基于出租车GPS数据的城市道路拥堵判别

郭雪婷 秦艳丽 雷 震

（1.华南理工大学工商管理学院 广州510640；2.广西大学数学与信息科学学院 南宁530004）

0 引 言

近年来，随着经济的高速发展以及城市化进程的推进，我国城市的交通拥堵现象日益严重，特别是在一些大城市，交通拥堵似乎成为城市的顽疾。针对城市道路交通拥堵问题，国内外学者进行了广泛的研究。Meyer等［1］建立了一些主要城市区域的拥堵指标。Lindley等［2－3］根据道路路段以及城市区域的不同特点，基于充分的调查数据，对拥堵指数中的参数进行了设计。邓卫等［4］基于高速公路交通突变理论，提出了在确认交通拥堵出现的同时判别交通拥堵类型的算法。佟炳勋［5］从交通拥堵与道路服务水平的关系出发，对道路交通拥堵进行了界定。刘梦涵［7］采用累计Logistic回归法建立了道路交通拥堵强度评价模型。王曦［8］针对交通流速度变量存在混合分布的特点，建立了基于高斯混合分布的交通拥堵评价模型。此外，许多学者使用模糊数学工具对城市道路的拥堵度进行模糊识别，以此判断道路交通拥堵情况［9－12］。在前人研究的基础上，模型运用矩形边界法来识别道路，利用出租车的行驶速度能够直接、准确反映道路交通状态的特点，并根据道路的隶属度客观、有效的反映交通拥堵的实际状态。

1 基于出租车GPS数据的拥堵判别模

1.1 数据说明

模型中的原始数据主要保存了出租车上装配的GPS终端所采集的数据，这些数据包括序号、车牌号码、GPS时间、经度、纬度、车辆状态（空车、重车）、车辆速度、车辆方向（8个方向）等信息。原始数据见表1。

表1 原始GPS数据Tab.1 The original GPS data

表中status字段为出租车的空重车状态，当值为0时表示车的状态为空车，当值为1时表示车的状态为重车。由于出租车特殊的行驶特性，部分信息不能真实的反映道路交通状况，必须进行奇异数据的排除。出租车有载客和空载2种状态。当出租车载客时，驾驶员为了增加营业额，通常试图以较快的速度到达目的地。这种状态下的GPS信息可以比较真实的反映道路交通运行状态。但是当出租车空载时，驾驶员往往处于觅客中，通常不会以较快的速度行驶，甚至停车待客。此时的GPS信息不能如实反映道路交通运行状况，是奇异数据。因此，对原始GPS数据中车辆状态status为0（空车）且行驶速度很小的数据进行剔除。深圳市位于东经113°52′～114°21′，北纬22°27′～22°39′，基于缩短数据查询时间以及提高整体运算性能等方面的考虑，将所有数据点的jd减掉114°，wd减掉22°。优化后的数据见表2。

表2 优化后的GPS数据Tab.2 The optimized GPS data

1.2 设定拥堵标准

1.2.1 划分交通拥堵度等级

根据交通流的分布特性并参考国内外相关标准，将城市路网交通拥堵度划分为以下5个等级：I级：堵塞。车辆速度极低，几乎不能前行，始终有车辆排队，基本饱和或超饱和；II级：拥堵。车辆运行速度较低，延误较大，始终有车辆排队，延误基本可以接受，饱和度较高。III级：较拥堵。车辆运行车速较低，有一定延误，排队现象时有出现，车流不稳定；IV级：较畅通。车辆运行受外界制约较小，车流比较稳定；V级：畅通。车辆自由行使，无排队现象出现。

1.2.2 设定拥堵标准

将交通拥堵评判指标分为五级：堵塞、拥堵、较拥堵、较畅通、畅通。设集合U1，U2合分别表示路段和路口交通拥堵度，根据其隶属度的大小，规定：Ui≥0.9为“堵塞”；0.75≤Ui≤0.9为“拥堵”；0.5≤Ui≤0.75为“较拥堵”；0.35≤Ui≤0.5为“较畅通”；Ui＜0.35为“畅通”。

1.3 拥堵路段、路口及其拥堵时段的筛选模型

1.3.1 路段识别

在将GPS定位点匹配到具体路段上时，采用了边界矩形的判断法。以每条路段的2个顶点以及描述其形状的多个点确定一个矩形区域，称为该路段的边界矩形。

1）对于南北或东西走向的道路，直接用矩形框来识别（如图1、2）。实际操作时，只需要存储矩形框对角线上的2个顶点，即最小经纬度（minjd，minwd）和最大经纬度（maxjd，maxwd），就可以存储道路的经纬度信息。例如，车辆某一时刻发出一个包含经纬度信息（jd，wd）的GPS数据，如果该数据满足minjd＜jd＜maxjd、minwd＜wd＜maxwd，那么其经纬度点就落入这个矩形框，即可判断这一时刻车辆行驶的道路。

图1 东西向Fig.1 East－west

图2 南北向Fig.2 North－south

2）然而在实际情况中，不是所有的道路都是东西或南北走向的，因此用平行四边形框来识别道路，通过存储4个顶点的经纬度来确定平行四边形框。如图3，直线的函数表达式分别为

假设车辆发出的GPS数据信息是（jd，wd），如果该点落入图3的平行四边形框，则该点在直线L1的下方，在直线L2的上方，并且minjd＜jd＜maxjd。

图3 其他方向Fig.3 Other directions

通过以上2种方法就可以快速地识别道路的信息，并保留了路段本身的形状信息，因此具有实时性和准确性。

1.3.2 计算一辆出租车通过某路段的平均速度第j辆出租车通过第i条路段的平均速度为

式中：t1为出租车进入目标路段的第一个GPS数据信息中的时间；t2为出租车离开目标路段前的最后一个GPS数据信息 中的时间。l为该路段的长度，记路段的经度范围为jd∈［α1，α2］，wd∈［β1，β2］，地球半径为R地，则I的计算公式如下。

1.3.3 计算某路段平均行程速度

1.3.4 拥堵状态判别

2 应用实例(以深圳市的局部地区道路为例)

2.1 确定区域内所有路段和路段长度

对选定区域内的出租车GPS数据进行奇异数据剔除之后，采用边界矩形法选取了选定区域内的88条路段（road1－road88）进行拥堵判别。由于倾斜道路的识别和判断在程序中实现需要的时间很长，为了节省计算机运行时间，仅仅取南北和东西走向的道路作为实例。路段划选取效果如图4中矩形框选出的路段：

图4 路段选取Fig.4 The selection of roads

2.2 计算24 h内通过88条路段所需的平均时间

通过Matlab编程计算通过24 h内通过88条路段所需的平均时间，具体算法如下：

图5 平均速度计算算法Fig.5 Algorithm for calculating average speed

在以上程序流程图中i＝1，2，3，…，88表示88条路，j＝1，2，3，，…，n表示经过第i某条路的车辆数，s表示车辆在某路段上行驶的距离，l为路段的长度则表示第j辆车经过第i条路时的平均速度表示所有经过第i条路的车辆的平均速度。

2.3 拥堵判别结果

利用上述算法，计算88条路段分别在24 h内的平均行程速度，以road1为例，计算结果如表3：

由表3得出road1的拥堵时段为03：00－04：00时、04：00－05：00时、07：00－08：00时。同样，可以得到所有88条道路的拥堵状态和拥堵时段。

表3 每条道路的拥堵状态Tab.3 The congestion state of each road

将筛选出的拥堵路段及路口在散点图中画出，见图6，加粗矩形框中的路段为拥堵路段，圈出的路口即为拥堵路口。

图6 判别结果Fig.6 Discriminant result

3 结 论

3.1 模型优点

1）模型中利用出租车GPS数据中的0，1状态变化剔除奇异数据，并针对出租车GPS数据信息具有准确性和实时性的特点，利用分区搜索和边界矩形法相结合的方法较好地识别出不同的路段和路口。

2）模型考虑到不同路段由于路况等不同，对不同路段设定了不同的拥堵标准。

3.2 模型结果分析

1）对拥堵路段路口的分析。该模型筛选出的一些拥堵的路段和路口与深圳市电子地图匹配后，发现某些路段的确在日常交通中经常出现拥堵现象，如梅林路、中康路、红荔路、华富路。

2）对拥堵时段的分析。该模型筛选出的拥堵时段不是很理想。导致这种结果的原因可能是选取的路段长度太短，这样出租车通过这条路段所花时间很短，以致没有出租车在这段路上行驶时的GPS信息，从而影响了最终的筛选结果。

3.3 模型不足之处及改进方向

1）因为不同级别的道路设计速度、道路速限、可容纳车流量等因素有所不同，所以应将城市快速路、主干路、次干路和支路的道路功能划分与路段划分结合起来。

2）在对城市交通状态进行指标设定时，由于出租车GPS数据的限制，只考虑了出租车的行程速度，这样考虑不够全面。若给出道路的通行能力和红绿灯等信息，则应结合道路的饱和度、排队长度及出租车的运行延误、时间占有率、二次停车率等指标对道路的拥堵状况进行更全面的分析。

［1］ Meyer，Michael.Alternative methods for measuring congestion levels［R］.Symposium on Curbing Gridlock－peak－period Fees to Relieve－Traffic Congestion，Washington D C：Transportation Research Board，1993.

［2］ Lindley，Jeffrey.Urban freeway congestion：quantification of the problem and effectiveness of potential solutions［J］.ITE Journal，1987，57（1）：27－32.

［3］ Boarnet M G，Eugene Jae Kim，Parkany E Y.Measuring traffic congestion［C］∥77th Annual Meeting of Transportation Research Board， Washington DC.：Tranportation Research Board of the national academies，1998.

［4］ 邓 卫，李峻利.高速公路常发性与偶发性交通拥堵的判别［J］.东南大学学报.1994，24（2）：60－65.

［5］ 佟炳勋.交通拥堵与道路服务水平［J］.道路交通与安全，2004（4）：10－14.

［6］ 刘梦涵，于 雷，张雪莲，等.基于累计Logistic回归道路交通拥堵强度评价模型［J］.北京交通大学学报，2008，32（6）：53－56.

［7］ 蒋金亮，宋 瑞，李 晋，等.基于DEA的城市道路交通拥堵评价［J］.交通信息与安全，2011，29（3）：10－14.

［8］ 王 曦，祝付玲.基于高斯混合分布的交通拥堵评价模型［J］.公路交通科技，2011，28（2）：127－132.

［9］ 夏 雪，邓 卫，胡启洲.城市道路路段交通拥挤的模糊评价及对策［J］.科技与经济，2007，9（4）：117－119.

［10］ Francois，Mi，Willis，Dev Ren Qiliang.Research on H－fuzzy evaluation method for traffic congestion of city road－network［C］∥Information Management and Industrial Engineering，Taipei：ICIII，2008.

［11］ 龙小强，谭云龙.基于模糊综合评价的城市道路交通拥堵评价研究［J］.交通工程与安全.2011（11）：114－116.

［12］ 张一鸣，尹春桥，王 鹏.基于模糊推理的交通拥堵判别方法［J］.交通工程，2012（2）：64－69.