高速公路區(qū)間交通態(tài)勢預(yù)測系統(tǒng)設(shè)計(jì)
作者：李丹華，秦濤，張為（交科院（北京）科技發(fā)展有限公司）） 來源：中國交通信息化
近年來，由于超流量設(shè)計(jì)、交通事故、節(jié)假日、施工養(yǎng)護(hù)、惡劣天氣等因素，高速公路擁堵問題日益突出[1,2]。2019年起，全國陸續(xù)響應(yīng)深化收費(fèi)公路制度改革，落實(shí)封閉式高速公路收費(fèi)站入口不停車稱重檢測政策以及取消高速公路省界收費(fèi)站。此舉從收費(fèi)模式上徹底改變了高速公路的運(yùn)營工作，提高了高速公路通行能力和服務(wù)水平。但是，新的問題也隨之而來。通行能力的提高意味著高速公路能容納更多的車輛同時(shí)通行，但失去了省界收費(fèi)收費(fèi)廣場的緩沖，各省內(nèi)部高速公路收費(fèi)站乃至收費(fèi)主線路面的通行壓力也隨之增大。在特殊事件甚至交通事故發(fā)生時(shí)，更加容易造成交通區(qū)間和主線路面異常停車過多，從而導(dǎo)致收費(fèi)站匝道和廣場擁堵乃至主線擁堵。此外，通行高速公路的貨運(yùn)車輛數(shù)量巨大，當(dāng)發(fā)現(xiàn)超限超載運(yùn)輸車輛時(shí)，容易發(fā)生撞壞收費(fèi)站設(shè)施、司機(jī)與管理人員發(fā)生爭執(zhí)、勸返調(diào)頭時(shí)間過長等情況，會導(dǎo)致收費(fèi)廣場等重要路段發(fā)生擁堵。如果能夠?qū)Ω咚俟分匾范挝磥砑磳l(fā)生的交通擁堵狀態(tài)進(jìn)行準(zhǔn)確及時(shí)的預(yù)測和評估，將為高速公路管理者和出行居民帶來極大便利。
交通擁堵預(yù)測方法包括自回歸綜合移動平均時(shí)間序列法[3]、卡爾曼濾波法[4]、小波分析預(yù)測方法[5]、人工智能模型[6]、混合模型[7]等。對于交通擁堵狀態(tài)可用交通流量、平均速度、占有率、駕駛員體感參數(shù)、車輛排隊(duì)長度等參數(shù)來評價(jià)。僅使用其中某一個(gè)參數(shù)進(jìn)行評估的方法叫做單因素評價(jià)。李晨曦[8]采用基于交通流分模態(tài)的道路交通延誤計(jì)算方法，進(jìn)行道路延誤水平評價(jià)，其中道路單位里程平均延誤為評價(jià)指標(biāo)。Lindley J[9]選取路段飽和度 對交通擁堵進(jìn)行評估，將采集到的高峰小時(shí)車流量擴(kuò)充為24小時(shí)的日車流量，并且與最大通行能力進(jìn)行比較，確定路段飽和度大于0.77時(shí)為交通擁堵狀態(tài)。實(shí)際應(yīng)用中，單因素評價(jià)方法往往不能全面而準(zhǔn)確地反應(yīng)交通擁堵狀態(tài)，為了提高交通擁堵預(yù)測的準(zhǔn)確度，學(xué)者們提出了多因素評價(jià)方法，即同時(shí)選用幾個(gè)交通流參數(shù)對交通狀態(tài)進(jìn)行評估。譚娟[10]等利用了多元基礎(chǔ)數(shù)據(jù)構(gòu)建綜合的交通流特征向量作為數(shù)據(jù)支撐，包含了交通流參數(shù)、環(huán)境狀態(tài)、時(shí)段等數(shù)據(jù)特征。同時(shí)提出了一種基于深度學(xué)習(xí)的預(yù)測模型，最后結(jié)合Softmax回歸對交通擁堵狀態(tài)進(jìn)行了多態(tài)預(yù)測。黎符忠[11]選用交叉口、路段、區(qū)域3個(gè)因素作為交通擁堵評估的指標(biāo)體系，利用信息熵權(quán)法計(jì)算各指標(biāo)對交通擁堵的影響程度，最終構(gòu)建出基于灰色關(guān)聯(lián)度的交通擁堵評估模型，以此預(yù)測重慶市路段的擁堵水平。Zhang YY[12]等選擇了車流速率、交通流密度、交通流量三個(gè)因素作為判斷交通擁堵程度的指標(biāo)，并利用灰色關(guān)聯(lián)分析和粗糙集理論挖掘三維交通數(shù)據(jù)信息之間的關(guān)系，從而建立灰色關(guān)聯(lián)聚類模型來判別聚類優(yōu)先級，并進(jìn)一步分析城市交通擁堵度。龍小強(qiáng)[13]等選擇路段單位里程平均延誤、路段平均行程速度和路段飽和度三個(gè)因素作為評價(jià)指標(biāo)，并建立模糊綜合評價(jià)模型，最后對廣州市天河核心區(qū)的交通擁堵狀態(tài)進(jìn)行了評估。
對于多因素評價(jià)方法，有學(xué)者選用交通流平均速度或交通流密度作為評價(jià)指標(biāo)，但是沒有人提出過平均駛出時(shí)間這個(gè)評價(jià)指標(biāo)。在應(yīng)用算法方面，單獨(dú)采用支持向量回歸法[14]（Support Vector Regression，SVR）方法預(yù)測精度較低。針對高速公路路況特點(diǎn)和擁堵特征，本文選取了交通流平均速度、交通流密度、平均駛出時(shí)間三個(gè)交通流參數(shù)作為因素指標(biāo)對交通態(tài)勢進(jìn)行綜合預(yù)測。通過多目標(biāo)粒子群算法（Multi-Objective Particle Swarm Optimization ，MOPSO）對SVR方法進(jìn)行優(yōu)化，以此得到精度更為準(zhǔn)確的評價(jià)指標(biāo)?；诖四Ｐ退惴ㄌ岢隽烁咚俟穮^(qū)間交通態(tài)勢預(yù)測系統(tǒng)架構(gòu)，針對不同的高速公路業(yè)務(wù)場景對系統(tǒng)預(yù)測精度進(jìn)行了驗(yàn)證。
充分利用現(xiàn)有高速公路設(shè)備、設(shè)施所能提供的各類視頻監(jiān)控、收費(fèi)管理、車流檢測等數(shù)據(jù)，基于AI視頻智能檢測算法，對通行車輛等對象結(jié)構(gòu)化識別分析，獲取包括門架、匝道、收費(fèi)站的廣場和車道等場景下的車輛車牌號、車型、行人、拋灑物等數(shù)據(jù)。圖像數(shù)據(jù)中的光線強(qiáng)度會對系統(tǒng)識別率造成影響，隨著光線強(qiáng)度的減弱，識別率將急劇降低，使得系統(tǒng)難以滿足真實(shí)應(yīng)用場景的需求。結(jié)合高速公路各場景的實(shí)際情況，可借助原有的補(bǔ)光燈設(shè)備，加強(qiáng)成像設(shè)備的夜間適應(yīng)能力，提高并維持AI圖像識別場景的精準(zhǔn)度。本系統(tǒng)算法需要的數(shù)據(jù)資源如表1所示。
本文采用通流平均速度、交通流密度、平均駛出時(shí)間3個(gè)交通流參數(shù)作為因素指標(biāo)對交通態(tài)勢進(jìn)行綜合預(yù)測。交通流平均速度指單位時(shí)間內(nèi)某路段所有車輛行駛的平均距離。計(jì)算公式如下：
其中，
為交通流平均速度；N為路段單位時(shí)間內(nèi)所有車輛數(shù)；νi為第i輛車的瞬時(shí)速度。交通流密度是指某路段單位時(shí)間內(nèi)單位長度上的車輛總數(shù)，計(jì)算公式如下：
其中，D為交通流密度，f為單位小時(shí)監(jiān)測到的車輛總數(shù)，ν為平均速度。
平均駛出時(shí)間是指所有車輛通過某路段所耗時(shí)間的平均值，計(jì)算公式如下：
其中，
為平均駛出時(shí)間，ti1為第i輛車的離開時(shí)刻，ti0為第i輛車的進(jìn)入時(shí)刻。
美國交通研究委員會發(fā)行的《道路通信能力手冊》[15]中將交通擁堵狀態(tài)分為六個(gè)等級：1非常暢通、2暢通、3輕度擁堵、4中度擁堵、5嚴(yán)重?fù)矶隆?鎖死，數(shù)值越高表明交通擁堵情況越嚴(yán)重。結(jié)合本文具有的道路數(shù)據(jù)資源，確定3個(gè)因素指標(biāo)對應(yīng)交通擁堵狀態(tài)的取值范圍，如表2所示。
預(yù)測模型通過MOPSO對SVR進(jìn)行優(yōu)化，實(shí)現(xiàn)高速公路區(qū)間交通態(tài)勢預(yù)測。已知條件為當(dāng)前時(shí)刻t和歷史時(shí)刻t-Δt的交通檢測數(shù)據(jù)，以此預(yù)測未來時(shí)刻t+Δt的交通流平均速度、交通流密度、平均駛出時(shí)間3個(gè)交通流參數(shù)。
其中，xi為輸入的交通流參數(shù)，ω為權(quán)重向量，
為非線性核函數(shù)，b為偏差項(xiàng)，f（x）為交通流的預(yù)測值。轉(zhuǎn)換SVR模型為：
通過構(gòu)建拉格朗日方程，得到最終的預(yù)測函數(shù)為：
其中，K（xi，x）是核函數(shù)，輔助完成數(shù)據(jù)完成高維和線性轉(zhuǎn)換，αi、αi*為為非負(fù)的拉格朗日乘子。
通過MOPSO算法對權(quán)重向量ω進(jìn)行優(yōu)化，提高算法的精準(zhǔn)度及尋優(yōu)能力。權(quán)重向量ω更新表達(dá)式如下：
基于上述算法，提出了高速公路區(qū)間交通態(tài)勢預(yù)測系統(tǒng)架構(gòu)，分為感知層、數(shù)據(jù)源層、支撐層、引擎層和應(yīng)用層。每個(gè)層次根據(jù)不同的功能又分為不同的應(yīng)用模塊。系統(tǒng)架構(gòu)如下圖所示。各層分別執(zhí)行以下功能。
前端感知層主要接入兩種數(shù)據(jù)，一是將各種高速公路路段和收費(fèi)站原有的監(jiān)控系統(tǒng)、路政系統(tǒng)、收費(fèi)系統(tǒng)等監(jiān)測數(shù)據(jù)資源或其他業(yè)務(wù)系統(tǒng)數(shù)據(jù)資源接入數(shù)據(jù)平臺；二是將本系統(tǒng)算力終端結(jié)構(gòu)化信息源產(chǎn)生各種不同類型的數(shù)據(jù)接入系統(tǒng)平臺進(jìn)行視頻AR融合展示。
系統(tǒng)可接入集成多種數(shù)據(jù)源，一是將前端各單位部門上報(bào)的計(jì)劃性事件，如施工單位的施工申請上報(bào)；二是通過視頻源檢測到或人工發(fā)現(xiàn)的擁堵、異常停車等突發(fā)事件；三是通過視頻源檢測的斷面車流量數(shù)據(jù)；四是視頻源或從傳感器監(jiān)控源檢測的車速數(shù)據(jù)；五是路面的空間或時(shí)間的車輛占有率；六是機(jī)電設(shè)備完好率，如車道的故障比例；七是通過現(xiàn)場通訊設(shè)備連接上報(bào)的用戶反饋建議或投訴等上報(bào)內(nèi)容。將各種高速公路路段和收費(fèi)站原有的監(jiān)測數(shù)據(jù)資源或其他系統(tǒng)數(shù)據(jù)資源接入數(shù)據(jù)平臺。
數(shù)據(jù)傳輸?shù)木W(wǎng)絡(luò)支撐層，包括云存儲、云計(jì)算等，以及通過算力終端以及其他IT配套設(shè)施來進(jìn)行基礎(chǔ)支撐層的數(shù)據(jù)運(yùn)用。主要將接入的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、轉(zhuǎn)化、存儲和計(jì)算，為上層的業(yè)務(wù)應(yīng)用提供有效的數(shù)據(jù)。
平臺的應(yīng)用基于幾大模塊引擎進(jìn)行組合啟動，與使用的功能模塊相應(yīng)層次對應(yīng)，包括AR引擎、地圖引擎、大數(shù)據(jù)計(jì)算引擎、三維仿真引擎、交通預(yù)測引擎、可視化報(bào)表引擎等。
實(shí)現(xiàn)平臺各個(gè)功能模塊的具體功能，是系統(tǒng)功能的綜合體現(xiàn)應(yīng)用。包括融合監(jiān)控、事件報(bào)警、交通仿真、態(tài)勢預(yù)測、交通誘導(dǎo)（輔助決策）、統(tǒng)計(jì)報(bào)表、用戶上報(bào)、應(yīng)急聯(lián)動等。
基于某省部分高速公路路段已有數(shù)據(jù)，進(jìn)行了高速公路區(qū)間交通態(tài)勢預(yù)測系統(tǒng)開發(fā)和算法精度驗(yàn)證。針對高速公路門架通行壓力檢測、高速公路匝道通行壓力檢測、收費(fèi)車道壓力檢測、收費(fèi)廣場容量監(jiān)測、收費(fèi)廣場處理速度檢測、收費(fèi)站態(tài)勢預(yù)測預(yù)警、路面態(tài)勢預(yù)測預(yù)警、擁堵實(shí)時(shí)告警等場景，進(jìn)行檢測結(jié)果及預(yù)警精度的驗(yàn)證和應(yīng)用分析。
通過車輛結(jié)構(gòu)化智能識別對門架抓拍的通行車輛進(jìn)行分析，根據(jù)車輛類型（大/小客車、大/小貨車），計(jì)算通行的總車流量，分類型車流量（小/大的客/貨車車型數(shù)量統(tǒng)計(jì)）、位置、方向、速度、時(shí)間、離收費(fèi)站距離，通過歷史數(shù)據(jù)對前方收費(fèi)匝道、收費(fèi)站甚至前方路面主線所要承擔(dān)的通行壓力進(jìn)行預(yù)測。利用AR實(shí)景可視化監(jiān)控平臺，對檢測和預(yù)測數(shù)據(jù)進(jìn)行實(shí)時(shí)展示。
通過車輛結(jié)構(gòu)化智能識別對匝道視頻抓拍分析，根據(jù)不同車輛類型（大/小客車、大/小貨車），計(jì)算即將進(jìn)入廣場的總車流量、分類型車流量、斷面車流量，然后通過歷史數(shù)據(jù)對收費(fèi)站所要承擔(dān)的通行壓力進(jìn)行預(yù)測。
通過車輛結(jié)構(gòu)化智能識別對收費(fèi)站收費(fèi)車道通行情況視頻抓拍進(jìn)行分析，根據(jù)不同車輛類型（大/小客車、大/小貨車）獲取預(yù)測數(shù)據(jù)來源，計(jì)算即將進(jìn)入廣場的總車輛數(shù)、分類型車輛數(shù)、ETC/人工車道數(shù)量和長度，以及貨車通行時(shí)間和ETC正常通行時(shí)間（經(jīng)驗(yàn)值），然后通過歷史數(shù)據(jù)對收費(fèi)車道所要承擔(dān)的壓力進(jìn)行預(yù)測。
系統(tǒng)可以通過AI視頻智能檢測，對收費(fèi)廣場的容量實(shí)現(xiàn)單位時(shí)間加權(quán)變動量追蹤和短期預(yù)計(jì)，實(shí)現(xiàn)收費(fèi)廣場的容量監(jiān)測。如對收費(fèi)廣場的高點(diǎn)監(jiān)控范圍內(nèi)的車輛總數(shù)、車輛排隊(duì)長度、視頻范圍內(nèi)車輛總數(shù)、平均通行時(shí)間、預(yù)計(jì)耗時(shí)通行等數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，形成數(shù)據(jù)看板并支持?jǐn)?shù)據(jù)導(dǎo)出，為用戶決策提供依據(jù)。
通過對收費(fèi)廣場內(nèi)的所有車輛都進(jìn)行實(shí)時(shí)跟蹤，記錄車輛進(jìn)入到離開的檢測所需要時(shí)間，平均進(jìn)出收費(fèi)廣場時(shí)間、視頻范圍內(nèi)車輛總數(shù)，同時(shí)計(jì)算收費(fèi)廣場的處理速率。
（六）收費(fèi)站態(tài)勢預(yù)測預(yù)警
通過多維度的歷史數(shù)據(jù)融合，數(shù)學(xué)模型對變量權(quán)重分配調(diào)整模型參數(shù)，預(yù)測5分鐘、半小時(shí)甚至一個(gè)小時(shí)的未來一段時(shí)間內(nèi)的區(qū)間收費(fèi)站交通態(tài)勢，實(shí)現(xiàn)對收費(fèi)站所要承擔(dān)的通行壓力進(jìn)行預(yù)測，如總車流量壓力、分車型壓力、車道分配壓力、耗時(shí)壓力等預(yù)測。加強(qiáng)收費(fèi)站服務(wù)質(zhì)量，提高收費(fèi)站服務(wù)效率。
通過將ETC門架、高清卡口、服務(wù)區(qū)、匝道、收費(fèi)站廣場及車道等多維度的歷史數(shù)據(jù)融合，可預(yù)測某路段路面的5分鐘、半小時(shí)甚至一個(gè)小時(shí)的未來一段時(shí)間內(nèi)的交通區(qū)間態(tài)勢情況，實(shí)現(xiàn)對主干線通車區(qū)間所要承擔(dān)的壓力進(jìn)行預(yù)測，如總車流量壓力、分車型壓力、車道分配壓力、車間距、耗時(shí)壓力等預(yù)測等。
通過智能AI擁堵檢測技術(shù)，檢測視頻范圍內(nèi)車輛排隊(duì)長度、數(shù)量。實(shí)時(shí)統(tǒng)計(jì)范圍內(nèi)車輛總數(shù)以及擁堵狀況，當(dāng)車輛數(shù)量超過區(qū)域內(nèi)設(shè)定的容量閾值時(shí)將發(fā)出實(shí)時(shí)告警。同時(shí)可結(jié)合利用車道視頻監(jiān)控，對不同收費(fèi)車道進(jìn)行車流總數(shù)識別計(jì)算，當(dāng)車輛數(shù)量超過收費(fèi)車道的設(shè)定容量閾值時(shí)發(fā)出實(shí)時(shí)告警。
本文提出了以交通流平均速度、交通流密度、平均駛出時(shí)間3個(gè)交通流參數(shù)作為因素指標(biāo)對高速公路交通態(tài)勢進(jìn)行綜合預(yù)測的多因素評價(jià)方法。通過MOPSO對SVR方法進(jìn)行優(yōu)化，得到精度更高的算法模型。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的高速公路區(qū)間交通態(tài)勢預(yù)測系統(tǒng)能夠?qū)Ω咚俟烽T架通行壓力、收費(fèi)廣場處理速度、路面擁堵態(tài)勢等進(jìn)行較為準(zhǔn)確的預(yù)測和預(yù)警，能夠減少人工巡查的工作量，顯著提高高速公路管理工作的效率，在實(shí)際應(yīng)用中具有重要意義。
[1] 畢仕昌,林水生,耿潔.?；⒏咚俟仿范螕矶轮卫韺Σ咛轿鯷J].中國交通信息化，2019(9):41-43.
[2] 劉曉娟.廣州機(jī)場高速公路交通擁堵原因分析及改善對策[J].交通與運(yùn)輸，2019(2):10-13.
[3] C.Chatfield.時(shí)間序列分析引論[M].駱振華,譯.廈門：廈門大學(xué)出版社,1987.
[4] 錢偉,楊慧慧,孫玉娟.相空間重構(gòu)的卡爾曼濾波交通流預(yù)測研究[J].計(jì)算機(jī)工程與應(yīng)用, 2016,52(14): 37-41.
[5] 程正興.小波分析算法與應(yīng)用[M].西安：西安交通大學(xué)出版社,1998.
[6] Chen X B, Yang J, Liang J. A flexible support vector machine for regression[J]. Neural Computing and Applications,2012,21(8):2005-2013.
[7] 喬德華,張開禾,范耀祖.多模型交通流預(yù)測優(yōu)化[J].交通標(biāo)準(zhǔn)化, 2007(4):207-209.
[8] 李晨曦.基于交通延誤的路網(wǎng)交通狀態(tài)評價(jià)分析[D].北京:北京交通大學(xué),2010.
[9] Lindley J. Urban Freeway Congestion:Quantification of the problem and effectiveness of potential solution[J]. ITE Journal, 1987: 27-32.
[10] 譚娟,王勝春.基于深度學(xué)習(xí)的交通擁堵預(yù)測模型研究[J].計(jì)算機(jī)應(yīng)用研究,2015(10):2951-2954.
[11] 黎符忠.基于灰色關(guān)聯(lián)模型的城市道路交通擁堵評價(jià)研究[J].重慶建筑,2018(17):38-40.
[12] Zhang YY, Ye N, Wang RCA et al. Method for Traffic Congestion Clustering Judgment Based on Grey Relational Analysis[J]. Isprs International Journal of Geographical Information. 2016, 5(5): 1-15.
[13] 龍小強(qiáng),譚 云龍.基于模糊綜合評價(jià)的城市道路交通擁堵評價(jià)研究[J].交通標(biāo)準(zhǔn)化, 2011(11):114-117.
[14] Hong W C, Dong Yucheng，Zheng Feifeng，et al． Forecasting urban traffic flow by SVＲ with continuous ACO［J］． Applied Mathematical Modelling, 2011, 35(3): 1282-1291．
[15] 美國交通研究委員會.道路通行能力手冊[M].任福田,劉小明,榮建,等譯.北京:人民交通出版社,2007:116-189.
