(tǒng)計分析所有相鄰門架對之間所有小客車(貨車運行速度差異較大,本文研究暫不考慮)的行程時間,得到相鄰門架路段在全天不同時段的行程時間集合;該集合中包含多個不同車輛樣本在全天不同時段(包含高峰時段和空閑時段)的行程時間,基本能反映路段在不同交通狀態(tài)下對應的行程時間情況。為科學準確地從中提取出用于判別交通擁堵的行程時間閾值,利用DBSCAN聚類算法[20]對行程時間集合進行聚類,提取其中大部分小客車在不同交通狀況下行駛所需的行程時間,從而實現對路段的擁堵行程時間閾值的標定。

DBSCAN算法優(yōu)點在于不需要定義聚類個數,對于不同特征的路段可以適應性地劃分交通狀況類別數量,并且可以有效剔除數據集中的異常點。DBSCAN算法根據區(qū)域點密度的不同來定義聚類集群,該算法包含最大密度可達距離ε和最小樣本點數minPts兩個全局參數。如果在一個樣本點周圍半徑為ε的范圍內,有至少minPts個樣本點(密度足夠高),那么這個點可以被標定為一個聚類中心點ic,表達為

|Nε(ic)|≥minPts

(1)

式中:Nε(ic)為到ic的距離d(ic,i)小于ε的樣本點的數量。

在利用DBSCAN算法對行程時間集合進行聚類流程前,首先需要對聚類的兩個關鍵參數進行定義。最大密度可達距離ε為相同交通狀態(tài)下允許不同車輛樣本的行程時間差值,表示合理控制聚類個數,將該參數定義為

(2)

最小樣本點數minPts用于判別聚類類別的有效性,排除個別噪聲數據干擾,該參數定義為

minPts=μi/βn

(3)

式中:μi為門架路段i對應的過車樣本數量;n為劃分擁堵等級的最多個數;β為允許樣本量偏差的修正系數。

為了科學地設定參數中的修正系數取值,采用不同的修正系數取值對聚類結果進行了敏感性測試,最終將可達距離的修正系數α設為4,樣本量偏差的修正系數β設為10。

利用DBSCAN算法進行路段行程時間聚類的具體流程如下:

1)按門架對應路段提取相應的行程時間樣本集合。

2)對目標路段的行程時間集合中隨機提取一條未訪問樣本,形成一個簇并將該樣本標記為已訪問。

3)以遞歸的方式,遍歷獲取下一條未訪問樣本與當前各個簇的中心的是否密度可達(距離小于ε)。

4)若存在密度可達的類則將該樣本擴展這個簇的密度區(qū)域,若不存在與該樣本密度可達的簇,則將這條樣本形成一個新的簇。

5)重復3)步直到集合中所有樣本都訪問過,對于每個簇,如果總樣本數少于minPts,則該簇中的樣本標記為噪聲,否則確認為一個有效聚類。

6)將各個聚類中心點的樣本平均值按大小排序,得到目標路段的不同擁堵等級對應的行程時間。

7)按1)～6)步處理所有門架路段的行程時間集合,形成全路段的不同等級擁堵的行程時間閾值經驗庫。

1.3 路段擁堵判別

對所有路段進行以上行程時間聚類流程,形成各路段的擁堵行程時間閾值經驗庫。對于需要分析的目標時段及路段,首先獲取該路段的行程時間閾值集合{P1,P2,…,Pn},對于某行程時間值i對應的擁堵等級Ci劃分標準如下:

(4)

“互聯(lián)網+”教育深入融合的當今時代，微課等形式作為新的教學模式在教學課堂中如火如荼進行著。為解決成人繼續(xù)教育學員的工學時間矛盾的突出問題，提高教學效果和學員的學習質量為教學目標，我們將微課理念融入繼續(xù)教育課程建設中，我們嘗試在“C語言程序設計”這門課的繼續(xù)教育中引入微課為基礎的翻轉課堂教學，探究其在“C語言程序設計”中的應用效果。

2 實例分析

2.1 路段擁堵識別分析

采用2021年5月10日至5月16日一周的廣州市高速公路門架數據作為研究基礎數據集,數據集規(guī)模達到2.84億條,平均每日4 059萬條。按照前文提出的研究方法對數據集進行處理,展開對廣州市高速公路的擁堵識別及分析。以廣州北環(huán)高速S81上的相鄰門架對“沙貝立交虛擬拆分點-廣清”和“廣清-廣花”之間對應路段為例,在一周時段內共提取27.8萬條小客車過車的行程時間樣本。對樣本集進行了DBSCAN聚類流程,最終的聚類分類結果如圖2所示。

圖2 路段行程時間樣本聚類結果

根據聚類結果將該路段劃分為4個擁堵等級,分別為:“順暢”等級,對應行程時間閾值為254 s,在該閾值以內路段處于順暢的自由流狀態(tài)下,行程時間樣本呈現近似正態(tài)分布特征;“輕度擁堵”等級,對應行程時間閾值為453 s;“中度擁堵”等級,對應行程時間閾值為655 s;“重度擁堵”等級,對應行程時間閾值為858 s;擁堵等級越高,行程時間偏離越大,樣本量呈現逐漸減少的趨勢;而對于行程時間大于858 s的等級,由于樣本量未達到聚類參數的最小樣本點數,被判定為噪聲。

基于路段各擁堵等級對應的行程時間閾值,可對該路段的不同時段的擁堵情況進行判別。利用門架數據,對該路段在不同出行日不同時段的平均行程時間進行統(tǒng)計,如圖3所示。

圖3 各時段平均行程時間分布情況

經過路段擁堵判別流程,將各時段的行程時間統(tǒng)計特征與對應的閾值進行對比,最終對該路段的擁堵等級判別情況如圖4所示。從擁堵時段分布情況來看,該路段工作日的早高峰時段擁堵情況較為嚴重,08:00—11:00都處于中度及以上擁堵的狀態(tài),擁堵持續(xù)時間較長;周末的上午時段基本處于順暢狀態(tài),擁堵主要出現在下午時段以及夜間21:00—22:00點時段。

圖4 各時段擁堵等級判別情況

2.2 路網擁堵特征分析

利用以上方法,對廣州市所有高速公路門架路段進行擁堵判別分析。根據相鄰門架對劃分路段,共計劃分出1 307個有效路段,對全網所有路段的全天各個時段進行擁堵判別,即每天對應31 368個路段樣本。統(tǒng)計一周不同出行日內的路段擁堵等級分布情況,如表2所示。

表2 全路段時段擁堵等級日分布情況

從分布情況來看,全網在周五出現擁堵的路段時段最多,其次為周六,而周日出現擁堵的路段時段最少;總體而言,一周內有80%的路段時段處于順暢狀態(tài),20%的路段時段處于擁堵狀態(tài),其中大部分為輕度擁堵,整體運行狀態(tài)良好。

從擁堵路段分布來看,全周累計發(fā)生擁堵的路段時段達到43 093段次,其中累計擁堵段次超過1 000次的高速公路達到17條,如表3示。發(fā)生路段擁堵最多次的5條高速分別是S4華南快速、S41機場高速、S81北環(huán)高速、G1508北二環(huán)高速、S73南沙港快速。

表3 常發(fā)擁堵的主要高速公路

結合門架流水數據以及高速收費站流水數據,根據車輛在各門架路段的通過時間以及進出站時間,可對各收費站匝道進行擁堵判別分析。從收費站匝道擁堵情況來看,進站上高速匝道全周累計發(fā)生擁堵8 876段次,表4所示為上高速匝道常發(fā)擁堵的收費站;出站下高速匝道全周累計發(fā)生擁堵22 595段次,表5所示為下高速匝道常發(fā)擁堵的收費站。對于常發(fā)擁堵的收費站匝道,后期可考慮通過改擴建工程以及交通引導等措施進行優(yōu)化治理。

表4 上高速匝道常發(fā)擁堵的收費站

表5 下高速匝道常發(fā)擁堵的收費站

3 結論

1)通過對行程時間樣本聚類進行擁堵等級劃分的結果呈現以下特征:順暢狀態(tài)下路段處于自由流狀態(tài),行程時間樣本呈現近似正態(tài)分布特征;擁堵狀態(tài)下?lián)矶碌燃壴礁?行程時間偏離越大,樣本量呈現逐漸減少的趨勢。

2)從擁堵時段分布來看,工作日的早高峰擁堵情況較為嚴重,且持續(xù)時間較長;周末的上午基本處于順暢狀態(tài),擁堵主要出現在下午時段。

3)從全路網擁堵的出行日分布來看,全網在周五的擁堵情況最為嚴重,其次為周六;總體而言,廣州市高速路網一周內80%的路段時段處于順暢狀態(tài),出現擁堵的大多數為輕度擁堵,整體運行狀態(tài)良好。

4)本文的擁堵識別方法能夠有效識別全網范圍內常發(fā)擁堵的路段以及收費站匝道,基于各路段的擁堵行程時間閾值經驗庫來判別擁堵,易于實際應用。

本文的研究能幫助全面掌握和有效評估高速公路的交通運行狀況,為高速公路的改擴建規(guī)劃以及優(yōu)化提升提供有效的決策支撐。