陳鼎，周水庭，陳云，蘇敏咸

(1.廈門理工學(xué)院，機械與汽車工程學(xué)院，福建廈門 361024；2.廈門大學(xué)，航空航天學(xué)院，福建廈門 361102；3.廈門市衛(wèi)星定位應(yīng)用股份有限公司，福建廈門 361006)

0 引言

隨著我國城市化進程的穩(wěn)步推進，城市交通基礎(chǔ)設(shè)施擴張的同時，也帶動了城市人口快速聚集以及機動車保有量的增長，然而，兩者的非對稱性增速問題，極容易造成城市交通擁堵狀態(tài)頻發(fā)，嚴重情況下甚至影響了城市化質(zhì)量[1]。因此，建立有效識別城市交通運行狀態(tài)的方法，對于促進城市交通路網(wǎng)與城市規(guī)劃協(xié)調(diào)發(fā)展具有理論與現(xiàn)實意義。

針對交通運行狀態(tài)識別問題，現(xiàn)有研究主要從指標(biāo)分級與建模分析兩個方向展開。指標(biāo)分級方法是以交通單一物理量作為指標(biāo)變量[2]，如平均速度、出行時間、流量等，依據(jù)道路速度、時間占有率、流量分散程度等為閾值進行交通運行狀態(tài)的等級劃分。指標(biāo)分級方法為城市交通運行狀態(tài)的評估提供了經(jīng)驗數(shù)據(jù)和閾值區(qū)間標(biāo)準(zhǔn)，但由于此類方法的數(shù)據(jù)來源以道路監(jiān)測設(shè)備數(shù)據(jù)為主，故主要用于解決宏觀或靜態(tài)的交通運行狀態(tài)評估問題[3]。建模分析方法是結(jié)合浮動車歷史數(shù)據(jù)與路網(wǎng)模型，對微觀或動態(tài)層面上交通流狀態(tài)進行觀測的方法。WANG 等[4]提出了一種基于浮動車和道路感應(yīng)線圈數(shù)據(jù)融合的交通狀態(tài)識別模型，采用數(shù)據(jù)可視化技術(shù)實現(xiàn)了車輛速度與交通擁堵狀態(tài)的交互式分析過程。HSUEH 等[5]基于道路網(wǎng)絡(luò)的距離信息和拓撲結(jié)構(gòu)等空間特征，提出了車輛與路網(wǎng)匹配的STD-Matching 算法，用于計算道路速度約束及車輛行駛路徑，該項研究內(nèi)容為交通擁堵識別提供了建模和數(shù)據(jù)可視化條件。SHIRMOHAMMADI等[6]建立了以車輛平均速度和道路限速為變量的擁堵指數(shù)模型，分析了路網(wǎng)的交通流密度，并結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳算法實現(xiàn)了對車輛速度和交通擁堵狀態(tài)關(guān)系的預(yù)測。相較于指標(biāo)分級方法，建模分析引入了車輛動態(tài)參數(shù)，這使得模型具有分析交通擁堵時空特征的能力。

國內(nèi)學(xué)者在交通運行狀態(tài)識別方面也進行了相應(yīng)的研究。王璐媛等[7]對已有交通運行指數(shù)進行了歸納和總結(jié)，并提出動態(tài)運行指數(shù)模型在測算交通運行指數(shù)中的重要性。王妍穎等[8]基于通訊大數(shù)據(jù)展開交通擁堵狀況的評價分析，充分考慮了平均旅行時間指數(shù)TTI、概率出行時間指數(shù)PTI、延誤、交通擁堵時間等指標(biāo)，并對比分析了不同指標(biāo)體系下北京市交通擁堵的變化規(guī)律。王曉旭等[9]提出了時空并置模糊擁堵模式概念，并結(jié)合路網(wǎng)屬性和道路拓撲結(jié)構(gòu)信息對交通運行狀態(tài)進行模式挖掘分析。朱敏清等[10]基于全方位視角場景的駕駛?cè)酥饔^擁堵感知實驗，建立了主觀擁堵狀態(tài)下路徑調(diào)整行為模型，探究交通擁堵的形成機制和擴散規(guī)律。

綜合上述研究內(nèi)容，交通運行狀態(tài)分析主要以道路速度作為參變量，而其中的暢行速度仍是通過經(jīng)驗閾值和速度統(tǒng)計分布規(guī)律獲得，無法依據(jù)歷史數(shù)據(jù)的時空特征進行自行調(diào)節(jié)，降低了相應(yīng)擁堵指數(shù)的計算精度，影響交通運行狀態(tài)識別的實時性。因此，構(gòu)建依據(jù)道路速度自適應(yīng)調(diào)節(jié)的擁堵指數(shù)模型，即成為本次研究中需要解決的關(guān)鍵性內(nèi)容。本文采用ST-Matching算法對浮動車軌跡與路網(wǎng)數(shù)據(jù)進行匹配融合，通過概率密度分段函數(shù)挖掘浮動車所處道路的速度-時間分布區(qū)間，以此構(gòu)建具有自適應(yīng)調(diào)節(jié)的擁堵指數(shù)模型，在此基礎(chǔ)上，結(jié)合擁堵指數(shù)分級指標(biāo)對廈門市交通運行狀態(tài)進行識別應(yīng)用。該方法有別于采用固定平均速度的交通擁堵指數(shù)計算方法，分析所得城市交通擁堵時空分布同時也反映了城市路網(wǎng)的結(jié)構(gòu)特點，這對于快速建立不同城市的交通運行狀態(tài)識別系統(tǒng)起到積極作用。

1 浮動車數(shù)據(jù)處理與地圖匹配

1.1 浮動車數(shù)據(jù)預(yù)處理

浮動車是指裝備了全球衛(wèi)星定位系統(tǒng)(GPS)的公交車、出租車與網(wǎng)約車等營運車輛。由于浮動車的出行特征和駕駛習(xí)慣相較非營運車輛更為統(tǒng)一，因此浮動車數(shù)據(jù)常作為交通信息數(shù)據(jù)庫的組成部分。浮動車數(shù)據(jù)以車輛行駛狀態(tài)數(shù)據(jù)為主，數(shù)據(jù)字段包含車輛代碼、GPS 定位信息、運營狀態(tài)和訂單號信息等。GPS定位信息中，GPS時間、經(jīng)緯度、速度和方向是浮動車與路網(wǎng)數(shù)據(jù)進行時空匹配的重要字段。

將m行浮動車數(shù)據(jù)A劃分為n段，構(gòu)成數(shù)據(jù)集合A[i](i=1,2,…,n)并進行數(shù)據(jù)預(yù)處理，以此提高計算效率。浮動車數(shù)據(jù)具有低、中、高這3 種不同采樣頻率，一般認為采樣時間間隔高于30 s的為低頻采樣，低于10 s 的為高頻采樣，介于兩者之間的為中頻采樣。為了保證可用數(shù)據(jù)的占比率，首先，以采樣頻率30 s 作為采樣閾值δ對GPS 時間數(shù)據(jù)進行劃分；其次，以城市行政區(qū)劃剔除市域邊界外的浮動車GPS經(jīng)緯度數(shù)據(jù)及其對應(yīng)元組，在此基礎(chǔ)上對局部臟數(shù)據(jù)進行清洗，包括剔除數(shù)據(jù)空值、重復(fù)值、離群值；最后，關(guān)聯(lián)浮動車訂單號與運營狀態(tài)，保留同時滿足訂單號非零及運營狀態(tài)標(biāo)識為“1”的數(shù)據(jù)元組。通過上述預(yù)處理后的浮動車數(shù)據(jù)集合A[i]可用于路網(wǎng)數(shù)據(jù)的匹配以及后續(xù)的數(shù)據(jù)分析過程。浮動車數(shù)據(jù)預(yù)處理流程如圖1所示。

圖1 浮動車數(shù)據(jù)預(yù)處理流程圖Fig.1 Preprocessing flow chart of floating vehicle data

1.2 浮動車與路網(wǎng)數(shù)據(jù)匹配

浮動車與路網(wǎng)數(shù)據(jù)匹配是交通運行狀態(tài)識別的關(guān)鍵環(huán)節(jié)。由于受到設(shè)備、衛(wèi)星信號等諸多因素影響，浮動車與路網(wǎng)數(shù)據(jù)通常存在一定的偏差，因此需要將浮動車行駛軌跡數(shù)據(jù)與路網(wǎng)地圖信息進行匹配。在數(shù)據(jù)層面上，該過程的核心思想本質(zhì)上是解決平面線段序列的模式匹配問題。現(xiàn)有地圖匹配算法主要從局部/增量、全局和概率層面進行構(gòu)建，近年來，隨著城市交通的快速發(fā)展，交通運行狀態(tài)數(shù)據(jù)的采集與維護成本越來越高，低頻采樣需求開始增大，這使得采用全局層面和利用低頻采樣數(shù)據(jù)的地圖匹配算法得到廣泛應(yīng)用，如隱馬爾科夫模型HMM、IF-matching和ST-matching算法[5]。

本文采用計算成本與中低頻采樣適配的STMatching 作為浮動車與路網(wǎng)數(shù)據(jù)匹配算法。STMatching 算法中假定浮動車 GPS 軌跡T=(P1,P2,…,Pi,…,Pn)，以半徑r檢索行駛路段ei上的Pi點，計算Pi與ei距離最小的點作為候選點投影集合c，距離檢索規(guī)則表示為

式中：下角標(biāo)i用于標(biāo)記軌跡T中的被檢索點Pi；為行駛路段ei上的待檢索點，上角標(biāo)j用于標(biāo)記待檢索點；為與Pi點間歐氏距離。

基于浮動車GPS 坐標(biāo)點Pi與投影集合c中元素之間的距離，以及GPS測量誤差的正態(tài)分布規(guī)律N(μ,σ2)，μ與σ分別表示距離的均值和標(biāo)準(zhǔn)差，在不考慮鄰居點Pi-1檢索結(jié)果的情況下，單一GPS 坐標(biāo)點Pi在行駛路段ei上與投影點相匹配的觀察概率為

進一步將鄰近坐標(biāo)點Pi-1、投影點與引入，其中，t,s分別為兩相鄰待檢索點標(biāo)記j中的取值。由于Pi-1到Pi在實際路段上的概率與投影點到的最短距離相關(guān)，因此構(gòu)建Pi-1、Pi間歐氏距離dist(Pi-1,Pi)與、在行駛路段ei上的最短距離w(i-1,t)→(i,s)之間的比值，用于表征相鄰兩投影點與間距離的差異程度，即

結(jié)合式(2)與式(3)，浮動車GPS 軌跡T中元素在行駛路段上投影集合c的空間分析函數(shù)表示為

式中：與分別為GPS 坐標(biāo)點Pi-1和Pi在行駛路段ei上的檢索投影點。

依據(jù)投影點與對行駛路段ei進行k段分割，分割路段ek長度lu的總和則可用于近似表征行駛路段ei的平均速度，即

當(dāng)存在兩組投影點使得GPS 坐標(biāo)點Pi-1和Pi在空間分析函數(shù)結(jié)果存在近似結(jié)果時，考慮鄰近相同長度lu的路段，引入余弦距離測量投影點平均速度與該行駛路段設(shè)計速度vu之間的相似性[5]，時間分析函數(shù)則表示為

結(jié)合空間分析函數(shù)式(4)與時間分析函數(shù)式(6)，浮動車與地圖時空匹配計算公式為

2 基于概率密度分段的自適應(yīng)擁堵指數(shù)模型

擁堵指數(shù)模型是交通運行狀態(tài)識別的主要方法之一，通常是建立在針對時間或速度的觀測和期望數(shù)值基礎(chǔ)之上，并可以通過行駛路段長度進行轉(zhuǎn)化計算[7]，即

式中：η為道路擁堵指數(shù)；v′為該道路行駛車輛的平均速度；vd為期望車速；th為該道路平均出行時間；tf為自由流狀態(tài)下出行時間。

式(8)中，期望車速vd是以道路自由流狀態(tài)下速度累計分布曲線上的第85分位所對應(yīng)數(shù)值作為計算依據(jù)，結(jié)合道路等級、設(shè)計時速以及專家打分進行換算。然而，由于速度累計分布曲線無法反映統(tǒng)計值所處時段，這使得期望車速vd可能同時包含了道路繁忙時段(忙時)和空閑時段(閑時)的車速統(tǒng)計值，進而導(dǎo)致計算結(jié)果低于實際車輛暢行通過道路時所需速度[5]。為解決這一問題，通過空間匹配后的期望車速vd需要進一步引入時間特征，以此滿足區(qū)分期望車速vd所處時間段的目的。對GPS時間t進行排序并劃分為N段，每段時間中所具有的車輛平均速度v′標(biāo)記為兩個相等數(shù)量的樣本數(shù)據(jù)g和h。對道路限速進行區(qū)間劃分，當(dāng)?shù)缆废匏?00 km·h-1時，以5 km·h-1遞增則等分區(qū)間數(shù)M=20 份，通過計算樣本數(shù)據(jù)g和h在概率密度曲線中任一小區(qū)間L(L≤M)中的積分值，獲得g和h落入M中所具有概率pL,g和pL,h，同時構(gòu)建了GPS時間t與對應(yīng)速度區(qū)間的概率pL,g和pL,h之間的關(guān)系，如圖2所示。

將GPS時間t與概率pL,g和pL,h作為兩組關(guān)聯(lián)數(shù)據(jù)，采用式(3)中歐氏距離方程建立用于表征兩組關(guān)聯(lián)數(shù)據(jù)之間差異程度的間距方程，這一過程與式(3)在處理空間距離差異性方面具有相似的物理意義。通過速度概率pL,g和pL,h的差異性獲得GPS時間t的分段結(jié)果，以此達到選擇暢行速度計算時段的目的。結(jié)合圖2概率密度分段原理圖，劃分為N段GPS 時間t所對應(yīng)任意兩段樣本數(shù)據(jù)g和h之間的間距為

圖2 概率密度分段原理圖Fig.2 Schematic diagram of probability density segmentation

以主干道和次干道路段的匹配數(shù)據(jù)為例，設(shè)定GPS時間分段數(shù)為N=20，每段數(shù)據(jù)中GPS速度被標(biāo)記為相等數(shù)量的g和h個小樣本；道路限速100 km·h-1，以5 km·h-1遞增并等分M為20 份；計算小樣本數(shù)據(jù)g和h落入第L個小區(qū)間的概率pL,g和pL,h，并代入式(9)計算N段數(shù)據(jù)中任意兩段之間的數(shù)據(jù)間距d2g,h，繪制樣本數(shù)據(jù)間距-時間分布圖，如圖3所示。

由圖3可知，樣本數(shù)據(jù)間距-時間分布圖被劃分為明顯的3 個區(qū)間，這說明3 個區(qū)間之間的樣本數(shù)據(jù)距離d2g,h存在顯著差異性。由于樣本數(shù)據(jù)來源于每段GPS 時間t，樣本數(shù)據(jù)間距-時間分布圖的區(qū)間結(jié)果同時也反映出時間上的對應(yīng)分段現(xiàn)象。各區(qū)間之間的車輛平均速度概率間距d2g,h均大于0.2，以此為閾值將全天時段內(nèi)道路狀態(tài)劃分為運行區(qū)間和暢行區(qū)間，區(qū)間所對應(yīng)時間分段與實際道路中的忙、閑時段相吻合。由于00:00-7:00 時段的數(shù)據(jù)量相對較少，且容易與忙時時段落在同一分段區(qū)間內(nèi)，考慮主干道中晚間時段21:15-24:00，次干道20:00-24:00作為暢行區(qū)間更為合適，由此彌補了速度累計分布曲線無法反映時間特征的缺陷，如圖3中暢行區(qū)間標(biāo)記所示。

圖3 樣本數(shù)據(jù)間距-時間分布圖Fig.3 Sample data interval-time distribution

將樣本數(shù)據(jù)間距-時間分布中速度偏差最大值作為分段閾值，其中正向偏差位于暢行區(qū)間起始點(g,h)，那么對應(yīng)區(qū)間(g,h)→(M,M)內(nèi)的平均速度則可定義為暢行速度v0，計算公式為

將式(10)與式(5)相結(jié)合，在投影點與之間，相同分割路段ek長度lu的總和條件下，擁堵指數(shù)則可通過平均速度v′與暢行速度v0計算，式(8)中道路擁堵指數(shù)η由此可以轉(zhuǎn)化為

式(11)將匹配數(shù)據(jù)中的浮動車平均速度v′與該道路暢行速度v0進行融合，擁堵指數(shù)η隨著浮動車速度的變化，并通過樣本數(shù)據(jù)間距-時間分布進行自適應(yīng)調(diào)整，這為城市周期性交通擁堵預(yù)測問題提供了數(shù)值基礎(chǔ)。此外，基于指標(biāo)分級方法中對于擁堵指數(shù)和速度的劃分區(qū)間[9]，將交通運行狀態(tài)調(diào)整為暢通、緩行、擁堵和極度擁堵狀態(tài)，依據(jù)式(8)計算相同路段長度條件下的觀測和期望時間比值，以此作為擁堵指數(shù)閾值與交通運行狀態(tài)之間的劃分關(guān)系，如表1所示。

結(jié)合浮動車匹配道路等級，式(11)計算結(jié)果落入表1中擁堵指數(shù)區(qū)間則反映交通運行所處的狀態(tài)。此外，由于式(10)與式(3)在判斷數(shù)據(jù)間距離上具有相似性，兩者均基于概率密度求解數(shù)據(jù)集在相應(yīng)速度或空間區(qū)段內(nèi)的距離，因此可以將式(10)整合至地圖匹配算法中進行統(tǒng)一求解。

表1 擁堵指數(shù)閾值及交通運行狀態(tài)劃分Table 1 Congestion index threshold and traffic performance division

3 仿真結(jié)果分析

采用廈門市2019年6月6日節(jié)假日浮動車數(shù)據(jù)作為數(shù)據(jù)來源，MATLAB 數(shù)值分析軟件作為仿真工具進行仿真應(yīng)用分析，其中包括數(shù)據(jù)預(yù)處理、ST-Matching 算法的匹配效果、擁堵指數(shù)模型的自適應(yīng)特性，以及兩者相融合的城市交通運行狀態(tài)識別應(yīng)用分析。

3.1 浮動車數(shù)據(jù)預(yù)處理與路網(wǎng)匹配結(jié)果分析

依據(jù)圖1對浮動車數(shù)據(jù)進行預(yù)處理，數(shù)據(jù)處理前后的字段、數(shù)據(jù)類型、數(shù)據(jù)行數(shù)對比結(jié)果如表2所示，其中，滿足模型計算要求的有效數(shù)據(jù)占比達到原數(shù)據(jù)的76%。將浮動車預(yù)處理數(shù)據(jù)代入式(1)～式(7)與廈門市路網(wǎng)數(shù)據(jù)相匹配，匹配結(jié)果以復(fù)雜互通立交(杏林互通立交橋-杏濱路路段)和專用共線道路(濱海西大道)為例進行展示，如圖4所示

表2 浮動車數(shù)據(jù)處理結(jié)果Table 2 Floating vehicle data processing results

圖4中，ST-Matching算法將原有偏離路段的浮動車軌跡點(空心圓標(biāo)記)匹配至相鄰最近且與前后軌跡點(實心圓標(biāo)記)保持一致的路段中。杏林互通立交橋-杏濱路路段為雙向主干道與輔道(主干道連接線)相結(jié)合形式，匹配后的浮動車軌跡點在進入與離開互通立交方向均與立交跨線方向一致，如圖4(a)所示；濱海西大道為BRT專用道路與主干道共線路段，浮動車投影點遠離旁支輔道并始終保持主干道運行，如圖4(b)所示。

圖4 浮動車與路網(wǎng)數(shù)據(jù)匹配結(jié)果Fig.4 Data matching results between floating vehicle and road network

3.2 自適應(yīng)擁堵指數(shù)模型仿真分析

以圖4中兩路段浮動車軌跡T及其匹配道路路段ei進行仿真分析，計算GPS時間歷程相關(guān)的道路平均速度v′、暢行速度v0及擁堵指數(shù)η，并與已有方法進行對比分析，以此論證模型可行性。自適應(yīng)擁堵指數(shù)模型仿真結(jié)果如圖5所示。

圖5 路段平均速度與擁堵指數(shù)曲線Fig.5 Curve of average road speed and congestion index

圖5(a)中，集美區(qū)與杏林區(qū)雙向互通的杏林互通立交橋-杏濱路路段全天平均速度v′相較于濱海西大道路段普遍偏低，這與其雙向互通導(dǎo)致車輛流線交叉的客觀現(xiàn)象相吻合。高峰時段(15:30-20:00)該路段出現(xiàn)全天最低速運行狀態(tài)，平均速度v′介于5～20 km·h-1之間，對應(yīng)擁堵指數(shù)η分布在1.7～5.0之間，屬于典型的下班晚高峰擁堵運行狀態(tài)。相同時段內(nèi)濱海西大道路段平均速度v′處于25～40 km·h-1之間，對應(yīng)擁堵指數(shù)η分布在1.0～1.7之間，如圖5(b)所示，由于該道路為普通南北走向主干道，同時具有次干道銜接分擔(dān)一部分車流量，因此該道路全天運行狀態(tài)為暢通狀態(tài)。

圖5中，v0為依據(jù)樣本數(shù)據(jù)間距-時間分布圖識別的暢行速度，分別為32.5 km·h-1和43.1 km·h-1，暢行區(qū)間時間分布在晚間閑時時段21:00-24:00，由于該時段內(nèi)整體車流量相對白天更小，輔路和次干道的車流交叉較少，符合道路暢行的實際運行狀態(tài)。vd為兩路段全天速度累計分布曲線的第85 分位數(shù)數(shù)值，分別為30.5 km·h-1和41.8 km·h-1，相較于暢行速度v0降低了6.1%和3.0%，主要原因是采用全天速度累計分布進行計算，容易將道路運行時段高流量狀態(tài)下的平均速度引入考慮，該道路夜間車流密度越少，第85分位數(shù)則越偏離暢行速度要求，如圖5(a)中暢行速度標(biāo)識所示，該路段全天經(jīng)歷暢行至極度擁堵運行狀態(tài)，車流密度變化劇烈，采用速度累計分布曲線計算暢行速度誤差相應(yīng)增大。

依據(jù)v0和vd計算擁堵指數(shù)η和ηd，如圖5所示，兩路段中η相較ηd增大了6.5%和3.2%，但是由于暢行速度偏差的存在，這使得主干路閾值處的ηd計算結(jié)果仍偏于保守。例如，圖5(a)中路段的晚高峰從15:30開始，此時基于vd計算的擁堵指數(shù)ηd為1.57，識別道路運行狀態(tài)仍然為暢行，但自適應(yīng)擁堵指數(shù)η=1.71 識別交通運行狀態(tài)為緩行，這使得后續(xù)時段中采用vd識別的道路運行狀態(tài)均落后于自適應(yīng)擁堵指數(shù)模型計算結(jié)果。相同的現(xiàn)象也發(fā)生在圖5(b)路段中。此外，由于vd數(shù)值偏離全天最大暢行速度v0，這使得ηd在夜間道路運行速度較高時出現(xiàn)低于數(shù)值1的現(xiàn)象，與道路處于暢行狀態(tài)時浮動車平均速度v′即為暢行速度的假設(shè)相違背，同時也不利于后續(xù)數(shù)據(jù)可視化及其含義解釋。

綜合上述仿真分析結(jié)果可以發(fā)現(xiàn)，結(jié)合浮動車與路網(wǎng)匹配數(shù)據(jù)，采用復(fù)雜互通立交和專用共線道路驗證了暢行速度v0及自適應(yīng)擁堵指數(shù)η的適用性，其計算結(jié)果相較傳統(tǒng)方法更為符合道路實際運行狀態(tài)。

3.3 城市交通運行狀態(tài)應(yīng)用分析

以廈門市城市快速路、主干道、次干道中的浮動車和路網(wǎng)數(shù)據(jù)為應(yīng)用對象，采用自適應(yīng)擁堵模型計算城市交通平均擁堵指數(shù)曲線，并依據(jù)表1中路網(wǎng)擁堵指數(shù)閾值對交通運行狀態(tài)進行劃分，計算結(jié)果如圖6(a)所示，從中可以發(fā)現(xiàn)，2019年6月6日全天交通運行的緩行狀態(tài)為7:30-8:20、15:10-16:10、21:00-21:30；交通運行擁堵狀態(tài)分別發(fā)生在16:10-17:00，以及19:20-21:00，兩時段起止時間點分別與下班晚高峰的起止時間點相吻合。廈門市交通極度擁堵狀態(tài)發(fā)生在17:00-19:20，平均擁堵指數(shù)均大于2.7，最高峰值位于18:20，其值可達到2.79。

提取18:20 時段的道路擁堵指數(shù)，并將其映射至路網(wǎng)數(shù)據(jù)中，獲得擁堵空間分布如圖6(b)所示。圖6(b)中，廈門市進出島方向交匯路段均發(fā)生不同程度的擁堵現(xiàn)象，這說明進出島方向的道路設(shè)計等級標(biāo)準(zhǔn)、橋隧數(shù)量與行駛車輛數(shù)量之間存在非對稱性，同時也反映了城市居民和游客在晚高峰時段出行意愿與城市交通擁堵時間特征之間的關(guān)聯(lián)性。在擁堵空間特征方面，廈門島內(nèi)東西方向主干道和出島快速路的擁堵狀態(tài)最為嚴重，例如蓮前西路、仙岳高架、環(huán)島路(旅游景點：白城沙灘至曾厝垵方向)、環(huán)島干道，交通擁堵長度相較南北方向更長，這與廈門市的商業(yè)中心、旅游景點呈現(xiàn)沿海岸線東西方向分布相關(guān)聯(lián)，這一現(xiàn)象在節(jié)假日時表現(xiàn)得更為明顯。

圖6 城市交通運行狀態(tài)識別結(jié)果Fig.6 Recognition results of urban traffic performance

綜合上述分析結(jié)果，采用自適應(yīng)擁堵指數(shù)模型對交通運行狀態(tài)進行評價，可以進一步為交通規(guī)劃提供方法與數(shù)據(jù)支撐。廈門島與外圍海滄區(qū)、集美區(qū)和翔安區(qū)可以采用拓寬車道、增加橋隧數(shù)量的方式，提高交通運行高峰時段的車輛分流效率，以此緩解島內(nèi)外進出主干道、次干道的交通壓力。例如將已有廈門島-集美區(qū)的雙向4車道海提路擴建為雙向6 車道，或?qū)⑾璋矃^(qū)進行橋、隧相結(jié)合形式的線路改造，這對降低路網(wǎng)擁堵持續(xù)時間、改善城市交通運行狀態(tài)具有積極改進作用。本文提出的基于擁堵指數(shù)自適應(yīng)調(diào)節(jié)的交通運行狀態(tài)識別方法，僅針對廈門市2019年6月6日節(jié)假日的浮動車數(shù)據(jù)展開試驗論證，后續(xù)將結(jié)合季度或年度數(shù)據(jù)展開預(yù)測研究工作。在改善指標(biāo)分級方法方面，結(jié)合出行時間與道路V/C 比等混合指標(biāo)，將節(jié)假日、交通管制等特殊因素的影響引入交通運行狀態(tài)識別過程中，進一步拓展方法的應(yīng)用場景范圍。

4 結(jié)論

本文通過對浮動車與路網(wǎng)數(shù)據(jù)匹配和挖掘分析，構(gòu)建了具有自適應(yīng)調(diào)節(jié)能力的擁堵指數(shù)模型，以此構(gòu)建了城市交通運行狀態(tài)的識別方法，所得結(jié)論如下。

(1)通過復(fù)雜互通立交和專用共線道路的浮動車匹配結(jié)果，驗證了ST-maching算法對于中高頻浮動車采樣數(shù)據(jù)的適用性。

(2)基于概率密度分段原理建立的自適應(yīng)擁堵指數(shù)模型能通過匹配數(shù)據(jù)中GPS 速度間距的最大偏差位置判定道路忙時和閑時的分段閾值點；計算所得樣本數(shù)據(jù)間距-時間分布彌補了傳統(tǒng)速度累計分布曲線在反映時空特征方面的不足，在識別的暢行區(qū)間中，分別保留了速度和時間參變量；樣本數(shù)據(jù)間距-時間分布識別的暢行區(qū)間速度v0，相較于速度累計分布曲線的第85分位數(shù)vd偏高。

(3)結(jié)合指標(biāo)分級方法，自適應(yīng)擁堵指數(shù)模型計算的廈門市節(jié)假日交通運行狀態(tài)及其路網(wǎng)閾值范圍為：暢通狀態(tài)(1.0,1.5]，緩行狀態(tài)(1.5,2.0]，擁堵狀態(tài)(2.0,2.7]，閾值大于2.7 為極度擁堵狀態(tài)；廈門市城市交通運行狀態(tài)呈現(xiàn)單一晚高峰擁堵形態(tài)，平均擁堵指數(shù)分布在1.0～3.0之間。廈門市節(jié)假日交通擁堵時段、極度擁堵時段集中在16:10-21:00，峰值數(shù)值為2.79，擁堵路段主要集中在東西方向主干道和出島快速路中。