面向交通擁堵態(tài)勢平臺算法分析

摘要：國內(nèi)各城市交通相關(guān)基礎(chǔ)應(yīng)用系統(tǒng)雖然已經(jīng)建成，但仍然存在不足。為解決上述問題，首先利用大數(shù)據(jù)信息管理系統(tǒng)，對采集的數(shù)據(jù)進(jìn)行分析處理，通過算法完成對擁堵事件實時告警，精準(zhǔn)確認(rèn)擁堵源位置。然后將系統(tǒng)與人工結(jié)合進(jìn)行擁堵確認(rèn)，在系統(tǒng)提示擁堵時，由坐席人員調(diào)取現(xiàn)場視頻監(jiān)控進(jìn)行再次確認(rèn)，坐席人員通過緩堵App將擁堵事件傳給現(xiàn)場執(zhí)勤的交警，實現(xiàn)哪里出現(xiàn)擁堵引發(fā)點，交警就立即出現(xiàn)在哪里，并將擁堵引發(fā)點消滅在萌芽狀態(tài)的目標(biāo)。最后實時跟蹤平臺對擁堵事件處理效果和人員工作效率進(jìn)行評價，完成勤務(wù)人員考核。根據(jù)算法規(guī)則對道路密度、飽和度及車行平均速度等進(jìn)行統(tǒng)計和分析，從而對道路擁堵狀況做出快速判斷，并迅速判斷擁堵成因。

關(guān)鍵詞：大數(shù)據(jù)信息管理系統(tǒng); 擁堵事件; 實時跟蹤平臺

中圖分類號：TP309 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）24-0046-05

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

0 引言

隨著城市化的不斷發(fā)展，我國汽車保有量持續(xù)上升，導(dǎo)致交通擁堵現(xiàn)象普遍出現(xiàn)。擁堵會使得通行時間增加，也會提高交通事故的發(fā)生概率。面對日益嚴(yán)重的交通擁堵問題，交通擁堵態(tài)勢平臺應(yīng)運而生，旨在實時監(jiān)測和分析道路交通狀況，為交通管理部門和公眾提供有關(guān)交通擁堵的信息和優(yōu)化建議[1]。

面向交通擁堵態(tài)勢平臺的算法分析主要涵蓋對平臺所使用的各種算法進(jìn)行深入研究，以優(yōu)化交通流、減少擁堵，并提升道路使用效率。以下是一些關(guān)鍵算法及其在交通擁堵態(tài)勢平臺中的應(yīng)用分析：

1）車輛路線規(guī)劃算法：此算法是交通擁堵優(yōu)化算法的核心組成部分。它通過合理規(guī)劃車輛的行駛路徑，以減少擁堵現(xiàn)象。當(dāng)路段擁堵程度較高時，該算法能夠有效地將車輛流量分散到不同的路段，實現(xiàn)車輛流動的平滑化。其中，遺傳算法和粒子群算法是常用的路線規(guī)劃算法，它們通過模擬進(jìn)化的方式尋找最優(yōu)的車輛行駛路徑[2]。

2）交通信號燈控制算法：交通信號燈控制算法在智能交通系統(tǒng)中扮演著重要角色。通過邏輯技術(shù)和二進(jìn)制代碼控制路口的交通信號燈，以實現(xiàn)交通流的優(yōu)化。在智能交通系統(tǒng)中，自適應(yīng)網(wǎng)絡(luò)算法和模糊控制算法等先進(jìn)算法被廣泛應(yīng)用，它們能夠根據(jù)實時交通數(shù)據(jù)調(diào)整信號燈的配時，以應(yīng)對不同的交通狀況[3]。

3）大數(shù)據(jù)分析與挖掘算法：面向交通擁堵態(tài)勢的平臺通常會收集大量的交通數(shù)據(jù)，包括車輛位置、速度、道路擁堵情況等。通過運用大數(shù)據(jù)分析與挖掘算法，平臺可以對這些數(shù)據(jù)進(jìn)行深度處理，發(fā)現(xiàn)交通擁堵的規(guī)律和趨勢，為優(yōu)化交通流提供決策支持[4]。

4）模式識別與機(jī)器學(xué)習(xí)算法：這些算法可以幫助平臺自動識別交通擁堵的模式和原因，例如，通過分析歷史數(shù)據(jù)，平臺可以預(yù)測未來可能出現(xiàn)的擁堵點，并提前采取相應(yīng)的措施進(jìn)行預(yù)防和緩解[5]。

在算法分析過程中，還需要考慮算法的效率和準(zhǔn)確性。高效的算法能夠在短時間內(nèi)處理大量的數(shù)據(jù)，而準(zhǔn)確的算法則能夠提供可靠的決策支持。因此，在選擇和設(shè)計算法時，需要綜合考慮這些因素，并根據(jù)實際情況進(jìn)行調(diào)整和優(yōu)化。

此外，面向交通擁堵態(tài)勢的平臺還需要關(guān)注數(shù)據(jù)的實時性和準(zhǔn)確性。為了確保算法的有效運行，平臺需要不斷收集、更新和驗證交通數(shù)據(jù)，以確保其反映真實的交通狀況。同時，平臺還需要與相關(guān)部門和機(jī)構(gòu)進(jìn)行緊密合作，共同推動交通擁堵問題的解決。

綜上所述，面向交通擁堵態(tài)勢平臺的算法分析是一個復(fù)雜而重要的任務(wù)，需要綜合運用多種算法和技術(shù)手段，以實現(xiàn)對交通擁堵的有效治理和優(yōu)化。

1 數(shù)據(jù)來源

基于業(yè)務(wù)理解與擁堵相關(guān)的數(shù)據(jù)主要涉及基礎(chǔ)信息和抓拍信息兩類數(shù)據(jù)類型，數(shù)據(jù)時間窗口為一個月，兩類數(shù)據(jù)類型字段。

1.1 數(shù)據(jù)準(zhǔn)備

利用數(shù)據(jù)集市，建立如下數(shù)據(jù)探索分析寬表（數(shù)據(jù)取某歷史數(shù)據(jù)60天）。

1.2 衍生變量

基于數(shù)據(jù)的探索和分析，衍生新的變量，新變量涉及：

1）基本信息。

道路基本信息是基于基礎(chǔ)信息得出的道路的一些基本情況，具體衍生變量如下：

①非機(jī)動車的影響因子：[γ=q2q2+Q] ，其中[q]：非機(jī)動車流量數(shù)；[Q]：機(jī)動車流量數(shù)。

注：非機(jī)動車流量數(shù)主要根據(jù)在一段時間周期內(nèi)，車牌號缺失的數(shù)量×2來計算；機(jī)動車流量數(shù)為一段時間周期內(nèi)，拍到的車牌號數(shù)量之和，其中車牌號來源于卡口信息。

②道路有效長度：[Li=（L-Lip）×（1-γ）]，其中[Lip]：被占用車道長度，指在統(tǒng)計的時間內(nèi)非機(jī)動車占用的車道長度，一般按照非機(jī)動車的長度×數(shù)量來計算，非機(jī)動車的長度按照2m來計算。

2）道路通行信息。

道路通行信息是指車輛在道路上行駛的信息流，具體衍生變量如下：

①平均車時距=單位時間內(nèi)所有車時距之和/（機(jī)動車流量數(shù)）；車時距=第i+1輛車輛經(jīng)過卡口時間-第i輛車輛經(jīng)過卡口時間；

②平均速度=所有車輛的速度之和/（機(jī)動車流量數(shù)），機(jī)動車流量數(shù)取在上游卡口拍到，且經(jīng)過下游的車牌號數(shù)量之和；速度=道路有效長度/（車輛經(jīng)過下游卡口的時間-車輛經(jīng)過上游卡口的時間）。

3）服務(wù)通行信息。

服務(wù)通行信息是指道路設(shè)施所能疏導(dǎo)的交通流的能力，具體衍生變量如下：

①綠燈時間：[gi=ji-yi-ri]，其中[ji]：相位時間；[yi]：黃燈時間；[ri]：紅燈時間。數(shù)據(jù)可從檢測器信息直接獲取，暫定：黃燈時間：3s；紅燈時間：3s。

②綠信比：[yi=giTi]，其中[gi]：綠燈時間；[Ti]：交叉口信號周期。數(shù)據(jù)可從檢測器信息直接獲取。

③飽和流量：[Si=3600ti×m×fb×fc]，其中m：車道數(shù)，直接從基礎(chǔ)信息獲得；ti：車道寬度；[fb]：非機(jī)動車干擾修正系數(shù)，取0.95；[fc]：車道寬度修正系數(shù)，可以根據(jù)車道寬度來判定，車道寬度可從基礎(chǔ)信息直接獲取，其中當(dāng)車道寬度>=3.5m時，取1，當(dāng)車道寬度<3m時，取0.95，其余取0.98。

1.3 數(shù)據(jù)探索

通過數(shù)據(jù)探索發(fā)現(xiàn)由于數(shù)據(jù)故障等情況造成數(shù)據(jù)存在以下幾類問題：

1）數(shù)據(jù)缺失：卡口編號、車牌號等數(shù)據(jù)存在缺失現(xiàn)象。

2）數(shù)據(jù)異常：包括計算結(jié)果為負(fù)值、與事實偏離太大、數(shù)據(jù)無效等。

①計算結(jié)果小于0；

②數(shù)據(jù)跟常規(guī)不同，比如：車牌號比如純數(shù)字（這種很少用作車牌號）；

③事實偏離太大：利用百分位數(shù)最大值遠(yuǎn)大于99分位數(shù)；聚類監(jiān)測異常值，聚類利用距離方法去找到數(shù)據(jù)的噪聲。

3）數(shù)據(jù)重復(fù)：存在一個號多條記錄的現(xiàn)象。當(dāng)數(shù)據(jù)每個字段值相一致，則可判定數(shù)據(jù)重復(fù)。

1.4 數(shù)據(jù)處理

1）數(shù)據(jù)清洗與預(yù)處理。

由于算法模型對數(shù)據(jù)的缺失情況以及異常值非常敏感，所以結(jié)合數(shù)據(jù)探索情況，采用均值、變量計算、賦零等方法進(jìn)行補(bǔ)缺。

2）衍生變量設(shè)計及處理。

計算承載能力、通行服務(wù)能力等衍生變量，并對衍生變量進(jìn)行分層處理。

2 模型構(gòu)建

2.1 分析與建模思路

1）建模數(shù)據(jù)寬表。

從數(shù)據(jù)集市上提取數(shù)據(jù)，經(jīng)過前期的數(shù)據(jù)探索以及衍生變量的設(shè)計，結(jié)合本身數(shù)據(jù)情況，最終形成用于建模分析的數(shù)據(jù)寬表。

2）模型思路。

擁堵分析：道路交通狀態(tài)主要可根據(jù)在路車輛數(shù)、密度及交通運行指數(shù)來進(jìn)行判斷，具體包括：

①根據(jù)在路車輛數(shù)和路網(wǎng)承載能力來進(jìn)行判斷；

②根據(jù)交通運行指數(shù)區(qū)間狀態(tài)進(jìn)行判斷；

③根據(jù)道路的密度比來進(jìn)行判斷。

成因分析：由于影響道路擁堵的因素較多，在道路擁堵狀態(tài)下，且道路擁堵處于不可支配的情況下，進(jìn)行擁堵成因分析，主要從區(qū)域、干線、交叉口三個層面來進(jìn)行判斷。

3）算法設(shè)計。

在網(wǎng)車流量數(shù)：[QEi=Qti+（q入i-q出i）]，其中[Qti]：車輛數(shù)；[q入i]：上游車輛數(shù)；[q出i]：下游車流量數(shù)。

舉例：當(dāng)行駛方向為東到西，在t周期內(nèi)，[Qti]的計算可根據(jù)t時刻之前，上游卡口三個方向（東到西；北到西；南到西）的車牌號，與下游車牌號進(jìn)行比對，去除重復(fù)值后的上游車牌號數(shù)量。[q入i]：t時刻，上游卡口的三個方向的車牌號總和；[q出i]：下游卡口的車牌號之和。上游匯入方向組合表如表4所示。

最大承載能力：[Ci=Li5]，其中[Li]為道路有效長度。

TPI：路段交通運行指數(shù)（TPI）計算：

若路段速度[V≥50]km/h或者[V=0]km/h，則TPI=0；

若路段速度[0<V≤10]km/h，則TPI=10；

若路段速度[10<V≤50]km/h，則[TPIi=ω1×TPIid+ω2×TPIis]。

式中：[TPIi]——第[i]類路段的交通運行指數(shù)；

[TPIid]——基于密度計算的第[i]類路段交通運行指數(shù)；

[TPIis]——基于速度計算的第[i]類路段交通運行指數(shù)；

[ω1]，[ω2]——權(quán)重，一般情況下，[ω1=0.4]，[ω2=0.6]；如果只有路段的密度數(shù)據(jù)，則[ω1=1]，[ω2=0]；如果只有路段的速度數(shù)據(jù)，則[ω1=0]，[ω2=1]。

①[TPIid]的計算公式。

已知路段的密度數(shù)據(jù)，則[TPIid]的計算如式（1）。

[TPIid= 0 （d≤0）dx×2 （0<d≤x）2+d-xy-x×2 （x<d≤y）4+d-yz-y×2 （y<d≤z）6+d-zp-z×2 （z<d≤p）8+d-pk-p×2 （p<d≤k）10 （d>k）] （1）

式中：[d]——路段的密度；

[x]，[y]，[z]，[p]，[k]——參數(shù)，具體值根據(jù)表5確定。

道路的密度比：[ρ=ki/maxki]，路段密度：[ki]=[QEi/（Li×m）]；[Li]為道路的有效長度；[m]：車道數(shù)。[maxki]：為在t時刻之前，道路的最大密度；[QEi]為在網(wǎng)車輛數(shù)。

平均速度：平均速度=所有車輛的速度之和/（機(jī)動車流量數(shù)）；速度=道路有效長度/（車輛經(jīng)過下游卡口的時間-車輛經(jīng)過上游卡口的時間）。

擁堵成因分析計算結(jié)果：

上游總車流量數(shù)：上游卡口的三個方向的車牌號總和。

下游總車流量數(shù)：下游卡口的車牌號之和。

通行服務(wù)能力：[Fi=（gi-ti1）ti+1×3600Ti]。其中[gi]為綠燈時間，[ti]為平均時距，暫定2s；[ti1]為第一輛車過檢測器的時間，暫定3.5s；[Ti]為配時方案周期，可從檢測器信息直接獲取。單位：交叉口。

區(qū)域平均交通運行指數(shù)：區(qū)域內(nèi)的每條道路的交通運行指數(shù)之和/道路和。

平均延誤時間：平均延誤時間=單位時間內(nèi)車輛通過的延誤時間之和/車輛數(shù)，車輛數(shù)為單位時間內(nèi)下游卡口車牌號與上游卡口車牌號進(jìn)行比對，重復(fù)的車牌號之和。

延誤時間=車輛通過道路的實際時間-車輛通過道路的理論時間。

車輛通過道路的實際時間=車輛通過下游卡口的時間-車輛通過上游卡口的時間。車輛通過道路的理論時間：[TEi=qn×（T*Ei+Lvi）]，其中[qn]：下游卡口車牌號與上游卡口車牌號進(jìn)行比對，重復(fù)的車牌號之和。[T*Ei]：啟動延誤，當(dāng)車輛左拐，為3.5；直行，為2.5；右拐，為3；[L]：道路長度；[vi]：當(dāng)車輛在左拐道，為35；當(dāng)車輛在直行道，為40；當(dāng)車輛在右拐道，為35。注：交叉口的平均延誤取最大平均延誤。單位：交叉口。

交叉口總流量比：[Yi=q出ji/Fji]，基于[q出ji]為相位放行的卡口車牌號之和，[Fji]：基于相位放行的道路通行服務(wù)能力，計算過程已敘述。

飽和度：[Xi=q出i/Si]，[q出i]為道路在單位時間內(nèi)的交通流量，指單位時間內(nèi)經(jīng)過卡口的車輛之和，可以根據(jù)在單位時間內(nèi)的車牌號匯總求得；[Si]：飽和流量，計算過程已敘述。注：交叉口的飽和度為交叉口各個道路飽和度的最大值。

平均排隊長度：[Lbi=QEi×5/m]；其中[QEi]為在網(wǎng)車輛數(shù)，計算過程已敘述，m為車道數(shù)，可從原始數(shù)據(jù)獲得。注：道路的平均長度等于各個路段的排隊長度之和/車道之和。擁堵里程為道路最大排隊長度，某個車道的最大排隊長度，即基于某個車道的車輛數(shù)×5。

交通態(tài)勢分析計算結(jié)果：

承載能力：[Ci=Livi×ti+5]，其中[vi]：平均速度；[ti]：平均車頭距。

暢通情況下的承載能力：[vi]=40km/h，[ti]=3s

緩行情況下的承載能力：[vi]=10km/h，[ti]=6s

擁堵情況下的承載能力：[vi]=0km/h，[ti]=10s

交通流量：在單位時間內(nèi)，車輛通過卡口的車輛數(shù)，可以通過車牌號匯總獲得。注：交叉口的交通流量為交叉口各個道路流量之和。

平均速度：[v=1mvm]，其中[v]為各個車道在單位時間內(nèi)的速度，[m]為車道數(shù)。

2.2 模型建立及結(jié)果

1）模型1結(jié)果（擁堵分析）。

擁堵類型分為：擁堵、緩行和暢通，判斷規(guī)則有三種，如表6所示。

表6 擁堵分析表

[序號 規(guī)則 規(guī)則1 當(dāng)總車流量數(shù)/最大承載能力<=0.7，為3；

當(dāng)0.7<總車流量數(shù)/最大承載能力<=0.9，為2;

其余為1

1.擁堵；2.緩行；3.暢通 規(guī)則2 0≤TPI＜4，為3；

4≤TPI＜6，為2；

6≤TPI＜10，為1

1.擁堵；2.緩行；3.暢通 規(guī)則3 0<=道路的密度比<0.4，為3；

0.4<=道路的密度比<0.6，為2；

其余為1

1.擁堵；2.緩行；3.暢通 規(guī)則4 0≤平均速度＜10km/h，為1；

10km/h≤平均速度＜40km/h，為2；

其余為3

1.擁堵；2.緩行；3.暢通

規(guī)則5

（交叉口） 0<=飽和度<0.4，為3；

0.4<=飽和度<0.6，為2；

其余為1

1.擁堵；2.緩行；3.暢通

規(guī)則5

（交叉口） 0<=平均延誤<10s，為3；

10s<=平均延誤<40s，為2；

其余為1

1.擁堵；2.緩行；3.暢通 ]

2）模型2結(jié)果（成因分析）。

擁堵成因判斷是一種遞歸，根據(jù)不同因素遞歸判斷，對車流量進(jìn)行分析。當(dāng)上游總車流量數(shù)小于下游總車流量數(shù)，則發(fā)生擁堵事件。具體如圖1所示。

<E：＼2022知網(wǎng)文件＼24期＼2xs202424＼Image＼image85.png>

圖1 擁堵事件判斷圖

對于發(fā)生擁堵事件的成因需要進(jìn)一步分析。道路發(fā)生擁堵，主要原因有道路容量不足、區(qū)域信號設(shè)計不合理、干線控制失當(dāng)、突發(fā)性事件等。為進(jìn)一步判斷擁堵成因，對道路通行能力進(jìn)行進(jìn)一步判斷。當(dāng)上游總車輛數(shù)大于通行服務(wù)能力，則說明道路容量不足。其中容量不足成因分為停車位干擾、行人與非機(jī)動車干擾、路口車道問題等原因，具體分析如圖2所示。

當(dāng)上游總車輛數(shù)小于等于通行服務(wù)能力，則說明干線控制失當(dāng)，需進(jìn)行二次判斷。

干線失當(dāng)判斷規(guī)則：

1）在判斷擁堵的情況下，以一個月為周期，計算在一個月且擁堵的情況下，取車輛通過道路的最短時間（擁堵單次時長最短）。（實際時間-最短時間）/最短時間>=1，即紅綠燈設(shè)計不合理。實際時間：實際擁堵單次時長。

2）在判斷擁堵的情況下，以一個月為周期，計算在一個月且擁堵的情況下，取車輛通過路段的最短平均延誤時間。（平均延誤時間-最短平均延誤時間）/最短平均延誤時間>=1，即控制失當(dāng)。

3 結(jié)論

本文根據(jù)算法規(guī)則對路段交通運行指數(shù)、道路的密度比、飽和度、平均延誤等進(jìn)行計算，從而對道路擁堵狀況做出快速判斷，并迅速分析出擁堵事件發(fā)生的成因。下一步將設(shè)計算法對紅綠燈的設(shè)置時長進(jìn)行調(diào)整，從而緩解交通擁堵狀況。

參考文獻(xiàn)：

[1] 薛運強(qiáng)，譚彩鳳，張兵，等.基于交通態(tài)勢可視化分析的公交專用道布局[J].科學(xué)技術(shù)與工程，2024，24（7）：2909-2916.

[2] 杜茂，楊林，金悅，等.基于交通時空特征的車輛全局路徑規(guī)劃算法[J].汽車安全與節(jié)能學(xué)報，2021，12（1）：52-61.

[3] 楊道平，葛耿育，夏德友.基于混沌遺傳算法的交通燈時長調(diào)節(jié)仿真[J].計算機(jī)仿真，2023，40（5）：192-196.

[4] 相迎宵，李軼珂，劉吉強(qiáng)，等.面向降頻污染攻擊的智能交通擁堵態(tài)勢量化分析[J].軟件學(xué)報，2023，34（2）：833-848.

[5] 劉晶鑫，唐婕，曹瑾鑫.基于機(jī)器學(xué)習(xí)的城市交通態(tài)勢評估與預(yù)測方法研究[J].內(nèi)蒙古大學(xué)學(xué)報（自然科學(xué)版），2021，52（2）：198-205.

【通聯(lián)編輯：李雅琪】