曾朝暉，王江鋒*，教欣萍，熊慧媛，龔希志,2

(1.北京交通大學(xué) 交通運(yùn)輸學(xué)院 綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京 100044; 2.河南省交通規(guī)劃設(shè)計(jì)研究院股份有限公司，河南 鄭州450000)

借助物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等新一代信息技術(shù)，構(gòu)建以車路協(xié)同為核心的智慧高速，將實(shí)現(xiàn)出行服務(wù)品質(zhì)化、管理科學(xué)化和運(yùn)行高效化。其中智慧高速的精準(zhǔn)管控能力對(duì)出行服務(wù)和科學(xué)管理至關(guān)重要，而基于群智感知網(wǎng)絡(luò)可實(shí)時(shí)感知路網(wǎng)交通信息，基于交通信息的交通狀態(tài)識(shí)別將有效提升智慧高速的服務(wù)水平。

傳統(tǒng)的高速公路交通狀態(tài)識(shí)別算法多借助傳感器采集的流量、占有率、速度等交通參數(shù)數(shù)據(jù)，基于不同交通狀態(tài)下交通參數(shù)具有的差異性規(guī)律展開研究，例如經(jīng)典的加州算法、McMaster算法。針對(duì)固定檢測(cè)器不方便使用的局限，研究人員引入浮動(dòng)車數(shù)據(jù)進(jìn)行交通狀態(tài)識(shí)別，降低誤警率[1-2]。鄔群勇等[3]利用公交車和出租車軌跡數(shù)據(jù)，提出一種交通狀態(tài)精細(xì)劃分和識(shí)別算法，能有效地識(shí)別道路局部位置的交通狀態(tài)。曹潔等[4]引入信息熵理論提出一種基于飽和度、平均排隊(duì)長度、平均行程速度、時(shí)間占有率等指標(biāo)加權(quán)的識(shí)別算法，用于提高算法聚類性能和對(duì)交通狀態(tài)的識(shí)別率。

上述研究多利用傳統(tǒng)方法依據(jù)交通參數(shù)差異性規(guī)律對(duì)識(shí)別算法進(jìn)行研究，在實(shí)時(shí)性和識(shí)別率上存在局限性。國內(nèi)外研究學(xué)者開始將神經(jīng)網(wǎng)絡(luò)、模式識(shí)別等人工智能技術(shù)引入到交通狀態(tài)識(shí)別算法設(shè)計(jì)中，提升算法的識(shí)別率。Luo等[5]改進(jìn)了一種多類支持向量機(jī)算法用于模式識(shí)別，能夠智能判斷三種交通狀態(tài)。高林等[6]利用隨機(jī)森林算法用于交通狀態(tài)判別，并以實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證，判別正確率達(dá)到80%以上。常麗君等[7]研究了一種基于模擬退火算法改進(jìn)的模糊C均值聚類算法(fuzzy C-means algorithm，F(xiàn)CM)與概率神經(jīng)網(wǎng)絡(luò)(PNN)結(jié)合的短時(shí)交通流狀態(tài)判別方法，提高城市道路交通狀態(tài)判別的正確性與穩(wěn)定性。李巧茹等[8]利用遺傳算法全局搜索優(yōu)勢(shì)對(duì)支持向量機(jī)的關(guān)鍵參數(shù)——懲罰系數(shù)和核函數(shù)參數(shù)σ進(jìn)行優(yōu)化，建立基于遺傳算法優(yōu)化支持向量機(jī)的城市交通狀態(tài)識(shí)別模型，識(shí)別精度提高3.75%。Zhang等[9]將交通狀態(tài)識(shí)別問題轉(zhuǎn)化為圖像搜索問題，采用半監(jiān)督哈希算法，基于局部標(biāo)簽信息實(shí)現(xiàn)圖像搜索獲得交通狀態(tài)。

基于傳統(tǒng)人工智能技術(shù)的交通狀態(tài)識(shí)別算法多借助諸如支持向量機(jī)為代表的線性分類器，不足以體現(xiàn)出交通參數(shù)個(gè)體所蘊(yùn)含的交通狀態(tài)群體特征。集群智能通過眾多無智能個(gè)體相互之間合作，表現(xiàn)出高度結(jié)構(gòu)化的群體組織行為方式，使得無智能個(gè)體通過集群行為具有的組織性、協(xié)調(diào)性等智能行為，完成無智能個(gè)體難以完成的復(fù)雜任務(wù)。借鑒集群智能優(yōu)點(diǎn)，本文提出一種基于集群智能的高速公路交通狀態(tài)識(shí)別算法，既體現(xiàn)不同交通狀態(tài)下交通參數(shù)個(gè)體差異性特征，又體現(xiàn)交通參數(shù)個(gè)體差異性所呈現(xiàn)的交通流狀態(tài)群體特征。將基于反向?qū)W習(xí)策略的鯨魚優(yōu)化算法(opposition-based learning whale optimization algorithm，OWOA)與FCM算法相結(jié)合，利用反向?qū)W習(xí)策略增強(qiáng)種群的多樣性，克服了FCM算法容易陷入局部最優(yōu)的缺點(diǎn)，從而提高了全局搜索能力，使得基于OWOA和FCM算法混合的高速公路交通狀態(tài)識(shí)別算法(OWOA-FCM，簡(jiǎn)稱OWF)相較于FCM算法在高速公路交通狀態(tài)識(shí)別研究方面的泛化能力更好。該算法可用于研判高速公路交通運(yùn)行態(tài)勢(shì)，為高速公路交通管理部門制定有效的管控策略奠定基礎(chǔ)，進(jìn)而有助于提高路網(wǎng)的運(yùn)行效率。

1 OWF交通狀態(tài)識(shí)別算法

1.1 高速公路交通狀態(tài)指標(biāo)

交通狀態(tài)指的是道路網(wǎng)中某一個(gè)路段或者某一個(gè)區(qū)域交通流整體運(yùn)行狀況的一種客觀表現(xiàn)，是一個(gè)較為模糊的概念。美國《道路通行能力手冊(cè)》[10]在考慮了交通參與者(駕駛員和乘客)主觀感受和車輛間運(yùn)行條件的基礎(chǔ)上，將高速公路交通狀態(tài)從自由流到強(qiáng)制流分為A～F 共6個(gè)等級(jí)。我國借鑒美國《道路通行能力手冊(cè)》，將高速公路服務(wù)水平分為四級(jí)，如表1所示。依據(jù)每級(jí)服務(wù)水平所對(duì)應(yīng)的密度值，按照平均車長為4 m，換算成相應(yīng)的時(shí)間占有率。下文中根據(jù)交通量、密度、時(shí)間占有率三個(gè)參數(shù)對(duì)交通狀態(tài)進(jìn)行聚類分級(jí)。

表1 我國高速公路服務(wù)水平分級(jí)情況Table 1 Classification of highway service level in China

1.2 識(shí)別算法原理

OWF算法由OWOA和FCM算法結(jié)合而成。OWOA是由WOA和反向?qū)W習(xí)策略結(jié)合的集群智能優(yōu)化算法，其中WOA則是從初始的交通狀態(tài)聚類中心開始，在迭代次數(shù)內(nèi)尋找到交通狀態(tài)最優(yōu)聚類中心。WOA雖然在收斂精度及速度上有著良好的效果，但是仍然有可能陷入局部最優(yōu)的問題，導(dǎo)致收斂速度慢，收斂精度低。而反向?qū)W習(xí)策略能夠擴(kuò)大搜索區(qū)域增強(qiáng)WOA的全局搜索能力，應(yīng)用反向?qū)W習(xí)策略可優(yōu)化WOA。反向?qū)W習(xí)策略初始化種群不同于WOA隨機(jī)產(chǎn)生一個(gè)初始化種群，使得減少了向最優(yōu)解搜索的距離，因此搜索效率更快。反向?qū)W習(xí)策略能夠增強(qiáng)種群多樣性，生成更多的初始交通狀態(tài)聚類中心。FCM算法則是根據(jù)OWOA生成的交通狀態(tài)最優(yōu)聚類中心，更新隸屬度矩陣，得到最終的交通狀態(tài)最優(yōu)聚類中心，即各個(gè)交通狀態(tài)等級(jí)Si。OWF算法克服了FCM算法容易陷入局部最優(yōu)、求解效率差的缺點(diǎn)，其結(jié)構(gòu)如圖1所示。

圖1 OWF算法結(jié)構(gòu)圖Fig.1 Architecture of the OWF algorithm

1.3 識(shí)別算法

OWOA通過反向?qū)W習(xí)策略增加初始交通狀態(tài)聚類中心的多樣性，用WOA中鯨魚群在魚群下方吐出螺旋形氣泡包圍魚群的氣幕捕殺方式，搜尋最優(yōu)交通狀態(tài)聚類中心。

1.3.1 反向?qū)W習(xí)策略

Tizhoosh[11]提出的反向?qū)W習(xí)概念是應(yīng)用于智能領(lǐng)域的一種機(jī)器學(xué)習(xí)方法，后來因?yàn)槠淞己玫奶剿髂芰?，被廣泛用到提高啟發(fā)式算法的搜索性能中。

若x為區(qū)間[a,b]之間的任意實(shí)數(shù)，則與x相對(duì)應(yīng)的反向數(shù)x*為：

x*=a+b-x，

(1)

若X=(x1,x2,…,xD)>為D維空間內(nèi)的一點(diǎn)，且xj為區(qū)間[aj,bj]之間的任意實(shí)數(shù)，則與之對(duì)應(yīng)的反向點(diǎn)為：

(2)

當(dāng)求解最小化問題時(shí)，X=(x1,x2,…,xD)>為D維空間內(nèi)的一點(diǎn)，若X的反向解X*的適應(yīng)度比X的適應(yīng)度小，則用X*代替X，此過程稱為反向優(yōu)化。當(dāng)X*的適應(yīng)度比X的適應(yīng)度大時(shí)，稱X為精英個(gè)體，反之稱為普通個(gè)體。

若群體中的普通個(gè)體Xe=(xe1,xe2,…,xeD)>為D維空間內(nèi)的一點(diǎn)，且xej為區(qū)間[aj,bj]之間的任意實(shí)數(shù)，則普通個(gè)體的反向解為：

(3)

式中k為區(qū)間[0,1]間的隨機(jī)數(shù)，aj和bj分別為動(dòng)態(tài)搜索的下界和上界。

用動(dòng)態(tài)邊界代替固定邊界提升搜索質(zhì)量，上述[aj,bj]稱為固定邊界，則相應(yīng)的動(dòng)態(tài)邊界[daj,dbj]為：

(4)

1.3.2 WOA

(1)包圍獵物階段

在包圍獵物階段，鯨魚分頭搜尋獵物，當(dāng)有鯨魚發(fā)現(xiàn)獵物時(shí)向其他鯨魚發(fā)送信號(hào)，其他鯨魚收到信號(hào)后游向發(fā)射信號(hào)的鯨魚，從而包圍獵物。包圍獵物階段其他鯨魚更新自己位置的表達(dá)式如式(5)所示：

Y(t+1)=Y*(t)-α|β·Y*(t)-Y(t)|,

(5)

式中：Y*表示距離獵物最近的鯨魚位置；Y表示當(dāng)前鯨魚位置；t表示當(dāng)前迭代次數(shù)；α、β表示搜索系數(shù)，其定義如式(6)～(7)所示：

α=2τ·rτ-τ，

(6)

β=2rc，

(7)

式中：rτ表示隨機(jī)向量，0≤rτ≤1；rc表示隨機(jī)向量，0≤rc≤1?？梢钥闯鏊阉飨禂?shù)α在[-τ,τ]范圍內(nèi)變化。τ在迭代過程中由2線性下降至0，計(jì)算公式如式(8)所示：

τ=2-2t/tmax，

(8)

式中tmax表示最大迭代次數(shù)。

(2)氣幕攻擊階段

在氣幕攻擊階段，鯨魚有兩種攻擊方式，一種是鯨魚個(gè)體螺旋前進(jìn)吐出氣泡包圍獵物，另一種是鯨魚根據(jù)氣幕收縮形成獵物包圍圈。假設(shè)鯨魚在兩種方式間隨機(jī)切換，切換概率是0.5，則鯨魚更新位置表達(dá)式如式(9)所示：

(9)

式中：σ表示限定螺旋形狀的常數(shù)；l表示隨機(jī)數(shù)，-1≤l≤1；p表示切換概率。

(3)搜尋獵物階段

除了上述方法外，鯨魚也可以隨機(jī)選擇其余鯨魚的位置來搜尋獵物，鯨魚更新位置表達(dá)式如式(10)所示：

Y(t+1)=Y(t)-α|β·Yr(t)-Y(t)|，

(10)

式中Yr表示隨機(jī)鯨魚個(gè)體位置。

總結(jié)上述三個(gè)階段，得到結(jié)論：當(dāng)p≥0.5時(shí)采用螺旋前進(jìn)方式；當(dāng)p<0.5時(shí)，采用包圍獵物方式，包圍獵物時(shí)根據(jù)|α|判斷更新位置方式，當(dāng)|α|≥1時(shí)，通過式(10)更新鯨魚位置；當(dāng)|α|<1時(shí)，通過式(5)更新鯨魚位置。

1.3.3 FCM算法

FCM算法將輸入的交通量、速度、占有率作為n個(gè)3維樣本xi(i=1,2,…,n)>分為4類，每類具有相同的標(biāo)簽[12]，將OWOA得到的交通狀態(tài)聚類中心集作為FCM算法的初始聚類中心集：

(11)

式中：uji表示樣本xi屬于類j的程度；U為uji構(gòu)成的c×n隸屬度矩陣；V為vj構(gòu)成的d×c類中心矩陣；m∈(1，+∞)是一個(gè)加權(quán)模糊指數(shù)，反映控制隸屬度在各類之間共享的程度；dji=‖xi-vj‖表示樣本點(diǎn)xi到類中心vj的歐氏距離。

綜合以上各式，反向?qū)W習(xí)策略得到的初始交通聚類中心傳遞給WOA，而后經(jīng)過WOA優(yōu)化后得到交通狀態(tài)聚類中心作為FCM算法的初始模糊聚類中心Cb。經(jīng)過FCM算法不斷迭代，更新隸屬度矩陣U，得到最終的交通狀態(tài)最優(yōu)聚類中心，即各個(gè)交通狀態(tài)等級(jí)Si。

1.4 OWF求解算法

OWF求解算法步驟如下，流程框圖如圖2所示。

Step1 設(shè)置初始參數(shù)：模糊指數(shù)m、聚類類別數(shù)c、誤差閾值ε、初始化隸屬度矩陣U、種群規(guī)模N、搜索空間維度D、適應(yīng)度函數(shù)f(x)、迭代次數(shù)t、最大迭代次數(shù)tmax。

Step2 隨機(jī)生成初始種群P，是為初始的隨機(jī)交通狀態(tài)聚類中心集，初始化N條鯨魚位置，其中每個(gè)鯨魚位置代表一種交通狀態(tài)聚類中心可行解。

Step4 動(dòng)態(tài)邊界計(jì)算：計(jì)算精英個(gè)體的動(dòng)態(tài)邊界[daj(t),dbj(t)]。

Step5 根據(jù)式(8)求取動(dòng)態(tài)邊界的普通個(gè)體反向解。

Step6 將Step3以及Step5計(jì)算得到的精英反向解匯總，得到種群P1，替換種群P，作為反向?qū)W習(xí)策略下的初始交通狀態(tài)聚類中心集。

Step7 計(jì)算最優(yōu)個(gè)體：選擇所有個(gè)體中適應(yīng)度函數(shù)值最小的作為鯨魚群中的最優(yōu)個(gè)體，作為該種群內(nèi)交通狀態(tài)聚類中心的局部最優(yōu)。

Step8 更新個(gè)體參數(shù)，包括隨機(jī)數(shù)τ、隨機(jī)數(shù)l、搜索系數(shù)α、搜索系數(shù)β、切換概率p。

Step9 根據(jù)|α|和切換概率p判斷鯨魚更新位置的方式，更新種群P1，即更新新的交通狀態(tài)聚類中心集，更新全局最優(yōu)個(gè)體，是為當(dāng)前迭代次數(shù)內(nèi)所能尋找到的交通狀態(tài)最優(yōu)聚類中心。

Step10 若t

Step11 更新隸屬度矩陣U，更新模糊聚類中心C，得到新的交通狀態(tài)中心點(diǎn)。

Step12 計(jì)算價(jià)值函數(shù)，判斷是否收斂：若新一代價(jià)值函數(shù)值與上一代價(jià)值函數(shù)值的變化量大于誤差閾值，則轉(zhuǎn)回Step11，否則輸出結(jié)果為各個(gè)交通狀態(tài)等級(jí)Si，算法結(jié)束。

圖2 OWF算法流程圖Fig.2 Flowchart of the OWF algorithm

2 實(shí)證分析

2.1 數(shù)據(jù)樣本

為驗(yàn)證OWF交通狀態(tài)識(shí)別算法的有效性，以盧溝橋路段2016年6月13日—15日進(jìn)京方向車輛檢測(cè)器采集的實(shí)際交通流數(shù)據(jù)為研究對(duì)象，該路段地理位置如圖3所示。

圖3 路段地理位置圖Fig.3 Geographic location of the studied road section

車輛檢測(cè)器得到的數(shù)據(jù)包括檢測(cè)器id、時(shí)間、車道編號(hào)、車流方向(進(jìn)京方向和出京方向)、交通量、速度、85分位車速以及時(shí)間占有率等數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)行可異常數(shù)據(jù)識(shí)別和修復(fù)，使用5 min的采樣間隔，提取交通量、速度和時(shí)間占有率三個(gè)參數(shù)，數(shù)據(jù)形式如表2所示。

表2 檢測(cè)器數(shù)據(jù)形式(id:823080008)Table 2 Data format of the detector(id:823080008)

2.2 仿真分析

以上述數(shù)據(jù)為基礎(chǔ)，應(yīng)用Matlab程序進(jìn)行編程，算法的初始參數(shù)值如表3所示。

表3 算法參數(shù)Table 3 Values of the algorithm parameters

為驗(yàn)證OWF算法的有效性，選取1天(6月13日)樣本量進(jìn)行分析，得到交通狀態(tài)聚類中心如表4所示，可以發(fā)現(xiàn)算法所得出的4個(gè)交通狀態(tài)聚類中心在速度、交通量和時(shí)間占有率3個(gè)方面都具有很大的差異，且不一樣的類型中間可以發(fā)現(xiàn)較強(qiáng)的規(guī)律，代表了高速公路交通狀態(tài)之間的差異性和演變的規(guī)律性。比如處于第1類劃分結(jié)果的時(shí)段都具有交通量與占有率較小，平均車速快的特點(diǎn)，此時(shí)對(duì)應(yīng)的是高速公路交通流中的自由流狀態(tài)，而第4類劃分結(jié)果正好相反，該時(shí)段內(nèi)交通量與占有率較大，平均車速小。因此，認(rèn)為OWF算法得到的交通狀態(tài)聚類中心劃分符合交通流特性。交通狀態(tài)樣本三維可視化效果圖如圖4所示，在三維空間內(nèi)呈現(xiàn)出四種交通狀態(tài)，聚類效果明顯。

表4 OWF算法得到的聚類中心Table 4 Clustering center obtained using the OWF algorithm

為進(jìn)一步說明算法對(duì)交通狀態(tài)劃分的有效性，將實(shí)際聚類效果和預(yù)測(cè)聚類效果進(jìn)行了對(duì)比，如圖5所示。數(shù)據(jù)為288×3矩陣，在全部288個(gè)樣本中，準(zhǔn)確預(yù)測(cè)樣本數(shù)為265個(gè)，聚類準(zhǔn)確率為92%。該圖還能大致看出全天該路段總體的交通狀態(tài)發(fā)展變化規(guī)律，夜間進(jìn)京方向車輛較多，有一定的擁堵現(xiàn)象，早高峰期間為全天擁堵最嚴(yán)重的時(shí)間段，之后交通流不斷波動(dòng)，在自由流和穩(wěn)定流狀態(tài)之間來回波動(dòng)，進(jìn)入夜間又開始出現(xiàn)輕微擁堵現(xiàn)象。

圖4 OWF算法聚類效果圖Fig.4 Clustering effect chart of the OWF algorithm

注：橫坐標(biāo)樣本序列按照時(shí)間順序排列，每個(gè)樣本點(diǎn)5 min，288個(gè)樣本點(diǎn)共1天時(shí)間。圖5 高速公路交通流狀態(tài)判別結(jié)果Fig.5 Identification result of highway traffic states

2.3 性能評(píng)價(jià)

2.3.1 OWF與FCM算法對(duì)比

FCM算法得到的交通狀態(tài)聚類中心如表5所示，與OWF算法得到的交通狀態(tài)聚類中心是相近的。兩種算法的目標(biāo)函數(shù)收斂曲線圖如圖6所示，OWF算法得到的目標(biāo)函數(shù)值雖然經(jīng)過多次迭代后和FCM算法得到的目標(biāo)函數(shù)值一致，但OWF算法收斂速度更快，這表明OWF算法性能更優(yōu)。

由表5可知，從c1到c3，隨著交通量增多，時(shí)間占有率變大，而速度幾乎不變，說明S1到S3的交通狀態(tài)是由自由流到高密度穩(wěn)定交通流過度，而c4較c3交通量減少，速度急劇下降，時(shí)間占有率迅速上升，說明S4的交通狀態(tài)轉(zhuǎn)變?yōu)檫^飽和狀態(tài)。

表5 FCM算法得到的聚類中心Table 5 Clustering center obtained using the FCM algorithm

圖6 目標(biāo)函數(shù)收斂曲線圖Fig.6 Convergence curve of the objective function

2.3.2 不同樣本量效果對(duì)比

為進(jìn)一步研究樣本量多少對(duì)狀態(tài)聚類效果的影響，現(xiàn)選取1 d(6月13日)和3 d樣本量(6月13日—15日)分別聚類進(jìn)行比較分析。由OWF算法得到的3 d樣本量的交通狀態(tài)聚類中心如表6所示。3 d樣本量數(shù)據(jù)對(duì)應(yīng)的聚類效果圖如圖7所示。

表6 3 d樣本量的聚類中心Table 6 Comparison of clustering centers for three days

圖7 3 d數(shù)據(jù)的交通狀態(tài)聚類結(jié)果Fig.7 Traffic state clustering results for three days

由圖7可知，相對(duì)圖4給出的1 d樣本量數(shù)據(jù)得到的聚類結(jié)果，3 d樣本量數(shù)據(jù)得到的聚類效果更明顯一些，樣本數(shù)據(jù)分布規(guī)律基本符合前文所述的交通流參數(shù)關(guān)系。

不同樣本量交通狀態(tài)識(shí)別率對(duì)比如圖8所示，每個(gè)箱型分別為該數(shù)據(jù)集的四個(gè)階段交通狀態(tài)識(shí)別率分布，從最高識(shí)別率到最低識(shí)別率進(jìn)行排列。由圖8可得，使用3 d樣本量的交通狀態(tài)整體識(shí)別率92.8%與使用1天樣本量的交通狀態(tài)整體識(shí)別率92%相近，因此可以認(rèn)為樣本量增多不會(huì)降低OWF算法的整體識(shí)別率。

圖8 不同樣本量交通狀態(tài)識(shí)別率對(duì)比Fig.8 Comparison of traffic state recognition rate with different samples

3 結(jié)論

本文將基于反向?qū)W習(xí)策略的鯨魚優(yōu)化算法與FCM算法相結(jié)合，提出一種基于集群智能的高速公路交通狀態(tài)識(shí)別算法，既考慮交通參數(shù)個(gè)體特征差異，又考慮個(gè)體參數(shù)所蘊(yùn)含的群體特征差異性。利用反向?qū)W習(xí)策略的優(yōu)點(diǎn)擴(kuò)大搜索范圍且增強(qiáng)全局搜索能力，優(yōu)化交通狀態(tài)初始模糊聚類中心，克服FCM算法易陷入局部最優(yōu)的缺點(diǎn)。以進(jìn)京高速某路段交通數(shù)據(jù)為基礎(chǔ)，進(jìn)行實(shí)例分析，結(jié)果表明，OWF算法在高速公路交通狀態(tài)識(shí)別上具有良好的效果，準(zhǔn)確率達(dá)到92%，且收斂速度較FCM算法更快，同時(shí)樣本量增多不會(huì)降低OWF算法的整體識(shí)別率。

本文研究的路段未考慮匝道口的影響，不受匝道車流匯入及駛出影響，在下一步研究中，將考慮包含匝道路段的交通狀態(tài)識(shí)別。