曹 堉，王 成，楊岳銘，徐江濤

(華僑大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，福建 廈門 361021)

0 引言

目前，在交通擁堵的問題中多從兩個方面研究：(1)判斷識別某道路是否發(fā)生擁堵。例如：李宇軒等[1]利用支持向量機構(gòu)建了對擁堵狀態(tài)和非擁堵狀態(tài)識別的分類器；李桂毅等[2]通過分析管制扇區(qū)交通時空擁擠特征，基于雷達(dá)航跡數(shù)據(jù)建立了多扇區(qū)交通擁擠識別模型。(2)擁堵發(fā)生后采取措施的有效性[3-4]。而這兩個問題的連接處即尋找發(fā)生交通擁堵的具體原因?qū)τ诮鉀Q交通擁堵也至關(guān)重要。在此問題中，安萌等[5]從路網(wǎng)結(jié)構(gòu)出發(fā)，分析了重慶市路網(wǎng)系統(tǒng)的特征和缺陷，延伸到對重慶市路網(wǎng)格局下特有的節(jié)點型擁堵進(jìn)行成因和特征分析，但該分析是城市級宏觀靜態(tài)的，無法落實到具體的某條城市道路。王瀟[6]基于故障樹理論建立了城市交通擁堵致因分析模型。Wang等[7]根據(jù)M/M/1的排隊模型，測量平均到達(dá)率、平均服務(wù)率和隊列長度等參數(shù)，在此基礎(chǔ)上根據(jù)各交叉口的繁忙率和空閑率分析了道路交通擁堵的原因，沒有進(jìn)行自動實時識別。

目前對于擁堵原因的分析識別研究中，遇到擁堵情況后多憑當(dāng)時的具體情況及道理信息以主觀經(jīng)驗分析擁堵原因，自動化程度低、主觀性強、實時性差。而道路的擁堵原因是動態(tài)實時、復(fù)雜多變的。人工進(jìn)行主觀判斷費時、費力、效率不高，延長了擁堵的持續(xù)時間，因此根據(jù)道路工作狀態(tài)下交通可觀測變量對交通擁堵原因進(jìn)行自動實時識別就尤為必要。

本研究將貝葉斯網(wǎng)絡(luò)引入城市道路交通擁堵的原因識別中，提出了一種基于貝葉斯網(wǎng)絡(luò)的城市道路交通擁堵多原因自動實時識別方法。貝葉斯網(wǎng)絡(luò)通過圖形化的方法來表示，克服了基于規(guī)則的系統(tǒng)所具有的概念上和計算上的許多困難，并且擅長描述學(xué)習(xí)變量間的因果關(guān)系，能夠充分利用領(lǐng)域知識和樣本數(shù)據(jù)的信息，在交通擁堵的判別[8]、交通事故的自動識別[9-10]等方面的運用上效果顯著。本研究運用貝葉斯網(wǎng)絡(luò),首先對城市道路交通的動態(tài)可觀測變量和多個擁堵原因之間的關(guān)系進(jìn)行系統(tǒng)的機理分析和仿真驗證，從而構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，再以獲取的實測歷史數(shù)據(jù)進(jìn)行參數(shù)學(xué)習(xí)訓(xùn)練，得到完整的貝葉斯網(wǎng)絡(luò)模型。最后，將該道路工作狀態(tài)下的交通可觀測變量輸入該貝葉斯網(wǎng)絡(luò)模型，就能同時自動實時識別出交通擁堵的多個原因。

1 基于貝葉斯網(wǎng)絡(luò)的城市道路交通擁堵原因識別模型的構(gòu)建

1.1 城市道路交通擁堵多原因識別問題的形式化描述

問題模型：道路的交通擁堵多原因識別是要根據(jù)研究區(qū)域范圍內(nèi)有關(guān)的城市道路交通狀態(tài)可觀測變量{a1,a2,a3,…,an}，判斷出交通擁堵原因的0-1離散類型{c1,c2,c3,…,cm}。該問題的難點在于：城市道路交通狀態(tài)可觀測變量{a1,a2,a3,…,an}與交通擁堵原因的離散類型{c1,c2,c3,…,cm}之間存在復(fù)雜的因果關(guān)系，1個城市道路交通擁堵的原因發(fā)生會引發(fā)多個城市道路交通狀態(tài)可觀測變量值的變化；同時，1個城市道路交通狀態(tài)可觀測變量值的變化，可能是多個城市道路交通擁堵的原因共同發(fā)生作用后的結(jié)果。且多個交通擁堵原因可以單獨發(fā)生，也可以同時發(fā)生。

值得注意的是，由于交通擁堵原因{c1,c2,c3,…,cm}是0-1型離散類型，多個交通擁堵原因可以單獨發(fā)生，也可以同時發(fā)生。因此，該問題轉(zhuǎn)化為一個數(shù)據(jù)驅(qū)動的多分類問題。

1.2 道路擁堵原因類型

城市道路交通系統(tǒng)是由人、車、路、環(huán)境4個部分組成。其中車輛作為道路上的主要交通工具，因此是交通擁堵的關(guān)鍵因素。行人作為交通的主要參與者，其行為也對城市道路交通產(chǎn)生重大影響。道路和環(huán)境對道路使用者有著直接的影響[11]。系統(tǒng)的各個部分都與交通擁堵緊密相關(guān)。

但由于固定的因素狀態(tài)無法通過數(shù)據(jù)變化來反映，所以本研究只考慮非固定因素，即不考慮道路缺陷。另外，考慮到模型可用性和數(shù)據(jù)的可獲得性，因此對于交通環(huán)境因素僅考慮信號配時不合理和停車占道現(xiàn)象，對其他問題，如天氣情況及交通事故因素，由于數(shù)據(jù)缺乏可靠來源，難以獲取，因此本研究模型中暫不考慮。

同時，對交通擁堵原因節(jié)點進(jìn)行調(diào)整，將車輛問題向下細(xì)化變?yōu)檫^街車流影響、車流高峰2個類別。因此，重點研究行人影響、過街車流影響、車流高峰、信號配時不合理及停車占道這5個原因類型(如圖1所示)。需要注意的是，交通擁堵發(fā)生時，5種原因類型相互獨立，可能有1種或多種原因類型同時發(fā)生。

圖1 調(diào)整后的交通擁堵原因類別Fig.1 Adjusted traffic congestion cause categories

1.3 可觀測交通狀態(tài)變量

針對本研究的5個原因類型，參考福建省泉州市泉秀街(刺桐路至田安路方向)的路段情況，將部分道路分為A, B, C 3段，其道路結(jié)構(gòu)如圖2所示。根據(jù)道路監(jiān)控視頻，路段上可觀測的交通狀態(tài)變量見表1。為了滿足建模要求，需要將連續(xù)變量處理為離散變量，各變量的設(shè)置同見表1。

圖2 泉秀街道路結(jié)構(gòu)示意圖Fig.2 Schematic diagram of road structure of Quanxiu Street

表1 可觀測交通狀態(tài)變量Tab.1 Observable traffic state variables

1.4 貝葉斯網(wǎng)絡(luò)構(gòu)建

構(gòu)建貝葉斯網(wǎng)絡(luò)的過程分為結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩個步驟。結(jié)構(gòu)學(xué)習(xí)主要是確定貝葉斯網(wǎng)絡(luò)的節(jié)點和節(jié)點間的鏈接關(guān)系，從而獲得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建有兩種方法：(1)通過對樣本數(shù)據(jù)的學(xué)習(xí)，使用結(jié)構(gòu)學(xué)習(xí)算法自動得到貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)[12]；(2)根據(jù)專家知識確定貝葉斯網(wǎng)絡(luò)的變量節(jié)點及變量間的依賴關(guān)系。第1種方法需要有足夠的樣本數(shù)據(jù)為前提，而第2種方法在相關(guān)專業(yè)知識比較重要、變量間關(guān)系明顯、缺少數(shù)據(jù)的情況下非常有效[13]。所以通過專家知識事先確定，而不使用貝葉斯結(jié)構(gòu)學(xué)習(xí)得到的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，只是通過樣本進(jìn)行參數(shù)學(xué)習(xí)，可大大降低對訓(xùn)練樣本的要求?？梢姷?種方法更加適用于本研究建立交通擁堵原因識別的貝葉斯網(wǎng)絡(luò)。

1.4.1確定網(wǎng)絡(luò)結(jié)構(gòu)

對本研究的5種擁堵類型進(jìn)行詳細(xì)分析，貝葉斯網(wǎng)絡(luò)在解決這類問題上有著較突出的優(yōu)點。行人影響主要指行人分散過街情況，分散過街次數(shù)增加理論上造成停車讓行次數(shù)增多[14]、路段的平均速度下降及單位時間內(nèi)的車流通過數(shù)量降低[15]。車流高峰主要表現(xiàn)為單位時間內(nèi)路段的進(jìn)入車流過多，造成車速下降，同時也可能會因為更加密集的車流使得讓行次數(shù)也增加[16]。停車占道(路邊停車)則會造成該車道后續(xù)車流停車等待或變換車道行駛，在單位時間內(nèi)最外側(cè)車道通過車流下降，其他車道車流增多，車道流量差明顯變化[17]。信號配時不合理主要是某方向上綠燈時間過長導(dǎo)致該方向已無車通過，而其他方向車流排隊時長過長或某方向上綠燈過短，造成該方向上還存在過多的剩余車流量未流出即車輛二次排隊現(xiàn)象嚴(yán)重[18]。而車道流量之差在不同方向車流就存在一定的差值，并且通過固定的綠燈放行時間難以較好地顯示信號配時不合理問題，主要以剩余排隊車流和方向上的流出量來反映。過街車流的增多造成的影響與行人影響類似[19]，但本研究的“過街車流”不僅包括從與主路相交的支路流出的車流，還包括從主路轉(zhuǎn)向支路的車流，因此若主路左右轉(zhuǎn)車輛流出受阻也會降低單位時間內(nèi)的車流通過數(shù)量。根據(jù)以上系統(tǒng)的理論分析得出的節(jié)點關(guān)系結(jié)構(gòu)如圖3所示。

圖3 節(jié)點影響關(guān)系及數(shù)據(jù)類型Fig.3 Node influence relationships and data types

由于實際上引發(fā)一次擁堵的原因可能是單個也可能是多個，因此分別單列原因類型節(jié)點。本模型的網(wǎng)絡(luò)結(jié)構(gòu)搭建基于專家知識，根據(jù)圖3的分析結(jié)果及表1中所示變量，以變量作為貝葉斯網(wǎng)絡(luò)的節(jié)點用符號表示，相互間的影響關(guān)系為連接線，構(gòu)建如圖4所示的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)道路的實際情況和監(jiān)控視頻，可以觀測并統(tǒng)計出表1中的數(shù)據(jù)。由于視頻無法得到速度信息，本試驗暫不考慮速度變量。其中，c1至c5分別代表行人影響、車流高峰、停車占道、信號配時不合理和過街車流影響5種原因類型。需要注意的是，交通擁堵發(fā)生時，5種原因類型相互獨立，可能有1種或者多種原因類型同時發(fā)生。

圖4 交通擁堵原因識別貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Bayesian network structure for traffic congestion cause recognition

1.4.2確定網(wǎng)絡(luò)參數(shù)

對于該道路，已經(jīng)采集了一些歷史數(shù)據(jù)作為輔助數(shù)據(jù)集，在確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)后，可以利用輔助數(shù)據(jù)集進(jìn)行貝葉斯網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)。參數(shù)學(xué)習(xí)方法主要有貝葉斯方法、極大似然估計方法，在此不多論述其原理。在進(jìn)行結(jié)構(gòu)構(gòu)建和參數(shù)學(xué)習(xí)后，一個完整的貝葉斯網(wǎng)絡(luò)就構(gòu)建完成，并可應(yīng)用到城市道路交通擁堵原因識別的預(yù)測中。

2 應(yīng)用實例的試驗驗證

2.1 應(yīng)用對象和數(shù)據(jù)說明

應(yīng)用對象為福建省泉州市泉秀街，其示意圖如圖2所示。原始數(shù)據(jù)取自2019年2月25日至3月3日每天17：40—19:30晚高峰的監(jiān)控視頻(此期間無特殊天氣及交通事故情況)。數(shù)據(jù)以每5 min間隔統(tǒng)計1次，每條數(shù)據(jù)包含表1中的所有變量和專家手工標(biāo)注的道路擁堵原因類型，排除由于原始視頻出現(xiàn)問題導(dǎo)致的數(shù)據(jù)缺失和無交通擁堵發(fā)生情況，可得154條有效數(shù)據(jù)。

2.2 擁堵原因識別準(zhǔn)確率評價指標(biāo)

采用n折交叉驗證重復(fù)n次試驗，選取平均值來表征平均識別準(zhǔn)確率，對模型預(yù)測準(zhǔn)確度進(jìn)行檢驗。擁堵原因識別準(zhǔn)確率為：

(1)

2.3 試驗參數(shù)設(shè)置

本試驗運用MATLAB里的FullBNT-1.0.4工具箱，將各節(jié)點及節(jié)點關(guān)系網(wǎng)絡(luò)構(gòu)建完畢后，將各節(jié)點的先驗分布取Dirichlet分布，采用貝葉斯方法進(jìn)行參數(shù)學(xué)習(xí)[10]。根據(jù)實際采集的數(shù)據(jù)更新其條件概率表直至數(shù)據(jù)全部使用完畢，得到參數(shù)學(xué)習(xí)結(jié)果。采用工具箱中聯(lián)結(jié)樹推理引擎，用所輸入的證據(jù)求解后驗概率，獲得最大可能解釋。

本研究采用BPNN(反向傳播神經(jīng)網(wǎng)絡(luò))、ML-KNN(多標(biāo)簽k近鄰算法)及多標(biāo)簽嶺回歸作為對比試驗，其中BPNN隱含層節(jié)點設(shè)置為13個，最大訓(xùn)練次數(shù)設(shè)置為300次，最多驗證失敗次數(shù)設(shè)置為50次，ML-KNN最近鄰為15個，多標(biāo)簽嶺回歸正則化系數(shù)0.01。

2.4 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的試驗結(jié)果和分析

2.4.1網(wǎng)絡(luò)結(jié)構(gòu)模型驗證試驗結(jié)果

在與交通擁堵有關(guān)的各個因素影響下，本模型的參數(shù)學(xué)習(xí)部分結(jié)果見表2。

利用聯(lián)合樹算法對擁堵原因進(jìn)行貝葉斯網(wǎng)絡(luò)的部分節(jié)點進(jìn)行推理分析,得到圖5、圖6。

同時，使用vissim仿真軟件構(gòu)建了1個類似圖2但路段中僅有1條支路的基礎(chǔ)路段模型，針對行人影響、車流高峰、停車占道、信號配時不合理及過街車流影響5種擁堵原因類型，在初始條件相同的情況下分別調(diào)整過街行人數(shù)量(在仿真模型中將人數(shù)轉(zhuǎn)化為分散過街次數(shù))、車流流入量、路邊停車發(fā)生次數(shù)、同一個進(jìn)口道3個方向上的綠燈時長、過街車流數(shù)量，進(jìn)行3個時段的連續(xù)仿真(每5 min 為1個時段)，詳細(xì)內(nèi)容見表3～表7。

2.4.2網(wǎng)絡(luò)結(jié)構(gòu)模型驗證結(jié)果分析

由表3～表7可以發(fā)現(xiàn)，隨著不同變量的數(shù)據(jù)改變，一些交通狀態(tài)(即可觀測變量)也發(fā)生了不同程度的量值變化。對于行人影響原因類型，發(fā)生變化的數(shù)據(jù)有過街人數(shù)、停車讓行次數(shù)、路段平均速度(根據(jù)行程時間轉(zhuǎn)化)、路段車流量；車流高峰時停車讓行次數(shù)、路段平均速度和流入車流改變；發(fā)生停車占道時各車道流量差異明顯；信號配時不合理時，交叉口進(jìn)口道車流流出受限，二次排隊現(xiàn)象增加；過街車流影響時各車道流量、過街車數(shù)不同。根據(jù)仿真結(jié)果可知，與本研究構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)基本符合。

表2 參數(shù)學(xué)習(xí)部分結(jié)果Tab.2 Partial result of parameter learning

圖5 一些節(jié)點對行人影響的影響Fig.5 Influence of some nodes on pedestrian influence

由圖5可知，對于在本研究構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)中與行人影響原因類型無直接關(guān)系的節(jié)點，其隨變量狀態(tài)的改變而改變的概率大小幅度不大，或沒有發(fā)現(xiàn)有規(guī)律性的變化，沒有表現(xiàn)出明顯的相關(guān)關(guān)系。

圖6 停車讓行次數(shù)對行人影響的影響分析Fig.6 Analysis of influence of parking times on pedestrian influence

表3 車流高峰分析Tab.3 Analysis of traffic in rush hour

表4 信號配時分析Tab.4 Analysis of signal timing

因此，從推理分析的數(shù)據(jù)上看，本研究構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)具有一定的合理性。

根據(jù)圖6的推理分析結(jié)果可知，對于行人影響原因類型，隨著A段或B段停車讓行次數(shù)的增加，概率也隨之增大，因此，若A段或B段停車讓行次數(shù)較多，則發(fā)生行人影響擁堵類型的可能性增加。而C段停車讓行次數(shù)的增加卻沒提升發(fā)生行人影響擁堵類型的可能性，說明在C段使停車讓行增多的原因大部分不是行人影響?？梢?，若在實際應(yīng)用中使用本模型分析出發(fā)生了行人影響的擁堵原因類型，則后續(xù)可以重點對A段及B段實施緩堵措施，使措施更加具有針對性。本研究的貝葉斯網(wǎng)絡(luò)共構(gòu)建了5種擁堵原因，由于篇幅原因，本研究僅列出部分結(jié)果。

表5 行人影響分析Tab.5 Analysis of pedestrian influence

表6 停車占道分析Tab.6 Analysis of parking occupancy

表7 過街車流分析Tab.7 Analysis of cross-street traffic

2.5 擁堵原因識別精度的試驗結(jié)果和分析

2.5.1模型識別精度試驗結(jié)果

本研究根據(jù)觀測到的證據(jù)(即變量狀態(tài))，通過本模型分析識別每次擁堵發(fā)生的原因類型，即若觀測到的證據(jù)為a1=2，a2=1，a3=1，a4=1，a5=2，a6=2，a7=3，a8=2，a9=3，a10=2，a11=2，a12=1，a13=2，a14=1，a15=1，a16=2，a17=2，a18=3，a19=2，a20=2，a21=2，a22=1，a23=1，a24=1，根據(jù)推理引擎得最大可能為c1=2，c2=1，c3=2，c4=1，c5=2，而實際值為c1=2，c2=1，c3=2，c4=1，c5=2，則推理的結(jié)果與實際情況相符，此次擁堵的發(fā)生的原因為車流高峰(c2)及信號配時不合理(c4)。本研究構(gòu)建的模型與對比模型對行人影響、車流高峰、停車占道、信號配時不合理和過街車流影響這5個類型，在n為10的交叉驗證下，分析結(jié)果的擁堵原因平均識別準(zhǔn)確率見表8。

表8 模型平均識別準(zhǔn)確率(單位：%)Tab.8 Average recognition accuracy of model (unit: %)

2.5.2模型識別精度試驗結(jié)果分析

從表8的對比試驗結(jié)果可以發(fā)現(xiàn)，5種類型的擁堵原因使用因果貝葉斯網(wǎng)絡(luò)模型的識別準(zhǔn)確率都高于BPNN模型的識別準(zhǔn)確率，但在停車占道這個原因上的識別準(zhǔn)確率略低于ML-KNN和多標(biāo)簽嶺回歸。本研究模型的“停車占道”擁堵類型的準(zhǔn)確率較低，這是由于本試驗獲取的這一類型的數(shù)據(jù)過于缺乏導(dǎo)致，而以概率為基礎(chǔ)的貝葉斯網(wǎng)絡(luò)無足夠的數(shù)據(jù)支撐從而影響了模型的精度，增加數(shù)據(jù)量有助于提升準(zhǔn)確率。

本模型對其他4種擁堵類型的對比試驗結(jié)果都表現(xiàn)良好，說明使用本模型對城市道路交通擁堵原因分析識別是有效的。

試驗僅采集了154條有效數(shù)據(jù)，還需要采用十折交叉驗證方法將其劃分為訓(xùn)練集和測試集，否則訓(xùn)練樣本數(shù)太少會影響基于貝葉斯網(wǎng)絡(luò)的城市道路交通擁堵多原因識別的準(zhǔn)確率。

3 結(jié)論

本研究針對尋找發(fā)生擁堵的具體原因的問題，基于理論推導(dǎo)及仿真手段進(jìn)行系統(tǒng)的分析擁堵變量，對交通擁堵建立分析樹，根據(jù)變量間的相互關(guān)系構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，建模時選擇了5個常見的引發(fā)交通擁堵的原因，通過實際數(shù)據(jù)進(jìn)行采用貝葉斯方法進(jìn)行參數(shù)學(xué)習(xí)。所建模型對于不同城市道路交通擁堵原因的分析與判斷識別具有一定的實用性及借鑒意義。

今后將對擁堵原因影響可觀測交通狀態(tài)的變量進(jìn)行更深入的探究，使貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)更加完善精確，同時可考慮從歷史數(shù)據(jù)中利用結(jié)構(gòu)學(xué)習(xí)方法獲得貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)，對本研究利用專家知識所構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)的正確性進(jìn)行驗證。采用更多多分類模型的評價指標(biāo)評價貝葉斯網(wǎng)絡(luò)方法，以識別交通擁堵多原因的精度。由于數(shù)據(jù)的獲取限制，本研究只采用了視頻信息能獲得的交通狀態(tài)作為可觀測交通狀態(tài)變量，擁堵的影響變量還有很多(例如路段所處位置、天氣情況和交通事故等)，可用以進(jìn)一步完善模型結(jié)構(gòu)，分析其對擁堵的敏感程度，做變量選擇，并獲取更多的數(shù)據(jù)量，進(jìn)一步提高預(yù)測精度。