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實驗室，上海 201804；2.深圳市城市交通規(guī)劃設(shè)計研究中心有限公司，深圳市交通信息與交通工程重點實驗室 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，能實現(xiàn)較高精度的衛(wèi)星定位并實時將位置信息傳送到服務(wù)器數(shù)據(jù)中心.由于具備運營時間長、道路覆蓋面廣、便于集中管理等顯著優(yōu)點，出租車浮動車數(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行狀況評價中得到了廣泛應(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行評估的精度和可靠性，不利于全面掌握交通運行狀況和變化態(tài)勢.為此，部分學(xué)者探索了面向道路交通運行狀況評價的多源數(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)控數(shù)據(jù)等多源數(shù)據(jù)融合技術(shù)來推算高速公路運行車速，提高了車速估計的精度；Nour-Eddin El Faouzi等[4]提出采用GPS和車牌識別等多源數(shù)據(jù)融合方法推算旅行時間；李慧兵等[5]融合了線圈數(shù)據(jù)和浮動車數(shù)據(jù)，獲得了更高精度的路段平均行程時間估計值；李嘉等[6]構(gòu)建了基于浮動車GPS數(shù)據(jù)、微波檢測數(shù)據(jù)的行程時間預(yù)測融合模型；趙瑩[7]基于北京浮動車和微波檢測數(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]以北京浮動車數(shù)據(jù)、微波檢測器數(shù)據(jù)以及車牌識別數(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)行交通運行狀態(tài)評價；張昕等[10]基于深圳定點數(shù)據(jù)和浮動車數(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的數(shù)據(jù)融合算法.

隨著移動互聯(lián)網(wǎng)和大數(shù)據(jù)時代的到來，基于百度高德地圖、浮動車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，大大提高了交通運行評估的精度和可靠性，同時將減少線圈、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)定出租車浮動車，但空間分布不均，尤其原特區(qū)外覆蓋不足，同時由于數(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1.5萬臺設(shè)備，定位頻率能達(dá)到秒級響應(yīng)，但存在時間分布不均的問題；公交車在全市范圍內(nèi)分布均勻，白天擁有1.2萬輛浮動車，但存在時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，可直接利用車牌識別數(shù)據(jù)計算得到實際車速，深圳設(shè)有304個車牌識別點，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)主要道路真實車速.出租車、百度、公交車等數(shù)據(jù)源同屬于浮動車數(shù)據(jù)，數(shù)據(jù)存在互補且獲取容易，為新時期道路交通運行狀況評估提供了可行辦法.本文面向道路運行評估和擁堵管理，提出一種基于出租車、百度、公交車多源FCD數(shù)據(jù)融合的道路交通運行評估方法，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可用于道路運行評估的深圳多源交通數(shù)據(jù)優(yōu)缺點比較

Tab.1Comparisonoftheadvantagesanddisadvantagesofmulti-sourcedatausedinroadoperationassessmentinShenzhen

數(shù)據(jù)源優(yōu)點缺點出租車24h運營，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導(dǎo)航數(shù)據(jù)在全市范圍內(nèi)分布均勻，白天1．5萬臺設(shè)備，頻率1～1．5s時間分布不均，夜間數(shù)據(jù)覆蓋不足(凌晨僅有2000臺設(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時間分布不均，夜間數(shù)據(jù)覆蓋不足，速度需修正車牌識別全市范圍內(nèi)分布304個車牌識別點，可用于主要道路實際車速計算總體數(shù)量有限，只能直接獲取少數(shù)主要道路實際車速，且空間分布不均，原特區(qū)外覆蓋不足手機信令時空分布均勻，百萬級別設(shè)備量基站覆蓋范圍大，較少用于城市道路狀態(tài)判別

1 交通運行指數(shù)算法

1.1 評估指標(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構(gòu)開展了大量的交通擁堵評價相關(guān)研究.美國、歐洲、日本等建立了比較完善的擁堵評價指標(biāo)體系，如美國的暢通性研究報告(mobility report)[11]和交通擁堵評價系統(tǒng)(congestion management system，CMS)[12]，日本道路公團(tuán)從交通擁堵在時間和空間的分布狀態(tài)出發(fā)，提出了道路交通擁堵評價指標(biāo)[13]，包括行程車速、排隊長度和擁堵持續(xù)時間.國內(nèi)公安部和建設(shè)部制訂了城市道路交通管理評價體系，近年來積累了有關(guān)交通擁堵評價的經(jīng)驗.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)基于綜合評價方法定義，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.

深圳交通運行指數(shù)(traffic performance index，TPI)[16]是一種基于出行時間比的交通運行指數(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)等五個等級(顏色逐漸加深)，見表2.

表2 深圳市道路交通運行指數(shù)分級

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

表3 交通運行指數(shù)定義方法比較

1.2 基于出行時間的指數(shù)算法

根據(jù)深圳交通運行指數(shù)的定義范圍和等級劃分，基于大量歷史計算結(jié)果和實地調(diào)查，建立行程時間比與交通運行指數(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個路段，路段k的長度為lk、流量為qk，實際行程時間和期望行程時間分別為tk、tdk；實際速度與期望速度分別為vk、vdk，則行程時間比為

(2)

通過在深圳的大量實地調(diào)查評分，研究行程時間比與交通運行指數(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》(2000 年版)[17]的對應(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 路段行程時間比與交通指數(shù)關(guān)系

Fig.1Relationsbetweenthetravellingtimeratioandtrafficindexforroadsection

圖2 路網(wǎng)行程時間比與交通指數(shù)關(guān)系

Fig.2Relationsbetweenthetravellingtimeratioandtrafficindexforroadnetwork

其中路段交通運行指數(shù)：

TPI,link=Fl(RTlink)=

(3)

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

路網(wǎng)交通運行指數(shù)：

TPI，net=Fn(Rnet)=

(4)

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

2 多源浮動車數(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融合機制，對不同區(qū)域(片區(qū))不同道路等級每個精細(xì)化路段細(xì)分出每種數(shù)據(jù)源的計算結(jié)果和融合結(jié)果，用于支持橫向?qū)Ρ?對每種數(shù)據(jù)源的融合引入融合參數(shù)實現(xiàn)決策級融合，參數(shù)維度大類分為時間和空間維度，取一定時間段(如一個月)的數(shù)據(jù)進(jìn)行訓(xùn)練標(biāo)定，得到6 300個融合因子.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)源計算結(jié)果比較，出租車車速>車牌識別車速(作為實際車速，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別速度高3%～5%，百度導(dǎo)航車路平均比車牌識別速度低5%～10%，公交車速度平均比車牌識別車速低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)路段出租車浮動車樣本量不小于3，只考慮出租車浮動車數(shù)據(jù)源，根據(jù)與車牌識別車速測試比較分析，平均誤差可控制在3%以內(nèi)；當(dāng)路段出租車浮動車樣本量小于3，且出租車+百度浮動車樣本量不小于4時，只考慮與百度浮動車數(shù)據(jù)的融合，根據(jù)與車牌識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.

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

2.2 數(shù)據(jù)融合算法

道路交通運行指數(shù)以固定時間長度為周期進(jìn)行計算，且時間周期長度遠(yuǎn)大于出租車、百度和公交車三類浮動車GPS的采樣周期，因此在一個時間周期內(nèi)一輛浮動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)計算偏差，采用平均法進(jìn)行取值.以出租車浮動車為例，假設(shè)一個時間周期Δt內(nèi)出租車i在某一個路段有j條采樣記錄，那么在該時間周期內(nèi)該浮動車平均車速為

(5)

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

(6)

同時，假設(shè)出租車浮動車在一個時間周期Δt內(nèi)的行駛長度為l，根據(jù)N輛車在時間周期Δt內(nèi)的GPS數(shù)據(jù)可以計算出租車的行駛長度ltaxi.同理，可以求解一個時間周期Δt內(nèi)百度和公交車浮動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為多源浮動車數(shù)據(jù)融合后的行程車速;v為某一種浮動車數(shù)據(jù)計算得到的行程車速;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、百度浮動車和公交車浮動車數(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、百度浮動車和公交車浮動車的車輛數(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)使用純出租車浮動車數(shù)據(jù)的占6%，使用出租車+百度浮動車數(shù)據(jù)融合的占10%，使用出租車+百度+公交車三種浮動車數(shù)據(jù)融合的占84%；中心城區(qū)范圍內(nèi)使用純出租車浮動車數(shù)據(jù)的占14%，使用出租車+百度浮動車數(shù)據(jù)融合的占12%，使用三種浮動車數(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，多源浮動車數(shù)據(jù)融合后車速更接近實際車速，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%).三種浮動車數(shù)據(jù)分布如圖5所示，出租車浮動車數(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表示了白天時段(17：00～20：00)每5 min對次干道及以上級別道路的平均覆蓋率.

圖5 出租車、百度導(dǎo)航、公交浮動車分布

圖6 出租車、浮動車分布

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，數(shù)據(jù)可靠性得到提高.在高時間分辨率下，融合后的速度、指數(shù)時間序列趨于平穩(wěn).融合后，白天時段匹配成功的路段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

增加多源浮動車數(shù)據(jù)后，尤其引入百度手機導(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，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

本文提出的道路運行評估方法可為擁堵路段排查治理及擁堵機理分析、交通需求管理、重大交通政策、重大交通事件評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理分析

以深圳為例，通過擁堵等級的時長和頻率，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，為針對性開展交通擁堵治理起到重要支撐作用.再者，利用交通運行指數(shù)的實時變化情況，統(tǒng)計評估一定范圍內(nèi)各擁堵等級的持續(xù)時間，分析擁堵形成及消散機理.對于特定道路路段，可通過擁堵時空圖綜合全面地反映評估路段上交通擁堵在時空的分布及衍變情況，為研究擁堵產(chǎn)生和擴(kuò)散機理提供了很好的技術(shù)手段.

3.2.2停車收費等需求管理政策評估

以深圳為例，在已實施的路內(nèi)停車收費的基礎(chǔ)上建立路內(nèi)停車收費費率與交通運行的動態(tài)調(diào)節(jié)機制，實現(xiàn)動態(tài)評估路內(nèi)停車收費等需求管理政策實施效果并根據(jù)實施效果對停車收費方案進(jìn)行動態(tài)調(diào)整，保障道路運行維持在合理水平.根據(jù)評估，深圳2014年中心城區(qū)實施路內(nèi)停車收費政策后，四個試點片區(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重大事件評估

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

4 結(jié)語

針對當(dāng)前出租車FCD覆蓋范圍和數(shù)據(jù)質(zhì)量不足的問題，本文引入百度手機導(dǎo)航和公交車GPS數(shù)據(jù)，面向道路運行評估和擁堵管理提出了基于出行時間的交通運行指數(shù)算法和一種基于出租車、百度、公交車多源FCD數(shù)據(jù)融合的道路交通運行評估方法，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，從數(shù)據(jù)重要度排序、數(shù)據(jù)樣本量確定及時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)計方面，在融合規(guī)則指導(dǎo)下，建立了動態(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理分析、交通需求管理、重大交通政策、重大交通事件評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)建的多源浮動車數(shù)據(jù)融合方法大大提高了交通運行評估的精度和可靠性，具有數(shù)據(jù)獲取容易、算法可移植性強、不依賴外場硬件設(shè)備的突出優(yōu)點.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)一步提高道路運行車速、運行指數(shù)計算的準(zhǔn)確性，為城市道路交通運行評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)評價運行質(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.基于浮動車技術(shù)的城市路況計算方法[J].交通運輸系統(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(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)的行程時間預(yù)測模型[J]. 湖南大學(xué)學(xué)報(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.異種浮動車數(shù)據(jù)融合的城市道路交通狀態(tài)判別及時空分析[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.面向交通運行狀態(tài)評價的多源異質(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.實時動態(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論文集.青島：中國智能交通協(xié)會,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價指標(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.基于出行時間的道路交通運行指數(shù)算法與應(yīng)用研究[C]//中國城市交通規(guī)劃2012年年會論文集.福州:中國城市交通規(guī)劃學(xué)術(shù)委員會, 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.