施佳呈 吳戈 俄文娟

摘要：為了準(zhǔn)確識別和預(yù)測區(qū)域交叉口的交通狀態(tài)，研究道路網(wǎng)絡(luò)中的擁堵傳播規(guī)律，以交叉口流量數(shù)據(jù)為研究基礎(chǔ)，提出了一種改進(jìn)型需求容量的交叉口交通狀態(tài)判別方法。結(jié)合交通領(lǐng)域的具體特點(diǎn)，對算法數(shù)據(jù)庫進(jìn)行適應(yīng)性調(diào)整，采用一種基于路網(wǎng)拓?fù)浣Y(jié)構(gòu)約束的Aprior算法，建立區(qū)域交叉口擁堵傳播規(guī)律挖掘模型，并以蘇州市某區(qū)域的交叉口數(shù)據(jù)為實(shí)例進(jìn)行驗(yàn)證，從時(shí)間維度分析發(fā)現(xiàn)擁堵具有相似性和反復(fù)性，從空間維度研究獲取“回溢”和“流出”2種擁堵傳播模式，與現(xiàn)實(shí)情況相符。結(jié)果表明，模型能夠有效挖掘區(qū)域交叉口擁堵傳播規(guī)律，并根據(jù)傳播規(guī)律中各個(gè)交叉口擁堵發(fā)生的時(shí)序特性進(jìn)行交通狀態(tài)預(yù)測。所得結(jié)論對實(shí)現(xiàn)擁堵預(yù)警和交通擁堵的早期干預(yù)具有一定的借鑒意義。

關(guān)鍵詞：交通運(yùn)輸系統(tǒng)工程;區(qū)域交叉口;擁堵傳播規(guī)律;交通狀態(tài)判別;Aprior算法;交通預(yù)測

中圖分類號：U121文獻(xiàn)標(biāo)識碼：A

doi： 10.7535/hbgykj.2020yx03008

Abstract：

In order to recognize and predict the traffic status at regional intersections accurately， as well as to research congestion propagation rules in road networks， an improved demandcapacity method was used to identify the traffic status at intersections based on traffic flow data. Firstly， adaptive adjustment to the database was conducted according to the specific features of the traffic field. Then， the model of mining traffic congestion propagation rules at regional intersections was established by the Aprior algorithm based on the topological constraints of the road network. Finally， intersection data from an area in Suzhou was used to verify the proposed model. It was found that the congestion had similar and repetitive features from the view of the time dimension， and the congestion propagation modes of "spillback" and "outflow" could be obtained from the view of space， which were consistent with the present reality. It indicates that the model can effectively analyze congestion propagation rules at regional intersections and predict traffic status according to the timing characteristics of the congestion at each intersection in the propagation law， which is of great significance for the early warning and intervention of the traffic congestion.

Keywords：

traffic and transportation system engineering; regional intersection; congestion propagation rule; traffic status identification; Aprior algorithm; traffic prediction

交通擁堵是現(xiàn)代化城市亟待解決的交通難題，對交通狀態(tài)的準(zhǔn)確預(yù)測是進(jìn)行交通控制和疏導(dǎo)以緩解交通擁堵的基礎(chǔ)。交叉口作為道路網(wǎng)絡(luò)的節(jié)點(diǎn)，容易成為交通擁堵的誘發(fā)點(diǎn)。

現(xiàn)有對交叉口交通狀態(tài)預(yù)測的研究成果主要有基于統(tǒng)計(jì)分析的預(yù)測模型、非線性理論模型、基于仿真的預(yù)測模型、智能預(yù)測模型等[1]。傳統(tǒng)的預(yù)測方法大多基于單個(gè)交叉口的交通流時(shí)間變化特性，隨著研究的深入，學(xué)者們開始從道路網(wǎng)絡(luò)的整體分析出發(fā)，整合交通流時(shí)空變化特性，相關(guān)研究大致可分為2類。

1）考慮上下游交通流對目標(biāo)預(yù)測點(diǎn)的影響，將目標(biāo)預(yù)測點(diǎn)和與其空間關(guān)聯(lián)度較高的其他檢測點(diǎn)的相關(guān)數(shù)據(jù)融合作為預(yù)測模型的輸入?yún)?shù)，以提高單點(diǎn)預(yù)測的模型精度。陳小波等[2]考慮上下游節(jié)點(diǎn)的時(shí)空相關(guān)性，提出一種基于稀疏混合遺傳算法優(yōu)化最小二乘支持向量回歸方法進(jìn)行交通流預(yù)測。ASIF等[3]以大型異構(gòu)道路網(wǎng)絡(luò)中的行車速度為預(yù)測對象，采用支持向量機(jī)算法解析預(yù)測目標(biāo)未來的交通狀態(tài)與該目標(biāo)及其相鄰點(diǎn)當(dāng)前和過去狀態(tài)之間的相關(guān)關(guān)系;陸參軍[4]將時(shí)間和空間因素相結(jié)合，綜合考慮上下游交叉口交通流量關(guān)系對灰色馬爾可夫預(yù)測模型進(jìn)行優(yōu)化。

2）分析路網(wǎng)中局部點(diǎn)發(fā)生交通擁堵后對其他點(diǎn)的交通狀態(tài)造成的影響，獲取擁堵擴(kuò)散的時(shí)空規(guī)律，以預(yù)測未來路網(wǎng)的交通狀況。對擁堵傳播規(guī)律的分析以數(shù)理解析和交通仿真方法為主。LAWSON等[5]假設(shè)交通流量的到達(dá)率和離開率恒定，采用追蹤隊(duì)尾車輛的方法，提出了基于瓶頸節(jié)點(diǎn)的時(shí)空擴(kuò)散范圍估計(jì)方法;NAM等[6]基于風(fēng)險(xiǎn)模型估計(jì)交通擁堵發(fā)生后的持續(xù)時(shí)間及其可靠性和波動性;和飛飛[7]以惡劣天氣下的快速路交通狀態(tài)為分析背景，通過建立擁堵狀態(tài)指標(biāo)獲取快速路交通擁堵時(shí)空傳播特征?；诮煌ǚ抡娴难芯恐饕獜母Y模型、元胞傳輸模型、流體力學(xué)模型等展開;李修海等[8]以尋找對信號交叉口車輛跟馳行為影響最大的變量為目的，運(yùn)用灰色關(guān)聯(lián)分析方法在交叉口視頻數(shù)據(jù)中挖掘相關(guān)參數(shù)，以便更好地?cái)M合擁堵的形成和演化過程;LONG等[9]采用元胞自動機(jī)模型對比分析交叉口停車線寬度分配和通道化排隊(duì)區(qū)域長度對擁堵形成的影響;REDHU等[10]構(gòu)建了單向道路的格子流體力學(xué)模型，并引入下游前后輸出時(shí)間間隔的流量差作為反饋控制信號，仿真結(jié)果表明該反饋控制方法可以有效地抑制交通擁堵的擴(kuò)散。

第1類研究主要針對單個(gè)節(jié)點(diǎn)進(jìn)行預(yù)測，無法獲悉擁堵在道路網(wǎng)絡(luò)的演變趨勢;第2類研究的數(shù)理解析和交通仿真將實(shí)際情況簡化，結(jié)果可能會與真實(shí)的擁堵傳播現(xiàn)象出現(xiàn)偏差。智能交通系統(tǒng)為交通管理積累了大量的交通流數(shù)據(jù)，筆者擬應(yīng)用數(shù)據(jù)挖掘技術(shù)直接識別分析海量數(shù)據(jù)，以獲取道路網(wǎng)絡(luò)中擁堵擴(kuò)散的演變規(guī)律，并克服數(shù)理解析和模擬仿真方法所導(dǎo)致的研究結(jié)果“失真”問題。

在數(shù)據(jù)挖掘中，Aprior算法是發(fā)現(xiàn)海量數(shù)據(jù)中隱含信息的重要手段，旨在挖掘2個(gè)或多個(gè)變量之間存在的某種相關(guān)規(guī)律，這種規(guī)律包含數(shù)據(jù)之間的數(shù)量關(guān)系、因果關(guān)系、時(shí)序關(guān)系等。該算法已在商業(yè)金融、醫(yī)學(xué)診斷、高校教育等[1114]領(lǐng)域得到應(yīng)用，在交通領(lǐng)域中，該算法已被用于交通事故成因分析[1517]、交通輿情分析[18]，但在交叉口擁堵傳播特性研究方面未見有應(yīng)用。在實(shí)際的城市道路網(wǎng)絡(luò)中，某個(gè)區(qū)域的各個(gè)交叉口發(fā)生擁堵遵循一定的因果關(guān)系，并且擁堵發(fā)生的時(shí)間也具有先后時(shí)序，符合Aprior算法的適用范圍。

本模型中的符號說明如表1所示。

1交通狀態(tài)判別

1.1模型基本原理

描述和預(yù)測交通狀態(tài)的關(guān)鍵在于準(zhǔn)確分析交叉口供需關(guān)系。由于本研究的基礎(chǔ)數(shù)據(jù)是交叉口流量數(shù)據(jù)，因此研究直接以流量為判別參數(shù)分析交叉口的供需關(guān)系。但是檢測器輸出的車輛數(shù)是實(shí)際通過交叉口的流量，而非需求量，當(dāng)交叉口發(fā)生交通擁堵時(shí)，通過的流量會小于實(shí)際需求，容易出現(xiàn)交通狀態(tài)誤判。針對這一問題，勞云騰[19]提出了需求容量法，通過上游交叉口的檢測數(shù)據(jù)估計(jì)下游交叉口的真正需求量。該算法的特點(diǎn)是在單一交叉口流量數(shù)據(jù)的前提下，對交叉口的交通需求進(jìn)行估計(jì)，和本研究的基礎(chǔ)數(shù)據(jù)情況類似。該方法在計(jì)算過程中存在如下2個(gè)方面的問題。

1）在需求方面沒有考慮連接上下游交叉口的路段沿線兩側(cè)用地出入口的交通流量對交叉口需求量的影響，在早晚高峰期，道路沿線住宅、寫字樓等出入口的車輛進(jìn)出量較大，對交叉口的影響不可忽視。

2）在容量方面考慮了下游交叉口排隊(duì)蔓延導(dǎo)致上游交叉口的折損，文中提出的調(diào)整系數(shù)法并沒有對系數(shù)的具體取值進(jìn)行研究。

因此本研究對需求容量法進(jìn)行改進(jìn)，在需求計(jì)算過程中，加入路段流入量和流出量在早晚高峰期對交叉口需求量影響的考量。在容量計(jì)算過程中，針對上游交叉口通行能力折損問題，提出了一種更加簡便的修正方法。

1.2交叉口需求流量

1）下游進(jìn)口道B4交通需求量主要源于上游交叉口1，2，3三組匯入交通流量，如圖1所示。

2）下游交叉口的交通需求量還受到進(jìn)出路段兩側(cè)用地的交通流量的影響。根據(jù)沿線兩側(cè)各用地的建筑面積，參考《蘇州市交通影響評價(jià)技術(shù)標(biāo)準(zhǔn)》的高峰期間各類用地吸發(fā)率，計(jì)算各地塊的發(fā)生吸引量。以基礎(chǔ)數(shù)據(jù)輸出的時(shí)間間隔為標(biāo)準(zhǔn)，將發(fā)生吸引量平均分配，得到路段進(jìn)出流量數(shù)據(jù)，再將其疊加到式（1）中計(jì)算的D′B4，t上，作為下游交叉口進(jìn)口道B4的總需求量DB4，t。

3）根據(jù)t時(shí)刻下游進(jìn)口道各車道檢測交通量，將交叉口進(jìn)口道總需求量按比例進(jìn)行分配。以B4進(jìn)口道的B42車道為例，t時(shí)刻的交通需求為

1.4模型必要性驗(yàn)證

本研究數(shù)據(jù)為蘇州市吳中區(qū)某區(qū)域連續(xù)5個(gè)工作日（20181119—20181123）的交叉口流量數(shù)據(jù)，數(shù)據(jù)粒度為5 min，該區(qū)域共包含22個(gè)交叉口。

以東吳北路吳中路交叉口20181119的7：00—19：00數(shù)據(jù)為例，早晚高峰期上游匯入流量接近甚至超過該交叉口各方向進(jìn)口道通行能力的情況較為明顯，如圖2所示。

檢測器輸出的通過交叉口的流量和交叉口真正的需求是有區(qū)別的，存在擁堵發(fā)生時(shí)檢測器檢測到的流量小于實(shí)際需求的問題，需要用改進(jìn)的需求容量法解決。

1.5擁堵程度劃分

飽和度是交通需求和通行能力的比值。

2擁堵傳播規(guī)律挖掘

2.1基本原理

交通擁堵具有傳播性，即局部點(diǎn)擁堵可能在關(guān)聯(lián)點(diǎn)中蔓延[21]。在早晚高峰期，瓶頸交叉口容易產(chǎn)生交通擁堵，如果不采取控制措施，擁堵可能通過與交叉口連接路段向上、下游蔓延，形成小范圍的區(qū)域性擁堵，嚴(yán)重情況下?lián)矶吕^續(xù)向外傳播，沖擊更多的交叉口引發(fā)更大規(guī)模的區(qū)域性擁堵。因此研究區(qū)域交叉口的擁堵傳播規(guī)律，采取有效的防控措施，對緩解交通擁堵具有重要意義。

擁堵在交叉口間傳播可發(fā)生在同一檢測時(shí)間，也可跨越幾個(gè)檢測時(shí)間。筆者用Aprior算法從交叉口交通狀態(tài)的相關(guān)關(guān)系中挖掘頻繁出現(xiàn)事件序列，以確定擁堵傳播時(shí)空規(guī)律。表3以A，B，C表示不同車道，對擁堵傳播頻繁項(xiàng)集進(jìn)行演示。

2.2時(shí)序數(shù)據(jù)庫建立

分析對象示意圖如圖3所示。

Aprior算法多用于挖掘靜態(tài)的規(guī)律，但交通擁堵的時(shí)空傳播規(guī)律帶有時(shí)序性，為了應(yīng)用Aprior算法，需要將多個(gè)交叉口在不同時(shí)刻的交通狀態(tài)數(shù)據(jù)集整合成隱含時(shí)序特征的數(shù)據(jù)庫，步驟如下。

1）交通狀態(tài)基礎(chǔ)數(shù)據(jù)庫

以交叉口各進(jìn)口道每個(gè)車道為分析對象，建立交叉口擁堵程度數(shù)據(jù)庫D={M1，M2，…，Mj，…，Mx}，Mj記錄了數(shù)據(jù)庫中第j個(gè)交叉口的交通狀態(tài)，Mj={t，Mjk（p）}：t表示時(shí)間;Mjk（p）表示該交叉口k車道交通狀態(tài)，用表1中的狀態(tài)等級編號表示。

2）交通狀態(tài)合并數(shù)據(jù)庫

合并同一時(shí)間段不同交叉口的數(shù)據(jù)，表4中a，b，c表示不同的交叉口。為節(jié)省數(shù)據(jù)庫內(nèi)存和提高算法效率，可忽視暢通、基本暢通和輕度擁堵3種情況（交通狀態(tài)編號分別為1，2，3），只考慮中度擁堵和嚴(yán)重?fù)矶拢ń煌顟B(tài)編號分別為4，5），如表5所示。

2.3添加路網(wǎng)拓?fù)浼s束

在分析過程中加入約束條件可以更真實(shí)地描述客觀規(guī)律，過濾無效不相關(guān)數(shù)據(jù)，從而提高算法的準(zhǔn)確性和效率。根據(jù)擁堵沿道路網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)傳播的特點(diǎn)，同時(shí)考慮基礎(chǔ)數(shù)據(jù)時(shí)間間隔為5 min和擁堵傳播速度，定義在擁堵傳播規(guī)律中，擁堵源交叉口和與之關(guān)聯(lián)的交叉口為相鄰關(guān)系。

2.4參數(shù)設(shè)置

Aprior算法以支持度和置信度2個(gè)參數(shù)描述規(guī)律的有效性，通過設(shè)置2個(gè)參數(shù)的閾值削減候選項(xiàng)，在數(shù)據(jù)庫中獲取頻率高的項(xiàng)集。如果閾值設(shè)置過低會導(dǎo)致挖掘的規(guī)律無效，設(shè)置過高會導(dǎo)致有效規(guī)律遺漏，因此參數(shù)閾值的選取尤其重要。

支持度指某擁堵傳導(dǎo)規(guī)律發(fā)生的頻率。在Aprior經(jīng)典算法中，假設(shè)各項(xiàng)在數(shù)據(jù)庫中的分布是均勻的，設(shè)置唯一的最小支持度。但對于本研究的擁堵傳播這個(gè)假設(shè)不能成立，因?yàn)閲?yán)重?fù)矶?、中度擁堵、輕度擁堵發(fā)生的頻率顯然是不一樣的。本研究從狀態(tài)數(shù)據(jù)庫中僅提取嚴(yán)重?fù)矶潞椭卸葥矶?，可在一定程度上減小唯一支持度對模型結(jié)果的影響，同時(shí)考慮嚴(yán)重?fù)矶聽顟B(tài)發(fā)生的頻率小于中度擁堵的情況，計(jì)算嚴(yán)重?fù)矶略紗卧仨?xiàng)集的平均支持度，作為整個(gè)模型的最小支持度。

置信度是指擁堵傳導(dǎo)規(guī)律中一個(gè)交通狀態(tài)發(fā)生的情況下，另一交通狀態(tài)發(fā)生的可能性。參考文獻(xiàn)[11]和文獻(xiàn)[13]并進(jìn)行多次嘗試，設(shè)置置信度閾值為0.7。

3實(shí)證與分析

3.1模型結(jié)果

筆者取對象區(qū)域晚高峰時(shí)間段（16：30-18：30）共120組流量數(shù)據(jù)作為模型的驗(yàn)證樣本，在python3.6中配置Jupyter NoteBook進(jìn)行算法程序開發(fā)。在上述實(shí)驗(yàn)環(huán)境和數(shù)據(jù)的基礎(chǔ)上，應(yīng)用本文提出的Aprior算法對數(shù)據(jù)進(jìn)行挖掘，得到表8所示

3.2擁堵傳播規(guī)律分析

以規(guī)律1—規(guī)律6為例，分析其時(shí)空特征。從時(shí)間維度分析，將上述傳播規(guī)律的起始時(shí)間以點(diǎn)的方式在坐標(biāo)軸中直觀記錄。在基礎(chǔ)數(shù)據(jù)時(shí)間范圍內(nèi)每一條規(guī)律發(fā)生的起始時(shí)間都集中在某一時(shí)間段，擁堵發(fā)生的時(shí)間具有相似性;交叉口的交通狀態(tài)在擁堵與不擁堵之間變化，說明這些交叉口不是持續(xù)的擁堵，一次擁堵消散后又有可能發(fā)生新的擁堵，具有反復(fù)性，如圖5中規(guī)律2、規(guī)律4、規(guī)律6的情況。

根據(jù)擁堵的不同傳播方向可將規(guī)律歸類為2種模式：回溢模式和流出模式[22]。回溢模式如圖7中實(shí)線所示，流出模式見圖8中虛線，箭頭方向表示擁堵傳播的方向。上游交通流參數(shù)通過道路載體對下游交通流參數(shù)具有傳遞作用，下游的交通狀態(tài)也會反作用于上游，且都會經(jīng)歷一個(gè)時(shí)間延遲。

1）回溢模式

回溢模式如圖7所示，是指擁堵向行車的反方向傳播，即其下游交叉口某一進(jìn)口道方向發(fā)生擁堵后，車輛不斷積聚，導(dǎo)致路段上車輛排隊(duì)長度不斷延長甚至溢出路段，影響到上游交叉口的交通運(yùn)行狀態(tài)。實(shí)證區(qū)域中規(guī)律1，2，3，4屬于這種模式，所涉及的交叉口具有以下特點(diǎn)：交叉口之間的路段相對較短，下游交叉口的擁堵程度比較嚴(yán)峻時(shí)形成車輛的累積。

2）流出模式

流出模式如圖8所示。流出模式是指擁堵向行車方向的傳播，即上游交叉口某一進(jìn)口道的交通量較大但尚未形成車輛累積，在一個(gè)信號周期內(nèi)到達(dá)該進(jìn)口道的車輛可以全部通過該交叉口行駛到下游交叉口，使下游交叉口到達(dá)的交通量增加，飽和度變大。規(guī)律5，6屬于這種模式。產(chǎn)生流出模式的交叉口具有以下特點(diǎn)：連接上下游交叉口之間的路段相對較長，上下游交叉口的擁堵程度相對輕緩，車輛累積情況尚未形成。

3.3在擁堵預(yù)測系統(tǒng)的應(yīng)用

利用上述挖掘的區(qū)域交叉口擁堵傳播規(guī)律可以分析交叉口擁堵在區(qū)域道路網(wǎng)絡(luò)中的擴(kuò)散性綜合影響，獲取該區(qū)域中各個(gè)交叉口擁堵發(fā)生的時(shí)間順序。當(dāng)某一規(guī)律中擁堵源交叉口發(fā)生擁堵時(shí)，根據(jù)擁堵傳播規(guī)律中擁堵傳播的趨勢，可預(yù)測該規(guī)律中其他交叉口后續(xù)的交通狀況。以上述規(guī)律中規(guī)律6為例：如果交叉口b北進(jìn)口直行車道已經(jīng)發(fā)生中度擁堵，那么可以預(yù)測5 min后交叉口c北進(jìn)口直行車道有78%的可能性發(fā)生中度擁堵。因此可以將這種擁堵傳播規(guī)律應(yīng)用至擁堵預(yù)測系統(tǒng)中，為建立交叉口擁堵預(yù)警系統(tǒng)和實(shí)行擁堵早期干預(yù)提供具體的策略支持。

4結(jié)語

本研究立足于交通擁堵的時(shí)空傳播特性，將數(shù)據(jù)挖掘應(yīng)用于區(qū)域交叉口擁堵傳播規(guī)律的分析。首先基于交叉口檢測器流量數(shù)據(jù)，優(yōu)化了交叉口交通狀態(tài)判別算法;然后結(jié)合交通領(lǐng)域的特殊性，提出了基于路網(wǎng)拓?fù)浣Y(jié)構(gòu)空間約束的Aprior算法進(jìn)行擁堵傳播規(guī)律挖掘的基本思路，構(gòu)造了以各交叉口轉(zhuǎn)向車道為分析對象的交通狀態(tài)歷史數(shù)據(jù)庫，對數(shù)據(jù)庫進(jìn)行了適應(yīng)性調(diào)整，提高了算法的效率;最后利用蘇州市吳中區(qū)交叉口實(shí)例數(shù)據(jù)驗(yàn)證了模型的有效性和正確性。模型實(shí)證結(jié)果表明，從時(shí)間維度分析可知擁堵具有相似性和反復(fù)性;從空間維度分析發(fā)現(xiàn)了“回溢”和“流出”2種擁堵傳播的模式，“回溢模式”通常出現(xiàn)在擁堵嚴(yán)重、相對距離較短的2個(gè)交叉口間，而“流出模式”則在擁堵相對輕緩、相對距離較長的2個(gè)交叉口間較為常見。

本文獲取的交叉口擁堵傳播規(guī)律可以應(yīng)用于區(qū)域交叉口擁堵趨勢的預(yù)測，有助于掌握區(qū)域道路網(wǎng)絡(luò)中交叉口交通狀態(tài)的規(guī)律性，為城市交通管理者提供輔助決策信息，達(dá)到提高城市道路網(wǎng)通行效率的目的。目前，模型的數(shù)據(jù)基礎(chǔ)是靜態(tài)的交叉口歷史流量數(shù)據(jù)，今后可融合多源交通流數(shù)據(jù)，對動態(tài)實(shí)時(shí)的交通流數(shù)據(jù)進(jìn)行在線分析，以提高預(yù)測模型的精度和適用性。

參考文獻(xiàn)/References：

[1]趙宏，翟冬梅，石朝輝. 短時(shí)交通流預(yù)測模型綜述[J]. 都市快軌交通， 2019，32（4）： 5054.

ZHAO Hong， ZHAI Dongmei， SHI Chaohui. Review of shortterm traffic flow forecasting models[J]. Urban Rapid Rail Transit， 2019，32（4）： 5054.

[2]陳小波，劉祥，韋中杰，等. 基于GALSSVR模型的路網(wǎng)短時(shí)交通流預(yù)測研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2017，17（1）：6066.

CHEN Xiaobo， LIU Xiang， WEI Zhongjie，et al. Shortterm traffic flow forecasting of road network based on GALSSVR model[J]. Journal of Transportation System Engineering and Information Technology， 2017，17（1）：6066.

[3]ASIF M T， DAUWELS J，GOH C Y， et al. Spatiotemporal patterns in LargeScale traffic speed prediction[J]. IEEE Transactions on Intelligent Transportation Systems，2013，15（2）：111.

[4]陸參軍. 基于關(guān)聯(lián)交叉口交通流量短時(shí)預(yù)測方法研究[D]. 成都：西南交通大學(xué)， 2017.

LU Canjun. Research on ShortTerm Forecasting Method of Traffic Flow Based on Intersection[D]. Chengdu： Southwest Jiaotong University， 2017.

[5]LAWSON T W， LOVELL D J， DAGANZO C F. Using the inputoutput diagram to determine the spatial and temporal extents of a queue upstream of a bottleneck [C]// Transportation Research Record 1572， TRB， National Research Council， 1997.

[6]NAM D， FRED M. An exploratory hazardbased analysis of highway incident duration[J]. Transportation Research Part A，2000， 34（2）： 85102.

[7]和飛飛. 惡劣天氣對城市快速路網(wǎng)交通狀態(tài)影響規(guī)律研究[D].北京：北京交通大學(xué)，2016.

HE Feifei. Study on the Influence Rules of Severe Weather on Traffic State of Urban Expressway Networks[D].Beijing： Beijing Jiaotong University，2016.

[8]李修海，于少偉.信號交叉口集聚車輛的跟馳行為分析與建模[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2015， 15（2）：102108.

LI Xiuhai， YU Shaowei. Analysis and modeling for carfollowing behaviors on arrival traffic flow of signalized intersection[J]. Journal of Transportation System Engineering and Information Technology， 2015，15（2）：102108.

[9]LONG Jiancheng， GAO Ziyou， ZHAO Xiaomei， et al. Urban traffic jam simulation based on the cell transmission model[J]. Networks and Spatial Economics， 2011， 11（1）：4364.

[10]REDHU P， GUPTA A K. Delayedfeedback control in a lattice hydrodynamic model[J]. Communications in Nonlinear Science and Numerical Simulation， 2015， 27（1/2/3）：263270.

[11]吳學(xué)雁. 金融時(shí)間序列模式挖掘方法的研究[D]. 廣州：華南理工大學(xué)， 2010.

WU Xueyan. The Research on Pattern Mining of Financial Time Series[D]. Guangzhou： South China University of Technology， 2010.

[12]崔妍，包志強(qiáng). 關(guān)聯(lián)規(guī)則挖掘綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2016， 33（2）：330334.

CUI Yan， BAO Zhiqiang. Survey of association rule mining[J]. Application Research of Computers， 2016， 33（2）：330334.

[13]魯可， 陳騰宇， 黃慈輝， 等.基于中醫(yī)傳承輔助平臺軟件的治療咳血方劑的組方規(guī)律分析[J].中國藥房，2018，29（6）：769773.

LU Ke，CHEN Tengyu，HUANG Cihui， et al. Analysis of composition regularity of prescriptions for hemoptysis based on TCM inheritance support platform software[J]. China Pharmacy， 2018， 29（6）：769773.

[14]江君， 董顯亮， 王相娥. 基于頻繁項(xiàng)集的學(xué)生選課行為分析[J]. 科技視界， 2018（16）：132133.

JIANG Jun， DONG Xianliang， WANG Xiange. Analysis of students' elective course behavior based on frequent itemsets[J]. Science and Technology Vision， 2018（16）：132133.

[15]鄧曉衡， 曾德天. 基于AHP和混合AprioriGenetic算法的交通事故成因分析模型[J]. 計(jì)算機(jī)應(yīng)用研究， 2019， 36（6）：16331637.

DENG Xiaoheng， ZENG Detian. Traffic accident causation analysis model based on AHP and hybrid AprioriGenetic algorithm[J]. Application Research of Computers， 2019， 36（6）：16331637.

[16]李淵韜， 張楠， 劉峰， 等. 基于信息論優(yōu)化的Apriori算法在交通事故分析中的應(yīng)用[J]. 信息系統(tǒng)工程， 2016（10）：8084.

[17]孫斌. 基于Apriori算法的船舶碰撞事故致因分析[D]. 大連：大連海事大學(xué)， 2016.

SUN Bin. Cause Analysis of Ship Collision Accident Based on Apriori Algorithm [D]. Dalian： Dalian Maritime University，2016.

[18]何夢嬌， 吳戈， 梁華， 等.基于多源文本挖掘的城市交通輿情分析——以蘇州為例[J].交通信息與安全，2018，36（3）：105111.

HE Mengjiao， WU Ge， LIANG Hua， et al. An analysis of public opinion on urban traffic based on multisource text mining： A case study of Suzhou[J].Journal of Transport Information and Safety， 2018，36（3）：105111.

[19]勞云騰. 信號控制交叉口交通阻塞動態(tài)預(yù)測方法研究[D]. 上海：同濟(jì)大學(xué)， 2008.

LAO Yunteng. Dynamic Forecast Method for Traffic Congestion at Signalized Intersection[D]. Shanghai： Tongji University， 2008.

[20]聶增國. 城市道路交通狀態(tài)評價(jià)研究[D]. 濟(jì)南：山東大學(xué)， 2018.

NIE Zengguo. Research on Urban Road Traffic State Evaluation[D]. Jinan： Shandong University， 2018.

[21]聶慶慧. 基于交通傳播特性分析的城市路網(wǎng)動態(tài)OD在線估計(jì)[D]. 南京：東南大學(xué)，2017.

NIE Qinghui. Online Estimation of Dynamic OD Flows for urban Road Networks Based on Traffic Propagation Characteristic Analysis[D]. Nanjing： Southeast University， 2017.

[22]董春嬌， 邵春福， 諸葛承祥， 等.擁擠流狀態(tài)下城市快速路交通流時(shí)空特性[J]. 北京工業(yè)大學(xué)學(xué)報(bào)，2012，38（8）：12421246.

DONG Chunjiao， SHAO Chunfu， ZHUGE Chengxiang， et al.? Spatial and temporal characteristics for congested traffic on urban expressway[J]. Journal of Beijing University of Technology， 2012，38（8）：12421246.