劉大偉， 陳建雄

(1.中遠海運科技股份有限公司，上海 200135；2.上海船舶運輸科學研究所有限公司，上海 200135)

0 引 言

近年來，隨著我國機動車數(shù)量不斷增多，高速公路擁堵問題越來越嚴重，由此引發(fā)的時間延誤和環(huán)境污染等問題給社會造成了巨大的經(jīng)濟損失。根據(jù)2021年12月國務院印發(fā)的《“十四五”現(xiàn)代綜合交通運輸體系發(fā)展規(guī)劃》[1]，在智慧公路方面，應穩(wěn)步推進集監(jiān)測、調度、管控、應急和服務等功能于一體的智慧路網(wǎng)云控平臺建設，提取、識別和分析高速公路的交通狀態(tài)是管控的前提。國內外學者對此開展了一系列研究。LINDLEY[2]利用路段飽和度對交通擁堵情況進行了評估，將采集到的高峰時段車流量擴充為24 h的日車流量，并與最大通行能力相對比，確定當路段飽和度大于0.77時，路段處于交通擁堵狀態(tài)。劉嚴磊[3]提出了改進的California算法，通過計算相鄰線圈的占有率，并與標定的閾值相對比，判別路段是否存在交通事件。譚娟等[4]利用多元基礎數(shù)據(jù)構建綜合的交通流特征向量，將其作為數(shù)據(jù)支撐(包含交通流量參數(shù)、環(huán)境狀態(tài)和時段等數(shù)據(jù)),提出了一種基于自編碼(Auto-Encoder)的深度學習模型，并結合Softmax回歸對交通擁堵狀態(tài)進行了預測。張誠[5]對McMaster算法進行了改進，通過對大量歷史數(shù)據(jù)進行分析，得到流量與占有率的二維數(shù)據(jù)關系圖，該關系圖由4個區(qū)域組成，每個區(qū)域代表1個特別的交通狀態(tài)。采用這些研究方法計算得到的交通狀況評價指標實時性較差，精確度較低。對此，本文以高速公路收費站出入口流水表和ETC(Electronic Toll Collection)門架牌識數(shù)據(jù)等為研究對象，采用Van-Aerde模型對區(qū)域交通流進行描述，采用短時路況預測算法對區(qū)域內可能出現(xiàn)的交通擁堵問題進行預測，并將所得結果與高速公路上現(xiàn)有的情報板設備對接，設計一種基于交通態(tài)勢算法的交通預警系統(tǒng)，合理準確地展示當前的交通狀況，為高速公路擁堵治理和交通管理者疏導交通提供依據(jù)。

1 系統(tǒng)架構及功能分析

1.1 系統(tǒng)架構

該系統(tǒng)采用主流的微服務框架設計，在提高系統(tǒng)性能的同時，增強其拓展性?；诮煌☉B(tài)勢算法設計該系統(tǒng)的架構，主要分為數(shù)據(jù)來源層、數(shù)據(jù)庫層、業(yè)務層、網(wǎng)絡通信層和訪問層，各層次根據(jù)不同的功能劃分為不同的應用模塊。圖1為系統(tǒng)架構圖。

圖1 系統(tǒng)架構圖

1.1.1 數(shù)據(jù)來源層

該層通過不同的方式采集多種數(shù)據(jù)，包括但不限于收費站出入口流水表和ETC門架牌識數(shù)據(jù)等，為系統(tǒng)提供數(shù)據(jù)流支撐。

1.1.2 數(shù)據(jù)庫層

數(shù)據(jù)庫采用MySQL和分布式OLAP(Online Analytical Processing)聯(lián)機分析處理系統(tǒng)。MySQL具有體積小、速度快和開源等特性，在系統(tǒng)開發(fā)中得到了廣泛應用。分布式OLAP數(shù)據(jù)庫能進行線性擴展，且支持多副本，無單點故障，以保證系統(tǒng)具有高可用和高并發(fā)的特點。數(shù)據(jù)庫能與Grafana和Prometheus等開源監(jiān)控軟件集成，為運維提供方便。

1.1.3 業(yè)務層

系統(tǒng)基于智能中臺實現(xiàn)各功能模塊的具體功能，是預警系統(tǒng)的核心部分。

1.1.4 網(wǎng)絡通信層

將系統(tǒng)打包部署至租用的公有云環(huán)境中，并搭建nginx負載均衡集群，以保證系統(tǒng)具有良好的性能和高可用性。采用容分發(fā)網(wǎng)絡(Content Delivery Network，CDN)，能避開影響數(shù)據(jù)傳輸速度和魯棒性的環(huán)節(jié)，使信息傳輸?shù)乃俣雀?，安全性更強?/p>

1.1.5 訪問層

可通過PC(Personal Computer)端訪問系統(tǒng)，實時掌握當前的交通態(tài)勢，交通管理者以此為依據(jù)進行交通疏導，同時將內容實時推送給高速公路可變情報板，為出行者的路徑選擇提供依據(jù)。

1.2 系統(tǒng)功能分析

該系統(tǒng)主要包含區(qū)域交通態(tài)勢實時計算模塊、異常擁堵預警模塊和交通遷徙計算模塊，見圖2。

圖2 系統(tǒng)功能模塊圖

將高速路網(wǎng)劃分為數(shù)個網(wǎng)格區(qū)域，基于實時數(shù)據(jù)，利用交通流基本圖模型，結合路段擁堵狀態(tài)、平均車速和出入口排隊長度等指標，實時監(jiān)測道路交通狀態(tài)的變化。采用短時路況預測算法，根據(jù)區(qū)域交通的變化和區(qū)域類型對該區(qū)域的交通態(tài)勢進行預測，并發(fā)出有關異常擁堵的預警。通過采集各收費站流入和流出的車輛數(shù)據(jù)，結合特殊事件(如節(jié)假日等)，統(tǒng)計各區(qū)域車輛的OD(Origin-Destination)狀況，計算交通遷徙情況。

1.3 系統(tǒng)性能目標

交通態(tài)勢實時計算算法的輸出延時小于5 s；實時路況及異常擁堵預警準確率能達到80%；實時路況更新時間小于2 min。

2 系統(tǒng)應用模塊設計

在傳統(tǒng)的交通流理論中，并沒有明確給出交通態(tài)勢算法的定義和描述。近年來，隨著交通信息化和智能交通的不斷發(fā)展，逐漸出現(xiàn)了一些新的概念和交通流分析方法，但本質上并未脫離傳統(tǒng)的交通流理論范疇[6]。在高速公路上，受天氣、道路和事故等眾多不確定因素的影響，交通流運行狀態(tài)是不斷發(fā)生變化的。交通態(tài)勢就是在一定的道路交通條件下，路網(wǎng)中行駛的車輛表現(xiàn)出的狀態(tài)和變化趨勢。系統(tǒng)實時計算當前的交通狀態(tài)，并預測未來的車輛平均行駛速度，由此對道路異常擁堵情況進行預警；同時，計算省內外的交通遷徙情況，準確了解車輛的流動趨勢，全面掌握路網(wǎng)運行狀況。

2.1 區(qū)域交通態(tài)勢實時計算模塊

交通流基本圖模型通過刻畫流量、速度和密度等3個交通要素之間的關系，表征交通流的狀態(tài)和變化規(guī)律，并通過數(shù)據(jù)擬合得到三者之間的函數(shù)關系式[6]。本文采用最小二乘法和標準遺傳算法進行參數(shù)標定。系統(tǒng)實時獲取高速公路收費站出入口流水表和ETC門架牌識數(shù)據(jù)，利用Van-Aerde模型[7]對區(qū)域交通流進行描述，模型的表達式為

(1)

式(1)中：s為車頭時距，km；v為平均速度，km/h；vf為自由流速度，km/h；c1為車頭間距參數(shù)，km；c2為可變跟車參數(shù)，km2/h；c3為車頭時距參數(shù)，h。

c1、c2、和c3的計算公式[6]為

(2)

(3)

(4)

式(2)～式(4)中：vm為臨界(最高)速度，km/h；vf為自由流速度，km/h；ρc為阻塞密度，輛/km；qm為通行能力，輛/h。

ρ為車頭間距的倒數(shù)，即

(5)

平均速度采用路段平均行程速度，是指道路上或路網(wǎng)中所有車輛的總行駛里程與總行程時間的比值，其中行程時間包括中間停車和排隊時間。主要根據(jù)高速公路出口流水表進行計算，同時區(qū)分車型，并剔除壞值數(shù)據(jù)，主要流程如下：

1)選擇相應區(qū)間和相應時間段(實時)的數(shù)據(jù)；

2)根據(jù)車輛出入口收費站的序號匹配每輛車的行駛路段長度si，并計算每輛車的行駛時間ti(ti為出站時間與入站時間的差值)；

3)設置行駛時間ti的范圍為0～24 h，將超出該范圍的數(shù)據(jù)剔除；

5)根據(jù)

(6)

流量q可由速度和密度得出，即

q=ρv

(7)

通過采集寧夏高速公路車輛數(shù)據(jù)對模型參數(shù)進行設置，結果見表1。

表1 Van-Aerde模型參數(shù)

根據(jù)設置的參數(shù)可得到流量-密度曲線(見圖3)、速度-密度曲線(見圖4)和速度-流量曲線(見圖5)，清楚地顯示交通流基本圖模型3個要素之間的關系[8]。隨著密度的不斷增大，流量不斷增大，會處于自由流狀態(tài)，但當密度達到某個閾值之后，隨著密度的繼續(xù)增大，流量逐漸減小，交通逐步進入擁堵狀態(tài)；隨著密度的不斷增大，車流速度逐漸減少；速度與流量的關系基本上與密度與流量的關系一致，也存在閾值。將交通流控制在閾值附近，以提高道路通行效率。

在得到區(qū)域整體的交通流特征之后，評估區(qū)域的交通運行狀態(tài)，對交通流運行是否順暢、是否產生擁堵進行分析。平均速度是最能表征車輛運行狀態(tài)的指標：平均速度較高，說明交通流基本上處于自由流狀態(tài)，未受天氣和道路交通條件等不確定因素的影響；平均速度較低，說明交通流的運行受到了干擾，交通流基本上處于擁堵狀態(tài)。根據(jù)不同的限速標準，結合平均速度將擁堵狀況劃分為5個等級，具體見表2。

表2 平均速度分級表

2.2 異常擁堵預警模塊

根據(jù)實時交通信息計算交通態(tài)勢的變化情況，及時對擁堵情況進行預警，并預測路網(wǎng)運行指數(shù)、擁堵長度和擁堵時間，需明確擁堵路段。

2.2.1 GCN-LSTM模型

為預測某路段未來的擁堵狀況，首先需預測該路段未來的車速情況。車速預測采用基于圖卷積網(wǎng)絡(Graph Convolutional Network, GCN)和長短期記憶(Long Short-Term Memory, LSTM)單元的時間圖進化網(wǎng)絡(GCN-LSTM)模型完成，流程見圖6。該模型同時考慮了交通數(shù)據(jù)的空間性和時間依賴性[9]。利用GCN提取每個窗口時刻目標路段實際速度的空間特征，并映射輸出窗口時刻目標路段的隱藏空間關聯(lián)特征[10]。速度在時間維度存在時間相關性，LSTM模型為提取時間序列特征常用的模型，將其作為提取時間特征的關鍵方法。GCN-LSTM模型整體框架見圖7。

圖6 基于GCN-LSTM模型的車速預測流程

圖7 GCN-LSTM模型整體框架

2.2.2 模型參數(shù)設計

GCN-LSTM模型參數(shù)[10]主要包括批量大小、學習率、迭代次數(shù)、忘記偏置和LSTM單元數(shù)，通過不斷地進行參數(shù)調試得到模型參數(shù)見表5，此時預測精度最高。

表5 GCN-LSTM模型參數(shù)

對于模型輸入層，前80%的數(shù)據(jù)作為訓練集對模型進行訓練，剩余20%的數(shù)據(jù)作為測試集對模型進行評價。GCN-LSTM模型采用Adam優(yōu)化器訓練。

2.2.3 損失函數(shù)及評價指標

(8)

式(8)中：Lreg為L2正則項，防止過擬合；λ為超參數(shù)。

(9)

(10)

(11)

具體地：ERMS和EMA用于衡量預測誤差，二者的值越小越好，二者的值越小，代表誤差越??；R2越大越好，R2的值可以為1，即模型為不犯任何錯誤的完美模型，這在現(xiàn)實中往往是不存在的。

2.2.4 模型評價

基于寧夏高速公路運行數(shù)據(jù)集，對未來1 h內高速公路上的車輛通行速度進行預測，將ERMS、EMA和R2作為評價指標，分別對本文提出的GCN-LSTM模型與自回歸綜合移動平均(Autoregressive Integrated Moving Average，ARIMA)模型和支持向量機(Support Vector Machine，SVM)模型2種常用預測模型的預測結果進行對比，結果見表6。由表6可知：ARIMA模型基于歷史數(shù)據(jù)，從時間維度描述交通流的變化規(guī)律，在交通流平緩時效果良好，但不適用于交通狀況急劇變化的情形；SVM模型通過對歷史數(shù)據(jù)進行訓練得到輸入與輸出之間的關系之后，根據(jù)給出的未來交通數(shù)據(jù)進行交通預測；GCN-LSTM模型充分考慮空間相關性和時間相關性，在所有評價指標下都具有良好的性能，展示出了其在交通預測方面的優(yōu)勢。

表6 3種模型的預測結果對比

2.2.5 模型使用

采用GCN-LSTM模型對細分路段車輛的平均行駛速度進行預測；根據(jù)表2確定未來該路段的擁堵指數(shù)，同樣分為5個等級；同時，對處于嚴重擁堵和中度擁堵狀態(tài)的路段里程數(shù)求和，將其作為未來擁堵長度并計算擁堵時長。根據(jù)高速公路運行狀態(tài)等級劃分標準動態(tài)繪制路段顏色，通過接口將結果推送給動態(tài)情報板(見圖8)，實時展示交通狀況，誘導司乘行為，提升高速公路通行效率。

圖8 高速公路動態(tài)情報板

2.3 交通遷徙計算模塊

通過采集各收費站流入、流出車輛的數(shù)量，結合特殊事件(如節(jié)假日等)統(tǒng)計各區(qū)域車輛的OD狀況，計算交通遷徙情況。交通遷徙分為內部遷徙(省內)和外部遷徙。以寧夏為例：內部遷徙指寧夏5個地級市內部的交通遷徙；外部遷徙指外省市與寧夏之間的交通遷徙。通過統(tǒng)計各收費站的車流量，計算出寧夏5個地級市之間的遷徙情況和寧夏與外省之間的遷徙情況，見圖9。

a)省內遷徙圖

3 結 語

在高速公路管控方面，對實時交通態(tài)勢進行研究具有重要意義，只有精確刻畫當前的交通運行狀況，才能準確誘導司乘行為，并提出合理的管控策略。本文設計了一種基于交通態(tài)勢算法的交通預警系統(tǒng)，利用Van-Aerde模型準確描述區(qū)域交通流的變化特征，綜合考慮交通預測的時空性，創(chuàng)新性地提出采用GCN-LSTM模型預測未來1 h內高速公路車輛通行速度。相比ARIMA模型和SVM模型，該模型的預測準確度明顯提高，為高速公路的安全高效運行提供了重要保障。