趙昱博，屈新明

（深圳城市交通規(guī)劃設(shè)計(jì)研究中心，廣東深圳 518000）

隨著我國工業(yè)化進(jìn)程不斷推進(jìn)，人員、貨物的區(qū)域間流動增長迅速，道路監(jiān)管壓力和事故安全風(fēng)險(xiǎn)不斷加大，實(shí)時(shí)交通運(yùn)行監(jiān)控及安全保障工作變得愈發(fā)重要。車輛異常行為檢測是交通運(yùn)行安全監(jiān)管中重要的一環(huán)，及時(shí)發(fā)現(xiàn)行為異常的車輛并持續(xù)跟蹤監(jiān)測，同步采取相應(yīng)的管理處置措施，對于降低道路安全風(fēng)險(xiǎn)、規(guī)避交通運(yùn)營事故具有重要的現(xiàn)實(shí)意義。

車輛行為檢測方法多樣，傳統(tǒng)方式如地感線圈等應(yīng)用廣泛，但此類方法局限于車輛在離散點(diǎn)位的基礎(chǔ)動態(tài)特征，收集到的信息較為有限，且設(shè)備需要定期更換；各類傳感器，如雷達(dá)、激光等可以針對性監(jiān)測多種車輛行為，但受限于代價(jià)昂貴，目前尚未整體普及。同時(shí)，當(dāng)交通流中存在多種違法類型時(shí)，傳統(tǒng)檢測方法常常力不從心，漏檢、誤檢時(shí)有發(fā)生，使其越來越不適應(yīng)當(dāng)前交通管理的應(yīng)用趨勢。

以車輛運(yùn)行GPS 軌跡為基礎(chǔ)，融合卡口圖像識別算法軌跡為輔助修正，從時(shí)間、空間兩個(gè)維度對融合后的車輛運(yùn)行軌跡進(jìn)行挖掘，評估車輛行為特征?；诓煌愋徒煌ㄟ`規(guī)行為畫像擬合不同車型軌跡運(yùn)行特質(zhì)，實(shí)時(shí)監(jiān)測判別車輛駕駛安全風(fēng)險(xiǎn)，在降低成本的同時(shí)，提升了對道路運(yùn)行違法行為的監(jiān)測效率。

1 軌跡獲取及處理流程

基礎(chǔ)軌跡數(shù)據(jù)由GPS 設(shè)備在車輛移動過程中上報(bào)匯集所產(chǎn)生，該數(shù)據(jù)包含多維度特征，涉及日期、時(shí)刻、定位、速度等基礎(chǔ)信息，數(shù)據(jù)示例如表1所示。

表1 出租車GPS數(shù)據(jù)示例

由于受信號遮擋、干擾等原因的影響，GPS 軌跡中存在部分?jǐn)?shù)據(jù)缺失的情況，直接對這些異常的軌跡數(shù)據(jù)進(jìn)行處理勢必會影響結(jié)果準(zhǔn)確性和決策的可靠性。GPS 軌跡補(bǔ)全的主要思想為插值，基于軌跡數(shù)據(jù)特點(diǎn)，應(yīng)用最近鄰插值算法可以較為準(zhǔn)確地對缺失的采樣點(diǎn)進(jìn)行插補(bǔ)，從而恢復(fù)出車輛完整的時(shí)空軌跡。

除了基礎(chǔ)的GPS 軌跡，通過卡口視頻進(jìn)行數(shù)據(jù)采集，應(yīng)用圖像處理方法進(jìn)行車輛軌跡提取，可以獲得精準(zhǔn)的離散軌跡數(shù)據(jù)。目前，基于圖像處理進(jìn)行車輛軌跡提取的方法的較多，文章應(yīng)用計(jì)算機(jī)視覺中的Yolo3算法進(jìn)行車輛軌跡提取。初步提取的軌跡數(shù)據(jù)可能存在諸多跳躍、平滑性差等缺點(diǎn)，應(yīng)用KCF 目標(biāo)跟蹤算法基于歷史軌跡數(shù)據(jù)對當(dāng)前數(shù)據(jù)幀進(jìn)行預(yù)測匹配，可以較好地解決目標(biāo)檢測丟失和遠(yuǎn)行無法檢測到車輛等問題。

多個(gè)卡口處的離散數(shù)據(jù)通過車牌與GPS 軌跡相關(guān)聯(lián)，作為樣本車輛數(shù)據(jù)的補(bǔ)充，對基礎(chǔ)軌跡中部分異常、缺失的點(diǎn)位予以清洗補(bǔ)全，使得車輛軌跡在時(shí)間維度上進(jìn)一步細(xì)化，并進(jìn)一步提升了與路網(wǎng)空間特征的契合程度。

2 車輛異常行為分析

基于軌跡數(shù)據(jù)實(shí)際應(yīng)用，主要研究以下幾種異常駕駛行為類型，如表2所示。

表2 出租車GPS數(shù)據(jù)示例

表2中，速度違章表示目標(biāo)車輛在某時(shí)間段的行駛速度與當(dāng)前路段或區(qū)域的設(shè)定規(guī)則不符；路線違章則表示目標(biāo)車輛的行駛軌跡違反了所在道路或區(qū)域的設(shè)定；駕駛員行為風(fēng)險(xiǎn)主要集中于長時(shí)間疲勞駕駛及部分車型于夜間的紅眼駕駛；區(qū)域聚集包括重點(diǎn)車型在特定區(qū)域的數(shù)量超限，以及隨機(jī)發(fā)生的車輛異常聚集行為。

為減少軌跡數(shù)據(jù)偏差對分析結(jié)果造成的影響，文章采用較為經(jīng)典的地圖匹配解決方案S-T MapMatching。該類算法基于隱式馬爾可夫模型，從概率的角度計(jì)算可能路徑的觀測概率，選取概率最大的路徑作為最終的匹配結(jié)果。該方案只應(yīng)用于部分異常行為分析中，如駛?cè)虢袇^(qū)、疲勞駕駛等對空間位置精度要求較低的異常檢測可以忽略此步。

整體分析流程如圖1所示：

圖1 分析流程圖

2.1 速度違章分析

通常速度違章表示車輛的當(dāng)前行駛速度違背了路段或區(qū)域的設(shè)定規(guī)則。超速違章一般為持續(xù)性的，從軌跡數(shù)據(jù)的地圖打點(diǎn)來看，離散、偶發(fā)的速度高于設(shè)定閾值的情況通常不足以作為判定超速行駛的依據(jù)。在執(zhí)行地圖匹配后，車輛行駛速度指標(biāo)與路段最小單元的通過時(shí)間、單元長度相綁定，單個(gè)點(diǎn)位的速度應(yīng)服從于路段整體運(yùn)行速度的判定。

對于一段連續(xù)的行駛軌跡，目標(biāo)車輛往往會途經(jīng)多段不同道路等級，即多段不同限速的路段，將軌跡與道路等級相關(guān)聯(lián)，精細(xì)化分析車輛在不同限速路段上的超速等級分布，有助于定量分析不同車輛類型、不同時(shí)間范圍、不同道路節(jié)點(diǎn)的違章成因，挖掘潛在風(fēng)險(xiǎn)點(diǎn)。如圖2所示，目標(biāo)車輛先后經(jīng)過主干路—支路—高速路—支路—快速路共4種道路類型，吻合圖中最高限速閾值曲線的車輛速度曲線即可作為判定持續(xù)超速違章的依據(jù)。

圖2 軌跡超速分析

2.2 路線違章分析

路線違章指目標(biāo)車輛的行駛軌跡與既定規(guī)則不符，既定規(guī)則可以基于道路或是區(qū)域，車輛行駛軌跡未與指定路段重合，抑或是駛?cè)肓私袇^(qū)域；規(guī)則也可細(xì)化至車道級，如非法占用公交車道等行為。地圖匹配賦予了每輛車行程軌跡的唯一關(guān)聯(lián)路段集，對于“未按規(guī)定線路行駛”項(xiàng)來說，在將路段規(guī)則進(jìn)行標(biāo)定后，可以實(shí)時(shí)、快速地獲取車輛的違規(guī)信息。非法占道的判別需借助精細(xì)化的GIS 路網(wǎng)，并同時(shí)滿足3個(gè)特定要求：特定時(shí)段駛?cè)胩囟ㄜ嚨赖奶囟ㄜ囆??；谲壽E的路線違章判別方法整體側(cè)重于對地理數(shù)據(jù)的把握，不同規(guī)則主導(dǎo)下的定量、精細(xì)化控制構(gòu)成了對應(yīng)特征分析的核心。

圖3 未按規(guī)定線路行駛軌跡示例

2.3 駕駛員行為風(fēng)險(xiǎn)分析

疲勞駕駛的行為特征可概括為：重點(diǎn)車輛具有在特定時(shí)段長時(shí)間連續(xù)行駛的軌跡特征。紅眼駕駛則強(qiáng)調(diào)客車的夜間駕駛行為。對于以上二者來說，軌跡分析側(cè)重于對時(shí)間點(diǎn)的精準(zhǔn)把握，基于插值后的軌跡數(shù)據(jù)滿足時(shí)間粒度的分析要求，可以直接作為中間數(shù)據(jù)予以量化分析。疲勞駕駛的核心在于駕駛與休息時(shí)間的判定，當(dāng)車輛處于停止?fàn)顟B(tài)時(shí)，可應(yīng)用決策樹等方法基于停駐點(diǎn)區(qū)域類型對駕駛員行為（是否休息）作分類判別。

2.4 區(qū)域聚集分析

以區(qū)域異常聚集為例，常用的分析方法為DBScan 密度聚類算法，基于同時(shí)間段車輛點(diǎn)位經(jīng)緯度作區(qū)域密度分析，篩選大于設(shè)定閾值的區(qū)域，結(jié)合區(qū)域地理位置、周邊用地等信息對該事件類型做出判斷，并及時(shí)通知相關(guān)部門進(jìn)行跟蹤處理。出于交通事故告警、突發(fā)事件處理及疫情防控的需要，區(qū)域聚集的實(shí)時(shí)性需求較高，同時(shí)也對數(shù)據(jù)可靠性提出了一定要求?；贕PS 及卡口數(shù)據(jù)互補(bǔ)的治理策略較好的彌補(bǔ)了單一數(shù)據(jù)源的數(shù)據(jù)質(zhì)量短板，在實(shí)際應(yīng)用中發(fā)揮了較高的應(yīng)用價(jià)值。

圖4 插值后的軌跡時(shí)空圖

2.5 統(tǒng)計(jì)數(shù)據(jù)結(jié)果

基于文章方法，對深圳市某區(qū)域15:00—21:00時(shí)段的車流進(jìn)行測試，車型包括出租車、百度導(dǎo)航車、客運(yùn)班車、泥頭車等共計(jì)7種，有效樣本共計(jì)33256輛，區(qū)域內(nèi)包含所有等級類型道路。測試結(jié)果如表3所示。因未接入全類型車輛數(shù)據(jù)，測試結(jié)果略有偏差。

表3 出租車GPS數(shù)據(jù)示例

3 結(jié)束語

以車輛運(yùn)行GPS 軌跡為基礎(chǔ)，融合卡口圖像識別算法軌跡為輔助修正，從時(shí)間、空間兩個(gè)維度對融合后的車輛運(yùn)行軌跡進(jìn)行挖掘，評估車輛行為特征，基于不同類型交通違規(guī)行為畫像擬合不同車型軌跡運(yùn)行特質(zhì)，實(shí)時(shí)監(jiān)測判別車輛駕駛安全風(fēng)險(xiǎn)。經(jīng)過實(shí)際測試，該方案在降低成本的同時(shí)有效提升了對道路運(yùn)行違法行為的監(jiān)測力度。