陳澤山，方 捷，許夢云，肖平輝，劉志佳

(福州大學(xué)土木工程學(xué)院，福建 福州 350108)

0 引言

裝有GPS設(shè)備的車輛作為浮動(dòng)車判別交通狀態(tài)已逐步走向成熟[1].鄔群勇等[2]利用出租車軌跡數(shù)據(jù)計(jì)算道路擁堵指數(shù).Nantes等[3]將線圈數(shù)據(jù)、手機(jī)GPRS數(shù)據(jù)和GPS數(shù)據(jù)作為多源異構(gòu)數(shù)據(jù)，為城市主干道建立實(shí)時(shí)交通預(yù)測模型；孫超等[4]利用出租車、百度地圖、公交車的GPS數(shù)據(jù)作為數(shù)據(jù)源構(gòu)建融合算法進(jìn)行交通狀態(tài)判別.這些算法在評價(jià)道路交通狀態(tài)有較好的效果，但需其他多源數(shù)據(jù)提高算法準(zhǔn)確性.李勇[5]將城市區(qū)域劃分為40×40個(gè)單元格，計(jì)算各時(shí)段各網(wǎng)格中車輛軌跡的平均速度確定擁堵閾值.Yang等[6]將研究區(qū)域劃分為30×20個(gè)格子，基于相關(guān)交通特性判別擁堵.通過網(wǎng)格法判別交通狀態(tài)能較好地描述城市宏觀交通狀態(tài)，但容易忽略區(qū)域網(wǎng)格內(nèi)的路網(wǎng)密度等因素，單路段高擁堵狀態(tài)平均到區(qū)域網(wǎng)格內(nèi),其顯著性降低.

鑒于此，本研究基于車輛GPS數(shù)據(jù)特性進(jìn)行車輛軌跡化處理，以離散的路段和時(shí)間段為分析單元對道路網(wǎng)絡(luò)進(jìn)行交通狀態(tài)研究，由于交通流在時(shí)空上具有延續(xù)性和相關(guān)性的特點(diǎn)，采用考慮鄰近時(shí)空序列速度可提高算法的準(zhǔn)確性.

1 營運(yùn)車輛GPS數(shù)據(jù)特性分析

研究以漳州市中心城區(qū)2017年4月11日營運(yùn)車輛的GPS數(shù)據(jù)作為數(shù)據(jù)源，車輛類型分為載貨和載客汽車兩大類.載貨車輛在道路交通網(wǎng)絡(luò)中承擔(dān)著跨區(qū)間長距離的貨流輸送的職能，車輛一般以較高速度行駛，能充分反映道路交通狀態(tài)，缺點(diǎn)是由于交通管制等原因，車輛在城市中心交通網(wǎng)絡(luò)覆蓋率低；載客汽車通常分布在城市客流出行集散區(qū)，其車輛類型不包含公交車，沒有固定的行駛路線，可全天候在道路上連續(xù)行駛，有利于精確地檢測路段交通參數(shù)，缺點(diǎn)是車輛在空載時(shí)，駕駛員通常會(huì)以較低的車速行駛尋找客源，由于GPS會(huì)按照固定間隔上傳數(shù)據(jù)，所以載客汽車會(huì)出現(xiàn)未以實(shí)際交通狀況行駛的現(xiàn)象.研究將綜合載貨車輛和載客車輛的交通特性，以互相彌補(bǔ)兩種服務(wù)型車輛在判別道路交通狀態(tài)的不足.

2 算法基礎(chǔ)定義

2.1 車輛軌跡

營運(yùn)車輛GPS數(shù)據(jù)按照一定的時(shí)間頻率記錄其行駛狀態(tài)，包括位置，時(shí)間戳等信息.將GPS數(shù)據(jù)軌跡化處理，其車輛GPS定位點(diǎn)和車輛軌跡定義如下

定義1定位點(diǎn)P定義為四元組：P={id,lon,lat,t}.其中，id表示GPS設(shè)備標(biāo)識號，lon和lat表示車輛的經(jīng)緯度，t表示時(shí)間戳.

2.2 路網(wǎng)模型

根據(jù)道路網(wǎng)絡(luò)拓?fù)湫越㈦娮拥貓D模型，將路網(wǎng)離散為一系列路段邊與節(jié)點(diǎn)，路網(wǎng)模型定義如下

定義3道路網(wǎng)絡(luò)G定義為有向圖G=(E,N)，式中E表示路段，N表示道路節(jié)點(diǎn).

圖1 路網(wǎng)地圖模型Fig.1 Road network map model

2.3 路段交通運(yùn)行狀況劃分

速度能直接反映交通狀態(tài)，對交通狀態(tài)的變化有較高的敏感性.參考《城市交通運(yùn)行狀況評價(jià)規(guī)范(GB/T 33171—2016)》[7]，選取速度作為交通狀態(tài)的判別依據(jù)，如表1所示，其中Vkj為路段速度，Vf為自由流速度，針對不同類型的道路，Vf取道路限速值.

表1 路段交通運(yùn)行狀況等級劃分表Tab.1 Road traffic status classification table

3 交通狀態(tài)判別算法設(shè)計(jì)

3.1 當(dāng)前路段速度更新

將1 d離散為多個(gè)長度為Δt的時(shí)間周期，若時(shí)間周期Δt和路段長度elen足夠小，則可假設(shè)在離散的時(shí)間周期和路段內(nèi)交通狀態(tài)保持穩(wěn)定，若干個(gè)短時(shí)間跨度周期和短距離路段組合可表示連續(xù)一段時(shí)間內(nèi)區(qū)域路網(wǎng)交通狀態(tài)的變化.

(1)

3.2 考慮鄰近時(shí)-空序列速度的路段速度判別

交通擁堵的產(chǎn)生、傳播和消散都與路網(wǎng)結(jié)構(gòu)和交通環(huán)境等時(shí)-空因素有關(guān)系[6].考慮鄰近時(shí)-空序列速度進(jìn)行路段交通狀態(tài)判別能減小誤差.根據(jù)向前的時(shí)-空衰退思想[9]，在路段速度的時(shí)-空序列分析中，確定當(dāng)前路段交通狀態(tài)與時(shí)-空序列中相關(guān)性最強(qiáng)的若干序列，并且越接近當(dāng)前時(shí)間周期和空間路段的序列其影響程度越大.

(2)

(3)

(4)

特別地，在空間路網(wǎng)之中由于存在交叉口的情況，空間序列速度中該路段上游m路段可能存在n條路徑的情況，則此時(shí)空間序列速度則為：

(5)

4 結(jié)果討論與分析

4.1 基于時(shí)-空序列速度路網(wǎng)交通狀態(tài)判別分析

對實(shí)驗(yàn)區(qū)域路網(wǎng)交通狀態(tài)進(jìn)行時(shí)空規(guī)律演化定性分析.以17:00—19:00作為晚高峰分析為例，交通狀態(tài)變化如圖2所示.在17:00—17:30期間交通擁堵已迅速形成，該時(shí)間段擁堵的主要原因是由于單位下班或放學(xué)時(shí)間較為統(tǒng)一，交通出行量突增，因此擁堵主要集中在核心區(qū)域；17:30—18:30時(shí)，擁堵呈現(xiàn)向周圍擴(kuò)散的趨勢，擁擠程度降低但擁堵面積擴(kuò)散；18:30—19:00時(shí)交通擁堵已經(jīng)消退，擁堵路段數(shù)量顯著減少，但在漳州市商業(yè)圈附近出現(xiàn)了略微擁堵，晚高峰的交通狀態(tài)變化情況與實(shí)際情況基本吻合.

圖2 試驗(yàn)區(qū)域晚高峰路網(wǎng)交通狀態(tài)變化Fig.2 Change of traffic status at the evening park in the test area

分析主干道勝利路的時(shí)空演變規(guī)律，如圖3所示.

圖3 勝利路交通狀態(tài)變化Fig.3 Traffic state change of Shengli Road

道路交通活躍期為08:00—23:00，時(shí)間分布上，早晚高峰的運(yùn)行速度顯著低于其他時(shí)間段，上下午擁堵時(shí)間段分別為08:00—10:00和 17:00—19:00；交通狀態(tài)在空間分布上具有制約性和傳遞性，當(dāng)某路段出現(xiàn)交通擁堵，該路段的運(yùn)行狀態(tài)會(huì)影響下一路段；方向分布上，兩方向的交通狀態(tài)基本相似，但西至東的交通壓力要略大于另一方向，主要因?yàn)樵摲较驗(yàn)檫M(jìn)入市中心方向，勝利路的交通狀態(tài)變化符合交通分布的時(shí)空規(guī)律.

4.2 基于時(shí)-空序列速度的有效性分析

為定量分析算法的有效性，算法計(jì)算路段速度的結(jié)果將與布設(shè)在城市路網(wǎng)中線圈的采集的實(shí)際結(jié)果進(jìn)行對比分析.衡量誤差的主要指標(biāo)有平均絕對誤差(MAE)、歸一化平均絕對誤差(NMAE)、絕對均分誤差(MSE)和歸一化均方誤差(NMSE)，具體公式如下：

(6)

(7)

(8)

(9)

算法實(shí)驗(yàn)結(jié)果將與線圈檢測數(shù)據(jù)進(jìn)行比較.選取的擁堵和暢通路段分別位于悅巷路和騰飛路，高峰時(shí)間段內(nèi)該路段營運(yùn)車輛平均采樣量分別約為64輛·h-1和43輛·h-1，營運(yùn)車輛占所有車輛的比率約為2%～3%，不同交通狀態(tài)下的路段拓?fù)鋱D如圖4所示.

圖4 不同交通狀態(tài)下的路段拓?fù)鋱DFig.4 Road topology diagram under different traffic conditions

檢測路段與算法結(jié)果的路段速度對比如圖5所示，路段速度時(shí)變圖顯示上下午各出現(xiàn)一個(gè)交通高峰.算法的運(yùn)行結(jié)果在兩個(gè)路段都有一個(gè)較好的效果，如表2所示，擁堵路段和暢通路段的MAE和MSE指標(biāo)相近，但由于暢通路段的平均速度要高于擁堵路段，因此暢通路段的NMAE和NMSE指標(biāo)要大于擁堵路段，總體而言各項(xiàng)的誤差指標(biāo)顯示出算法有一個(gè)較高的準(zhǔn)確性.

圖5 算法結(jié)果與線圈數(shù)據(jù)比較Fig.5 Comparisons between algorithm results and loop data

表2 算法結(jié)果誤差分析Tab.2 Error analysis of algorithmic result

5 結(jié)語

研究構(gòu)建了一種基于營運(yùn)車輛GPS數(shù)據(jù)判別交通狀態(tài)的算法，該算法采用鄰近時(shí)-空序列速度判別路段交通狀態(tài)，有效提高了算法的準(zhǔn)確性.實(shí)驗(yàn)結(jié)果表明，算法在擁堵路段的準(zhǔn)確性約為91.5%，暢通路段的準(zhǔn)確性約為86.9%，可有效識別城市交通狀態(tài).

研究以漳州市為例定性分析路網(wǎng)狀態(tài)，晚高峰期間主要為大量居民出行加上固有的路網(wǎng)瓶頸點(diǎn)所形成的靜態(tài)堵點(diǎn)，晚高峰交通擁堵聚集速度快，消散速度較為緩慢.晚高峰期間車輛出行需求增大，易形成連片的擁堵，所得出的結(jié)論符合城市路網(wǎng)交通狀態(tài)的時(shí)空分布規(guī)律.