高速公路區間交通態(tài)勢預測系統設計
作者：李丹華，秦濤，張為（交科院（北京）科技發(fā)展有限公司）） 來(lái)源：中國交通信息化
近年來(lái)，由于超流量設計、交通事故、節假日、施工養護、惡劣天氣等因素，高速公路擁堵問(wèn)題日益突出[1,2]。2019年起，全國陸續響應深化收費公路制度改革，落實(shí)封閉式高速公路收費站入口不停車(chē)稱(chēng)重檢測政策以及取消高速公路省界收費站。此舉從收費模式上徹底改變了高速公路的運營(yíng)工作，提高了高速公路通行能力和服務(wù)水平。但是，新的問(wèn)題也隨之而來(lái)。通行能力的提高意味著(zhù)高速公路能容納更多的車(chē)輛同時(shí)通行，但失去了省界收費收費廣場(chǎng)的緩沖，各省內部高速公路收費站乃至收費主線(xiàn)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間和主線(xiàn)路面異常停車(chē)過(guò)多，從而導致收費站匝道和廣場(chǎng)擁堵乃至主線(xiàn)擁堵。此外，通行高速公路的貨運車(chē)輛數量巨大，當發(fā)現超限超載運輸車(chē)輛時(shí)，容易發(fā)生撞壞收費站設施、司機與管理人員發(fā)生爭執、勸返調頭時(shí)間過(guò)長(cháng)等情況，會(huì )導致收費廣場(chǎng)等重要路段發(fā)生擁堵。如果能夠對高速公路重要路段未來(lái)即將發(fā)生的交通擁堵?tīng)顟B(tài)進(jìn)行準確及時(shí)的預測和評估，將為高速公路管理者和出行居民帶來(lái)極大便利。
交通擁堵預測方法包括自回歸綜合移動(dòng)平均時(shí)間序列法[3]、卡爾曼濾波法[4]、小波分析預測方法[5]、人工智能模型[6]、混合模型[7]等。對于交通擁堵?tīng)顟B(tài)可用交通流量、平均速度、占有率、駕駛員體感參數、車(chē)輛排隊長(cháng)度等參數來(lái)評價(jià)。僅使用其中某一個(gè)參數進(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。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(chē)流量擴充為24小時(shí)的日車(chē)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?tīng)顟B(tài)。實(shí)際應用中，單因素評價(jià)方法往往不能全面而準確地反應交通擁堵?tīng)顟B(tài)，為了提高交通擁堵預測的準確度，學(xué)者們提出了多因素評價(jià)方法，即同時(shí)選用幾個(gè)交通流參數對交通狀態(tài)進(jìn)行評估。譚娟[10]等利用了多元基礎數據構建綜合的交通流特征向量作為數據支撐，包含了交通流參數、環(huán)境狀態(tài)、時(shí)段等數據特征。同時(shí)提出了一種基于深度學(xué)習的預測模型，最后結合Softmax回歸對交通擁堵?tīng)顟B(tài)進(jìn)行了多態(tài)預測。黎符忠[11]選用交叉口、路段、區域3個(gè)因素作為交通擁堵評估的指標體系，利用信息熵權法計算各指標對交通擁堵的影響程度，最終構建出基于灰色關(guān)聯(lián)度的交通擁堵評估模型，以此預測重慶市路段的擁堵水平。Zhang YY[12]等選擇了車(chē)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，并利用灰色關(guān)聯(lián)分析和粗糙集理論挖掘三維交通數據信息之間的關(guān)系，從而建立灰色關(guān)聯(lián)聚類(lèi)模型來(lái)判別聚類(lèi)優(yōu)先級，并進(jìn)一步分析城市交通擁堵度。龍小強[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，并建立模糊綜合評價(jià)模型，最后對廣州市天河核心區的交通擁堵?tīng)顟B(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，但是沒(méi)有人提出過(guò)平均駛出時(shí)間這個(gè)評價(jià)指標。在應用算法方面，單獨采用支持向量回歸法[14]（Support Vector Regression，SVR）方法預測精度較低。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)交通流參數作為因素指標對交通態(tài)勢進(jìn)行綜合預測。通過(guò)多目標粒子群算法（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確的評價(jià)指標?；诖四Ｐ退惴ㄌ岢隽烁咚俟穮^間交通態(tài)勢預測系統架構，針對不同的高速公路業(yè)務(wù)場(chǎng)景對系統預測精度進(jìn)行了驗證。
充分利用現有高速公路設備、設施所能提供的各類(lèi)視頻監控、收費管理、車(chē)流檢測等數據，基于A(yíng)I視頻智能檢測算法，對通行車(chē)輛等對象結構化識別分析，獲取包括門(mén)架、匝道、收費站的廣場(chǎng)和車(chē)道等場(chǎng)景下的車(chē)輛車(chē)牌號、車(chē)型、行人、拋灑物等數據。圖像數據中的光線(xiàn)強度會(huì )對系統識別率造成影響，隨著(zhù)光線(xiàn)強度的減弱，識別率將急劇降低，使得系統難以滿(mǎn)足真實(shí)應用場(chǎng)景的需求。結合高速公路各場(chǎng)景的實(shí)際情況，可借助原有的補光燈設備，加強成像設備的夜間適應能力，提高并維持AI圖像識別場(chǎng)景的精準度。本系統算法需要的數據資源如表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)交通流參數作為因素指標對交通態(tài)勢進(jìn)行綜合預測。交通流平均速度指單位時(shí)間內某路段所有車(chē)輛行駛的平均距離。計算公式如下：
其中，
為交通流平均速度；N為路段單位時(shí)間內所有車(chē)輛數；νi為第i輛車(chē)的瞬時(shí)速度。交通流密度是指某路段單位時(shí)間內單位長(cháng)度上的車(chē)輛總數，計算公式如下：
其中，D為交通流密度，f為單位小時(shí)監測到的車(chē)輛總數，ν為平均速度。
平均駛出時(shí)間是指所有車(chē)輛通過(guò)某路段所耗時(shí)間的平均值，計算公式如下：
其中，
為平均駛出時(shí)間，ti1為第i輛車(chē)的離開(kāi)時(shí)刻，ti0為第i輛車(chē)的進(jìn)入時(shí)刻。
美國交通研究委員會(huì )發(fā)行的《道路通信能力手冊》[15]中將交通擁堵?tīng)顟B(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嚴重擁堵、6鎖死，數值越高表明交通擁堵情況越嚴重。結合本文具有的道路數據資源，確定3個(gè)因素指標對應交通擁堵?tīng)顟B(tài)的取值范圍，如表2所示。
預測模型通過(guò)MOPSO對SVR進(jìn)行優(yōu)化，實(shí)現高速公路區間交通態(tài)勢預測。已知條件為當前時(shí)刻t和歷史時(shí)刻t-Δt的交通檢測數據，以此預測未來(lái)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。
其中，xi為輸入的交通流參數，ω為權重向量，
為非線(xiàn)性核函數，b為偏差項，f（x）為交通流的預測值。轉換SVR模型為：
通過(guò)構建拉格朗日方程，得到最終的預測函數為：
其中，K（xi，x）是核函數，輔助完成數據完成高維和線(xiàn)性轉換，αi、αi*為為非負的拉格朗日乘子。
通過(guò)MOPSO算法對權重向量ω進(jìn)行優(yōu)化，提高算法的精準度及尋優(yōu)能力。權重向量ω更新表達式如下：
基于上述算法，提出了高速公路區間交通態(tài)勢預測系統架構，分為感知層、數據源層、支撐層、引擎層和應用層。每個(gè)層次根據不同的功能又分為不同的應用模塊。系統架構如下圖所示。各層分別執行以下功能。
前端感知層主要接入兩種數據，一是將各種高速公路路段和收費站原有的監控系統、路政系統、收費系統等監測數據資源或其他業(yè)務(wù)系統數據資源接入數據平臺；二是將本系統算力終端結構化信息源產(chǎn)生各種不同類(lèi)型的數據接入系統平臺進(jìn)行視頻AR融合展示。
系統可接入集成多種數據源，一是將前端各單位部門(mén)上報的計劃性事件，如施工單位的施工申請上報；二是通過(guò)視頻源檢測到或人工發(fā)現的擁堵、異常停車(chē)等突發(fā)事件；三是通過(guò)視頻源檢測的斷面車(chē)流量數據；四是視頻源或從傳感器監控源檢測的車(chē)速數據；五是路面的空間或時(shí)間的車(chē)輛占有率；六是機電設備完好率，如車(chē)道的故障比例；七是通過(guò)現場(chǎng)通訊設備連接上報的用戶(hù)反饋建議或投訴等上報內容。將各種高速公路路段和收費站原有的監測數據資源或其他系統數據資源接入數據平臺。
數據傳輸的網(wǎng)絡(luò )支撐層，包括云存儲、云計算等，以及通過(guò)算力終端以及其他IT配套設施來(lái)進(jìn)行基礎支撐層的數據運用。主要將接入的數據進(jìn)行數據清洗、轉化、存儲和計算，為上層的業(yè)務(wù)應用提供有效的數據。
平臺的應用基于幾大模塊引擎進(jìn)行組合啟動(dòng)，與使用的功能模塊相應層次對應，包括AR引擎、地圖引擎、大數據計算引擎、三維仿真引擎、交通預測引擎、可視化報表引擎等。
實(shí)現平臺各個(gè)功能模塊的具體功能，是系統功能的綜合體現應用。包括融合監控、事件報警、交通仿真、態(tài)勢預測、交通誘導（輔助決策）、統計報表、用戶(hù)上報、應急聯(lián)動(dòng)等。
基于某省部分高速公路路段已有數據，進(jìn)行了高速公路區間交通態(tài)勢預測系統開(kāi)發(fā)和算法精度驗證。針對高速公路門(mén)架通行壓力檢測、高速公路匝道通行壓力檢測、收費車(chē)道壓力檢測、收費廣場(chǎng)容量監測、收費廣場(chǎng)處理速度檢測、收費站態(tài)勢預測預警、路面態(tài)勢預測預警、擁堵實(shí)時(shí)告警等場(chǎng)景，進(jìn)行檢測結果及預警精度的驗證和應用分析。
通過(guò)車(chē)輛結構化智能識別對門(mén)架抓拍的通行車(chē)輛進(jìn)行分析，根據車(chē)輛類(lèi)型（大/小客車(chē)、大/小貨車(chē)），計算通行的總車(chē)流量，分類(lèi)型車(chē)流量（小/大的客/貨車(chē)車(chē)型數量統計）、位置、方向、速度、時(shí)間、離收費站距離，通過(guò)歷史數據對前方收費匝道、收費站甚至前方路面主線(xiàn)所要承擔的通行壓力進(jìn)行預測。利用AR實(shí)景可視化監控平臺，對檢測和預測數據進(jìn)行實(shí)時(shí)展示。
通過(guò)車(chē)輛結構化智能識別對匝道視頻抓拍分析，根據不同車(chē)輛類(lèi)型（大/小客車(chē)、大/小貨車(chē)），計算即將進(jìn)入廣場(chǎng)的總車(chē)流量、分類(lèi)型車(chē)流量、斷面車(chē)流量，然后通過(guò)歷史數據對收費站所要承擔的通行壓力進(jìn)行預測。
通過(guò)車(chē)輛結構化智能識別對收費站收費車(chē)道通行情況視頻抓拍進(jìn)行分析，根據不同車(chē)輛類(lèi)型（大/小客車(chē)、大/小貨車(chē)）獲取預測數據來(lái)源，計算即將進(jìn)入廣場(chǎng)的總車(chē)輛數、分類(lèi)型車(chē)輛數、ETC/人工車(chē)道數量和長(cháng)度，以及貨車(chē)通行時(shí)間和ETC正常通行時(shí)間（經(jīng)驗值），然后通過(guò)歷史數據對收費車(chē)道所要承擔的壓力進(jìn)行預測。
系統可以通過(guò)AI視頻智能檢測，對收費廣場(chǎng)的容量實(shí)現單位時(shí)間加權變動(dòng)量追蹤和短期預計，實(shí)現收費廣場(chǎng)的容量監測。如對收費廣場(chǎng)的高點(diǎn)監控范圍內的車(chē)輛總數、車(chē)輛排隊長(cháng)度、視頻范圍內車(chē)輛總數、平均通行時(shí)間、預計耗時(shí)通行等數據進(jìn)行統計分析，形成數據看板并支持數據導出，為用戶(hù)決策提供依據。
通過(guò)對收費廣場(chǎng)內的所有車(chē)輛都進(jìn)行實(shí)時(shí)跟蹤，記錄車(chē)輛進(jìn)入到離開(kāi)的檢測所需要時(shí)間，平均進(jìn)出收費廣場(chǎng)時(shí)間、視頻范圍內車(chē)輛總數，同時(shí)計算收費廣場(chǎng)的處理速率。
通過(guò)多維度的歷史數據融合，數學(xué)模型對變量權重分配調整模型參數，預測5分鐘、半小時(shí)甚至一個(gè)小時(shí)的未來(lái)一段時(shí)間內的區間收費站交通態(tài)勢，實(shí)現對收費站所要承擔的通行壓力進(jìn)行預測，如總車(chē)流量壓力、分車(chē)型壓力、車(chē)道分配壓力、耗時(shí)壓力等預測。加強收費站服務(wù)質(zhì)量，提高收費站服務(wù)效率。
通過(guò)將ETC門(mén)架、高清卡口、服務(wù)區、匝道、收費站廣場(chǎng)及車(chē)道等多維度的歷史數據融合，可預測某路段路面的5分鐘、半小時(shí)甚至一個(gè)小時(shí)的未來(lái)一段時(shí)間內的交通區間態(tài)勢情況，實(shí)現對主干線(xiàn)通車(chē)區間所要承擔的壓力進(jìn)行預測，如總車(chē)流量壓力、分車(chē)型壓力、車(chē)道分配壓力、車(chē)間距、耗時(shí)壓力等預測等。
通過(guò)智能AI擁堵檢測技術(shù)，檢測視頻范圍內車(chē)輛排隊長(cháng)度、數量。實(shí)時(shí)統計范圍內車(chē)輛總數以及擁堵?tīng)顩r，當車(chē)輛數量超過(guò)區域內設定的容量閾值時(shí)將發(fā)出實(shí)時(shí)告警。同時(shí)可結合利用車(chē)道視頻監控，對不同收費車(chē)道進(jìn)行車(chē)流總數識別計算，當車(chē)輛數量超過(guò)收費車(chē)道的設定容量閾值時(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)交通流參數作為因素指標對高速公路交通態(tài)勢進(jìn)行綜合預測的多因素評價(jià)方法。通過(guò)MOPSO對SVR方法進(jìn)行優(yōu)化，得到精度更高的算法模型。實(shí)驗結果表明，本文設計的高速公路區間交通態(tài)勢預測系統能夠對高速公路門(mén)架通行壓力、收費廣場(chǎng)處理速度、路面擁堵態(tài)勢等進(jìn)行較為準確的預測和預警，能夠減少人工巡查的工作量，顯著(zhù)提高高速公路管理工作的效率，在實(shí)際應用中具有重要意義。
[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.廣州機場(chǎng)高速公路交通擁堵原因分析及改善對策[J].交通與運輸，2019(2):10-13.
[3] C.Chatfield.時(shí)間序列分析引論[M].駱振華,譯.廈門(mén)：廈門(mén)大學(xué)出版社,1987.
[4] 錢(qián)偉,楊慧慧,孫玉娟.相空間重構的卡爾曼濾波交通流預測研究[J].計算機工程與應用, 2016,52(14): 37-41.
[5] 程正興.小波分析算法與應用[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(kāi)禾,范耀祖.多模型交通流預測優(yōu)化[J].交通標準化, 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)習的交通擁堵預測模型研究[J].計算機應用研究,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,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].交通標準化, 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(huì ).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.
