任其亮，徐韜，程龍春

（1.重慶交通大學(xué)，重慶 400074；2.重慶市市政設(shè)計研究院有限公司，重慶 400020）

0 引言

相較于單一車輛路徑識別，道路斷面交通流路徑識別更能反映道路流量走向、車流構(gòu)成等出行特征，因而廣泛應(yīng)用于道路前期論證、交通組織優(yōu)化等工程應(yīng)用，目前道路交通流路徑識別主要通過人工車牌計數(shù)、高清卡口、車載射頻識別車牌數(shù)據(jù)等大數(shù)據(jù)挖掘?qū)崿F(xiàn)。

吳俊美[1]依托RFID （Radio Frequency Identification）數(shù)據(jù)提出城市道路交通流特征參數(shù)提取與預(yù)測模型，實(shí)現(xiàn)車輛路徑識別及城市道路交通流特征參數(shù)預(yù)測。楊冰健[2]根據(jù)卡口數(shù)據(jù)基于TOPSIS （Technique for Order Preference by Similarity to Ideal Solution）法從多義卡口對合理路徑集中識別最合理路徑，實(shí)現(xiàn)機(jī)動車多義軌跡段路徑識別。劉迎等[3]基于RFID 及GPS 數(shù)據(jù)采用ARIMA（Autoregressive Integrated Moving Average Model）、改進(jìn)的SVM（Support Vector Machine）模型對公交車行程時間進(jìn)行預(yù)測，驗(yàn)證了RFID 數(shù)據(jù)的有效性。李軍等[4]利用歷史出行軌跡計算得到路段間的轉(zhuǎn)移概率，并建立Markov 鏈模型識別出行者路徑軌跡。潘義勇等[5]建立隨機(jī)交通網(wǎng)絡(luò)環(huán)境下約束最可靠路徑模型，研究模擬仿真交通環(huán)境下風(fēng)險性車輛的路徑識別。吳金鎖[6]利用FP-growth（Frequent Pattern growth）算法基于RFID 數(shù)據(jù)提出基于時間閾值的車輛軌跡分割算法，進(jìn)而得到車輛出行次數(shù)與停留位置等交通參數(shù)，肖清榆[7]根據(jù)高速公路聯(lián)網(wǎng)收費(fèi)數(shù)據(jù)利用改進(jìn)蟻群算法求解高速路網(wǎng)中多合理路徑問題。

綜上，為保障單一數(shù)據(jù)源下路徑識別精度，目前交通流路徑識別對數(shù)據(jù)覆蓋質(zhì)量要求較高，主要以高速公路等樣本數(shù)據(jù)覆蓋密集的路段為主，對城市次支道路等RFID、卡口覆蓋不足路段考慮相對較少。在實(shí)際工程應(yīng)用中，RFID 點(diǎn)位主要集中在快速路、主干路等骨架道路，次干路、支路覆蓋較少，導(dǎo)致傳統(tǒng)分析結(jié)果誤差較大?；诖?，本文依托RFID、FCD等交通大數(shù)據(jù)，通過組合算法模型構(gòu)建城市道路斷面交通流路徑識別體系，提升了路徑識別估算精度。

1 斷面交通流路徑識別體系

1.1 交通流與車輛路徑

通過車輛行駛路徑疊加獲取本文斷面交通流，車輛行駛路徑則通過組合模型進(jìn)行識別或估算，假設(shè)所有車輛由節(jié)點(diǎn)1行駛至節(jié)點(diǎn)14，則統(tǒng)計時段內(nèi)任意路段l（i,j）交通流q（i,j）為途經(jīng)節(jié)點(diǎn)i、j的車輛集合數(shù)，如圖1所示。

圖1 城市GIS路網(wǎng)示意圖Fig.1 Schematic diagram of urban road GIS network

1.2 路徑識別過程

假設(shè)追溯目標(biāo)斷面為l（6,9），在交通組織、交通規(guī)劃等工程應(yīng)用中，相交于識別單個車輛行駛路徑，更傾向于獲取道路追溯斷面各進(jìn)出口連接道路交通流分布情況，識別各連接道路途徑追溯斷面的交通流，而非單個車輛路徑追溯，即轉(zhuǎn)化為求解l（6,9）交通量中途經(jīng)l（2,6）、l（9,12）等l（i,j）路段的追溯交通流問題。

通過RFID 接收器統(tǒng)計途徑車輛編碼ID 并計算出l（6,9）斷面交通流q，利用平移不變小波變換[8]（Transition Invariant Discrete Wavelet Transform，TIDWT）將q切分為平穩(wěn)項(xiàng)和隨機(jī)項(xiàng)q′。按車輛途徑RFID監(jiān)測點(diǎn)數(shù)量將分為可追溯交通流（該車輛通過或駛出目標(biāo)斷面RFID監(jiān)測點(diǎn)及途徑次數(shù)不小于3 次）和非追溯交通流（該車輛通過RFID監(jiān)測點(diǎn)次數(shù)不大于2次），即

計算步驟如下。

Step 1 根據(jù)FCD-RFID追溯路徑模型，求解出l（i,j）可追溯交通流。

Step 2 依托城市出行OD 矩陣，利用基于綜合成本阻抗的路徑感知隨機(jī)用戶均衡模型（Route Perception Logit-Overlapping Stochastic User Equilibrium, RPL-O-SUE）以l（6,9）為追溯目標(biāo)斷面進(jìn)行交通追溯分配，結(jié)合GIS 路網(wǎng)中RFID 點(diǎn)位分布情況，將除追溯目標(biāo)斷面RFID 點(diǎn)外途徑其余RFID點(diǎn)位次數(shù)超過2次及以上次數(shù)的車輛剔除，即統(tǒng)計出由交通分配模型初定l（i,j）的非追溯交通流，并擴(kuò)樣出最終非追溯交通流為

式中：為初定的路段l（i,j）非追溯交通流；為追溯目標(biāo)斷面SUE模型預(yù)測交通流；為路段l（i,j）最終非追溯交通流。

Step 3 考慮外地車輛比例α，重慶市中心城區(qū)外地車比例為6.3%～7.5%之間，本文取α=7%，計算出為

2 模型建模

2.1 TIDWT切分RFID

按周期時長1 min 統(tǒng)計建立追溯目標(biāo)斷面RFID 交通流時間序列，利用TIDWT 將RFID 交通流數(shù)據(jù)切分為平穩(wěn)項(xiàng)和隨機(jī)項(xiàng)，TIDWT 未篩選出具體車輛ID 信息，故需先將隨機(jī)項(xiàng)數(shù)值匹配至RFID車輛ID進(jìn)而篩選出噪聲車輛ID，步驟如下。

Step 1 利用TIDWT切分出平穩(wěn)項(xiàng)和隨機(jī)項(xiàng)并向下取整。

Step 2 計算統(tǒng)計周期內(nèi)每輛車與前一輛車通過RFID監(jiān)測點(diǎn)時間間隔與平均時間間隔差值絕對值，按降序排列，根據(jù)Step 1 計算的該統(tǒng)計周期內(nèi)噪聲車輛總數(shù)，由大到小篩選出該周期內(nèi)同數(shù)量的噪聲車輛ID。

Step 3 重復(fù)Step 2 篩選出每個統(tǒng)計周期內(nèi)噪聲車輛ID并剔除，即得到平穩(wěn)項(xiàng)數(shù)據(jù)。

2.2 FCD-RFID追溯路徑模型

利用FCD（本文為出租車GPS 數(shù)據(jù)）計算路段實(shí)時動態(tài)行程車速，進(jìn)而標(biāo)定路段s估計行程時間（點(diǎn)j到點(diǎn)j+1 中路段s估算行程時間），通過累計求和得到該路徑估計行程時間，將所有路徑行程時間和RFID監(jiān)測起訖點(diǎn)實(shí)際行程時間絕對誤差最小路徑作為估計路徑，以間隔時間絕對誤差最小為目標(biāo)建立目標(biāo)函數(shù)為

式中：為車輛i在點(diǎn)j到點(diǎn)j+1 間第m條路徑估算行程時間。

根據(jù)浮動車在統(tǒng)計時間路段中數(shù)量qs將路段分解為Full 型（qs≥3）、Defect 型（1≤qs≤2）、Null 型（qs=0）這3類。

（1）Full

該類型路段估計行程時間t′s數(shù)值等于通過FCD計算出的行程時間，即

式中：t′s為路段s估計行程時間；t（FCD,s）為基于FCD計算行程時間；ls為路段s里程；li,（o,d）為第i輛浮動車行駛里程（出租車每15 s返回一次數(shù)據(jù)信息）；t（i,d）為第i輛浮動車在該路段終點(diǎn)時間；t（i,o）為起點(diǎn)時間；n為統(tǒng)計時間內(nèi)浮動車數(shù)量。

當(dāng)該路段里程小于浮動車在15 s 內(nèi)行駛里程時，則將起點(diǎn)和終點(diǎn)順延至前路段和后路段，并參照式（5）計算路段實(shí)際行程時間。

（2）Defect型

為t（FCD,s）及通過歷史FCD 計算的行程車速加權(quán)求和值，令，α、β為待定權(quán)重系數(shù)。

（3）Null型

為及該統(tǒng)計時段內(nèi)道路等級自由流車速下行程時間加權(quán)求和值，令為該時段內(nèi)該類型等級道路自由流車速（道路等級分為快速路、主干路、次干路、支路這4 類），α1、β1為待定權(quán)重系數(shù)。

2.3 基于綜合成本阻抗的RPL-O-SUE模型

通過基于綜合成本阻抗的RPL-O-SUE交通分配模型求解斷面交通流中的非追溯交通流及隨機(jī)項(xiàng)，傳統(tǒng)效用函數(shù)多以出行時間成本進(jìn)行標(biāo)定，但未考慮道路品質(zhì)和駕駛慣性。本文綜合考慮出行時間、道路等級和駕駛偏好因素，將出行者決策類型分為成本決策、認(rèn)知決策和慣性決策這3 類，通過相繼平均法求解[9]，并采用均方根誤差（Root Mean Square Error,RMSE）作為收斂準(zhǔn)則進(jìn)行收斂性判斷，則路徑k效用函數(shù)F（rs,k）為

式中：F（rs,k）為路徑k的效用函數(shù)；c（rs,k）為路徑k出行時間成本特征值；g（rs,k）為路徑k認(rèn)知決策特征值；o（rs,k）為路徑k慣性決策特征值；λ1、λ2、λ3均為待定參數(shù)，且λ1+λ2+λ3=1。

c（rs,k）為出行時間成本函數(shù)，本文不再贅述，g（rs,k）由路徑道路等級確定，判斷模型為

對于該路徑包含多個路段且涉及多類道路等級時，根據(jù)路段里程占該路徑總里程比例進(jìn)行求和運(yùn)算，為路徑k總里程，n為路徑k所含路段總數(shù)量。

o（rs,k）由歷史出行次數(shù)確定，判斷模型為

式中：t（rs,k）為統(tǒng)計時段內(nèi)起點(diǎn)r和終點(diǎn)s中選擇路徑k的出行次數(shù)；Trs為統(tǒng)計時段內(nèi)起點(diǎn)r和終點(diǎn)s中出行總次數(shù)。

效用函數(shù)F（rs,k）反映了出行時間、道路等級和駕駛偏好對路徑選擇的影響程度，因此可通過計算上述因素重要性標(biāo)定λ1、λ2、λ3。本文設(shè)計了Likert五分量表問卷調(diào)查表，組織223位駕駛員志愿者參與問卷調(diào)查，其中男性128 位，占57.4%，女性95位，占42.6%。結(jié)果顯示，出行時間、道路等級和駕駛偏好得分均值分別為4.5、2.0、1.3，重要性分別為0.56、0.26、0.16，由于駕駛偏好得分均值至少為1.0，相應(yīng)其重要性至少為0.09，故可知駕駛偏好對駕駛員路徑影響較小。為減少算法復(fù)雜度，本文在不考慮駕駛偏好影響下，出行時間、道路等級重要性分別為0.69、0.31，故本文λ1=0.69、λ2=0.31、λ3=0，同時在不考慮算法復(fù)雜度下，也可取λ1=0.58、λ2=0.26、λ3=0.16。

3 案例分析

3.1 數(shù)據(jù)基礎(chǔ)

依托重慶市中心城區(qū)道路運(yùn)行監(jiān)測系統(tǒng)，目前已接入RFID 監(jiān)測點(diǎn)1154 處，其中內(nèi)環(huán)以內(nèi)846 處（73%），內(nèi)環(huán)以外308處（27%），同時選取5條道路為校核路段，其中快速路2條，主干路3條。

3.2 斷面交通流路徑追溯過程

以大學(xué)城隧道為例進(jìn)行交通流路徑識別說明。選取數(shù)據(jù)質(zhì)量較好的2021年6月3日8:00-9:00 數(shù)據(jù)為樣本數(shù)據(jù)，RFID 顯示高峰交通流為4172 輛·h-1，按1 min 周期統(tǒng)計出高峰小時交通流時間序列，利用TIDWT 切分時間序列并統(tǒng)計出平穩(wěn)項(xiàng)，剔除噪聲車輛共76 輛，有效樣本車輛4096輛，如圖2所示。

圖2 TIDWT切分RFID平穩(wěn)項(xiàng)數(shù)據(jù)Fig.2 RFID stationary item data after TIDWT

利用Transcad 二次集成開發(fā)進(jìn)行基于綜合成本阻抗的RPL-O-SUE 交通分配，耗時198 s，經(jīng)180次迭代后，目標(biāo)函數(shù)為10050031.252，RMSE 由初始1572.127 減少為0.004，MRE 由初始71.451%下降至0.498%，MRE 小于0.500，達(dá)到算法收斂判定條件，收斂過程如圖3和圖4所示。

圖3 改進(jìn)SUE模型收斂速度示意圖Fig.3 Schematic diagram of convergence speed of improved SUE model

圖4 改進(jìn)SUE模型迭代統(tǒng)計示意圖Fig.4 Iterative statistical diagram of improved SUE model

最終根據(jù)統(tǒng)計結(jié)果，單一RFID 追溯交通流主要集中在大學(xué)城隧道兩側(cè)快速路、主干路等RFID點(diǎn)位覆蓋道路，次干路、支路等RFID未覆蓋道路基本無追溯交通流，如圖5所示。經(jīng)過組合模型統(tǒng)計的路徑追溯交通流呈均衡分布，次干路、支路等非RFID 覆蓋路段均有追溯交通流，更加符合實(shí)際道路運(yùn)行情況，如圖6所示。

圖5 大學(xué)城隧道單一RFID交通流路徑追溯分析圖Fig.5 Tracing analysis of traffic flow path on University City Tunnel by single RFID

圖6 大學(xué)城隧道組合模型交通流路徑追溯分析圖Fig.6 Tracing analysis of traffic flow path on University City Tunnel by combination model

3.3 誤差精度比較

選擇同日時段，通過人工車牌對比法，利用視頻錄像記錄車牌號碼信息并統(tǒng)計識別車輛路徑，篩選出西永大道等兩側(cè)銜接道路共12 處人工監(jiān)測點(diǎn)，其中RFID覆蓋點(diǎn)位7處，未覆蓋點(diǎn)位5處。

統(tǒng)計結(jié)果如表1所示，大學(xué)城隧道人工統(tǒng)計交通量為4438輛·h-1，RFID統(tǒng)計交通量為4172輛·h-1，較人工統(tǒng)計低6.0%；組合模型考慮了外地車比例，斷面交通量為4464 輛·h-1，與人工統(tǒng)計基本一致。交通流路徑識別方面：單一RFID、組合模型在RFID覆蓋路段MRE分別為8.0%、6.1%；非RFID覆蓋點(diǎn)位中，單一RFID、組合模型MRE 分別為73.6%、13.3%。組合模型在非RFID 覆蓋道路具有明顯優(yōu)勢，單一RFID 路徑追溯交通量普遍低于人工統(tǒng)計，次支路選擇傾向偏低。

表1 大學(xué)城隧道斷面交通流路徑追溯分析Table 1 Details of tracing analysis of traffic flow path on University City Tunnel section

本文通過單一RFID、組合模型（TIDWT 前）誤差分析驗(yàn)證FCD 校核有效性，通過組合模型（TIDWT 前）、組合模型誤差分析驗(yàn)證TIDWT 數(shù)據(jù)處理效用，因此可對三者進(jìn)行誤差對比分析。5 條校核道路人工監(jiān)測點(diǎn)總數(shù)量及RFID覆蓋數(shù)量均一致，誤差分析結(jié)果顯示，組合模型MAE處于58～107輛之間，較單一RFID 下降58.5%～65.4%，較未經(jīng)TIDWT 下降2.1%，MRE 處于9.2%～10.1%之間，較單一RFID 下降68.6%～76.8%，較未經(jīng)TIDWT 下降2.0%，如表2 所示。單一RFID 通過模型估算的行程時間求解有效路徑，實(shí)際條件下行程時間受道路條件、駕駛行為影響，致使估算行程時間與實(shí)際行程時間存在一定誤差，最終導(dǎo)致路徑識別結(jié)果與現(xiàn)實(shí)偏差，通過FCD 計算出的實(shí)際行程時間對模型估算行程時間進(jìn)行校核修正，使之更加符合實(shí)際進(jìn)而提升路徑識別精度；TIDWT 通過對原始數(shù)據(jù)進(jìn)行去噪處理，減少了天氣、設(shè)備誤差等隨機(jī)事件影響，進(jìn)而提高組合模型識別精度。

表2 模型誤差明細(xì)Table 2 List of all model errors

從模型計算時間看，單一RFID 進(jìn)行RPL-OSUE交通分配耗時198 s，F(xiàn)CD-RFID組合模型共耗時276 s，較單一RFID 耗時增加78 s，增長39.4%；與MAE、MRE 下降約60%相比，組合模型雖然耗時有一定增長，但耗時增長幅度處于可接受范圍內(nèi)。

在RFID是否覆蓋方面，組合模型在RFID覆蓋監(jiān)測點(diǎn)位中MRE 為5.2%，此時快速路、主干路、次干路、支路識別精度基本一致，道路等級對識別精度影響較小，非覆蓋監(jiān)測點(diǎn)位為MRE13.3%，組合模型對于非覆蓋監(jiān)測點(diǎn)位仍具有較高估算精度；在不同道路等級方面，快速路、主干路、次干路、支路MRE 分別為5.7%、6.6%、8.8%、14.6%，快速路估算精度最高，估算精度隨道路等級提高而提高，如圖7所示。

圖7 組合模型不同道路等級校核路段MRE統(tǒng)計情況Fig.7 MRE statistics of checking road of different road grades with combined model

4 結(jié)論

本文基于RFID、FCD 等交通大數(shù)據(jù)，利用TIDWT將RFID初始數(shù)據(jù)切分為可追溯交通流、非追溯交通流及隨機(jī)項(xiàng)這3 類，依托城市道路GIS 路網(wǎng)結(jié)合組合模型構(gòu)建道路斷面交通流路徑識別體系。結(jié)果表明：

（1）組合模型對道路交通流路徑識別具有較高精度，MRE 僅為9.5%，較單一RFID 路徑識別誤差明顯下降，非RFID覆蓋道路MRE為13.3%，具備良好適應(yīng)性；

（2）經(jīng)TIDWT切分隨機(jī)項(xiàng)后，組合模型估算精度有進(jìn)一步提升，實(shí)用性更強(qiáng)；

（3）FCD 數(shù)據(jù)通過校核修正估計行程時間，能有效提升交通流路徑識別精度。