唐爐亮，闞子涵，任 暢，張 霞，李清泉，3

1. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079; 2. 武漢大學(xué)城市設(shè)計學(xué)院，湖北 武漢 430072; 3. 深圳大學(xué)空間信息智能感知與服務(wù)深圳市重點實驗室, 廣東 深圳 518060

隨著機動車保有量的逐年增加，交通環(huán)境日益惡化，交通擁堵現(xiàn)象日益嚴重。據(jù)統(tǒng)計，交通擁堵帶來的經(jīng)濟損失占城市人口可支配收入的20%，相當(dāng)于每年國內(nèi)生產(chǎn)總值(GDP)損失的5%～8%[1]。如何實時感知交通狀態(tài)、探測擁堵事件對公眾高效出行、交通管理乃至智慧城市的建設(shè)具有重要意義。

已有文獻中擁堵事件的研究可以分為3個尺度：區(qū)域/路網(wǎng)尺度、道路/路段尺度和車道/轉(zhuǎn)向尺度。在區(qū)域/路網(wǎng)尺度上，主要從宏觀的角度研究交通擁堵與城市格局、土地利用、路網(wǎng)形態(tài)的關(guān)系[2-3]。在道路/路段尺度上，大部分已有文獻通過車輛平均速度和通行時間來探測交通擁堵，如早期主要通過線圈[4-5]或視頻技術(shù)[6]來檢測擁堵，但是這兩種數(shù)據(jù)源都需要固定傳感器來獲取，價格昂貴且覆蓋率低。近年來，有研究利用車輛之間的通信來探測交通狀態(tài)和擁堵事件[7]，但是車輛之間的通信只能在小范圍內(nèi)進行，不能獲取大范圍的城市交通動態(tài)；從社交媒體文本中挖掘?qū)崟r交通信息是一種新興的城市交通感知方法[8]，但在大規(guī)模交通事件探測方面應(yīng)用有限。較高的路網(wǎng)覆蓋率和采樣頻率使得GPS數(shù)據(jù)成為交通信息采集的重要數(shù)據(jù)源，海量GPS軌跡所蘊含的交通流信息為交通擁堵的探測提供了基礎(chǔ)[9]。

目前，利用車輛GPS軌跡探測和預(yù)測交通擁堵的研究主要分為3類，第1類研究擁堵事件的探測與時空分布特征[10-13]，如文獻[10—11]從歷史GPS軌跡中探測出周期性交通擁堵的時空分布模式；文獻[12]基于GPS軌跡分析了奧運期間北京路網(wǎng)運行狀態(tài)；文獻[13]基于GPS軌跡數(shù)據(jù)挖掘交通擁堵時間分布特征。第2類研究在探測擁堵事件的基礎(chǔ)上，分析擁堵區(qū)域之間的關(guān)聯(lián)性和演化傳播規(guī)律，例如文獻[14]探索了武漢市不同擁堵區(qū)域之間的時間依賴性；文獻[15]利用出租車GPS軌跡分析了交通狀態(tài)的自相關(guān)模式；文獻[16]在探測交通擁堵事件的基礎(chǔ)上，對道路交通擁堵的傳播模式進行了可視化。第3類研究基于歷史GPS軌跡預(yù)測交通擁堵，如文獻[17]通過建立擁堵轉(zhuǎn)移矩陣實現(xiàn)擁堵路段預(yù)測；文獻[18]基于馬爾可夫模型進行道路擁堵的時空分布預(yù)測。以上研究基于GPS軌跡對道路交通狀態(tài)進行了不同層次的感知，但分析結(jié)果受GPS定位誤差與頻率的制約，在擁堵的精細識別方面有所不足。文獻[19]通GPS軌跡的二次聚類實現(xiàn)一條試驗路段上的擁堵范圍精細探測，但是仍不能感知不同轉(zhuǎn)向與不同車道上的擁堵特征。除車載GPS以外，國外也有研究利用手機中的GPS接收機、加速計等傳感器探測道路狀態(tài)和交通狀態(tài)，例如文獻[20—21]分別用手機數(shù)據(jù)探測高速公路和市內(nèi)道路路段級交通狀態(tài)。但是以上方法只能在路段或者道路尺度上實現(xiàn)擁堵事件的探測，無法在更精細的尺度上進行擁堵的精細感知。目前在車道/轉(zhuǎn)向級尺度上的交通擁堵狀態(tài)研究較少，極大程度上依賴于車道級高精度交通數(shù)據(jù)，例如文獻[22]利用車道級線圈與交通信號燈數(shù)據(jù)探測車道級擁堵路段，文獻[23]采用車-車通信數(shù)據(jù)和車道定位數(shù)據(jù)來探測車道級擁堵和道路級擁堵。

出租車GPS軌跡數(shù)據(jù)具有覆蓋率高、成本低、實時性強、連續(xù)性好的優(yōu)點，在交通狀態(tài)估計中發(fā)揮重要的作用。針對目前基于GPS軌跡只能探測道路級交通擁堵，無法感知不同行駛方向上交通擁堵排隊的問題，本文提出一種基于出租車GPS軌跡的轉(zhuǎn)向級交通擁堵事件探測方法，該方法在顧及出租車運營行為特征的有效軌跡段濾選基礎(chǔ)上，探測城市路網(wǎng)輕度、中度、重度3種不同強度的交通擁堵事件，并實現(xiàn)了交叉口不同轉(zhuǎn)向的擁堵時間、擁堵強度和排隊長度等轉(zhuǎn)向級交通擁堵狀態(tài)精細分析。

1 轉(zhuǎn)向級交通擁堵探測及精細分析

1.1 有效軌跡濾選

出租車GPS軌跡中蘊含大量的出租車本身的行為，如休息、就餐、加油等導(dǎo)致的不同時長的停留行為以及尋客、上下客等造成的人為低速行駛行為。為了從出租車GPS軌跡中挖掘出真實的交通狀態(tài)，需要對蘊含自身行為少、能夠反映真實交通狀態(tài)的有效軌跡和不能反映真實交通狀態(tài)的無效軌跡進行區(qū)分。

本文首先對出租車軌跡進行分割。在進行GPS軌跡數(shù)據(jù)路網(wǎng)匹配[24]的基礎(chǔ)上，本文采用停留時間和速度變化兩個指標(biāo)對軌跡進行分割：首先在車輛停留3 min以上處分割軌跡；然后根據(jù)移動目標(biāo)在短時間內(nèi)運動狀態(tài)一致的思想，在前后相鄰軌跡點對之間的速度變化超過一定閾值δ處分割軌跡，得到運動狀態(tài)一致的軌跡段。如圖1所示，一條軌跡由P1—P7組成，P1—P2之間的速度v12與P2—P3之間的速度v23差值大于閾值δ，即說明車輛發(fā)生了較明顯的運動狀態(tài)變化，因此將軌跡在P2處斷開，同理，P4—P5之間的速度與P5—P6之間的速度差值大于閾值，應(yīng)該在P5處分割軌跡。因此，軌跡P1—P7被分割成為TS1(P1—P2)、TS2(P2—P5)和TS3(P5—P7)。由此本文在不損失軌跡點之間速度信息的基礎(chǔ)上完成軌跡的分割，得到運動狀態(tài)一致性較好的軌跡段集合。

在進行軌跡分割的基礎(chǔ)上，本文同時利用匹配前GPS軌跡和匹配后GPS軌跡來分析有效軌跡段和無效軌跡段在位置、圖形、屬性等方面的特征，從而進行有效軌跡段的濾選。典型有效軌跡段與無效軌跡段的原始軌跡圖形和位置差異如圖2所示。

圖2 有效軌跡段與無效軌跡段示例Fig.2 Example of valid trace segments and invalid trace segments

由圖2可知，在圖形方面，有效軌跡段沿路網(wǎng)呈線狀分布，與路網(wǎng)圖形一致性較好，而無效軌跡段較多呈迂回分布，與路網(wǎng)圖形一致性差；在位置方面，由于有效軌跡為出租車在路網(wǎng)上正常行駛產(chǎn)生的軌跡，因此有效軌跡段整體與道路距離更近；而無效軌跡段多為出租車等客、暫停運營或GPS定位異常產(chǎn)生的軌跡，導(dǎo)致無效GPS軌跡距離道路較遠。此外，在載客狀態(tài)方面，載客狀態(tài)發(fā)生改變的軌跡段包含上下客行為，為無效軌跡段；

在行駛狀態(tài)方面，通過行駛速度和載客狀態(tài)聯(lián)合分析，空載情況下行駛速度接近于0(停車)的軌跡段大多為無效軌跡段。在分析典型有效軌跡段與無效軌跡段的圖形、位置、屬性特征基礎(chǔ)上，本文定義4個特征指標(biāo)來描述有效軌跡段與無效軌跡段：

(1) 曲折度C：表示原始軌跡段長度l與匹配后軌跡段長度l′的比值，C=l/l′,C越接近于1，說明軌跡段與路網(wǎng)的圖形一致性越好。

(3) 載客狀態(tài)S：出租車GPS軌跡數(shù)據(jù)中記錄空載狀態(tài)為0，滿載狀態(tài)為1。換乘情況為無效軌跡段，一般情況下滿載情況下自身行為較少，更能夠反映真實的交通狀態(tài)，然而滿載軌跡段數(shù)量較少，不能大規(guī)模覆蓋路網(wǎng)，因此需要將載客狀態(tài)和其他特征共同分析確定有效軌跡段。

(4) 平均速度V：平均速度能夠在一定程度上反映出軌跡段的質(zhì)量，一般情況下，速度越低無效軌跡段的可能性越大，需要結(jié)合其他特征共同分析。

圖3為2015年5月6日4:00—6:00時段內(nèi)出租車真實GPS軌跡段的上述4個特征的分布模式。圖3(a)反映出滿載軌跡段具有較低的曲折度，曲折度、道路距離大的軌跡段多數(shù)為空載軌跡，而從圖3(b)可以看出在該時段內(nèi)空載軌跡段數(shù)量遠大于滿載軌跡段數(shù)量；滿載軌跡段速度呈正態(tài)分布，而大量空載軌跡段速度在5 km/h以下，說明這部分軌跡段很可能為非正常運營狀態(tài)下的低速行為。

圖3 2015年5月6日4:00—6:00真實軌跡段特征分布Fig.3 Feature distribution of trace segments on May 6th, 2015

基于上述軌跡段的4個特征采用K均值聚類方法[25]在特征空間上對軌跡段進行聚類。本文首先計算每個軌跡段的4個特征值并標(biāo)準化；然后設(shè)定聚類個數(shù)K=2，即將原始GPS軌跡段分成兩類，有效軌跡段類和無效軌跡段類，得到初始的兩個聚類中心；再逐個將軌跡段的特征值按照最小距離分配給兩個聚類中心，得到兩個軌跡段類，并重新計算聚類中心；最后判斷聚類中心是否發(fā)生變化，若不再變化，則輸出兩個軌跡段類，若有變化，則重復(fù)計算輸出聚類中心，直到聚類中心不再變化或迭代次數(shù)達到上限，輸出有效軌跡段類和無效軌跡段類，并將有效軌跡段用于后續(xù)擁堵探測。

1.2 路段級不同強度擁堵探測

本文首先基于獲取的有效軌跡段計算每條路段一天的速度分布。由于有些路段上GPS軌跡數(shù)量過少，不能真實反映路段的速度分布情況，因此統(tǒng)計路段速度需要設(shè)定最少記錄條數(shù)Nmin=20。在獲取每條路段的速度分布基礎(chǔ)上，根據(jù)文獻[16]中的方法，將每條路段的速度從小到大進行排序，取得位于速度序列85%處的速度值作為該路段的自由交通流速度Vfree?；诿織l路段的自由交通流速度，本文采用北京市交通發(fā)展研究中心提出的城市路網(wǎng)交通運行指數(shù)(traffic performance index，TPI)[26]來推算路段擁堵速度閾值。TPI取值范圍為[0,10]，其值0～2、2～4、4～6、6～8、8～10分別對應(yīng)交通狀態(tài)“暢通”“基本暢通”“輕度擁堵”“中度擁堵”“嚴重擁堵”5個級別，數(shù)值越高，表明交通擁堵狀況越嚴重。TPI的量化方式為道路的實際通行時間比自由交通流下通行時間多耗時的倍數(shù)，其中“輕度擁堵”“中度擁堵”“重度擁堵”情況表示實際通行時間比自由流通行時間多耗時0.5～0.8倍、0.8～1.1倍、1.1倍以上。據(jù)此可以推算出，在上述3個擁堵強度下道路的實際通行速度應(yīng)分別為自由流速度Vfree的0.66～0.56倍、0.56～0.47倍和0.47倍以下。因此，本文根據(jù)有效軌跡段匹配后相鄰兩GPS點之間的速度v分別探測輕度、中度、重度3個級別的交通擁堵軌跡(congestion trace,CT)，如式(1)所示

(1)

1.3 交叉口轉(zhuǎn)向級交通擁堵精細探測分析

交叉口處同一路段的不同車道具有左轉(zhuǎn)、直行、右轉(zhuǎn)等不同轉(zhuǎn)向功能，不同轉(zhuǎn)向車道的交通流具有不同的特性。本文首先定義擁堵轉(zhuǎn)向為交叉口一定時間段內(nèi)只存在擁堵軌跡的轉(zhuǎn)向方向。在路段級擁堵軌跡探測的基礎(chǔ)上，采用軌跡追蹤的方法識別出交叉口進口路段上的擁堵轉(zhuǎn)向，并進一步分析不同轉(zhuǎn)向的擁堵模式。如圖4(a)所示，以由南向北進入交叉口的路段R1為例，探測出該進口路段上有擁堵軌跡段CT1、CT2和非擁堵軌跡段RT1、RT2。首先從原始軌跡中對CT1、CT2、RT1、RT2進行軌跡跟蹤，得到其原始軌跡的匹配路段和轉(zhuǎn)向方向為：CT1：R1→R2(左轉(zhuǎn))，CT2：R1→R3(直行)，RT1：R1→R3(直行)，RT2：R1→R4(右轉(zhuǎn))，如圖4(b)所示；由于直行和右轉(zhuǎn)方向都存在非擁堵軌跡，只有左轉(zhuǎn)方向只存在擁堵軌跡，因此得到該交叉口該進口路段的擁堵轉(zhuǎn)向為左轉(zhuǎn)方向，如圖4(c)所示。

在對擁堵軌跡進行轉(zhuǎn)向分類的基礎(chǔ)上，對交叉口進口路段每一個轉(zhuǎn)向的交通狀態(tài)進行以下方面的分析：①交通流速度；②擁堵時長；③擁堵距離。

圖4 擁堵事件轉(zhuǎn)向分類Fig.4 Classification method for congestion directions

交通擁堵事件(congestion event,CE)隨時間逐漸形成、逐漸消散，因此CE可以看作是時間t上連續(xù)變化的函數(shù)。在每一個時間點上，CE具有確定的起點S、終點E和中間過程L，因此，交通擁堵事件CE是時間t到起點位置S、終點位置E和中間位置L的映射

CE(S,E,L)=f(t)

圖5描述了交叉口某轉(zhuǎn)向上的擁堵事件CE隨時間的演化過程以及探測的擁堵軌跡CT和擁堵事件的關(guān)系。橫軸下方、上方兩曲線分別為擁堵事件起點S和終點E的位置，由CE起、終點與交叉口的距離表示。本文中探測的擁堵軌跡CT可以看作是實際擁堵事件CE在一定時間采樣下的快照，通過對擁堵軌跡的分析可以得到不同轉(zhuǎn)向方向的交通流速度、擁堵時間和擁堵距離。

圖5 交叉口轉(zhuǎn)向級擁堵分析Fig.5 Turning-level analysis of congestion directions at intersection

(1) 交通流速度v(t,t+Δt)：在時間段[t0,t0+Δt]內(nèi)不同轉(zhuǎn)向方向的交通流速度如式(2)所示，其中，N為該轉(zhuǎn)向軌跡段數(shù)量，length(TSi)為該轉(zhuǎn)向方向第i個軌跡段TSi的長度，T(TSi)為TSi的持續(xù)時間，N為該時段該轉(zhuǎn)向方向上的軌跡段數(shù)量

(2)

(2) 擁堵時間[ts,te]：本文將擁堵時間定義為連續(xù)擁堵軌跡覆蓋的最長時間，擁堵事件CE開始時間SCE和結(jié)束時間ECE分別如式(3)、式(4)所示。因此擁堵時間為連續(xù)擁堵軌跡集合中起點時間的最小值和終點時間的最大值構(gòu)成的區(qū)間，如圖5中的區(qū)間[t1,t2]

ts=min(CTi(ts))i=1,2,…,Nc

(3)

te=max(CTi(te))i=1,2,…,Nc

(4)

(3) 擁堵距離D(ts,te)：在得到擁堵時間[ts,te]的基礎(chǔ)上，將擁堵距離定義為擁堵軌跡起點與交叉口距離在該時段內(nèi)的最大值，如式(5)所示，其中，Loc0為交叉口的位置，CTi(LocS)為第i個擁堵軌跡CTi的起點位置，如圖5中D(t1,t2)所示

D(ts,te)=max(‖Loc0-CTi(LocS)‖)

i=1,2,…,Nc

(5)

2 試 驗

試驗采用武漢市2015年5月6658輛出租車GPS軌跡數(shù)據(jù)，GPS數(shù)據(jù)采樣時間間隔為60 s，定位精度為10～15 m。由于交通擁堵是具體到某路段某天某時段，因此本文試驗選擇了5月6日武昌區(qū)范圍約8×5 km的區(qū)域道路網(wǎng)作為試驗區(qū)域(如圖6所示)。首先按照上文方法將原始軌跡進行地圖匹配和軌跡段分割，將得到的軌跡段按照時間0:00—2:00,2:00—4:00，…，22:00—24:00分成12個時段，對每一時間段內(nèi)分割后的軌跡段進行有效軌跡段濾選和擁堵探測。

圖6 試驗區(qū)路網(wǎng)與主要道路名稱Fig.6 Road network and names of main roads in the study area

2.1 有效軌跡段濾選

對每時段內(nèi)的軌跡段分別計算曲折度、道路距離、載客狀態(tài)和速度4個特征，進行特征聚類，得到有效軌跡段類和無效軌跡段類。為了驗證聚類提取有效軌跡段的準確率，試驗中對4:00—6:00時段內(nèi)的軌跡段進行了人工標(biāo)記，將標(biāo)記結(jié)果和聚類結(jié)果進行比較，結(jié)果如表1所示。

表1 4:00—6:00有效軌跡段聚類結(jié)果

表1說明，以4:00—6:00時段的軌跡段為例，提出的基于軌跡段特征聚類方法能夠提取出可真實反映交通狀態(tài)的有效軌跡段，準確率達到為93.3%。對時段4:00—6:00有效軌跡段提取的可視化結(jié)果如圖7所示，可以看出，通過本文提出的特征聚類方法濾選出的有效軌跡段相比無效軌跡段具有更好的圖形和位置性質(zhì)，能夠有效剔除包含在軌跡中的出租車本身的行為，從而能更好地挖掘和感知真實交通狀態(tài)。

圖7 4:00—6:00有效軌跡聚類結(jié)果Fig.7 Clustered valid traces during 4:00—6:00

將12個時段的軌跡段分別進行特征聚類，得到每個時段內(nèi)的軌跡段總數(shù)和濾選出的有效軌跡段數(shù)如圖8所示，條形上方數(shù)值為有效軌跡段濾選比例。可以看出高峰時段如6:00—12:00以及16:00—22:00有效軌跡段濾選比例較高，說明在出行高峰時段內(nèi)車輛的自身行為較少，軌跡更能反映交通狀態(tài)；在非高峰時段如2:00—6:00以及22:00以后，由于出租車需求量下降，出租車的自身行為增加，因此濾選比例降低。

圖8 不同時段有效軌跡濾選比例Fig.8 Filtering ratio of valid trace segments

2.2 擁堵事件探測與精細粒度分析

2.2.1 擁堵軌跡探測

在濾選出有效軌跡段的基礎(chǔ)上，首先按照1.2節(jié)所述分別提取試驗區(qū)域路網(wǎng)“輕度擁堵”、“中度擁堵”和“重度擁堵”的速度閾值分布，然后基于相鄰兩GPS軌跡點的平均速度和匹配路段的擁堵閾值，探測出2015年5月6日一天不同強度的擁堵軌跡和非擁堵軌跡，如圖9所示；3個時段7:00—7:05、12:00—12:05、17:30—17:35的不同強度擁堵軌跡的空間分布結(jié)果如圖10所示。

圖9 不同強度交通擁堵事件數(shù)和比例分布Fig.9 Number and ratio distribution of congestion events of different intensities

圖9中條形圖表示不同強度擁堵軌跡數(shù)和非擁堵軌跡數(shù)，其值為相鄰兩GPS點速度小于該路段擁堵閾值的個數(shù)；折線圖為不同強度擁堵軌跡占擁堵與非擁堵軌跡總數(shù)的比值?？梢钥闯鰮矶萝壽E的數(shù)量和比例在出行高峰時間6:00—10:00和16:00—20:00明顯提高，形成兩個峰值，即這兩個時段內(nèi)試驗區(qū)域擁堵車輛最多，范圍最大；試驗區(qū)內(nèi)不同強度的擁堵事件比值呈現(xiàn)規(guī)律變化，即輕度擁堵事件比值>中度擁堵事件比值>重度擁堵事件比值。若以“輕度擁堵”速度作為擁堵評價指標(biāo)，則在早晚高峰時段，試驗區(qū)域擁堵比例可達50%以上。

圖10反映出試驗區(qū)域整體晚高峰時段擁堵情況最嚴重、重度擁堵道路最多；中午時段重度擁堵道路相比最少。早高峰前段7:00—7:05，試驗區(qū)一些主干路發(fā)生了重度擁堵，如中山路、珞獅北路、珞獅南路以及丁字橋路與武珞路交叉口；在中午時段12：00—12:05，珞獅北路、珞獅南路的擁堵情況有所好轉(zhuǎn)，但是雄楚大道、中南路發(fā)生了嚴重擁堵，并且一些低等級道路如民主路開始出現(xiàn)嚴重擁堵；在晚高峰時段17:30—17:35，重度擁堵的道路進一步增加，遠多于輕度擁堵、中度擁堵，如包括東湖南路、珞獅南路、珞獅北路，說明該時段內(nèi)試驗區(qū)域整體通行滯緩。整體來看，試驗區(qū)域位于武漢市的市中心，整體車流量大、交通擁堵范圍廣、持續(xù)時間長，但對比圖10中早、中、晚3個時段的擁堵事件探測結(jié)果可以發(fā)現(xiàn)，不同強度的擁堵事件在中午時段與早晚高峰時段內(nèi)的分布有很大不同。例如，早晚高峰時段，試驗區(qū)域主干路(如中山路武珞路、珞喻路、珞獅北路與珞獅南路)均大面積路段發(fā)生嚴重擁堵，表示車流嚴重阻滯，而在中午時段這些路段的重度擁堵范圍顯著縮小，僅有交叉口區(qū)域會發(fā)生嚴重擁堵，為車輛排隊等候信號燈現(xiàn)象。本文參考了武漢市國土資源和規(guī)劃局、武漢市交通發(fā)展戰(zhàn)略研究院的2015年5月的交通運行周報[27]，周報顯示，試驗區(qū)域內(nèi)雄楚大道、珞獅北路、珞獅南路、武珞路等路段為常發(fā)擁堵路段，與本文探測結(jié)果較為吻合。

圖10 3個時段不同強度擁堵事件探測結(jié)果Fig.10 Visualizing results of congestion detection in three time periods

2.2.2 交叉口擁堵事件轉(zhuǎn)向分析

本節(jié)選取武漢市中南路與武珞路交叉口作為典型案例，分析不同轉(zhuǎn)向的交通流特征及擁堵情況。中南路交叉口位于武漢市市區(qū)的中南商圈(如圖6所示)，車流量大、交通流變化復(fù)雜。該交叉口是一個典型的T字形交叉口，共有6個轉(zhuǎn)向方向，如圖11所示。該交叉口除了轉(zhuǎn)向2、5為右轉(zhuǎn)方向，無信號燈控制，其他轉(zhuǎn)向均有信號燈分別控制。經(jīng)過濾選，共有1025輛車的GPS軌跡覆蓋在該交叉口的6個轉(zhuǎn)向方向上?；诖吮疚倪M行6個轉(zhuǎn)向方向上的交通流速度、擁堵時間和擁堵距離的精細分析。

2.2.2.1 不同轉(zhuǎn)向交通流速度分析

圖12(a)、(b)、(c)表示以15 min為時間間隔，按照式(1)計算得到的一天內(nèi)中南交叉口不同轉(zhuǎn)向交通流速度變化?？梢钥闯?，不同轉(zhuǎn)向整體上在早晚高峰時段交通流速度較低，非高峰時段交通流速度高，但是同一路段不同轉(zhuǎn)向之間交通流具有差異。圖12(a)中轉(zhuǎn)向1、2分別為東南方向進入該交叉口路段的直行、右轉(zhuǎn)方向(轉(zhuǎn)向1、2)，可以看出右轉(zhuǎn)速度整體高于直行速度，但是早晚高峰時段兩個轉(zhuǎn)向上的交通流速度彼此接近；圖12(c)中，由東北方向進入該交叉口路段的左轉(zhuǎn)和右轉(zhuǎn)兩個方向(轉(zhuǎn)向5、6)也具有類似特征，原因很可能是右轉(zhuǎn)方向交通流不受信號燈控制導(dǎo)致在非擁堵時間段內(nèi)保持速度較高，而在高峰時段由于車流量顯著增加使交通流速度急劇降低，導(dǎo)致速度接近于同路段的左轉(zhuǎn)或直行交通流。圖12(b)為西北方向進入該交叉口的左轉(zhuǎn)和直行兩個方向(轉(zhuǎn)向3、4)，該路段左轉(zhuǎn)方向交通流更加不穩(wěn)定，特別是在17:00—18:00，交通流速度急劇降低，速度在10 km/h以下，說明在晚高峰時間段，該路段左轉(zhuǎn)方向通行滯緩，擁堵嚴重。

圖11 中南路與武珞路交叉口Fig.11 The intersection of Zhongnan Road and Wuluo Road

圖12 不同轉(zhuǎn)向交通流速度變化Fig.12 Changes of traffic flow speed of each direction

2.2.2.2 不同轉(zhuǎn)向擁堵時間特征分析

圖13為由式(3)、式(4)得到的中南路交叉口6個轉(zhuǎn)向方向一天內(nèi)不同強度擁堵的時間分布，具有以下特征：①對于東南方向進入交叉口的兩個轉(zhuǎn)向，直行(轉(zhuǎn)向1)方向形成擁堵時間較早，并且該方向整體擁堵時間較長且重度擁堵比例較大；而右轉(zhuǎn)(轉(zhuǎn)向2)方向在白天無擁堵，只在早晚高峰時段(8:00左右和18:00左右)形成短時重度擁堵，這與圖12中的交通流速度分析結(jié)果相符；②對于西北方向進入交叉口的左轉(zhuǎn)(轉(zhuǎn)向3)、直行(轉(zhuǎn)向4)兩個轉(zhuǎn)向，可以看出左轉(zhuǎn)方向擁堵的持續(xù)時間較直行方向長，但白天基本不發(fā)生擁堵；而直行方向上擁堵時間短，但白天間歇發(fā)生擁堵，且早晚高峰期間重度擁堵比例較高；③東北方向進入交叉口的兩個方向在早高峰時段均發(fā)生了重度擁堵，而在9:00之后右轉(zhuǎn)(轉(zhuǎn)向5)方向從輕度擁堵逐漸轉(zhuǎn)為暢通，而左轉(zhuǎn)方向(轉(zhuǎn)向6)仍然間歇發(fā)生重度擁堵且一天內(nèi)的重度擁堵比例較大。

圖13 不同轉(zhuǎn)向擁堵時間Fig.13 Congestion time for each turning direction

2.2.2.3 不同轉(zhuǎn)向擁堵距離分析

在分析交叉口不同轉(zhuǎn)向方向上擁堵的時間特征的基礎(chǔ)上，根據(jù)式(5)分別探測交叉口不同轉(zhuǎn)向方向、不同強度的擁堵軌跡的擁堵距離。對于每個進口路段，擁堵軌跡的最大值為該進口路段的長度，分別為：292 m(轉(zhuǎn)向1、2)、512 m(轉(zhuǎn)向3、4)、423 m(轉(zhuǎn)向5、6)，由圖中虛線表示，擁堵距離達到所在路段長度說明該轉(zhuǎn)向交通流已經(jīng)達到飽和。不同轉(zhuǎn)向、不同強度擁堵的擁堵距離如圖14所示。

圖14(a)、(b)、(c)反映出該交叉口整體上擁堵距離與擁堵強度有關(guān)，即重度擁堵距離最大，中度擁堵次之，輕度擁堵距離最小。不同轉(zhuǎn)向上擁堵距離具有以下特征：①轉(zhuǎn)向1(直行方向)擁堵發(fā)生較早(6:30)，并在白天間歇發(fā)生100 m以內(nèi)的擁堵，但在早晚高峰擁堵距離顯著增加，而同一路段的右轉(zhuǎn)方向(轉(zhuǎn)向2)全天擁堵排隊情況較少，且擁堵距離整體均低于直行方向；②轉(zhuǎn)向3、4所在路段是該交叉口擁堵距離最長的路段，可以看出轉(zhuǎn)向3(左轉(zhuǎn))重度擁堵距離高于中、輕度擁堵，而轉(zhuǎn)向4(直行)方向上，重度、中度、輕度擁堵的擁堵距離較為平均且略低于轉(zhuǎn)向3，說明直行方向雖然擁堵更加頻繁，但是交通流仍然緩慢運行，而左轉(zhuǎn)方向多發(fā)生擁堵距離大的重度擁堵，交通流更加阻滯、擁堵更為嚴重；③轉(zhuǎn)向5(右轉(zhuǎn))和轉(zhuǎn)向6(右轉(zhuǎn))的擁堵峰值(400 m左右)均出現(xiàn)在早高峰。轉(zhuǎn)向5白天無擁堵排隊情況出現(xiàn)，而轉(zhuǎn)向6(左轉(zhuǎn))在一天當(dāng)中均有大于200 m的中度或重度擁堵出現(xiàn)，說明該方向全天交通流緩慢。

圖14 不同轉(zhuǎn)向擁堵距離Fig.14 Congestion distance for each turning direction

以上分析反映交叉口同一路段不同轉(zhuǎn)向之間的交通流速度、擁堵強度、擁堵距離都具有差異，這些差異可以為交通流控制提供依據(jù)。例如，通過探測轉(zhuǎn)向3、4(左轉(zhuǎn)、直行)交通擁堵強度和時間，可以看出轉(zhuǎn)向3(左轉(zhuǎn)方向)早高峰時段出現(xiàn)擁堵的時間比轉(zhuǎn)向4(直行方向)早，而轉(zhuǎn)向4在白天發(fā)生擁堵比轉(zhuǎn)向3更為頻繁，因此可以動態(tài)調(diào)整車道轉(zhuǎn)向方向來緩解該路段的通行壓力，如在早高峰時段8:00以前增加左轉(zhuǎn)方向的綠燈通行時間或增加可變車道、白天時間增加直行方向的綠燈通行時間或車道數(shù)。同理，也可以減少轉(zhuǎn)向2和轉(zhuǎn)向5的右轉(zhuǎn)車道，增加轉(zhuǎn)向1(直行)、轉(zhuǎn)向6(左轉(zhuǎn))車道。

2.3 結(jié)果與比較

本文的研究揭示了交叉口同一路段不同轉(zhuǎn)向之間的交通流速度、擁堵強度、擁堵距離都具有差異，而以往路段級的擁堵探測忽略了不同轉(zhuǎn)向方向交通狀態(tài)的差異。通過理解不同轉(zhuǎn)向方向的交通狀態(tài)動態(tài)變化，能夠幫助不同轉(zhuǎn)向方向的交通流控制，從而提高路網(wǎng)的運行效率。表2為本文與目前幾種典型探測交通擁堵和感知交通狀態(tài)研究的比較?？梢钥闯?，首先利用固定傳感器如感應(yīng)線圈[5]、攝像機[6]等進行交通狀態(tài)感知具有采集成本高、覆蓋率低和實施范圍小的缺點，不適用于大范圍城市交通擁堵實時監(jiān)測。與之相比，利用浮動車、手機的GPS定位數(shù)據(jù)[15,17]可以在大范圍上進行交通狀態(tài)感知，采集成本低、可實施性較高。但是目前利用的GPS數(shù)據(jù)還只能進行道路級的交通狀態(tài)探測，因此本文進行了更精確的轉(zhuǎn)向級的擁堵探測。在精細的車道級狀態(tài)感知和擁堵探測方面，已有文獻[21—22]依賴于高精度的定位數(shù)據(jù)，采集成本高，或僅作為試驗系統(tǒng)，不能大范圍實施。因此，本文的主要貢獻在于利用低成本、覆蓋率高、大范圍實施的GPS軌跡在已有的路段級尺度上進行更加精細的轉(zhuǎn)向級擁堵探測。

表2 本文與其他擁堵探測方法比較

3 結(jié) 論

本文提出一種基于出租車GPS軌跡的轉(zhuǎn)向級交通擁堵事件探測方法。該方法首先分析出租車GPS軌跡的行為特征，采用特征聚類方法濾選出能夠反映真實交通狀態(tài)的有效軌跡段；然后基于濾選后的有效軌跡段分析當(dāng)前道路交通運行狀態(tài)，探測城市路網(wǎng)中輕度、中度、重度3種不同強度的交通擁堵事件；最后基于擁堵軌跡分析交叉口不同轉(zhuǎn)向的交通流速度、擁堵時間、擁堵距離等轉(zhuǎn)向級精細交通擁堵狀態(tài)。試驗結(jié)果表明，本文能夠準確濾選出反映交通狀態(tài)的有效軌跡段，濾選的準確率達到93.3%；提出的方法能夠有效探測路網(wǎng)中不同強度的擁堵軌跡，并且能實現(xiàn)交叉口轉(zhuǎn)向級擁堵事件交通流速度、擁堵時間、排隊長度的精細分析。通過與現(xiàn)有典型基于GPS軌跡探測交通擁堵研究的比較，本文方法能夠達到更為精細的轉(zhuǎn)向級擁堵探測，并且數(shù)據(jù)更易獲得、能夠大范圍實施。本文后續(xù)將結(jié)合車道級GPS軌跡提取與分類方法，分別分析工作日、雙休日、節(jié)假日等不同時間、不同轉(zhuǎn)向和車道的擁堵情況，進行更精細的擁堵探測，為靈活精細的交通流控制提供支撐。