呂亮， 鐘添翼， 王世彬， 蔡曉禹

(1.重慶交通大學(xué) 交通運(yùn)輸學(xué)院， 重慶 400074；2.山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400074；3.重慶市公安局交通巡邏警察總隊(duì)， 重慶 400055)

交通運(yùn)輸作為國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，是社會(huì)及經(jīng)濟(jì)可持續(xù)發(fā)展的保證。但隨著近年來(lái)汽車保有量的增加，交通擁堵日益嚴(yán)重，對(duì)國(guó)民經(jīng)濟(jì)造成較大沖擊，甚至已上升為制約城市經(jīng)濟(jì)發(fā)展的重要因素，解決交通擁堵問(wèn)題刻不容緩。交通擁堵問(wèn)題大多以城市交通擁堵為主，研究車輛的出行路徑，找到擁堵的源頭，能有效緩解城市交通擁堵。近年來(lái)，隨著交通信息化建設(shè)的不斷推進(jìn)，綜合交通數(shù)據(jù)匯聚已初具規(guī)模。為追尋交通擁堵的根源所在，借助交通大數(shù)據(jù)的優(yōu)勢(shì)追蹤車輛的出行，能緩解城市交通擁堵?tīng)顩r，大數(shù)據(jù)驅(qū)動(dòng)下的車輛出行路徑選擇方法有待進(jìn)一步研究。

1 現(xiàn)有出行路徑選擇方法

1.1 非集計(jì)模型

非集計(jì)模型又稱離散選擇模型，主要分為Probit模型和Logit模型。它是以出行者個(gè)體為研究單位，充分利用所得數(shù)據(jù)綜合考慮出行者心理活動(dòng)及經(jīng)驗(yàn)習(xí)慣，使模型更精確地反映實(shí)際出行狀況。文獻(xiàn)[1]構(gòu)建較完整的出行路徑選擇行為非集計(jì)理論體系，并對(duì)其應(yīng)用條件及特性進(jìn)行了補(bǔ)充；文獻(xiàn)[2]從出行者出行方式選擇與路徑選擇行為出發(fā)，建立了分層Logit多方式隨機(jī)用戶均衡分配模型；文獻(xiàn)[3]建立非集計(jì)二項(xiàng)Logit模型，研究了出行者對(duì)路況和習(xí)慣的依賴程度。Logit模型是基于隨機(jī)效用理論的模型，能對(duì)個(gè)體和群體行為進(jìn)行分析，所需數(shù)據(jù)量小，易于求解。但Logit模型只能假定每條路徑彼此間獨(dú)立，若出現(xiàn)重疊路段則不能反映獨(dú)立性。其次，Logit模型僅以各條路徑間的阻抗絕對(duì)差來(lái)確定選擇概率，沒(méi)有考慮實(shí)際情況。

文獻(xiàn)[4]利用Probit模型研究了行程時(shí)間和期望的行程時(shí)間對(duì)路徑選擇的影響，結(jié)果表明前者影響更高。文獻(xiàn)[5]引入Probit模型研究不同因素對(duì)人們過(guò)街選擇的影響。Probit模型的優(yōu)點(diǎn)是非相互獨(dú)立的通勤方式間也可使用，但計(jì)算較復(fù)雜。

1.2 基于有限理性的理論

有限理性是一種介于完全理性和非完全理性之間的狀態(tài)，是基于出行者的生理、心理能力提出的一種假設(shè)，是指出行者在面臨不確定環(huán)境時(shí)，憑感覺(jué)和判斷選擇最優(yōu)路徑的決策方法?；谟邢蘩硇缘睦碚撝饕衅谕в美碚?、前景理論及后悔理論。

期望效用理論是一種規(guī)范性的理論模型，解決如何決策的問(wèn)題。文獻(xiàn)[6]引入期望效用理論建立出發(fā)時(shí)刻選擇概念模型，證明出行者出行時(shí)會(huì)受到感知時(shí)間和信息的影響；文獻(xiàn)[7]基于期望效用理論和貝葉斯推理分析已知交通信息條件下的出行行為，構(gòu)建了交通信息效用模型。該方法能為預(yù)測(cè)交通信息條件下的出行行為提供理論依據(jù)，但實(shí)際出行決策會(huì)受到環(huán)境等多因素的影響，期望效用理論無(wú)法解釋不確定條件下人們的出行選擇機(jī)理。

前景理論是在風(fēng)險(xiǎn)決策方面的描述性理論模型，主要描述個(gè)體出行者在不確定條件下的實(shí)際決策行為，解決實(shí)際怎樣決策的問(wèn)題。文獻(xiàn)[8]基于前景理論，從認(rèn)知、記憶力、偏好等方面判斷出行者的路徑選擇，以更真實(shí)地反映出行者的實(shí)際路徑選擇行為；文獻(xiàn)[9]基于前景理論，給出了出行路徑選擇行為模型，定義了出行者決策參照點(diǎn)，提出了連續(xù)型路徑屬性離散化的方法；文獻(xiàn)[10]基于前景理論對(duì)個(gè)體出行者進(jìn)行風(fēng)險(xiǎn)評(píng)估，研究其出行行為特征；文獻(xiàn)[11]對(duì)比分析期望效用理論和前景理論，認(rèn)為后者更能真實(shí)描述實(shí)際出行行為。交通具有隨機(jī)性和時(shí)變性的特點(diǎn)，前景理論比期望效用理論更符合出行者的實(shí)際決策行為。在前景理論中，參照點(diǎn)的設(shè)定是一個(gè)實(shí)證問(wèn)題，影響因素較多，實(shí)際應(yīng)用中需結(jié)合更多場(chǎng)景對(duì)每個(gè)參數(shù)進(jìn)行全面估計(jì)。

與前景理論相比，后悔理論的模型簡(jiǎn)單、涉及參數(shù)少，更適用于交通出行路徑選擇行為研究。該理論認(rèn)為出行者追求后悔最小化出行，根據(jù)其出行行為及心理偏好更能準(zhǔn)確描述路徑選擇行為。文獻(xiàn)[12]基于預(yù)期后悔理論建立了出行路徑選擇模型，得出后悔程度與環(huán)境風(fēng)險(xiǎn)程度成正相關(guān)；文獻(xiàn)[13]提出基于隨機(jī)后悔最小化的出行路徑選擇行為分析模型對(duì)出行者進(jìn)行方案決策分析；文獻(xiàn)[14]基于后悔理論構(gòu)建理想交通分配模型，通過(guò)案例驗(yàn)證了模型的可行性和有效性。后悔理論相對(duì)于前景理論較簡(jiǎn)單，是因?yàn)槠錄](méi)有嚴(yán)格的數(shù)學(xué)推導(dǎo)，故其規(guī)范性和實(shí)證性存在一定不足，需進(jìn)一步完善。

1.3 蟻群算法

蟻群算法通過(guò)模擬真實(shí)蟻群的行為對(duì)路徑進(jìn)行優(yōu)化。文獻(xiàn)[15]考慮出行過(guò)程中的影響因素，利用蟻群算法模擬了不同屬性出行者的決策過(guò)程，結(jié)果表明蟻群算法能有效降低出行成本；文獻(xiàn)[16]基于蟻群算法研究了出行者對(duì)最優(yōu)路徑的選擇。該算法的魯棒性和高并行性較強(qiáng)，但算法較復(fù)雜，計(jì)算時(shí)間長(zhǎng)，計(jì)算過(guò)程中可能出現(xiàn)停滯。

1.4 其他方法

除上述方法外，出行路徑選擇的研究方法還有基于博弈論、馬爾可夫過(guò)程及統(tǒng)計(jì)學(xué)的方法等。文獻(xiàn)[17]以路段的旅行時(shí)間為變量，構(gòu)建了基于馬爾可夫過(guò)程的隨機(jī)時(shí)變交通網(wǎng)絡(luò)下出行者自適應(yīng)路徑選擇模型；文獻(xiàn)[18]基于博弈論研究了駕駛員出行路徑選擇效益問(wèn)題，給出了不同策略下的不同收益，實(shí)現(xiàn)了博弈雙方的利益最大化；文獻(xiàn)[19]基于統(tǒng)計(jì)學(xué)方法，分析了交通信息對(duì)出行者路徑選擇行為的影響。

1.5 現(xiàn)有方法的缺陷

(1) 主要基于各類模型和算法，只是基于理論的研究，實(shí)際效果是否可行還有待商榷。

(2) 對(duì)研究結(jié)果的驗(yàn)證往往通過(guò)建立相關(guān)模型或利用統(tǒng)計(jì)學(xué)的方法進(jìn)行，難以對(duì)研究方法進(jìn)行客觀評(píng)價(jià)。

(3) 考慮的影響因素不多，而實(shí)際中出行需求是多樣性的，研究出行路徑選擇行為需從個(gè)體-群體的角度出發(fā)，探究出行路徑選擇行為的一般特征和規(guī)律。

(4) 未能結(jié)合出行者的出行特征，只考慮了出行者偏好及出行成本等因素，未考慮出行目的需求及出行途中的相關(guān)影響因素，難以符合實(shí)際情況。

(5) 隨著交通信息化建設(shè)的不斷完善，出行產(chǎn)生了海量交通數(shù)據(jù)，而這些數(shù)據(jù)沒(méi)有很好地應(yīng)用在路徑選擇方法研究上，難以揭示出行者的真正出行目的。

2 研究熱點(diǎn)與面臨的挑戰(zhàn)

2.1 研究熱點(diǎn)

隨著研究的深入，當(dāng)下的研究熱點(diǎn)已逐步從傳統(tǒng)模型理論方法轉(zhuǎn)向人工智能、深度學(xué)習(xí)等新型數(shù)據(jù)挖掘方法；研究對(duì)象也不僅限于個(gè)體出行者，而是針對(duì)個(gè)體-群體；研究數(shù)據(jù)開(kāi)始逐漸融入各類出行大數(shù)據(jù)。

2.2 出行路徑選擇研究面臨的挑戰(zhàn)

(1) 城市交通系統(tǒng)的復(fù)雜性和多變性。城市干線作為城市交通系統(tǒng)的主動(dòng)脈，承擔(dān)城市大量交通出行。而城市交通又具有隨機(jī)性和時(shí)變性的特點(diǎn)，很難精確地掌握每個(gè)出行者的出行特征。天氣、道路狀況和交通管控措施等也影響出行者的出行，這些影響因素為探究出行者的路徑選擇行為造成了一定困難。

(2) 深入結(jié)合出行產(chǎn)生的大數(shù)據(jù)。盡管現(xiàn)今研究熱點(diǎn)已逐漸轉(zhuǎn)向結(jié)合大數(shù)據(jù)，但研究采用的很多數(shù)據(jù)沒(méi)有代表性，不能反映出行者的特征，研究方法難以適用于多數(shù)條件。有些數(shù)據(jù)雖然具有代表性，但在研究中沒(méi)有深入挖掘數(shù)據(jù)的內(nèi)在含義，未能真正揭示出行的內(nèi)在機(jī)理。

(3) 客觀、準(zhǔn)確地結(jié)合出行特性的路徑選擇方法研究。盡管在出行路徑選擇方面進(jìn)行了大量研究，但這些研究往往是基于各種理論模型，考慮的因素多是出行者的出行偏好及出行成本等，忽略了天氣、道路條件等因素的影響，導(dǎo)致理論模型準(zhǔn)確度不夠高。同時(shí)沒(méi)有考慮出行者的出行機(jī)理特征，研究方法往往不夠客觀、準(zhǔn)確。

3 出行大數(shù)據(jù)環(huán)境

結(jié)合目前研究熱點(diǎn)和所面臨的挑戰(zhàn)，提出一種射頻識(shí)別技術(shù)(RFID)數(shù)據(jù)驅(qū)動(dòng)下，考慮多影響因素的出行路徑選擇方法。

3.1 出行數(shù)據(jù)

隨著交通大數(shù)據(jù)的發(fā)展，城市已構(gòu)建起較完善的交通信息采集系統(tǒng)，可獲取GPS數(shù)據(jù)、手機(jī)信令數(shù)據(jù)、RFID數(shù)據(jù)、車聯(lián)網(wǎng)OBD數(shù)據(jù)等交通大數(shù)據(jù)。

3.2 RFID數(shù)據(jù)

近年來(lái)，以RFID為代表的各類物聯(lián)網(wǎng)技術(shù)以其成本低、識(shí)別范圍廣、識(shí)別速率快等優(yōu)點(diǎn)在交通領(lǐng)域得到廣泛應(yīng)用。RFID數(shù)據(jù)包含采集編號(hào)、采集點(diǎn)位、采集時(shí)間、行車方向等關(guān)鍵字段，以重慶市主城區(qū)為例，RFID數(shù)據(jù)的字段見(jiàn)表1。

表1 RFID數(shù)據(jù)字段示例

3.2.1 RFID數(shù)據(jù)的特征

相比于其他交通數(shù)據(jù)，RFID數(shù)據(jù)具有以下特性：

(1) 數(shù)據(jù)樣本量豐富。從獲取的重慶市主城區(qū)RFID數(shù)據(jù)來(lái)看，RFID檢測(cè)器基本能覆蓋主城區(qū)的所有主要道路，高峰時(shí)段1 h內(nèi)的數(shù)據(jù)量達(dá)數(shù)十萬(wàn)條。RFID檢測(cè)點(diǎn)位分布見(jiàn)圖1。

圖1 RFID監(jiān)測(cè)點(diǎn)位分布

(2) 數(shù)據(jù)的完整性。相比手機(jī)信令及GPS浮動(dòng)車數(shù)據(jù)，RFID數(shù)據(jù)受其他因素影響較小，系統(tǒng)全天候工作，能保持?jǐn)?shù)據(jù)的連續(xù)性。同時(shí)數(shù)量會(huì)逐步累積，數(shù)據(jù)完整性較高。

(3) 數(shù)據(jù)的準(zhǔn)確性。RFID檢測(cè)點(diǎn)位一般安裝于電子警察桿上，位置相對(duì)準(zhǔn)確，更易提取車輛軌跡而無(wú)需進(jìn)行地圖匹配。RFID檢測(cè)車輛區(qū)域過(guò)車軌跡見(jiàn)圖2。

圖2 車輛區(qū)域過(guò)車軌跡

(4) 數(shù)據(jù)的實(shí)時(shí)性較高。檢測(cè)到車輛信息后，能實(shí)時(shí)上傳各點(diǎn)位數(shù)據(jù)且全天候工作。

(5) 數(shù)據(jù)處理速度快。能快速對(duì)獲取的車輛信息進(jìn)行處理，并實(shí)時(shí)傳輸?shù)胶笈_(tái)。

3.2.2 RFID數(shù)據(jù)的優(yōu)勢(shì)

只有精準(zhǔn)掌握車輛的出行要素，才能有效地研究車輛的出行行為。RFID數(shù)據(jù)能通過(guò)可視化技術(shù)展現(xiàn)車輛的運(yùn)行軌跡，有利于分析車輛在時(shí)間和空間上的變化規(guī)律。RFID數(shù)據(jù)的可靠度較高，研究結(jié)果更精確，可為出行特征及路網(wǎng)運(yùn)行狀態(tài)等提供有效數(shù)據(jù)支撐。

4 RFID數(shù)據(jù)驅(qū)動(dòng)的路徑選擇方法

4.1 研究思路

研究出行者出行路徑，首先需探究出行者的出行特性。借助大量RFID數(shù)據(jù)對(duì)出行者的出行要素進(jìn)行提取、分析，并與各類影響因素進(jìn)行關(guān)聯(lián)。研究的主要思路分為出行數(shù)據(jù)提取、路徑級(jí)阻抗影響因素研究及建模、路徑選擇模型建立(見(jiàn)圖3)。

圖3 出行者出行路徑選擇方法研究技術(shù)路線

4.2 基于RFID的出行特征分析

4.2.1 出行特征指標(biāo)分析

城市交通系統(tǒng)本質(zhì)上是一個(gè)由大量出行行為聚集而成的宏觀系統(tǒng)。研究個(gè)體出行行為，能為解決城市交通中各類交通問(wèn)題提供思路，其中個(gè)體出行過(guò)程中的影響因素是研究重點(diǎn)。直接分析出行者的出行行為往往較困難，通過(guò)可視化技術(shù)，結(jié)合出行數(shù)據(jù)，可將出行者的出行行為展現(xiàn)為出行軌跡，通過(guò)對(duì)軌跡數(shù)據(jù)的定性分析得到不同群體出行的差異和共性。再通過(guò)對(duì)原始軌跡的分析，得到表征出行特點(diǎn)的一系列具有代表意義的向量值，這些向量值經(jīng)過(guò)轉(zhuǎn)化后，就是出行的特征指標(biāo)。

4.2.2 出行特征指標(biāo)提取

圖4為某車經(jīng)大數(shù)據(jù)平臺(tái)可視化技術(shù)展示后的運(yùn)動(dòng)軌跡。通過(guò)對(duì)多種軌跡的定性分析，結(jié)合各類車輛運(yùn)行的分布特征及RFID數(shù)據(jù)特點(diǎn)，基于數(shù)理統(tǒng)計(jì)分析思想，建立在網(wǎng)時(shí)間、出行頻次、出行時(shí)段、軌跡重復(fù)率、活動(dòng)偏好區(qū)域、干線影響區(qū)偏好等多位一體的特征指標(biāo)體系。出行者的出行行為往往存在很大重復(fù)性，出行特征指標(biāo)提取往往需要大量樣本。

圖4 車輛運(yùn)動(dòng)軌跡

4.2.3 出行特征指標(biāo)模型建立

標(biāo)準(zhǔn)的馬爾可夫模型要求觀測(cè)集合為一維離散數(shù)據(jù)。而出行特征指標(biāo)研究中涉及多維連續(xù)函數(shù)問(wèn)題，為實(shí)現(xiàn)離散狀態(tài)與連續(xù)觀察值之間的概率聯(lián)系，引入高斯算法，使模型變?yōu)榇嬖谶B續(xù)觀測(cè)值的隱馬爾可夫模型。由于觀測(cè)狀態(tài)是連續(xù)值，無(wú)法像離散隱馬爾可夫模型一樣直接給出矩陣B，而是給出各隱藏狀態(tài)對(duì)應(yīng)的觀測(cè)狀態(tài)高斯分布的概率密度函數(shù)的參數(shù)，表達(dá)形式如下：

bj(O)=cjN{O,μj,σj},1≤j≤N

(1)

式中：bj(O)為B的概率分布矩陣；N{O,μj,σj}為以μj為均值、σj為方差的高斯分布。

Gaussian HMM模型表示為：

λ=(A,μ,σ,Π)

(2)

Gaussian HMM模型中觀測(cè)序列是連續(xù)值，無(wú)法直接給出觀測(cè)概率矩陣B，需采用給出各隱藏狀態(tài)對(duì)應(yīng)的觀測(cè)狀態(tài)得到各觀測(cè)參數(shù)的高斯分布，從而得到概率密度函數(shù)參數(shù)。

4.2.4 結(jié)果及分析

研究所涉及的RFID數(shù)據(jù)中有一列字段可辨識(shí)出車輛種類。選取私家車、貨車及出租車3種類型車輛各4 000組RFID數(shù)據(jù)，提取各自出行指標(biāo)參數(shù)并基于上述出行特征指標(biāo)體系進(jìn)行分類，將所有樣本數(shù)據(jù)進(jìn)行求解，得到模型預(yù)測(cè)結(jié)果。與實(shí)際值進(jìn)行比較，預(yù)測(cè)效果良好，表明所采取的出行指標(biāo)可較好地表征這3類車輛的出行特征。

4.3 路徑選擇行為研究

不同車輛有不同的出行行為偏好，辨識(shí)車輛類型后，能更有針對(duì)性地研究各類群體的出行特點(diǎn)。不同群體在出行時(shí)遇到的影響因素不同，各影響因素的作用效果也不同，這些因素會(huì)直接影響出行者的時(shí)間和經(jīng)濟(jì)成本。下面引入相關(guān)模型對(duì)各類影響因素進(jìn)行數(shù)字化處理，研究各類群體的出行行為。

4.3.1 路徑級(jí)阻抗影響因素分析

出行者影響因素主要分為內(nèi)在和外在兩類，分別與出行需求和出行環(huán)境相關(guān)。車輛的外在影響因素主要有道路條件、交通流量及交通管控條件等，只有將這些影響因素量化處理，才能定量分析路徑選擇行為與影響因素之間的關(guān)系。

道路條件取決于道路等級(jí)，交通流量則與城市規(guī)模、機(jī)動(dòng)化水平有關(guān)。分析影響因素時(shí)，對(duì)不同條件進(jìn)行定義。如交叉口某個(gè)轉(zhuǎn)向禁行，則認(rèn)為該交叉口的轉(zhuǎn)向延誤無(wú)窮大；單向交通，則考慮路網(wǎng)的容量并設(shè)置一個(gè)上限值，以免路段的交通流量超過(guò)路段容量。在確定各類影響因素后，找到表征路徑級(jí)阻抗的參數(shù)并建立相關(guān)模型，才能研究各類影響因素的范圍和強(qiáng)度。

4.3.2 路徑級(jí)阻抗影響因素建模

選取結(jié)構(gòu)方程模型來(lái)處理多個(gè)影響因素之間的關(guān)系?；镜慕Y(jié)構(gòu)方程由測(cè)量方程和結(jié)構(gòu)方程組成，分別表示潛變量與觀測(cè)指標(biāo)之間的關(guān)系及潛在內(nèi)生變量和潛在外生變量之間的關(guān)系，表達(dá)式如下：

x=Λxζ+ω

(3)

y=Λyη+ε

(4)

η=Bη+Γε+δ

(5)

式中：x為測(cè)量變量所組成的向量；Λx為x在ζ上的因子負(fù)荷矩陣；ω、ε為誤差項(xiàng)；y為潛變量所組成的向量；Λy為y在η上的因子負(fù)荷矩陣；B、Γ為系數(shù)矩陣；δ為結(jié)構(gòu)方程殘差項(xiàng)。

通過(guò)研究不同出行者的不同決策行為，選取不同影響因素作為變量，利用結(jié)構(gòu)方程量化各類影響因素并探究相互間的關(guān)系，表征各類路徑級(jí)阻抗影響因素，從而進(jìn)行路徑選擇行為研究。

4.4 道路交通流量分配

個(gè)體路徑選擇行為無(wú)法直接反映道路交通的實(shí)際情況，只有經(jīng)歷個(gè)體-群體的過(guò)程，才能真實(shí)反映道路交通的實(shí)際出行。路徑選擇最終結(jié)果的準(zhǔn)確性可通過(guò)道路交通的流量進(jìn)行驗(yàn)證。基于全有全無(wú)、容量限制分配、隨機(jī)分配、隨機(jī)用戶平衡4種傳統(tǒng)的交通分配模型，以重慶市干線影響區(qū)為研究對(duì)象，提取干線影響區(qū)內(nèi)RFID數(shù)據(jù)，利用上述模型對(duì)影響區(qū)內(nèi)的主要路網(wǎng)進(jìn)行流量分配，并將各模型分配結(jié)果與道路的實(shí)際流量進(jìn)行對(duì)比，對(duì)模型進(jìn)行驗(yàn)證。

5 結(jié)語(yǔ)

近些年對(duì)出行路徑選擇方法的研究主要經(jīng)歷了兩個(gè)階段。第一階段以個(gè)體出行者的自身活動(dòng)與心理認(rèn)知為研究對(duì)象，基于離散選擇模型、有限理性理論等傳統(tǒng)理論方法描述出行者的出行決策行為；第二階段以出行相關(guān)影響因素為研究對(duì)象，引入蟻群算法、博弈論及統(tǒng)計(jì)學(xué)等方法進(jìn)行出行路徑選擇方法研究。

出行路徑選擇行為會(huì)受到多種因素的影響，傳統(tǒng)的路徑選擇方法因受到模型的限制而無(wú)法客觀挖掘出行者的出行特征。為研究更貼合實(shí)際的出行選擇方法，該文引入大數(shù)據(jù)手段和可視化技術(shù)，通過(guò)RFID數(shù)據(jù)及大數(shù)據(jù)平臺(tái)分析車輛軌跡的溯源，挖掘出行者的出行要素并分析其特征，為探求出行路徑選擇方法提供新思路。如何結(jié)合交通大數(shù)據(jù)探求準(zhǔn)確的出行路徑選擇方法將成為未來(lái)研究重點(diǎn)。