摘 要：城市交通擁堵已成為嚴重影響城市發(fā)展和居民生活的社會問題，必須用科學的方法來解決日益嚴重交通擁堵狀況。本文通過對交通擁堵基礎數(shù)據(jù)采集與處理技術、城市交通擁堵評價指標體系的研究，提出基于路網(wǎng)拓撲結構的城市擁堵自動檢測方法，在此基礎上利用百度地圖交通云開發(fā)城市交通實時監(jiān)測與研判分析平臺，并以江蘇為例進行大數(shù)據(jù)應用分析，驗證研究成果的實用性。

關鍵詞：大數(shù)據(jù)；交通擁堵；擁堵監(jiān)測；監(jiān)測平臺

中圖分類號：U491 文獻標識碼：A 文章編號：1004-7344（2018）27-0199-02

引 言

隨著城市化進程的加快，以及機動車保有量的快速增加，城市交通擁堵日益嚴重。交通擁堵最直接的影響就是降低車輛行駛速度，增加交通延誤，造成時間上的浪費，同時也會增加尾氣和噪聲的排放。交通擁堵作為一類嚴重影響城市發(fā)展和居民生活的社會問題，迫切需要尋求有效的治理手段。綜合來看，自動化的擁堵監(jiān)測是擁堵治理的依據(jù)和基礎?；诘缆窊矶滦畔榻煌ㄒ?guī)劃和管理決策提供更堅實的數(shù)據(jù)支撐，以更有效地進行交通擁堵治理，進一步提升城市道路交通體驗是本次研究的核心。

1 交通擁堵數(shù)據(jù)基礎與評價指標研究

1.1 交通擁堵數(shù)據(jù)基礎

研究交通擁堵所需的數(shù)據(jù)基礎主要包括道路路網(wǎng)數(shù)據(jù)和實時路況數(shù)據(jù)。

道路路網(wǎng)數(shù)據(jù)主要包含道路的地理信息和屬性信息，把道路拆分為若干段，每段長度為100～200m，分成的各段即為本次研究的路網(wǎng)基礎單位link，每個Link信息包含其表示的這一小段道路的基礎信息。本次研究基于百度地圖交通云平臺開展，平臺中全國路網(wǎng)link數(shù)約3350萬，其中江蘇省link數(shù)約252萬，占全國7.5%。

實時路況數(shù)據(jù)的數(shù)據(jù)源種類較多，既包括交通運輸行業(yè)內的城市浮動車數(shù)據(jù)，如出租車、公交車、兩客一危等車輛的實時行駛定位數(shù)據(jù)，又包括百度地圖后臺的導航數(shù)據(jù)、用戶定位數(shù)據(jù)等。研究通過創(chuàng)新多源數(shù)據(jù)自動識別差分融合技術，將交通運輸行業(yè)內外的數(shù)據(jù)充分融合，以獲得更準確的路況實時監(jiān)測數(shù)據(jù)，實現(xiàn)多源數(shù)據(jù)的優(yōu)勢互補。

1.2 評價指標體系

為了更直觀有效的分析道路擁堵情況，本文定義了一系列擁堵評價指標，主要包含暢通速度、平均速度、擁堵里程、擁堵時長、擁堵指數(shù)等。暢通速度是指路網(wǎng)在暢通狀態(tài)下的運行速度；平均速度指路網(wǎng)的平均運行速度；擁堵里程為處于擁堵狀態(tài)的路段長度之和；擁堵時長是指擁堵持續(xù)的時間；擁堵指數(shù)則為實際通行的時間與暢通狀態(tài)下通行時間的比值。

2 城市交通擁堵自動檢測方法設計和實現(xiàn)

2.1 城市交通擁堵自動檢測方法

對交通擁擠狀態(tài)的判別方法有直接判別法和間接判別法。直接判別法是指利用圖像處理技術來發(fā)現(xiàn)道路上存在擁擠交通流的一類方法。該方法在較低交通流量的情況下也能有良好的檢測效果，但需要在路段上密集地設置檢測站，資金投入較高，受天氣影響較大。間接判別法是根據(jù)擁擠發(fā)生時交通流參數(shù)的變化來進行判別，本次研究采用間接判別法，通過監(jiān)測道路上車輛的行駛速度（測算擁堵指數(shù)），并建立基于路網(wǎng)拓撲結構的擁堵路段識別模型，對道路擁堵進行識別和自動檢測。

2.2 基于路網(wǎng)拓撲結構的擁堵路段識別模型

借用密度聚類DBSCAN算法思想，對擁堵link在空間上進行聚類，從而識別擁堵的集聚現(xiàn)象。具體來說，把每個擁堵的link作為在路網(wǎng)空間下的基本對象，對這些link作空間聚類，得到的聚類結果簇即為擁堵路段。在此基礎上，將參與聚類的數(shù)據(jù)集設為這個區(qū)域內所有的擁堵路段，得到的聚類結果簇即為擁堵區(qū)域。

3 擁堵監(jiān)測平臺搭建

依托百度地圖交通云，合作開發(fā)城市交通實時監(jiān)測與研判分析平臺。平臺可以實現(xiàn)對城市交通的實時監(jiān)測、交通預判、數(shù)據(jù)挖掘等主要功能。

3.1 實時監(jiān)測

目前平臺已覆蓋江蘇省13個設區(qū)市，平臺通過對采集到的交通運行大數(shù)據(jù)進行自動處理分析，可實現(xiàn)對城市各個區(qū)域、各條道路交通參數(shù)的實時監(jiān)測，自動識別擁堵路段或區(qū)域，對道路擁堵進行報警，同時通過可視化圖像展示發(fā)布，讓管理者可以全面的掌握城市交通的實時信息。實時監(jiān)測的交通參數(shù)主要包括路網(wǎng)平均速度、擁堵里程、擁堵指數(shù)等。

3.2 交通預判

根據(jù)對歷史交通運行數(shù)據(jù)的分析，通過規(guī)律總結，對未來交通趨勢進行預判。平臺可以實現(xiàn)對未來一周時間的交通預判，內容包括：未來一周每天平均擁堵指數(shù)、早晚高峰擁堵指數(shù)的預判，未來一周每個小時的平均擁堵指數(shù)的預判，未來一天早晚高峰擁堵道路的識別。

3.3 數(shù)據(jù)挖掘

平臺能夠對歷史數(shù)據(jù)進行存儲，并運用大數(shù)據(jù)手段進行挖掘分析。通過數(shù)據(jù)挖掘總結城市交通擁堵的時空規(guī)律，為重要節(jié)點擁堵治理、重大項目建設評估、重大戰(zhàn)略政策制定、節(jié)假日擁堵治理等提供大數(shù)據(jù)支撐。

4 應用分析

依托城市交通實時監(jiān)測與研判分析平臺，結合實時監(jiān)測獲取的機動車導航定位等數(shù)據(jù)，能夠實現(xiàn)重要節(jié)點機動車OD出行分析、城市對外出行分析、城市內部交通分析、節(jié)假日擁堵分析等一系列大數(shù)據(jù)分析手段，可以用于解決一些平時難以解決的問題、發(fā)現(xiàn)一些平時不易發(fā)現(xiàn)的現(xiàn)象。

4.1 機動車出行OD分析

以南京著名的堵點卡子門為例，在實施應天高架東延改善措施之前，需要對項目建成后的交通分流效果進行分析。這就需要分析卡子門立交的機動車OD，但傳統(tǒng)的OD調查手段無法在高架這一特殊節(jié)點來進行。本文運用大數(shù)據(jù)手段，依托百度地圖導航數(shù)據(jù)，跟蹤經(jīng)過卡子門立交的機動車運行軌跡，得到其OD分布。結合觀測數(shù)據(jù)可知，出行起終點落在城東片區(qū)（滬寧高速以南和寧杭高速以北合圍區(qū)域）的機動車數(shù)量占比約為17%，這部分車輛在應天高架東延建成后恰恰是可以被分流掉的。

4.2 城市對外出行分析

摸清城市人口的遷徙規(guī)律是制定區(qū)域發(fā)展戰(zhàn)略的重要依據(jù)。通過抓取高鐵站、機場、汽車站等樞紐地區(qū)旅客的出行定位數(shù)據(jù)，可以準確的判斷任意城市之間的公共客運出行量及方式分擔，這是傳統(tǒng)交通統(tǒng)計方法無法獲得的數(shù)據(jù)。本文通過抓取南京站、南京南站和祿口國際機場出行人群定位數(shù)據(jù)，提取并測算出南京去往南、北兩個方向上主要節(jié)點城市鐵路和航空的相對分擔率，如圖2所示。結果顯示，青島、威海（環(huán)渤海地區(qū)）以及福州、廈門（海西地區(qū)）等城市雖然在高鐵出行的優(yōu)勢距離之內，但高鐵分擔率僅為同類城市的1/4左右，出行仍以飛機為主。說明既有的高鐵線路難以滿足南京與上述城市之間的聯(lián)系，迫切需要規(guī)劃新增直達高鐵線路。

4.3 城市內部交通分析

城市越大，城市人口越多，城市往往越擁堵。然而通過大數(shù)據(jù)監(jiān)測，我們發(fā)現(xiàn)在江蘇并非如此。根據(jù)城市交通實時監(jiān)測與研判分析平臺的歷史監(jiān)測數(shù)據(jù)，江蘇的13個設區(qū)市中，人口最多的蘇州市平均擁堵指數(shù)為1.47，并不處于全省擁堵第一梯隊，徐州才是僅次于南京的江蘇第二堵城市，這為全省擁堵治理指明了新的方向。

4.4 節(jié)假日擁堵分析

南京市高等學府眾多，高校在校生約為81萬人，中小學在校生58萬人，學生總數(shù)139萬，占常住人口的比重約為17%。暑假期間，大量學生放假之后，城市交通擁堵能否得到緩解是大家比較關心的一個問題。本文對南京市暑假前后城市道路擁堵變化情況進行了連續(xù)觀測，結果顯示，主城區(qū)的平均擁堵指數(shù)并沒有明顯變化，但是早高峰期間主要擁堵道路的平均擁堵時長下降了，這也就是為什么大家都會感覺暑假期間路好走了。

5 結 論

大數(shù)據(jù)的廣泛應用為城市交通擁堵治理提供了新的思路和方法。本次研究開發(fā)的交通實時監(jiān)測與研判分析平臺已覆蓋江蘇省13個設區(qū)市，可作為未來城市治堵辦公室的依托平臺，為城市交通建設管理者提供一套系統(tǒng)的擁堵大數(shù)據(jù)分析結果支持，協(xié)助城市交通建設管理者解決交通管理和出行的問題。依托后臺交通大數(shù)據(jù)的沉淀與挖掘，通過OD分析、區(qū)域出行分析等手段，可以為重大項目建設、重大戰(zhàn)略實施等提供決策支撐。

參考文獻

[1]Bang， K.L. Incident Detection in Europe-Proceedings of the International Symposium on Traffic Control System. Berkeley California， 1979.

[2]Levin， M. and GM. Kause. Incident Detection： A Bayesian Approach [J]. Transportation Research Record， No.682，TRB，National Research Council， 1978：52～58.

[3]Parkany， E. and C. Xie. A Complete Review of Incident Detection Algorithms Their Deployment： What Works and What Doesn’t [J].Prepared for The New England Transportation Consortium， NETCR37 project No.00-7，F(xiàn)ebruary 7，2005.

[4]呂 琪，王 慧.基于動態(tài)神經(jīng)網(wǎng)絡模犁的交通時間檢測算法[J].公路交通科技，2003，20（6）.105～108.

[5]張秀紅，陳 力，胡 剛.基于RBF的城市快速路交通異常事件自動檢測算法分析.交通科技與經(jīng)濟，2011，2（13）：5～13.

[6]張存保，楊曉光，嚴新平.基于浮動車的高速公路交通事件自動判別方法的研究[J].武漢理工大學學報，2006，25（2）：1～5.

[7]石征華，侯忠生.城市快速路擁擠度判別方法研究[J].交通與計算機，2006，24（5）：20～23.

收稿日期：2018-8-11

作者簡介：朱慶東，男，碩士，從事交通信息化研究、交通大數(shù)據(jù)研究、信息系統(tǒng)開發(fā)管理工作，任江蘇省交通通信信息中心副科長。

鄭 海，男，中設設計集團工程師，碩士，從事交通運輸規(guī)劃與管理、交通大數(shù)據(jù)等方面的研究工作。

趙 希，女，碩士，從事電子地圖相關產(chǎn)品規(guī)劃與管理、交通大數(shù)據(jù)分析研究工作，任百度公司產(chǎn)品經(jīng)理。