趙 坡 吳 戈 王 翔 汪思涵 昝雨堯

（蘇州大學軌道交通學院 江蘇 蘇州 215000）

0 引 言

交通誘導通過引導出行者改變出發(fā)時刻、路徑選擇，以及交通方式來均衡道路交通資源的時空分配，是緩解交通擁堵的有效措施之一[1-2]。然而，由于誘導對象識別不準確，不僅誘導措施未達預期效果，同時也因改變出行習慣而難以被出行者接受[3]。交通誘導的實施效果不僅與出行者對誘導方案的接受度相關，同時還需考慮擬誘導對象是否為產生擁堵的致因[4]。因此，為有效利用交通誘導緩解擁堵，需分析路網交通狀態(tài)與出行者行為特征，精準識別擬誘導對象[5-6]。

道路交通擁堵治理首先要識別擁堵產生的根源[7-8]。閆學東等[9]利用浮動車數據獲取路網時變交通狀態(tài)并建立網格模型，通過網格內的行程時間識別常發(fā)擁堵與偶發(fā)擁堵。Wang Jiechen等[10]提取路段不同時段的車流特征，通過K-means算法聚類，判斷各類型道路的實際交通狀況與道路等級的匹配度。張揚[11]根據道路交通狀態(tài)指數確定上?？焖俾窊矶玛P鍵路段，認為擁堵的成因是道路交通基礎資源與出行需求的時空不均衡。何兆成等[12]通過車速閾值的方法判斷道路是否處于擁堵狀態(tài)，擁堵閾值由道路等級和歷史交通數據共同確定。張溪等[13]將不同區(qū)間的車速劃分并對應不同道路運行等級，從而識別出擁堵路段，并根據相鄰路段間的速度差識別擁堵瓶頸點。張建旭等[14]將路網中路段擁堵劃分為系統(tǒng)傳播性擁堵和系統(tǒng)非傳播性擁堵，基于時變路況數據提出了路網層面下的擁堵量化方法。

目前，已有研究利用車牌識別數據、RFID數據等對車輛出行特征進行分析。Chen Huiyu等[15]利用車牌識別數據，提取每輛車在1周中不同時段的出行次數、出發(fā)時間、行程時間等信息，并采用K-means算法劃分車輛類型，識別出通勤車輛、休閑娛樂車輛、夜間使用車輛等。暢玉皎等[16]通過車牌識別數據分析車輛出行特征，然后通過聚類識別出通勤車輛。呂亮等[17]利用無限射頻識別（radio frequency identification，RFID）數據提取車輛出行特征，包括在網時間、出行頻次、出行時段等，并建立隱馬爾可夫模型分析路徑選擇行為。

為了有效誘導經過擁堵源路段的車輛，在已有成果基礎上，本文重點研究快速路交通誘導對象的精準識別方法，通過擁堵源路段識別與出行特征分析，評估出行者對緩解快速路擁堵的重要程度與誘導方案的接受度，為不同出行者提供差異化交通誘導方案。

1 數據說明

本研究使用數據包括高德路況數據與車牌識別數據，分別用于擁堵源路段識別和車輛出行特征分析。

高德路況數據記錄各路段的時變車速，見表1。對于個別時段數據缺失，將其前后相鄰時段數據的均值作為該時段的數據補充。此外，高德路網中相鄰匝道間的主線路段被分成多段。由于這些路段的交通狀態(tài)相似，在本研究中將相鄰匝道間相同車道數的路段合并，并將合并路段的速度平均值作為合并后路段的速度值。

表1 高德數據字段表Tab.1 Fields of the traffic-condition dataset of the Gaode map

車牌識別數據記錄了車輛的經過時刻、車牌號、設備編號等信息，見表2?？谠O備在識別車輛過程中會出現車牌識別錯誤的問題，同時在數據傳輸時也可能出現數據丟失、數據重復等問題。車牌識別數據的質量控制包括4個方面：①刪除點位編號、車牌號和經過時間中任意字段為空的數據；②刪除車牌號前2位組合不存在的數據，例如，“蘇W”“浙Z”等；③刪除車牌號字符長度不等于7位或8位的數據；④刪除經過時刻、車牌號和設備編號完全相同的數據，保留其中1條記錄。

表2 卡口數據字段表Tab.2 Fields of license plate recognition data

2 擁堵源路段識別

2.1 擁堵源路段定義

擁堵源路段識別旨在確定快速路網中擁堵根源的空間位置。值得注意的是，擁堵路段并不一定是擁堵產生的根源，其可能受下游路段的擁堵蔓延所致。最早產生擁堵并向上游傳播的路段為擁堵源路段，這種傳播最終導致路網大范圍擁堵[14]。因此，擁堵源路段的識別將有助于更加精準地找到擁堵產生的地點，從而進一步識別出經過擁堵源路段的擬誘導車輛。

研究首先根據主線與匝道的合流點、分流點，以及主線路段車道數的變化點作為路段單元的劃分依據，然后根據各路段單元的車速進行擁堵路段判斷及擁堵源路段識別。

2.2 擁堵路段判斷

在CJJ37—2012《城市道路設計規(guī)范》中，快速路（限速80 km/h）四級飽和流所對應的最低車速為40 km/h；此外，根據已有高德交通報告的分析[14]，當道路擁堵延時指數大于2時（80 km/h作為自由流車速，則對應車速為40 km/h），其道路交通狀況開始用紅色表示。因此，本文將40 km/h作為快速路主線路段擁堵判斷閾值，即當車速低于40 km/h時認為路段處于擁堵狀態(tài)。高峰期路段最低小時車速及擁堵路段判斷方法見式（1）～（2）。

式中：vi為路段i高峰時段的最低車速，km/h；vi,n為路段i在時段n的檢測速度值，km/h；高德路況數據時間粒度為4 min，因此連續(xù)15個檢測值即為1 h內所有速度值；n的范圍取07：00—09：30；yi為啞元變量，表示路段i為高峰時段的擁堵路段（最低小時速度低于40 km/h，yi=1）或非擁堵路段（路段速度大于等于40 km/h，yi=0）。

2.3 擁堵源路段識別

在擁堵路段判斷的基礎上繼續(xù)識別擁堵源路段。擁堵源路段的特點是高峰時段下游路段車速明顯大于當前路段[12]，可通過式（3）進行判斷。

式中：zi為啞元變量，表示路段i為擁堵源路段(zi=1)或非擁堵源路段(zi=0)；vi為路段i高峰時段的最低小時車速，km/h；vi+1為路段i下游相鄰路段i+1高峰時段的最低小時車速，km/h；m為擁堵源路段的判定閾值。當高峰小時下游路段i+1與路段i的速度差大于m時，路段i是擁堵源路段，本研究中m取10 km/h[12]。

3 交通誘導對象識別

3.1 車輛出行特征指標

經過快速路擁堵源路段的車輛是潛在誘導對象，然而出行者由于出行特征的差異對交通誘導方案的接受度不同，并且接受誘導后對緩解擁堵的貢獻也存在區(qū)別[18]。本研究首先提取一段時期內（本文為22 d工作日）使用過快速路的所有車輛，然后從快速路出行強度、地面道路出行強度、快速路出發(fā)時刻離散度和路徑選擇多樣性這4個方面來分析快速路使用者的出行特征差異。

1）快速路出行強度。快速路出行強度指出行者在一段時期內早高峰使用快速路的天數[15-16]，用于反映出行者使用快速路的頻率，判斷出行者是否會經常在工作日早高峰使用快速路出行，可利用車輛被快速路卡口檢測到的天數來計算，見式（4）～（5）。

2）地面道路出行強度。地面道路出行強度指出行者在一段時期（本文為22 d工作日）早高峰時段僅使用地面道路的天數[15-16]，用于反映出行者使用地面道路的頻率，以及接受誘導繞行地面道路的可能性，可利用車輛被地面道路卡口檢測到而沒有被快速路卡口檢測到的天數來計算。地面道路出行強度的計算見式（6）～（7）。

3）快速路出發(fā)時刻離散度?？焖俾烦霭l(fā)時刻離散度指車輛在各天被快速路卡口第1次檢測到的時刻標準差。若相同車牌在1 d中的高峰時段被快速路卡口檢測到多次，則以第1次檢測到的時刻為準。按10 min間隔劃分卡口記錄的時間單元（07：00—07：10記為1，＞07：10—07：20記為2，…，＞09：20—09：30記為15），然后計算檢測時刻劃分后的標準差。標準差越大，說明車輛出發(fā)時刻越不穩(wěn)定，出發(fā)時刻可選擇性越高?？焖俾烦霭l(fā)時刻離散度的計算見式（8）～（9），該指標可反映出行者選擇錯峰出行的可能性。

式中：si為車輛i的快速路出發(fā)時刻離散度；ti,j為車輛i在第j天高峰時段被快速路卡口檢測到的時間單元；-ti為車輛i的平均時間單元。

4）快速路路徑選擇多樣性?？焖俾仿窂竭x擇多樣性指車輛各天經過快速路時被檢測到第1個卡口并按照卡口設備編號去重后的個數[19]。該指標反映出行者選擇多路徑出行的可能性，計算見式（10）。

式中：di為車輛i的快速路路徑選擇多樣性，個；Ai為車輛i在各天經過快速路時被檢測到第1個卡口編號的非重復集合，該集合中不同元素的個數即為di。

3.2 車輛出行特征聚類方法

為了區(qū)分車輛出行特征差異并識別重點交通誘導對象，根據上述4個出行特征利用K-means++算法進行聚類。K-means算法屬于無監(jiān)督聚類，其把n個對象根據屬性分為k個簇，使得同1個簇中的對象相似度較高，而不同簇中的對象相似度較小。K-means++算法則是對K-means算法隨機初始化質心方法的優(yōu)化，具有收斂速度快的特點[20]。

首先，將上述4個特征進行歸一化處理，保證各特征的權重不受指標數值單位的影響；然后，采用K-means++算法對車輛類型進行劃分。劃分的類別數k通過手肘法進行確定，計算見式（11）～（12）。

式中：k為類別數；p為樣本點，即各輛車的特征；mi為中心點；D()p為車輛p到最近聚類中心的歐式距離；SSE為所有樣本點到各聚類中心的距離和。當聚類數k增加，SSE逐漸減小，減小幅度在k為真實值的附近發(fā)生顯著變化，故可通過SSE變化幅度確定k值。K-means++計算流程見圖1。

圖1 K-means++計算流程Fig.1 Flow of K-means++algorithm calculation

3.3 交通誘導對象識別流程

在識別出擁堵源路段并對快速路出行者進行聚類后，利用擁堵源路段上的卡口設備，可識別出在擁堵區(qū)間內（車速低于40 km/h）經過擁堵源路段的各類型車輛。根據各類車輛的出行特征，可分別確定推薦錯峰與繞行的出行者，從而精細化制訂交通誘導方案。擁堵源路段誘導對象的識別流程見圖2。

圖2 快速路研究范圍Fig.2 Study scope of the expressways

4 案例分析

以蘇州市“內環(huán)+延伸線”快速路為案例，全長205 km（雙向），涉及快速路卡口133個，均勻分布在上、下匝道與主線，研究范圍見圖3。分析時段為2020年3月15日—4月14日這1個月中工作日（共22 d）的早高峰時段（07：00—09：30）。

圖3 擁堵源路段誘導對象識別流程Fig.3 Identification process of induction targets in congested-source sections

4.1 早高峰快速路交通狀態(tài)

蘇州市快速路內環(huán)及延伸線高德路況數據的時間粒度為4 min，全天數據量約27萬條，數據缺失占比為0.7%。相鄰匝道間的路段合并后的路段數為216條，全天數據量為7.8萬條。

在擁堵源路段識別中，快速路早高峰擁堵路段共67段，擁堵源路段共15段，與下游的平均速度差為17.5 km/h。各路段擁堵開始與消散時刻的分布見圖4。

圖4 擁堵路段開始與消散時刻分布Fig.4 Time distribution of beginning and ending of congested sections

隨機選取3個區(qū)域的擁堵源路段及其上游擁堵路段的時變車速數據，進行時空交通狀態(tài)分析，見圖5。可以發(fā)現，擁堵源路段的擁堵開始時刻最早，然后擁堵逐漸向上游傳播。計算各路段與擁堵源路段的時變車速相關系數（見表3），發(fā)現上游路段距離擁堵源路段越近，交通狀態(tài)的相關性就越大（值越接近1，相關性越大）。因此，若擁堵源路段的交通狀況得到改善，就能有效避免擁堵傳播，從而改善上游路段的交通狀況。

表3 各路段與擁堵源路段交通狀況相關系數Tab.3 Correlation coefficient of traffic conditions between each road section and congested-source road section

圖5 擁堵源路段與擁堵路段時空熱力圖Fig.5 Spatio-temporal thermal map of the congested source section and congested section

4.2 早高峰車輛出行特征聚類結果

工作日早高峰時段的車牌識別數據每天約250萬條，數據質量控制后有效數據量約80%。在22 d工作日早高峰時段，快速路卡口檢測到的總車輛數為898 338輛。

快速路及地面道路的出行強度分布情況見圖6（a），部分車輛快速路出行頻次較高，是需要重點關注的車輛?？焖俾烦霭l(fā)時刻離散度分布情況見圖6（b），部分車輛出發(fā)時刻離散度較大，具有接受錯時誘導的可能性。由于經過快速路次數為1的車輛出發(fā)時刻離散度為0，將這部分扣除后變化趨勢依然不變?？焖俾仿窂竭x擇多樣性情況見圖6（c），部分車輛路徑數較大，具備接受繞行出行的可能性。

圖6 車輛出行特征分布Fig.6 Distribution of vehicle-travel characteristics

采用手肘法確定聚類數，計算不同k值下的SSE，結果見圖7。由圖7可見：k=4時SSE的變化最明顯，因此本案例中K-means++算法的聚類數為4，聚類結果見表4和圖8。

圖8 聚類結果分布Fig.8 Distribution of clustering results

表4 聚類結果統(tǒng)計Tab.4 Statistics of clustering results

圖7 聚類參數確定示意圖Fig.7 Determination of clustering parameters

類型1車輛占比17%，出行強度高，具有通勤車輛特征。同時，這類車輛地面道路出行強度明顯高于快速路，具有選擇地面道路行駛的傾向，可作為推薦地面道路繞行方案的交通誘導對象，從而減少快速路高峰時段交通需求。

類型2車輛占比16%，這類車輛快速路與地面道路的出行強度相當，同時快速路出發(fā)時刻離散度較高，出發(fā)時刻選擇具有較大的彈性，可作為推薦快速路錯峰出行與地面道路繞行方案的交通誘導對象。

類型3車輛占比14%，但卻構成了快速路交通總量的51%，快速路出行強度高，具有通勤車輛特征。這部分車輛對快速路交通狀況影響大，誘導收益高。這部分車輛出行路徑多樣，但出發(fā)時刻離散度較低，可作為推薦快速路繞行方案的交通誘導對象。

類型4車輛占比53%，車輛數明顯大于其他類型，但出行強度較低，占快速路交通總量的19%。這部分有可能是過境車輛（類型1～3中外地車占比為10%，類型4中外地車占比35%），除非采取外牌車輛限行等措施，否則難以誘導。因此，類型4車輛可視為低頻出行車輛。

通過精準識別快速路交通誘導對象，可誘導車輛占比為47%（類型1、類型2與類型3車輛的總和）。

4.3 擁堵源路段車輛誘導方案

結合4.1～4.2中的分析結果，現就擁堵源路段的車輛構成進行分析，有助于精確識別擁堵源路段的錯峰與繞行誘導對象。隨機選取2個擁堵源路段在某1 d的具體出行情況，利用路段上的車牌識別數據分析各類型出行者的時變交通量分布，見圖9。

圖9 擁堵源路段各類型出行者時變交通量分布Fig.9 Time-varying traffic volume distribution of different travelers in congested-source road sections

在擁堵源路段1中，類型1與類型2車輛適合推薦地面道路繞行誘導方案。這2類車輛分別占比8%和21%，其中類型2車輛也適合推薦快速路錯峰出行誘導方案；類型3車輛占比49%，適合推薦快速路繞行出行誘導方案。在擁堵源路段2中，類型1車輛（推薦地面道路繞行）占比5%，類型2車輛（推薦地面道路繞行和快速路錯峰出行）占比21%，類型3車輛（推薦快速路繞行）占比57%。

因此，擁堵源路段1和擁堵源路段2可推薦誘導車輛分別占比78%和83%。值得注意，在具體1 d與22 d這2種分析中可推薦誘導車輛比例差異較大的原因是有較多車輛出行次數少，在具體某1 d中這部分車數量少，但在多天中累計數量大，導致在1 d中可誘導車輛比例高于多天中可誘導車輛。

5 結束語

研究基于高德路況數據與車牌識別數據，提出了快速路高峰時段交通誘導對象精準識別方法，并以蘇州市“內環(huán)+延伸線”快速路為例進行說明，主要研究成果如下。

1）根據上下游路段的時變交通狀況，提出了擁堵源路段的識別方法。

2）選擇快速路出行強度、地面道路出行強度、快速路出發(fā)時刻離散度和快速路路徑選擇多樣性4個指標來分析快速路出行者的出行特征，并采用K-means++聚類算法將出行者分為4類，并根據各類出行特征的差異給出快速路繞行、地面道路繞行、快速路錯峰出行等差異化交通誘導方案。

3）以蘇州市快速路為例，分析結果表明51%的交通量由14%的車輛提供；22 d工作日中單一誘導方式可分流車輛占比至多為17%，而精細化誘導下分流的車輛占比達47%；隨機選取的2個擁堵源路段在某1 d工作日中可推薦誘導車輛分別占比78%和83%。

然而，本文也存在不足，如快速路路徑選擇多樣性指標的不同可能是出行OD改變導致的。在未來研究中,將繼續(xù)完善出行特征指標的設計，并根據出行OD的不同分情況推薦交通誘導方案，同時考慮由私人小汽車出行向公共交通出行方式轉移的交通誘導方案。