岳錦濤，楊新苗，殷廣濤

(1.清華大學(xué) 交通研究所，北京 100084；2.中國城市規(guī)劃設(shè)計(jì)研究院，北京 100037)

郊區(qū)公路為推進(jìn)鄉(xiāng)村振興、促進(jìn)城市群協(xié)同發(fā)展提供了基礎(chǔ)保障，充分及時(shí)地掌握公路交通狀態(tài)，可為公路系統(tǒng)的精細(xì)化管理與規(guī)劃建設(shè)提供依據(jù)?，F(xiàn)階段在公路交通狀態(tài)分析的多種技術(shù)中，收費(fèi)站數(shù)據(jù)分析視角過于宏觀，且無法應(yīng)用于未設(shè)收費(fèi)站的普通公路，肖潤謀[1]、崔梅[2]等利用收費(fèi)站數(shù)據(jù)分析了國家或區(qū)域范圍內(nèi)高速公路運(yùn)輸?shù)臅r(shí)空變化趨勢；地磁線圈、視頻檢測等技術(shù)則過于聚焦，只可基于關(guān)鍵節(jié)點(diǎn)監(jiān)測數(shù)據(jù)進(jìn)行全路段預(yù)測，沙薇等人利用地磁檢測技術(shù)僅研究了蘇嘉杭高速個別斷面的擁堵狀態(tài)[3]。此外，客貨運(yùn)公司的運(yùn)營數(shù)據(jù)等也存在數(shù)據(jù)獲取、交通方式涵蓋類型等方面的局限。

隨著移動通信技術(shù)的發(fā)展，基站分布密度已相當(dāng)可觀，手機(jī)與基站間頻繁的主被動交互，生成包含用戶ID、空間坐標(biāo)、時(shí)間等字段的信令數(shù)據(jù)。信令數(shù)據(jù)具有空間覆蓋廣、時(shí)間平滑度高、來源充足、時(shí)效性強(qiáng)等優(yōu)勢，是交通分析的有效數(shù)據(jù)源。目前信令數(shù)據(jù)被重點(diǎn)應(yīng)用于城市交通與高速公路領(lǐng)域，丁鵬程[4]、海曉東[5]、黃偉[6]、Steenbruggen[7]等人應(yīng)用手機(jī)信令數(shù)據(jù)，進(jìn)行空間人口分布與城市通勤特征分析，劉華斌[8]、周南[9]、葛夢雪[10]等人研究了信令數(shù)據(jù)對城市交通量預(yù)測及其對交通規(guī)劃方法的改進(jìn)；剛紅潤[11]、章玉[12]基于信令數(shù)據(jù)分別研究了高速公路車速估計(jì)算法，呂夢蛟[13]、崔艷玲[14]、王久輝[15]、Andreas Janecek[16]等人提出了以信令數(shù)據(jù)進(jìn)行高速公路路況檢測的算法。

由于城市內(nèi)部的基站間隔普遍在500 m左右，按照時(shí)間序列連接信令坐標(biāo)數(shù)據(jù)，即可基本擬合用戶的出行路徑；高速公路由于路線相對獨(dú)立，通過信令數(shù)據(jù)直接相連也可獲得較為明確的出行軌跡。郊區(qū)基站間距大多在1 000 m以上，且郊區(qū)公路網(wǎng)密度較高，不同等級道路縱橫交錯，無法直接識別出準(zhǔn)確的出行路徑，進(jìn)而獲取準(zhǔn)確的交通狀態(tài)。本文針對郊區(qū)普通公路這一研究場景中的真空區(qū)域，探索基于手機(jī)信令數(shù)據(jù)識別出行軌跡，并進(jìn)行交通狀態(tài)分析，提出可操作性強(qiáng)的分析流程，為郊區(qū)公路的規(guī)劃與管理提供基礎(chǔ)路況信息。

1 信令數(shù)據(jù)準(zhǔn)備與預(yù)處理

1.1 郊區(qū)路網(wǎng)模型構(gòu)建

由于信令數(shù)據(jù)精度有限，同時(shí)為了突出研究重點(diǎn)，需在實(shí)際路網(wǎng)基礎(chǔ)上建立既反映路網(wǎng)真實(shí)狀況，也適用于信令數(shù)據(jù)分析的路網(wǎng)模型。從路段與節(jié)點(diǎn)兩方面闡述路網(wǎng)模型的構(gòu)建思路。

郊區(qū)公路根據(jù)功能定位可分為以下3類：

1)區(qū)域性干線，服務(wù)于不同行政區(qū)間的聯(lián)系，技術(shù)等級多為高速公路與一級公路；

2)中心區(qū)延伸線，以延伸至郊區(qū)的城市環(huán)線及放射線為主，承擔(dān)與中心城區(qū)的聯(lián)系；

3)內(nèi)部聯(lián)系線，連接上述較高等級道路，以及服務(wù)于郊區(qū)內(nèi)部的交通需求，通常為低等級公路或等外公路。

區(qū)域性干線與中心區(qū)延伸線流量規(guī)模與道路等級較高，故路段選擇以該兩類公路為主，同時(shí)考慮通過初步數(shù)據(jù)分析或在交通調(diào)查中識別出的流量較大內(nèi)部聯(lián)系線。

以研究區(qū)域內(nèi)行政中心、經(jīng)濟(jì)中心、交通樞紐、道路交叉口、互通、文旅景觀等作為主要節(jié)點(diǎn)，以各路段與研究區(qū)域邊界的交點(diǎn)作為虛擬節(jié)點(diǎn)，并對實(shí)際線的線路節(jié)點(diǎn)拓?fù)潢P(guān)系進(jìn)行適當(dāng)簡化。

1.2 路網(wǎng)數(shù)據(jù)初篩

信令數(shù)據(jù)規(guī)模龐大，其中中國聯(lián)通在北京市一天的信令數(shù)據(jù)高達(dá)620G，對數(shù)據(jù)處理硬件與算法均提出了較高要求。為兼顧數(shù)據(jù)分析效率與準(zhǔn)確性，首先依據(jù)空間范圍篩除與公路出行無關(guān)的數(shù)據(jù)以降低數(shù)據(jù)量。以路網(wǎng)模型中的矢量線位為中線，建立帶寬1 km的緩沖區(qū)，獲取緩沖區(qū)內(nèi)基站記錄到的全體出行者集合IDbuffer:(ID1,ID2,…,IDN)，從原始數(shù)據(jù)中提取IDbuffer中所有出行者的完整記錄，將出行者IDi的所有軌跡點(diǎn)記錄按時(shí)間升序排列可得Point_tracki：{pi,1(timei,1,lngi,1,lati,1),pi,2(timei,2,lngi,2,lati,2),…,pi,n(timei,n,lngi,n,lati,n)}。

1.3 數(shù)據(jù)預(yù)處理

由于受到設(shè)備質(zhì)量、突發(fā)事件、外界干擾、數(shù)據(jù)采集原理等內(nèi)外部因素影響，原始數(shù)據(jù)存在多種噪聲數(shù)據(jù)，需進(jìn)行清洗處理。

1.3.1 重復(fù)數(shù)據(jù)

當(dāng)出行者IDi在某地長時(shí)間停留或活動范圍較小時(shí)，會產(chǎn)生大量重復(fù)數(shù)據(jù)，顯著降低數(shù)據(jù)處理效率，采用滑動窗法剔除重復(fù)數(shù)據(jù)。設(shè)置大小為3、初始窗口為(pi,1,pi,2,pi,3)的滑動窗，若滿足下列條件

lngi,1=lngi,2=lngi,3，且lati,1=lati,2=lati,3.

(1)

則刪除pi,2記錄，后續(xù)數(shù)據(jù)向窗口內(nèi)遞補(bǔ)；若不滿足條件(1)，則窗口直接向前移動1個單位。重復(fù)上述判斷，直至遍歷Point_tracki內(nèi)所有數(shù)據(jù)。

1.3.2 離群點(diǎn)數(shù)據(jù)

檢測故障會導(dǎo)致出現(xiàn)位置明顯偏離正常軌跡的離群點(diǎn)。由式(2)、式(3)可得相鄰兩點(diǎn)pi,j,pi,j+1間的直線距離ΔDi,j與時(shí)間差Δti,j。

(2)

Δti,j=timei,j-timei,j-1.

(3)

式中：a，b分別為相鄰兩點(diǎn)經(jīng)緯度(弧度制)差值;R為地球半徑，取R=6 371.393 km。

根據(jù)信令采集周期與基站分布間距設(shè)定離群點(diǎn)判定的空間與時(shí)間閾值Dth1、tth1，若ΔDi,j,ΔDi,j+1>Dth1，且Δti,j,Δti,j+1

1.3.3 乒乓切換數(shù)據(jù)

乒乓效應(yīng)是指當(dāng)同一區(qū)域有多個基站覆蓋時(shí)(見圖1陰影部分)，信號的強(qiáng)弱變化會使短時(shí)間內(nèi)同一出行者的信令數(shù)據(jù)在多個基站間頻繁切換，產(chǎn)生大量冗余數(shù)據(jù)。遍歷Point_tracki中的數(shù)據(jù)，若同時(shí)滿足

(lngi,j-1,lati,j-1)=(lngi,j+1,lati,j+1)≠

(lngi,j,lati,j),

(4)

Δti,j,Δti,j+1

(5)

則認(rèn)為pi,j點(diǎn)發(fā)生了乒乓切換，對其進(jìn)行標(biāo)記，當(dāng)Point_tracki中數(shù)據(jù)遍歷結(jié)束后，刪除其中所有被標(biāo)記數(shù)據(jù)。其中tth2為乒乓切換判定時(shí)間閾值，通過對數(shù)據(jù)進(jìn)行抽樣統(tǒng)計(jì)確定。

2 郊區(qū)公路交通狀態(tài)提取算法

2.1 出行軌跡識別

信令數(shù)據(jù)的坐標(biāo)變化軌跡(見圖1①→②→③→④)與出行者出行路徑(見圖1A→B→C→D→E)雖方向性基本一致，但也存在不可忽視的偏差。從海量的信令數(shù)據(jù)中準(zhǔn)確地識別公路出行者軌跡，并精準(zhǔn)匹配至實(shí)際路網(wǎng)，是進(jìn)行郊區(qū)公路交通狀態(tài)分析的基礎(chǔ)。以停留點(diǎn)將完整出行鏈劃分為若干出行，通過單次出行的路徑識別，最終整合得到出行者全出行鏈的出行路徑。

圖1 信令坐標(biāo)軌跡與出行軌跡

2.1.1 停留點(diǎn)識別

本研究對僅以空間距離為聚類標(biāo)準(zhǔn)的DBSCAN聚類算法加以改進(jìn)，增加時(shí)間維度，通過時(shí)、空雙標(biāo)準(zhǔn)將信令數(shù)據(jù)分為若干簇。各簇內(nèi)數(shù)據(jù)點(diǎn)的幾何中心坐標(biāo)即為停留點(diǎn)坐標(biāo)，最小時(shí)間與最大時(shí)間均值即為停留點(diǎn)的特征時(shí)間。將從Point_tracki中識別到的停留點(diǎn)納入集合Point_stayi：{pi,1(timei,1,lngi,1,lati,1),pi,2(timei,2,lngi,2,lati,2),…,pi,m(timei,m,lngi,m,lati,m)}。

鄰域半徑(Eps)與最小點(diǎn)數(shù)(MinPts)是DBSCAN算法的主要參數(shù)，因此，結(jié)合出行鏈劃分慣例[17-18]、出行鏈劃分[19-20]、基站分布間距、信令數(shù)據(jù)采集周期等因素綜合考慮，取空間鄰域半徑Epss=1 000 m，時(shí)間鄰域半徑Epst=300 s。行駛速度、路徑沿線基站分布的密度差異會導(dǎo)致不同出行者信令數(shù)據(jù)軌跡點(diǎn)的密度與數(shù)量也各不相同，提出基于鄰域內(nèi)點(diǎn)數(shù)的MinPts確定方法。

(6)

式中：Ptsi為軌跡點(diǎn)i在時(shí)空鄰域內(nèi)的點(diǎn)數(shù)，n為該出行者全出行鏈中的軌跡點(diǎn)數(shù)量。

2.1.2 路徑匹配

圖2 路徑校核與修正

2.2 流量與速度

公路基本路段受車輛分合流與交織區(qū)影響較小，在路網(wǎng)模型中各OD間的基本路段處設(shè)置觀測斷面，根據(jù)路徑匹配結(jié)果，統(tǒng)計(jì)單位時(shí)間T內(nèi)通過各觀測斷面的車輛數(shù)N，從而可得流量為

(7)

由地圖API工具可得到出行者IDi在某路段l上的出行距離ΔSi,l與出行時(shí)間ΔTi,l，根據(jù)式(8)可得出行者IDi在路段l上的平均速度為

(8)

觀測時(shí)間內(nèi)路段l的交通流平均速度為

(9)

式中：N為觀測時(shí)間內(nèi)經(jīng)過路段的出行者總?cè)藬?shù)。

2.3 營運(yùn)方式識別

2.4 擴(kuò)樣與修正

為得到整體交通狀態(tài)，需要對數(shù)據(jù)的樣本分析結(jié)果進(jìn)行擴(kuò)樣。根據(jù)式(10)計(jì)算擴(kuò)樣系數(shù)

α=P/Ps.

(10)

式中：P為研究區(qū)域內(nèi)總?cè)丝跀?shù)，Ps為數(shù)據(jù)樣本中出行者總數(shù)。

信令數(shù)據(jù)反映個體出行信息，為表征公路機(jī)動車交通狀態(tài)，需按照不同車輛的平均載客量進(jìn)行修正，修正系數(shù)如表1所示。

表1 載客量修正系數(shù)

3 實(shí)例分析

懷柔區(qū)地處北京市東北，2019年末全區(qū)共有常住人口42.2萬人，公路總里程達(dá)1 674.1 km[21]。懷柔是北京東部發(fā)展軸上的重要節(jié)點(diǎn)，承擔(dān)重要物流的通道功能，同時(shí)以慕田峪長城、青龍峽為代表的豐富旅游資源也吸引了大量旅游交通出行，形成包括日常生活、通勤、客運(yùn)、物流、旅游等多種類型在內(nèi)的公路交通流。

本研究采用2017-08-01的中國聯(lián)通手機(jī)信令數(shù)據(jù)，數(shù)據(jù)前期已脫敏，包含時(shí)間戳(time)、IMSI號(ID)、經(jīng)度(lng)、緯度(lat)4個字段。通過多方案比選，選用PostgreSQL數(shù)據(jù)庫作為信令數(shù)據(jù)儲存平臺，采用SQL與Python作為主要數(shù)據(jù)處理語言，QGIS為數(shù)據(jù)可視化與編輯平臺。

3.1 路網(wǎng)建立

隨時(shí)間推移至工作時(shí)間，懷柔區(qū)城區(qū)人口分布熱力略有消散，公路沿線熱度逐漸上升，呈現(xiàn)出G111國道、S308省道、慕田峪長城景區(qū)3個主要流向(見圖3)。

圖3 懷柔區(qū)全天人口分布熱力

以行政村鎮(zhèn)及鄰近的公路交叉口、互通為主要節(jié)點(diǎn)，以區(qū)內(nèi)國省干道以及部分流量較高的縣鄉(xiāng)道路為主要路徑，對復(fù)雜節(jié)點(diǎn)、路段拓?fù)潢P(guān)系進(jìn)行適當(dāng)簡化，建立懷柔郊區(qū)路網(wǎng)模型(見圖4)。

圖4 懷柔區(qū)路網(wǎng)模型

3.2 營運(yùn)方式分析

通過追溯以客運(yùn)與物流樞紐為代表的出行OD，進(jìn)行營運(yùn)方式識別。通過研究可知：路網(wǎng)中非營運(yùn)車輛占比高達(dá)91.9%，營運(yùn)客車占比4.2%，其中62.28%分布在G111國道，由于慕田峪景區(qū)吸引了較多旅游專線，X009縣道長途客運(yùn)量也顯著高于其他路段，占比9.6%；營運(yùn)貨車占比3.9%，仍由G111國道承擔(dān)主要部分，占比達(dá)63.68%。

3.3 出行軌跡識別

抽取某出行者10:00—11:00間的信令數(shù)據(jù)樣本，對停留點(diǎn)識別與路徑匹配算法進(jìn)行驗(yàn)證。該出行者信令數(shù)據(jù)軌跡如圖5(a)所示，通過改進(jìn)DBSCAN算法，軌跡點(diǎn)形成A，B，C 3個簇與若干噪聲點(diǎn)，計(jì)算各簇內(nèi)軌跡點(diǎn)的幾何中心，即獲得對應(yīng)停留點(diǎn)。將樣本出行劃分為A→B和B→C兩段，分別進(jìn)行路徑匹配，通過連通性校核與修正，得到該出行者的真實(shí)出行軌跡，如圖5(b)所示，判斷該出行者從懷柔城區(qū)出發(fā)，前往慕田峪長城景區(qū)。

圖5 停留點(diǎn)識別與路徑匹配案例

3.4 全路網(wǎng)流量動態(tài)監(jiān)測

2017年8月1日在所研究的路網(wǎng)中共有出行者17.91萬人，共產(chǎn)生27.29萬人次出行，人均出行次數(shù)1.52次/(人·d)，其中過境交通占比64.41%。上行(出京方向)總流量11.99萬人次，下行(進(jìn)京方向)總流量15.30萬人次。全路網(wǎng)流量規(guī)模如圖6所示，時(shí)序變化如圖7所示。

圖6 全路網(wǎng)流量規(guī)模

圖7 全路網(wǎng)流量時(shí)序

上行交通流在07:00—08:00出現(xiàn)通勤高峰，此后開始階梯狀緩慢下降；下行交通流呈不規(guī)則馬鞍狀，在10:00和15:00分別出現(xiàn)兩次峰值，由于返程通勤與下午進(jìn)京流量相疊加，使得第二次峰值高于前者，持續(xù)時(shí)間也更長。上下行流量的疊加使總流量表現(xiàn)出3個峰值，早高峰于07:00首次出現(xiàn)，出現(xiàn)速度較快但持續(xù)時(shí)間短，10:00達(dá)到最高峰；午間流量略微下降，但隨即回升；晚高峰于15:00出現(xiàn)，出現(xiàn)速度與消散速度均較為緩慢。

研究范圍內(nèi)各等級公路流量變化如圖8所示，國道流量顯著高于省縣鄉(xiāng)道，且有明顯早晚高峰，是區(qū)域交通流量的主要承擔(dān)者；省道與縣道流量規(guī)模與變化特征基本一致，均呈現(xiàn)出不規(guī)則的馬鞍狀特征；鄉(xiāng)道全天流量較低，起伏變化不明顯。

圖8 各等級公路流量時(shí)序

以交管部門提供部分路段線圈檢測流量為基準(zhǔn)，對信令數(shù)據(jù)分析結(jié)果進(jìn)行校核，相對誤差均在15%以內(nèi)，如表2所示，在一定程度上說明了本研究算法的準(zhǔn)確性。

根據(jù)《公路工程技術(shù)標(biāo)準(zhǔn)》中的相關(guān)標(biāo)準(zhǔn)進(jìn)行計(jì)算，各路段V/C值與服務(wù)水平如表3所示，均滿足《標(biāo)準(zhǔn)》中對各等級公路設(shè)計(jì)服務(wù)水平的要求[22]。同一路線近郊區(qū)路段服務(wù)水平低于遠(yuǎn)郊區(qū)，路網(wǎng)整體上行方向服務(wù)水平略高于下行方向。

表3 各路段V/C值與服務(wù)水平

續(xù)表3

各路段全天交通流量及方向不均衡系數(shù)如表4所示，方向不均衡系數(shù)在0.5～0.7之間。

表4 各路段全天交通量及方向不均衡系數(shù)

3.5 速度分布

各等級公路速度在一天內(nèi)雖有小幅震蕩，但并未發(fā)生顯著變化，如圖9所示，交通運(yùn)行情況基本穩(wěn)定。

圖9 各等級公路車速時(shí)變

根據(jù)《公路網(wǎng)運(yùn)行監(jiān)測與服務(wù)暫行技術(shù)要求》中的劃分標(biāo)準(zhǔn)[23]，各等級道路平均速度與擁堵狀態(tài)如表5所示。

表5 各等級路網(wǎng)擁堵狀態(tài)

不同等級公路速度分布如圖10所示，國道車輛行駛速度集中在60～90 km/h，占比為64.9%；省道、縣道車輛行駛速度分布特征較為一致，集中在30～60 km/h，占比分別為69.2%、67.4%；鄉(xiāng)道車速進(jìn)一步降低，集中在30～50 km/h，占比為69.1%，10 km/h以下的低速區(qū)間占比高達(dá)6.3%。整體交通流對限速遵守較為嚴(yán)格，國道有97.8%路段控制在100 km/h以內(nèi)，省道、縣道98.9%以上路段控制在80 km/h以內(nèi)，鄉(xiāng)道97%路段控制在60 km/h以內(nèi)。

圖10 速度頻率分布與累積分布

3.6 路網(wǎng)交通狀態(tài)評價(jià)

綜合上述各項(xiàng)分析結(jié)果，懷柔區(qū)公路網(wǎng)運(yùn)行整體處于良好穩(wěn)定狀態(tài)。車流量主要集中在G111國道及X005、X009縣道鄰近城區(qū)路段，上述路段也是大型車混行較多路段，在懷北鎮(zhèn)、于家園村、口頭村、琉璃廟鎮(zhèn)、湯河口鎮(zhèn)、長哨營、喇叭溝等多條公路交匯處，應(yīng)加強(qiáng)大型車輛管理，有條件的路段可設(shè)置大型車專用車道。

由流量不均衡系數(shù)可得大部分路段進(jìn)京方向?yàn)橹髁飨?，懷柔主城區(qū)及北京城區(qū)對周邊區(qū)域的虹吸效應(yīng)較為明顯。而且由于本研究采用數(shù)據(jù)時(shí)間正值學(xué)生暑假，進(jìn)京旅游、訪友的交通流量較大。應(yīng)做好節(jié)假日道路交通管理預(yù)案，根據(jù)交通流量變化規(guī)律，調(diào)整管控的重點(diǎn)方向。

低等級鄉(xiāng)道的低速區(qū)間占比較高，且分布相對獨(dú)立，分析其原因主要有兩點(diǎn)：

1)鄉(xiāng)道路況較差，迫使大量車輛緩行；

2)鄉(xiāng)道交通流多為內(nèi)部交通，沿線居民的步行或騎行會產(chǎn)生大量低速記錄。

在穿越村鎮(zhèn)、人流較密集的鄉(xiāng)道交通管理中，應(yīng)重點(diǎn)關(guān)注機(jī)動車與行人、非機(jī)動車混行情況，合理布設(shè)警示和隔離設(shè)施，降低安全隱患。

4 結(jié) 語

本文建立了應(yīng)用手機(jī)信令數(shù)據(jù)進(jìn)行郊區(qū)公路交通狀態(tài)分析的方法，為提升公路管理水平、推動公路交通智能化建設(shè)與精細(xì)化發(fā)展提供數(shù)據(jù)支撐。結(jié)合北京市懷柔區(qū)公路網(wǎng)進(jìn)行實(shí)例研究，得到路網(wǎng)各路段流量與速度變化情況，采用溯源法進(jìn)行營運(yùn)交通識別，獲取營運(yùn)客貨運(yùn)比例，并通過與線圈檢測數(shù)據(jù)對比，證明算法基本準(zhǔn)確。由于所獲數(shù)據(jù)量有限，未能進(jìn)行長時(shí)間周期性的研究以辨識常住人口與過境交通的占比關(guān)系。在即將到來的5G時(shí)代，基站分布密度與軌跡描繪精度將進(jìn)一步提高，數(shù)據(jù)來源也會更加充足，將進(jìn)一步促進(jìn)手機(jī)信令數(shù)據(jù)在郊區(qū)公路交通狀態(tài)分析中的應(yīng)用。