李鵬程，董寶田，李思賢

(北京交通大學(xué)，交通運(yùn)輸學(xué)院，北京 100044)

0 引言

數(shù)據(jù)采集設(shè)備的不斷升級(jí)和交通流預(yù)測(cè)技術(shù)的快速發(fā)展，為獲取可靠的交通流數(shù)據(jù)提供了保障[1]。在已知交通數(shù)據(jù)的情況下，如果能準(zhǔn)確識(shí)別各交叉口的交通狀態(tài)，并定量描述相鄰交叉口在當(dāng)前狀態(tài)下的關(guān)聯(lián)權(quán)重，就可以為信號(hào)控制方案的制定提供理論支撐，緩解交通擁堵。

現(xiàn)有研究熱點(diǎn)主要集中在兩個(gè)方面。一是交通狀態(tài)識(shí)別方面，主要是從交通數(shù)據(jù)中提取交通狀態(tài)的特征向量，利用人工智能算法建立交通狀態(tài)識(shí)別模型。成衛(wèi)等[2]利用浮動(dòng)車(chē)的速度波動(dòng)特征，以平均速度、對(duì)比度、逆方差這3 個(gè)特征指標(biāo)建立基于多維高斯隱馬爾可夫模型的道路交通狀態(tài)識(shí)別模型，其效果優(yōu)于支持向量機(jī)和隨機(jī)森林模型；Wang 等[3]提出一種基于特征圖和深度學(xué)習(xí)的交通狀態(tài)識(shí)別模型，將交通狀態(tài)特征向量轉(zhuǎn)化為特征圖，建立基于CoAtNet 算法的交通狀態(tài)識(shí)別模型，并選取上海市車(chē)輛軌跡數(shù)據(jù)進(jìn)行驗(yàn)證；朱秋圳等[4]利用軌跡速度—空間相似性將車(chē)輛隊(duì)列連接為交通流簇，采用模糊C均值算法對(duì)路段上的交通狀態(tài)進(jìn)行識(shí)別。

二是相鄰交叉口關(guān)聯(lián)權(quán)重方面，Pang 等[5]提出高速公路相鄰交叉口的耦合模型，建立基于密度的交通量轉(zhuǎn)移方程，用于評(píng)價(jià)相鄰交叉口的耦合強(qiáng)度；徐建閩等[6]提出一種基于Whitson 模型和交叉口飽和度的綜合關(guān)聯(lián)度模型作為控制子區(qū)劃分的依據(jù)，并選擇廣州市實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證；Ke 等[7]提出一種基于相鄰交叉口之間距離和流量的關(guān)聯(lián)度計(jì)算方法，并結(jié)合紐曼算法和自動(dòng)車(chē)牌識(shí)別算法進(jìn)行大規(guī)模路網(wǎng)下的子區(qū)劃分實(shí)驗(yàn)，驗(yàn)證了其有效性；Hu等[8]從兩個(gè)交叉口之間的流量、相位差、行程時(shí)間、排隊(duì)長(zhǎng)度、延誤等5 個(gè)方面分別建立單獨(dú)的關(guān)聯(lián)度模型，并合并為綜合關(guān)聯(lián)度，作為主干路協(xié)調(diào)控制的依據(jù)，提高了干線路網(wǎng)的運(yùn)行效率。

現(xiàn)有研究仍然存在一定的不足：(1)當(dāng)前交通狀態(tài)識(shí)別的研究對(duì)象多為路段上的交通流，其特征維度普遍較低，而在信號(hào)控制交叉口處，交通流會(huì)產(chǎn)生諸如排隊(duì)長(zhǎng)度、停車(chē)次數(shù)、流向比等新的特征參數(shù)；原有路段特征選取不能全面描述交叉口的交通狀態(tài)，同時(shí)傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能隨著特征維度和數(shù)據(jù)量的大幅增加而面臨考驗(yàn)。(2)現(xiàn)有交叉口關(guān)聯(lián)度模型中一些特定參數(shù)需要根據(jù)經(jīng)驗(yàn)人工設(shè)置，如權(quán)重系數(shù)等，使模型本身存在主觀性；此外，如車(chē)輛轉(zhuǎn)移數(shù)、飽和度相異度等參數(shù)，均需要結(jié)合多種輸入量進(jìn)行計(jì)算，而且部分龐大的累加模型會(huì)隨著某些數(shù)據(jù)誤差不斷偏離實(shí)際值，缺乏自我調(diào)整機(jī)制，影響關(guān)聯(lián)度的可靠性。

路網(wǎng)是一種天然的圖結(jié)構(gòu)，而TGAT是近年來(lái)圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域重要的研究成果，一方面，它可以很好地將路網(wǎng)的拓?fù)浣Y(jié)構(gòu)、節(jié)點(diǎn)(交叉口)特征和連續(xù)時(shí)間函數(shù)進(jìn)行聚合，具有較強(qiáng)的可解釋性，能對(duì)任意時(shí)刻目標(biāo)節(jié)點(diǎn)的狀態(tài)進(jìn)行動(dòng)態(tài)劃分，并且分類(lèi)準(zhǔn)確率普遍優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型[9]；另一方面，它能應(yīng)對(duì)多維度的輸入數(shù)據(jù)，不需要額外輸入人工參數(shù)，能在訓(xùn)練中不斷調(diào)整鄰居節(jié)點(diǎn)的權(quán)重系數(shù)，并且采用多頭注意力機(jī)制，使整個(gè)模型有很強(qiáng)的表達(dá)能力?；诖?，本文以VISSIM仿真數(shù)據(jù)為基礎(chǔ)，將各交叉口的交通特征、交叉口的交互時(shí)間、交叉口的初始標(biāo)簽輸入到TGAT模型中，輸出目標(biāo)交叉口在任意時(shí)刻的交通狀態(tài)及其鄰居交叉口關(guān)聯(lián)度值，并與傳統(tǒng)分類(lèi)模型比較準(zhǔn)確率。同時(shí)，選擇兩條主干路上共11 個(gè)交叉口的關(guān)聯(lián)度值，從距離和流量?jī)煞矫骝?yàn)證其有效性。

1 交通狀態(tài)識(shí)別模型構(gòu)建

基于TGAT 的交通狀態(tài)識(shí)別模型與傳統(tǒng)模型相比具有兩方面優(yōu)勢(shì)：一方面它的運(yùn)算性能受輸入維度的限制較小，能適用于Reddit、Wikipedia、Industrial等多維度數(shù)據(jù)集，因此可以廣泛選取交叉口的交通特征，全面描述交叉口的交通狀態(tài)，使交通狀態(tài)識(shí)別更準(zhǔn)確；另一方面，TGAT 具有自注意力機(jī)制，可以將節(jié)點(diǎn)之間的自注意力值作為節(jié)點(diǎn)關(guān)聯(lián)度，提高模型的可解釋性，并且與GraphSage、GAT 等靜態(tài)圖相比[9]，它把時(shí)間信息映射到向量空間，可以更清晰地展現(xiàn)出節(jié)點(diǎn)在不同時(shí)刻對(duì)路網(wǎng)結(jié)構(gòu)的影響，獲得交叉口的動(dòng)態(tài)關(guān)聯(lián)度，為實(shí)時(shí)交通控制策略的制定奠定基礎(chǔ)。

1.1 輸入量的選取

基于TGAT的交叉口交通狀態(tài)識(shí)別模型，其輸入量包括交叉口特征矩陣F、交叉口交互時(shí)間矩陣T、交叉口初始標(biāo)簽矩陣L，輸出量是目標(biāo)交叉口在不同時(shí)刻的交通狀態(tài)及其鄰居交叉口的關(guān)聯(lián)度。

(1)特征矩陣F

交叉口的特征可以分為交通流特征和物理特征，其中，交通流特征由車(chē)輛在運(yùn)行過(guò)程中產(chǎn)生的交通數(shù)據(jù)組成，在VISSIM仿真環(huán)境中，通過(guò)節(jié)點(diǎn)檢測(cè)器和數(shù)據(jù)采集點(diǎn)檢測(cè)器可以得到交叉口各進(jìn)口道的車(chē)輛總延誤平均值(Dall)、每輛車(chē)的平均停車(chē)時(shí)間(Tstopd)、平均停車(chē)次數(shù)(Nstops)、通過(guò)車(chē)輛數(shù)(Nveh)、平均排隊(duì)長(zhǎng)度(Lqueue)；物理特征由交叉口自身的渠化和信號(hào)配時(shí)方案決定的，通過(guò)交通調(diào)查數(shù)據(jù)可以得到每個(gè)交叉口的信號(hào)周期時(shí)長(zhǎng)(T)、各進(jìn)口道直行方向有效綠燈時(shí)間(Tsg)、左轉(zhuǎn)方向有效綠燈時(shí)間(Tlg)，并能根據(jù)流量流向比和交叉口的渠化方案得到各進(jìn)口道的設(shè)計(jì)通行能力(C)。由于實(shí)驗(yàn)區(qū)域內(nèi)交叉口的進(jìn)口道數(shù)量均為3 或4，因此將每個(gè)交叉口的特征按照東、西、南、北這4個(gè)進(jìn)口道進(jìn)行設(shè)置，缺失方向的數(shù)據(jù)全部設(shè)置為0。因此一個(gè)交叉口東進(jìn)口道的特征矩陣可表示為

則一個(gè)交叉口的特征F可表示為F=[fE,fW,fS,fN,T]，特征維度為33。

(2)交互時(shí)間矩陣T

在TGAT模型中，需要確定兩個(gè)交叉口發(fā)生信息交互的時(shí)間t。為方便描述，假定有兩個(gè)相鄰交叉口，東側(cè)為交叉口1，西側(cè)為交叉口2。x時(shí)刻交叉口1東進(jìn)口開(kāi)始放行，之后南進(jìn)口放行。放行車(chē)輛與交叉口2 各進(jìn)行一次交互。第1 次交互為，交叉口1東進(jìn)口的直行車(chē)流到達(dá)交叉口2；第2次交互為，交叉口1 南進(jìn)口的左轉(zhuǎn)車(chē)流到達(dá)交叉口2。兩次交互所用的時(shí)間被設(shè)置為t1ES-2和t1SL-2。其中，ES 代表東進(jìn)口道的直行方向，SL 代表南進(jìn)口道的左轉(zhuǎn)方向。由于車(chē)流在實(shí)際行駛過(guò)程中是離散的，很難形成一個(gè)統(tǒng)一的到達(dá)時(shí)間，因此選擇該車(chē)流所在相位有效綠燈時(shí)間的中值作為全部車(chē)流的啟動(dòng)時(shí)間，再根據(jù)路段的距離和仿真中路段平均車(chē)速得到

式中：t1E_Sg為交叉口1東進(jìn)口直行相位的有效綠燈時(shí)間；t1S_Lg為交叉口1南進(jìn)口左轉(zhuǎn)相位的有效綠燈時(shí)間；L1-2為交叉口間距；Vˉ1-2為平均速度。因此，交叉口1 和2 在時(shí)間矩陣T中的兩次交互時(shí)間分別為[x+t1ES-2,x+t1E_Sg+ty+t1SL-2]，其中，ty為黃燈時(shí)間。

(3)標(biāo)簽矩陣L

采用文獻(xiàn)[10]提出的快速搜索和發(fā)現(xiàn)密度峰值的聚類(lèi)算法(Clustering by Fast Search and Find of Density Peaks,DPC)將特征矩陣F劃分為4 類(lèi)，并按照各類(lèi)別中Lqueue的總量由小到大將這4 類(lèi)數(shù)據(jù)的標(biāo)簽依次設(shè)置為暢行、平穩(wěn)、擁擠、阻塞，作為數(shù)據(jù)的原始標(biāo)簽。

1.2 交叉口狀態(tài)識(shí)別模型

將路網(wǎng)轉(zhuǎn)化為圖結(jié)構(gòu)，其中交叉口對(duì)應(yīng)路網(wǎng)節(jié)點(diǎn)，路段對(duì)應(yīng)圖中的邊，交叉口的交通狀態(tài)對(duì)應(yīng)節(jié)點(diǎn)的狀態(tài)標(biāo)簽，交叉口關(guān)聯(lián)度對(duì)應(yīng)鄰居節(jié)點(diǎn)的權(quán)重。圖1 是基于TGAT 的交叉口狀態(tài)識(shí)別模型，共有l(wèi)層，每一層都是一個(gè)局部聚合算子。每次訓(xùn)練從第一層TGAT開(kāi)始逐層聚合節(jié)點(diǎn)信息，將上一層聚合后的節(jié)點(diǎn)信息和兩層節(jié)點(diǎn)之間的時(shí)間差函數(shù)傳入下一層，逐層進(jìn)行，直到最后一層TGAT 聚合完畢，即完成一步訓(xùn)練過(guò)程。下面以第l層為例，介紹TGAT在每一層中聚合節(jié)點(diǎn)的過(guò)程。

圖1 TGAT層結(jié)構(gòu)Fig.1 Structure of TGAT layer

第l層的節(jié)點(diǎn)關(guān)系描述：t時(shí)刻的目標(biāo)節(jié)點(diǎn)0，分別在t之前的t1～t3時(shí)刻與其鄰居節(jié)點(diǎn)1～節(jié)點(diǎn)3進(jìn)行了1 次交互。節(jié)點(diǎn)1～節(jié)點(diǎn)3 分別與節(jié)點(diǎn)4～節(jié)點(diǎn)9在更早的時(shí)間之前進(jìn)行過(guò)交互。

第l層的輸入：第l-1 層的節(jié)點(diǎn)嵌入和時(shí)間特征。其中，節(jié)點(diǎn)嵌入表示tj時(shí)刻的節(jié)點(diǎn)i在第l-1 層中的節(jié)點(diǎn)嵌入；Φ(t-tj)為時(shí)間特征函數(shù)，表征節(jié)點(diǎn)之間的時(shí)間差。假定將時(shí)間映射到d維向量空間，則有

式中：ωm=[ω1,…,ωd] 為需要學(xué)習(xí)的參數(shù)。

需要特別說(shuō)明的是，對(duì)于TGAT 的第一層，由于其沒(méi)有上一層，所以時(shí)間特征函數(shù)為0，其輸入僅為節(jié)點(diǎn)嵌入，該節(jié)點(diǎn)嵌入為交叉口特征矩陣F。

第l層的輸出：目標(biāo)節(jié)點(diǎn)0 在t時(shí)刻的節(jié)點(diǎn)嵌入

第l層中節(jié)點(diǎn)的聚合過(guò)程如下：

(1)尋找t時(shí)刻的目標(biāo)節(jié)點(diǎn)0 的鄰居節(jié)點(diǎn)。原TGAT中目標(biāo)節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)集合為Ni，但選取過(guò)程僅考慮了時(shí)間差，對(duì)于交叉口而言，還應(yīng)該考慮地理位置信息，否則有可能將距離極遠(yuǎn)的兩個(gè)交叉口錯(cuò)判為鄰居。文獻(xiàn)[11]的研究表明，當(dāng)間距超過(guò)1 km時(shí)，往往認(rèn)為兩交叉口不相關(guān)。因此，根據(jù)實(shí)際路網(wǎng)信息確定每個(gè)交叉口i的鄰居備選集合Ri，則TGAT 中i節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集合Ntgat_i=Ni∩Ri，其中，Ri=[Ij|(Shortest Path＜1 km)]，表示第i個(gè)交叉口Ii在1 km距離內(nèi)的鄰居交叉口，距離以最短路為準(zhǔn)。

(2)構(gòu)造嵌入-時(shí)間特征矩陣。對(duì)于每個(gè)節(jié)點(diǎn)，將其在第l-1 層中的節(jié)點(diǎn)嵌入和時(shí)間特征函數(shù)進(jìn)行拼接，組成嵌入-時(shí)間特征矩陣，即，由于0 節(jié)點(diǎn)和其自身的時(shí)間差為0，因此，。將上述所有矩陣進(jìn)行拼接，則有

(3)將Z(t)用3 頭自注意力機(jī)制進(jìn)行聚合。即分別與查詢(xún)向量WQ(Query)、鍵向量WK(Key)和值向量WV(Value)進(jìn)行相乘。

用節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的注意力權(quán)重αij代表節(jié)點(diǎn)之間的關(guān)聯(lián)度，即

計(jì)算0節(jié)點(diǎn)聚合其鄰居節(jié)點(diǎn)后的注意力值為

(4) 將得到的3 個(gè)注意力值合稱(chēng)為h(t)，并與x0進(jìn)行拼接，其中，，是0 節(jié)點(diǎn)在第l-1層的節(jié)點(diǎn)嵌入。

(5) 經(jīng)過(guò)FFN 全連接層，得到第l層的最終輸出，即0 節(jié)點(diǎn)在t時(shí)刻的節(jié)點(diǎn)嵌入，并且得到0 節(jié)點(diǎn)的鄰居節(jié)點(diǎn)對(duì)于它的影響權(quán)重矩陣α0_NBR=[α01,…,α0n]，其中，n為T(mén)GAT參數(shù)中鄰居節(jié)點(diǎn)的個(gè)數(shù)。

(6)根據(jù)0 節(jié)點(diǎn)的節(jié)點(diǎn)嵌入值推斷目標(biāo)節(jié)點(diǎn)屬于各類(lèi)狀態(tài)的概率，并結(jié)合初始標(biāo)簽矩陣L，計(jì)算交叉熵?fù)p失函數(shù)(CrossEntropyLoss)，誤差反向傳播更新模型參數(shù)，直到達(dá)到訓(xùn)練終止條件。

(7)將最后一次訓(xùn)練推斷出的目標(biāo)節(jié)點(diǎn)狀態(tài)標(biāo)簽作為目標(biāo)交叉口的最終交通狀態(tài)，將此時(shí)的α0_NBR作為目標(biāo)節(jié)點(diǎn)和其鄰居節(jié)點(diǎn)的權(quán)重，即鄰居交叉口關(guān)聯(lián)度。

2 實(shí)例分析

選擇北京市海淀區(qū)某區(qū)域路網(wǎng)2019 年某個(gè)工作日14:00-15:00的交通量調(diào)查數(shù)據(jù)進(jìn)行研究，數(shù)據(jù)包括各交叉口進(jìn)口道的分方向交通流量和交通信號(hào)周期。路網(wǎng)范圍及交叉口編號(hào)如圖2所示，其中信號(hào)控制交叉口33個(gè)。

圖2 路網(wǎng)范圍及交叉口編號(hào)示意圖Fig.2 Road network scope and intersection number diagram

2.1 相關(guān)參數(shù)設(shè)置

(1)VISSIM 中仿真最大時(shí)間為6300 s，數(shù)據(jù)獲取時(shí)間為1800～6300 s，檢測(cè)器的數(shù)據(jù)采集間隔為300 s，路網(wǎng)外圍的各進(jìn)口每1500 s按照其通行能力改變一次交通量，以模擬交叉口在不同時(shí)期的不同交通狀態(tài)。

(2)本文設(shè)置2層TGAT模型，鄰居節(jié)點(diǎn)個(gè)數(shù)為5，學(xué)習(xí)率為3e-4，丟棄率為0.15，，選擇3 頭注意力機(jī)制，迭代次數(shù)為500，優(yōu)化器選擇Adam。

(3) 設(shè)置3 種常用的分類(lèi)算法進(jìn)行對(duì)比試驗(yàn)。算法1 為GWO-MLP，即用灰狼算法(Grey Wolf Optimizatio,GWO)優(yōu)化多層感知機(jī)(Multi-Layer Perceptron,MLP)，其中，GWO 的粒子位置信息設(shè)置為MLP中的初始權(quán)重和偏置量，種群數(shù)量為30，最大迭代數(shù)為300，MLP的隱含層數(shù)設(shè)置為2，隱含單元數(shù)設(shè)置為20，學(xué)習(xí)率為1e-3；算法2 為長(zhǎng)短期記憶網(wǎng)絡(luò)(Long short-term memory,LSTM)，網(wǎng)絡(luò)框架為PyTorch，隱含層數(shù)設(shè)置為2，隱含單元數(shù)設(shè)置為32，丟棄率為0.15，學(xué)習(xí)率為3e-3；算法3 為支持向量機(jī)(Support Vector Machine,SVM)，核函數(shù)選擇徑向基核函數(shù)(Radial Basis Function,RBF)，選擇10 折交叉驗(yàn)證尋找最優(yōu)的RBF 參數(shù)g和懲罰因子C。

2.2 交叉口狀態(tài)識(shí)別結(jié)果

在仿真時(shí)間段內(nèi)，各交叉口共進(jìn)行4933 次交互，即樣本總量。訓(xùn)練集、驗(yàn)證集、測(cè)試集的劃分比例為[0.70,0.15,0.15]，計(jì)算4種算法測(cè)試集的準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1度量(F1-score)，結(jié)果如圖3所示，圖3中各參數(shù)為宏平均值(Macro-average)。

圖3 各算法評(píng)估指標(biāo)Fig.3 Evaluation index of each algorithm

從圖3 可以看出，TGAT 模型的4 項(xiàng)指標(biāo)全面優(yōu)于其他算法，均在91%以上，尤其對(duì)于相對(duì)數(shù)據(jù)偏低的召回率，其領(lǐng)先幅度較大，說(shuō)明各類(lèi)中預(yù)測(cè)對(duì)的正樣本在整個(gè)真實(shí)正樣本中占比較高。LSTM的效果和GWO-MLP比較接近，每一項(xiàng)指標(biāo)的差距都在4%以下，而SVM的效果相對(duì)最差。由于樣本劃分是按照時(shí)間順序進(jìn)行的，在仿真實(shí)驗(yàn)后期，路網(wǎng)中的車(chē)流不斷累計(jì)，交叉口多處于擁擠狀態(tài)，因此測(cè)試集中標(biāo)簽3 的數(shù)量較多，標(biāo)簽1 和4 的數(shù)量相對(duì)較少。測(cè)試集中暢行、平穩(wěn)、擁擠和阻塞標(biāo)簽的數(shù)量分別為[146,139,372,83] 。傳統(tǒng)模型在這種標(biāo)簽分布不均勻的情況下表現(xiàn)較差，例如GWOMPL的暢行標(biāo)簽、LSTM的阻塞標(biāo)簽、SVM的阻塞標(biāo)簽，單類(lèi)的分類(lèi)準(zhǔn)確率都不到60%，而TGAT 對(duì)于各類(lèi)標(biāo)簽的準(zhǔn)確率均在86%以上。

2.3 交叉口關(guān)聯(lián)度結(jié)果可視化

目標(biāo)節(jié)點(diǎn)嵌入的維度和TGAT 的輸入量特征矩陣F的維度一致，維度較大，采用文獻(xiàn)[12]提出的t-SNE (t-Distributed Stochastic Neighbor Embedding)算法進(jìn)行降維，降維結(jié)果如圖4所示。

圖4 節(jié)點(diǎn)嵌入t-SNE的可視化結(jié)果Fig.4 t-SNE visualization results of node embedding

由于數(shù)據(jù)量過(guò)大，且仿真初期路網(wǎng)的車(chē)流量較小，交叉口狀態(tài)標(biāo)簽的分布不均衡，因此選擇每個(gè)交叉口的第30～60條交互信息進(jìn)行展示，降維的數(shù)據(jù)為第2層TGAT在最后一次迭代中的目標(biāo)節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的節(jié)點(diǎn)嵌入值。圖4 中不同形狀的點(diǎn)對(duì)應(yīng)不同的標(biāo)簽，線條的粗細(xì)代表節(jié)點(diǎn)間權(quán)重的大小?？梢钥闯觯悬c(diǎn)被大致分為了4 個(gè)簇，簇之間界限較為清晰，表明TGAT不僅可以對(duì)目標(biāo)交叉口在不同時(shí)刻的交通狀態(tài)進(jìn)行識(shí)別，還可以定量描述其與鄰居交叉口的關(guān)聯(lián)度值，模型具有較強(qiáng)的可解釋性。

2.4 交叉口關(guān)聯(lián)度有效性檢驗(yàn)

車(chē)流量是評(píng)判交叉口狀態(tài)的重要參數(shù)。在所有匯入目標(biāo)交叉口i的車(chē)流量中，若某一方向的流量占比最大，則通常情況下認(rèn)為該方向?qū)?yīng)的鄰居交叉口最重要。如果流量占比和關(guān)聯(lián)度的大小相近，則可以認(rèn)為得出的關(guān)聯(lián)度相對(duì)可靠。為了驗(yàn)證鄰居交叉口權(quán)重α的可靠性，假設(shè)目標(biāo)交叉口i的最近鄰居交叉口為Ntgat_i=[I1,I2,…,In]，各鄰居對(duì)應(yīng)的權(quán)重為α=[α1,α2,…,αn]，權(quán)重最大的交叉口為Imax，對(duì)應(yīng)的權(quán)重為。設(shè)置權(quán)重評(píng)判系數(shù)ω，其計(jì)算公式為

式中：qj為交叉口Ij流向i的非右轉(zhuǎn)車(chē)流量；qS為Imax流向i的直行車(chē)流量；qL為Imax流向i的左轉(zhuǎn)車(chē)流量；為Imax流向i的非右轉(zhuǎn)車(chē)流量在所有流向i的非右轉(zhuǎn)車(chē)流量中的占比；β為調(diào)整系數(shù)，本文取1.2。根據(jù)上述定義，當(dāng)ω取值接近于1時(shí)，表示αi相對(duì)準(zhǔn)確。需要說(shuō)明的是，由于TGAT中考慮了時(shí)間對(duì)節(jié)點(diǎn)交互的影響，在Ntgat_i中，同一個(gè)交叉口可能出現(xiàn)多次，因此需要計(jì)算。下面以交叉口5、20、24為例進(jìn)行說(shuō)明，如圖5所示。

圖5 交叉口5、20、24流量流向圖Fig.5 Flow direction diagram of intersection 5,20 and 24

圖5 為VISSIM 中交叉口5、20、24 的數(shù)據(jù)采集點(diǎn)檢測(cè)器在仿真中第3300～3600 s的交通量流量折算為1 h 交通流量的流向圖。根據(jù)TGAT 模型，得到3447 時(shí)刻的交叉口5、3570 時(shí)刻的交叉口20、3556時(shí)刻的交叉口24最近的5個(gè)鄰居節(jié)點(diǎn)分別為

其最近鄰居分別為3372 時(shí)刻的交叉口13(權(quán)重0.443)，3547時(shí)刻的交叉口13(權(quán)重0.403)和3502時(shí)刻的交叉口20(權(quán)重0.552)，由式(8)可計(jì)算得出ω的值依次為1.089、1.375、1.094。

文獻(xiàn)[5-8]的研究結(jié)果均表明，兩交叉口之間一種有效的關(guān)聯(lián)度和他們的間距是相關(guān)的。為了進(jìn)一步驗(yàn)證TGAT中關(guān)聯(lián)度與距離的關(guān)系，按照鄰居交叉口到上述3 個(gè)交叉口的距離(如圖2 所示)，以500 m和800 m作為分界線把所有鄰居交叉口分成3 組。第1 組為500 m 以?xún)?nèi)的鄰居交叉口，包括交叉口6、13、23、25、30；第2 組為500～800 m 的鄰居交叉口，包括交叉口4、19、20、21、22、24、26；第3組為800～1000 m 的鄰居交叉口，包括交叉口5、7、14、23、25、29、31。以100 s為單位計(jì)算訓(xùn)練集時(shí)間(1800～4500 s)內(nèi)3 組鄰居節(jié)點(diǎn)的平均權(quán)重，其擬合曲線如圖6 所示，圖中陰影部分的上下限為5 次實(shí)驗(yàn)的極值。

圖6 不同節(jié)點(diǎn)的平均權(quán)重?cái)M合曲線Fig.6 Average weight fitting curve of different nodes

根據(jù)1.1 節(jié)的定義，交叉口進(jìn)行交互的次數(shù)與距離、信號(hào)配時(shí)方案和路段平均車(chē)速有關(guān)。通常情況下，距離越近交互次數(shù)越多。從圖6 可以看出：隨著仿真時(shí)間的增加，第1 組6 個(gè)交叉口的平均權(quán)重不斷增加，在3800～3900 s 區(qū)間內(nèi)總占比達(dá)到最高，為47.89%，第2組增長(zhǎng)平穩(wěn)，第3組距離較遠(yuǎn)的交叉口平均權(quán)重越來(lái)越小。結(jié)果表明，TGAT 更關(guān)注與目標(biāo)節(jié)點(diǎn)距離較近且交互次數(shù)較多的重要鄰居節(jié)點(diǎn)，其分配的權(quán)重與距離負(fù)相關(guān)。

為了進(jìn)一步驗(yàn)證，選擇路網(wǎng)中兩條主干路(車(chē)公莊西路和展覽館路)上的11 個(gè)交叉口進(jìn)行研究，交叉口編號(hào)為1～7、13、20、24、30，對(duì)他們的權(quán)重評(píng)判系數(shù)ω進(jìn)行統(tǒng)計(jì)，箱型圖如圖7所示。

圖7 部分交叉口權(quán)重評(píng)判系數(shù)箱型圖Fig.7 Box diagram of weight evaluation coefficient of some intersections

從圖7 可以看出，除交叉口2 和交叉口20 之外，其余交叉口的權(quán)重評(píng)判系數(shù)均值都在1 左右，表明這些交叉口的關(guān)聯(lián)度與車(chē)流量密切相關(guān)，其中交叉口1、4、5、13、24的箱體長(zhǎng)度較短，數(shù)據(jù)波動(dòng)范圍很小，權(quán)重評(píng)判系數(shù)比較穩(wěn)定，而交叉口2 和交叉口20的均值明顯偏高。

交叉口2的東—西方向?yàn)橹鞲陕罚稀狈较驗(yàn)閱诬?chē)道道路，兩個(gè)方向的車(chē)流量差距在4 倍以上，而交叉口2 與9、10、11 交叉口的相對(duì)距離又較近，發(fā)生交互的頻率很高，這會(huì)導(dǎo)致權(quán)重較大的鄰居交叉口對(duì)于交叉口2的實(shí)際的流量貢獻(xiàn)很低，導(dǎo)致ω普遍偏大。交叉口20 存在類(lèi)似的問(wèn)題，主要原因是其與鄰居交叉口的相對(duì)距離普遍較遠(yuǎn)，最近的4 個(gè)鄰居交叉口(13、19、22、24)距離均在491 m以上，位置較為孤立，交互次數(shù)較少，所以ω的波動(dòng)范圍偏大，并且南—北方向的鄰居節(jié)點(diǎn)距離相對(duì)較近，對(duì)應(yīng)的流量相對(duì)偏少，同樣會(huì)導(dǎo)致ω的均值偏大。由此可見(jiàn)，ω適用于大多數(shù)主干路上流量分布相對(duì)比較均勻的非孤立交叉口，可以用來(lái)評(píng)判關(guān)聯(lián)度的有效性，關(guān)聯(lián)度與流量正相關(guān)。

3 結(jié)論

基于仿真數(shù)據(jù)提取交叉口交通特征，提出基于TGAT 的交叉口交通狀態(tài)識(shí)別模型，可以同時(shí)得到交叉口的交通狀態(tài)和鄰居交叉口關(guān)聯(lián)度，對(duì)分類(lèi)準(zhǔn)確率和關(guān)聯(lián)度的有效性進(jìn)行了驗(yàn)證，得出結(jié)論如下：

(1)通過(guò)建立33 維的交叉口交通特征矩陣，定義交叉口交互時(shí)間，并根據(jù)實(shí)際路網(wǎng)結(jié)構(gòu)優(yōu)化鄰居交叉口的選取規(guī)則，可以將交叉口狀態(tài)識(shí)別問(wèn)題轉(zhuǎn)化為圖神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)的分類(lèi)問(wèn)題，結(jié)合注意力機(jī)制可以得到交叉口的動(dòng)態(tài)關(guān)聯(lián)度。

(2)基于TGAT 的交叉口交通狀態(tài)識(shí)別模型在分類(lèi)準(zhǔn)確率、精確率、召回率、F1 度量等多項(xiàng)指標(biāo)上均高于GWO-MLP、LSTM、SVM 這3 種分類(lèi)模型，并且對(duì)于標(biāo)簽分布不均勻的樣本，每一類(lèi)的準(zhǔn)確率都高于86%，具有較好的分類(lèi)效果，可以準(zhǔn)確識(shí)別交叉口在不同時(shí)刻的交通狀態(tài)。

(3)本文得出的交叉口關(guān)聯(lián)度與鄰居交叉口的流量正相關(guān)，與距離負(fù)相關(guān)。選取的11 個(gè)主干路交叉口中，有9 個(gè)交叉口的結(jié)果表明，鄰居交叉口關(guān)聯(lián)度較大，其流量在目標(biāo)交叉口總流量中的占比也較高。另外2個(gè)交叉口的結(jié)果表明，較短的交叉口間距意味著更多的交互次數(shù)，即它們的流量貢獻(xiàn)較小，但是TGAT仍然會(huì)逐步增加對(duì)這類(lèi)交叉口的關(guān)注度，提高其相對(duì)權(quán)重，與理論分析一致，關(guān)聯(lián)度具有有效性和可解釋性。

本文還存在一些不足：一方面，需要從更大的路網(wǎng)范圍驗(yàn)證交通狀態(tài)識(shí)別的準(zhǔn)確性和關(guān)聯(lián)度的有效性；另一方面，關(guān)聯(lián)度還應(yīng)該帶入到后續(xù)控制子區(qū)劃分算法中驗(yàn)證其具體應(yīng)用價(jià)值。