賈剛剛　王兵　趙越

摘要：城市主干路承擔(dān)了城市主要的交通壓力，對(duì)城市交通的運(yùn)行起著關(guān)鍵的作用。為了準(zhǔn)確采集主干路交通流信息，通過(guò)分析視頻交通流檢測(cè)器在城市主干路的布設(shè)數(shù)量和間距，依據(jù)排隊(duì)論與窮舉法對(duì)視頻檢測(cè)器在主干路的優(yōu)化布設(shè)建立數(shù)學(xué)模型，得出基于主干路的視頻檢測(cè)器最優(yōu)布設(shè)，通過(guò)Matlab求解模型，使用Vissim仿真驗(yàn)證。仿真結(jié)果顯示：主干路長(zhǎng)度在1 000 m左右的路段，相鄰視頻檢測(cè)器的布設(shè)間距在200～350 m，檢測(cè)器布設(shè)5組，每組布設(shè)3～4個(gè)檢測(cè)器檢測(cè)路段交通流，檢測(cè)精度將達(dá)到97.76%左右。

關(guān)鍵詞：主干路；視頻檢測(cè)器；交通流；窮舉法；Vissim仿真

中圖分類(lèi)號(hào)：TP301.6文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)識(shí)碼

Analysis of optimal deployment of video detectors for trunk roads based on exhaustive method

JIA? Ganggang1，WANG? Bing2*，ZHAO? Yue1

（1 College of Mechanical Engineering， Xinjiang University，Urumqi，Xinjiang 830017， China;

2 School of Traffic and Transportation Engineering， Xinjiang University， Urumqi，Xinjiang 830017， China）

Abstract：? The city trunk road carries the main traffic operation of the city and plays a key role in the reasonable operation of the city traffic， in order to ensure the accuracy of the collected traffic flow information on the trunk road. By analyzing the number and spacing of video traffic flow detectors deployed on the main roads in the city， a mathematical model is established for the optimal deployment of video detectors on the main roads based on the queuing theory and exhaustive method， and the optimal deployment of video detectors based on the main roads is derived， and the model is solved by Matlab and verified using Vissim simulation. Simulation results show that： the length of the trunk road in about 1 000 m， adjacent video detector deployment spacing in 200～350 m， the detector should be deployed in 5 groups， each group of 3～4 detectors to detect the road traffic flow， detection accuracy will reach about 97.76%， greatly improving the detection accuracy.

Key words： trunk roads;video detector;traffic flow;the exhaustive method;Vissim simulation

0 引言

主干路作為城市道路的主要支架，是城市交通流的主要承擔(dān)者，起到緩解城市交通擁堵，提高城市道路利用率的作用，因此，對(duì)主干路交通信息的采集研究至關(guān)重要。目前，視頻檢測(cè)器因安裝方便，不破壞路面，能直觀體現(xiàn)被檢測(cè)車(chē)輛信息等優(yōu)點(diǎn)，在交通信息檢測(cè)中被廣泛使用。通過(guò)研究視頻檢測(cè)器在城市道路主干路不同位置的選址布設(shè)，以更全面的檢測(cè)主干路交通信息，從而對(duì)圍繞主干路行駛的交通流進(jìn)行調(diào)節(jié)，以此來(lái)緩解城市道路的交通擁堵問(wèn)題。

目前，國(guó)內(nèi)外相關(guān)學(xué)者針對(duì)城市道路研究，主要集中于城市快速路交通流預(yù)測(cè)以及檢測(cè)器布設(shè)研究，對(duì)于城市主干路研究方面，張銘坤等［1］針對(duì)交通旅行時(shí)間序列數(shù)據(jù)，構(gòu)建城市主干道交通旅行時(shí)間預(yù)測(cè)模型。嚴(yán)亞丹等［2］為了定量評(píng)價(jià)城市主干路交通功能的實(shí)現(xiàn)程度，建立了城市主干路交通功能可靠度的計(jì)算方法。Vitvitskii等［3］依據(jù)乘冪律建立了交通流模型，確定車(chē)輛在路段的行駛速度以及相互行駛車(chē)輛間的距離。李佳等［4］研究了交叉口間距和道路兩側(cè)路網(wǎng)形態(tài)對(duì)城市主干路事故的影響。Tenny等［5］將專(zhuān)屬車(chē)道分配到城市主要道路，對(duì)于壓力很大的城市交通系統(tǒng)，城市道路容量的擴(kuò)張可能會(huì)適得其反，因?yàn)樗鼈儠?huì)導(dǎo)致交通流量增加，并最終導(dǎo)致更多的人陷入擁堵。Muhammad［6］研究確定了影響道路交通事故的城市設(shè)計(jì)因素。這些因素按土地利用、街道設(shè)施、建筑和景觀等維度分類(lèi)。牟海波等［7］建立了包括交叉口交通信號(hào)顯示模塊與信號(hào)相位轉(zhuǎn)換模塊的時(shí)延Petri網(wǎng)模型與基于變速度連續(xù)Petri網(wǎng)的交通流模型。對(duì)于城市快速路檢測(cè)器布設(shè)研究，雷寧等［8］對(duì)快速路交通狀態(tài)進(jìn)行有效分類(lèi)，選取分類(lèi)指標(biāo)時(shí)，在傳統(tǒng)分類(lèi)指標(biāo)流量、速度、占有率的基礎(chǔ)上引入了1個(gè)宏觀分類(lèi)指標(biāo)——路網(wǎng)寬裕度。張輝等［9］通過(guò)對(duì)城市快速路車(chē)輛速度、密度、流量關(guān)系模型對(duì)道路通行能力和交通運(yùn)行狀況研究，提出了1種聚類(lèi)最小二乘方法估計(jì)車(chē)輛速度。董春肖等［10］探究交通檢測(cè)器的布設(shè)方案對(duì)短時(shí)交通流量預(yù)測(cè)的影響。孫娓娓［11］基于復(fù)雜環(huán)境下OD 需求和旅行時(shí)間估計(jì)的不同目的，分別研究了計(jì)數(shù)、車(chē)輛自動(dòng)識(shí)別（AVI）、移動(dòng)及固定和移動(dòng)組合等多種交通檢測(cè)器的布設(shè)優(yōu)化問(wèn)題。張航等［12］運(yùn)用基于數(shù)據(jù)融合的統(tǒng)計(jì)分析技術(shù)——聚類(lèi)分析方法和逐步回歸方法，對(duì)城市道路交通檢測(cè)器優(yōu)化配置的方法進(jìn)行了研究。朱寧等［13］考慮了不確定的檢測(cè)器故障因素，建立了新的兩階段交通檢測(cè)器隨機(jī)布設(shè)優(yōu)化模型。劉輝等［14］提出了1種新的交通流量混合預(yù)測(cè)模型VMD-ICA-GMDH-BILSTM-ELMAN。相關(guān)研究［17-20］根據(jù)城市道路不同精度的車(chē)輛檢測(cè)器以及驅(qū)動(dòng)信號(hào)控制方案，分析和比較隊(duì)列長(zhǎng)度、平均車(chē)輛延誤時(shí)間和交叉路口停車(chē)次數(shù)的評(píng)估指標(biāo)。

由此可見(jiàn)，以城市主干路作為研究對(duì)象，對(duì)視頻檢測(cè)器進(jìn)行優(yōu)化布設(shè)，以采集精確的交通流信息，使得交通管理部門(mén)根據(jù)交通流信息宏觀調(diào)控城市交通流，對(duì)于緩解城市交通擁堵與減少城市交通事故具有重要的意義。

1 資料與方法

1.1 城市主干路描述

城市主干路是城市道路交通網(wǎng)的骨架，是連接城市各主要分區(qū)的交通干道［15］，具有速度快、流量大、出行距離較長(zhǎng)等主要特點(diǎn)［2］（圖1）。主干路是集觀光、購(gòu)物、休閑、創(chuàng)業(yè)功能為一體的主要交通干線，途徑此路段的交通流非常密集，交通流量較大。

1.2 視頻交通流檢測(cè)器描述

視頻交通流檢測(cè)器采用視頻圖像處理技術(shù)和計(jì)算機(jī)圖形識(shí)別技術(shù)對(duì)道路上的交通流進(jìn)行動(dòng)態(tài)信息采集、處理，一般由前端采集設(shè)備、中間數(shù)據(jù)傳輸設(shè)備和后端處理設(shè)備組成［16］。

其用于檢測(cè)并輸出目標(biāo)區(qū)域的機(jī)動(dòng)車(chē)車(chē)型、車(chē)流量、平均車(chē)速、車(chē)頭時(shí)距、時(shí)間占有率及空間占有率數(shù)據(jù)。目前，視頻交通流檢測(cè)器布設(shè)于十字路口時(shí)，用于采集車(chē)輛闖紅綠燈、不按路線行駛以及逆行等交通違章行為；布設(shè)于道路中間時(shí)，用于檢測(cè)車(chē)輛速度以及駕駛?cè)水惓ｑ{駛行為（圖2）。

1.3 視頻交通流檢測(cè)器檢測(cè)模型

1.3.1 問(wèn)題分析

通過(guò)建立排隊(duì)論模型，對(duì)于車(chē)輛行駛時(shí)存在的2種決策模式分別進(jìn)行分析，得到其影響因素。車(chē)輛在道路上可能會(huì)出現(xiàn)行駛和停車(chē)2種狀態(tài)，如果車(chē)輛在道路上正常行駛，那么需要通過(guò)檢測(cè)其通過(guò)時(shí)間、距離長(zhǎng)度、速度等來(lái)確定車(chē)流量；如果車(chē)輛在道路上存在停車(chē)，那么就需要根據(jù)通過(guò)時(shí)間、停車(chē)時(shí)間等來(lái)確定車(chē)流量，使得其計(jì)算是較為合理的。同時(shí)，建立窮舉法模型，在路口位置確定的情況下，對(duì)于車(chē)輛的移動(dòng)分布進(jìn)行模擬，同時(shí)觀察分析視頻交通流檢測(cè)器數(shù)量、位置與效率的關(guān)系，從而得到效率最大化的最佳檢測(cè)點(diǎn)數(shù)量與位置。

1.3.2 窮舉法模型建立

符號(hào)變量說(shuō)明：

將T1和T2進(jìn)行相加，即可計(jì)算得到其較為合理的車(chē)流量計(jì)算總數(shù)。

1.3.3 模型分析

通過(guò)分析車(chē)輛在城市主干道上行駛和等待2種情況，依據(jù)排隊(duì)論和窮舉法模型，分別對(duì)車(chē)輛行駛狀態(tài)建立對(duì)應(yīng)的數(shù)學(xué)模型，并用Matlab分析，得到行駛時(shí)的模擬情況（圖3）和等待時(shí)的模擬情況（圖4）。

通過(guò)Matlab對(duì)模擬分析后，可以發(fā)現(xiàn)，其預(yù)測(cè)與實(shí)際的決策非常接近，能夠根據(jù)該模型數(shù)據(jù)得到最終的車(chē)流量，因而可以利用車(chē)流量來(lái)確定視頻檢測(cè)器的布設(shè)位置。

1.3.4 模型求解

依據(jù)開(kāi)始時(shí)車(chē)輛在系統(tǒng)運(yùn)行時(shí)通過(guò)的平均速率、車(chē)輛到達(dá)時(shí)的平均速率以及城市主干道各類(lèi)基本的屬性參數(shù)，將初始的車(chē)輛總量假定。計(jì)算出在穩(wěn)定狀態(tài)下，全部系統(tǒng)在各個(gè)狀態(tài)時(shí)的概率，由此結(jié)合具體位置，得到其檢測(cè)效率。

以長(zhǎng)度為1 km的城市主干道為例，假定其車(chē)流量每小時(shí)約為2 000輛，使用Matlab對(duì)車(chē)輛行駛中的行為進(jìn)行模擬，依據(jù)窮舉法可以計(jì)算得到，主干路應(yīng)當(dāng)布設(shè)視頻交通流檢測(cè)器的位置、數(shù)量和檢測(cè)精度如表1所示，檢測(cè)精度平均值為97.76%。

2 結(jié)果與分析

2.1 仿真數(shù)據(jù)采集

通過(guò)Vissim 8.0創(chuàng)建模擬場(chǎng)景，如圖5所示，創(chuàng)建1條1 km的雙向4車(chē)道主干道。依次在0.15 km處布設(shè)3個(gè)檢測(cè)器，0.25 km處布設(shè)4個(gè)檢測(cè)器，0.45 km處布設(shè)3個(gè)檢測(cè)器，0.65 km處布設(shè)3個(gè)檢測(cè)器，0.90 km處布設(shè)4個(gè)檢測(cè)器，采集經(jīng)過(guò)的車(chē)流量。

車(chē)流量總輸入為2 000輛，西進(jìn)口和東進(jìn)口各1 000輛，包含各類(lèi)車(chē)型，仿真總時(shí)間為0～600 s，因剛開(kāi)始仿真交通流沒(méi)有完全形成，故從100 s后開(kāi)始仿真，每50 s記錄1次仿真數(shù)據(jù)，采集數(shù)據(jù)如表2所示。

通過(guò)調(diào)整Vissim中視頻檢測(cè)器在主干道布設(shè)的位置及數(shù)量，對(duì)行駛的車(chē)輛進(jìn)行檢測(cè)。圖5A、B、C分別表示不同位置和數(shù)量的視頻檢測(cè)器檢測(cè)通過(guò)的車(chē)輛信息，對(duì)檢測(cè)的車(chē)輛信息進(jìn)行對(duì)比，從而確定最優(yōu)的視頻檢測(cè)器在主干路布設(shè)的位置與數(shù)量。

2.2 仿真數(shù)據(jù)分析

通過(guò)Vissim軟件對(duì)主干路東西進(jìn)口交通流依次仿真8次后，西進(jìn)口、東進(jìn)口檢測(cè)精度與窮舉法檢測(cè)精度對(duì)比如圖6所示。

對(duì)仿真結(jié)果做平均值計(jì)算，并分別進(jìn)行Vissim仿真西進(jìn)口、Vissim仿真東進(jìn)口與窮舉法模型相對(duì)誤差分析，結(jié)果如表3所示。由表可知，窮舉法布設(shè)視頻檢測(cè)器的檢測(cè)精度與仿真軟件的檢測(cè)精度誤差較小。

3 結(jié)論

城市主干路交通流檢測(cè)不僅涉及交通工程方面，還與計(jì)算機(jī)信息分析密切相關(guān)。建立主干路視頻檢測(cè)器布設(shè)模型，進(jìn)行數(shù)據(jù)處理與仿真，得出如下結(jié)論：

（1）城市主干路對(duì)于城市的交通起著至關(guān)重要的作用，對(duì)視頻檢測(cè)器在主干路檢測(cè)交通流建立數(shù)學(xué)模型，通過(guò)Matlab求解模型，再使用Vissim仿真以驗(yàn)證模型結(jié)果。仿真結(jié)果與模型結(jié)果相對(duì)誤差相差約0.4%。

（2）依據(jù)排隊(duì)論與窮舉法對(duì)視頻檢測(cè)器在主干路的布設(shè)建立數(shù)學(xué)模型，分析后得出每組視頻檢測(cè)器在主干路上布設(shè)的間距在200～350m，該范圍可為主干路交通流檢測(cè)下視頻檢測(cè)器的布設(shè)提供參考。

（3）針對(duì)主干路長(zhǎng)度在1 km左右的路段，根據(jù)窮舉優(yōu)化法對(duì)視頻檢測(cè)器的布設(shè)數(shù)量計(jì)算，檢測(cè)器的應(yīng)布設(shè)5組，每組3～4個(gè)檢測(cè)器檢測(cè)路段交通流，檢測(cè)精度在97.76%。

參考文獻(xiàn)（References）

［1］張銘坤，王昕.基于GRU-RNN模型的城市主干道交通時(shí)間預(yù)測(cè)［J］.北京信息科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，34（4）：30-35.

ZHANG M K， WANG X. Traffic time prediction of urban main road based on GRU-RNN model［J］. Journal of Beijing Information Science & Technology University， 2019， 34（4）：30-35.

［2］嚴(yán)亞丹，仝佩，寧佐強(qiáng)，等.城市主干路交通功能可靠度量化評(píng)價(jià)方法［J］.交通運(yùn)輸工程學(xué)報(bào)，2018，18（3）：157-166.

YAN Y D， TONG P， NING Z Q， et al. Quantitative evaluation method of traffic function reliability for urban arterial roads［J］. Journal of Traffic and Transportation Engineering， 2018， 18（3）：157-166.

［3］VITVITSKII E， SIMUL M， PORKHACHEVA S. Innovative technology for evaluation of capacity of thoroughfares［J］. Transportation Research Procedia， 2017， 20： 671-675.

［4］李佳，王雪松.密集路網(wǎng)中城市主干路中觀安全分析模型［J］.重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2021， 40（8）： 34- 41.

LI J， WANG X S. Meso-level safety analysis model of urban arterials in dense road network［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（8）：34-41.

［5］TENNY A， HAGEN O H. Urban main road capacity reduction： Adaptations， effects and consequences［J］. Transportation Research Part D： transport and environment，2021，96：102848.

［6］UMAIR M， RANA I A， LODHI R H. The impact of urban design and the built environment on road traffic crashes： A case study of Rawalpindi， Pakistan［J］. Case Studies on Transport Policy， 2022， 10（1）： 417-426.

［7］牟海波，俞建寧，劉林忠.基于Petri網(wǎng)的城市主干道交通信號(hào)協(xié)調(diào)優(yōu)化［J］.交通運(yùn)輸工程學(xué)報(bào)，2013，13（2）：106-113.

MOU H B， YU J N， LIU L Z. Traffic signal coordinated optimization of urban arterial road based on Petri net［J］. Journal of Traffic and Transportation Engineering， 2013， 13（2）：106-113.

［8］雷寧，張光德，陳玲娟.基于改進(jìn)模糊聚類(lèi)算法的城市快速路交通狀態(tài)分類(lèi)［J］.廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2017， 42（5）：1723-1729.

LEI N， ZHANG G D， CHEN L J. Traffic state classification of urban freeways based on improved fuzzy clustering algorithm［J］. Journal of Guangxi University （Natural Science）， 2017， 42（5）：1723-1729.

［9］張輝，江竹，李樹(shù)彬，等.城市快速路交通流參數(shù)估計(jì)方法研究［J］.控制工程，2020，27（3）：507-512.

ZHANG H， JIANG Z， LI S B， et al. Research on estimation method of traffic flow parameters for urban expressway［J］. Control Engineering of China， 2020， 27（3）： 507-512.

［10］董春肖，張立濤，孫洪運(yùn)，等.固定交通檢測(cè)器布設(shè)對(duì)快速路交通流量預(yù)測(cè)影響的實(shí)證研究［J］.鐵道科學(xué)與工程學(xué)報(bào)，2022，19（2）：359-366.

DONG C X， ZHANG L T， SUN H Y， et al. Empirical investigation of the effects of fixed traffic detector deployment on expressway traffic flow forecasting［J］. Journal of Railway Science and Engineering， 2022， 19（2）： 359-366.

［11］孫娓娓. 復(fù)雜環(huán)境下多種交通檢測(cè)器最優(yōu)布設(shè)研究［D］.徐州：中國(guó)礦業(yè)大學(xué)，2021.

［12］張航，田冬軍，曾憲寶，等.城市道路交通檢測(cè)器優(yōu)化配置方法研究［J］.武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2008，32（6）：1161-1164.

ZHANG H， TIAN D J， ZENG X B， et al. Study on the method of optimizing the allocation of city traffic detector［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2008， 32（6）： 1161-1164.

［13］朱寧，馬壽峰，賈寧.考慮故障因素的交通檢測(cè)器布設(shè)優(yōu)化問(wèn)題研究［J］.系統(tǒng)工程理論與實(shí)踐，2014，34（4）：997-1002.

ZHU N， MA S F， JIA N. Traffic detector placement optimization problem considering failure［J］. Systems Engineering—Theory & Practice， 2014， 34（4）：997-1002.

［14］LIU H， ZHANG X Y， YANG Y X， et al. Hourly traffic flow forecasting using a new hybrid modelling method［J］. Journal of Central South University， 2022， 29（4）： 1389-1402.

［15］王京京，楊友林，李輝，等.基于功能分析的城市道路網(wǎng)絡(luò)銜接評(píng)價(jià)研究［J］.交通運(yùn)輸系統(tǒng)工程與信息，2015，15 （1）：212-217.

WANG J J， YANG Y L， LI H， et al. Urban road network junction evaluation method based on the functional analysis［J］. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（1）：212- 217.

［16］杜樹(shù)櫻. 高速公路交通檢測(cè)器布設(shè)優(yōu)化方法研究［D］.南京：東南大學(xué)，2019.

［17］趙禹喬. 城市道路交通數(shù)據(jù)檢測(cè)器優(yōu)化綜合布設(shè)方法研究［D］.西安：長(zhǎng)安大學(xué)，2011.

［18］胡月. 在成本約束下的基于OD估計(jì)的多目標(biāo)檢測(cè)器優(yōu)化布設(shè)研究［D］.北京：北京交通大學(xué)，2014.

［19］祁劍鋒. 城市交通信息檢測(cè)器布設(shè)方法研究［D］.南京：東南大學(xué)， 2015.

［20］周敬龍，傅立平，鐘鳴，等.檢測(cè)器數(shù)據(jù)的精確度對(duì)全感應(yīng)控制的影響分析［J］.交通信息與安全，2019，37（4）：96-101.

ZHOU J L， FU L P， ZHONG M， et al. Impacts of accuracy of traffic detector on fully-actuated signal control［J］. Journal of Transport Information and Safety， 2019， 37（4）：96-101.

（責(zé)任編輯：編輯郭蕓婕）

收稿日期：2022-11-01

基金項(xiàng)目：新疆維吾爾自治區(qū)重大科技專(zhuān)項(xiàng)（2020A03003），新疆維吾爾自治區(qū)交通運(yùn)輸廳科技項(xiàng)目（201804071295）

作者簡(jiǎn)介：賈剛剛（1996—），男，碩士研究生，專(zhuān)業(yè)方向?yàn)槌鞘械缆方煌鞲纳啤?/p>

*通信作者：王兵（1967—），男，教授，從事智能交通管控技術(shù)與裝備方向的研究，e-mail：451619037@qq.com。