基于模糊逻辑的交通拥挤状态识别算法

，2

(1.西南交通大学交通运输与物流学院，四川 成都 610031；2. 综合运输四川省重点实验室 四川 成都 610031)

道路交通拥挤状态是指交通流的总体运行状况，是用各区间的实时交通密度和速度等参数所表示的交通流状态，包括宏观路网交通拥挤状态、微观路段和交叉口交通拥挤状态。多种尺度、多种变化、随机变化、实时变化是城市道路交通拥挤状态的特性[1]。

拥挤状态识别算法能在一定区域、一定置信水平下识别拥挤状态，但不同的算法又各有差异。拥挤状态识别算法主要有人工识别法与自动识别法，随着各类检测器的发展，目前已经过渡到基于各类检测器的交通状态识别法。按照检测器的布置形式，自动识别算法主要分为基于固定监测器的识别算法、基于移动监测器的识别算法、基于多源信息监测器的识别算法[2]。

基于固定检测器的识别方法包括经典的加州算法、McMaster算法以及DS-ANN算法等，常用于交叉口的分析。基于移动监测器的识别方法包括基于路段行程时间预测值与基于速度变化率的识别方法[3]。基于多源检测器的识别算法包括模糊综合评判法与神经网络算法，适用于对路网道路交通状态的识别。

没有一种算法的绩效完全优于其他算法，这是因为各种算法都是基于某种思想或理论，而思想或理论都有限定条件及适用性。通过对现有道路交通状态识别算法的比对，不难发现没有一个现成的算法可以直接应用于某路网道路交通状态识别系统，需要根据实际情况对道路交通状态识别算法做出相应的改进[4]。

本文根据科学性、综合性、可操作性、适应性等改进原则，考虑到应用较普通的交通检测设备(浮动车、视频和线圈)及可获得的参数，参考现有交通状态识别算法的输入变量设计[5]，借鉴模糊数学的思想，采用基于模糊综合评判的交通拥挤状态识别算法。

1 拥挤状态识别的改进算法

1.1 改进算法介绍

基于模糊综合评判的道路交通状态识别算法[6-7]如下。

1)建立评判对象因素集U。U=[X,a,b]，式中：X代表路段服务水平，采用X=Q/C表示，Q代表路段交通流量，C代表路段通行能力；a=K/Kj，K代表路段交通流密度，采用K=Q/V表示，Q代表路段交通流量，V代表路段区间平均运行速度；b=T/T0，T代表路段平均运行时间，采用T=L/V，L代表路段长度，V代表路段区间平均运行速度。在进行道路状态识别模糊综合评判时，上述参数中Q、V、L均为实测值。

2)建立评判集F。F=[f1,f2,f3,f4,f5]，式中：f1代表道路处于畅通状态(第1级)；f2代表处于较畅通状态(第2级)；f3代表一般状态(第3级)；f4代表处于较拥挤状态(第4级)；f5代表严重拥挤状态(第5级)。

3)确定隶属函数。建立一个从U到F的模糊映射，这样因素集中的每个元素u就与X、K、T的笛卡尔乘积X×F×T={(x,k,t)|x∈X,k∈K,t∈T}中的元素(x,k,t)一一对应，由此可以诱导出单因素评判矩阵R,R=[R1,R2,R3]T，其中向量R1、R2、R3分别为R1=(r11,r12,r13,r14,r15)，R2=(r21,r22,r23,r24,r25)，R3=(r31,r32,r33,r34,r35)，R1代表服务水平相对于畅通、较畅通、一般、较拥挤与严重拥挤的隶属度，R2代表密度相对于畅通、较畅通、一般、较拥挤与严重拥挤的隶属度，R3代表平均运行时间相对于畅通、较畅通、一般、较拥挤与严重拥挤的隶属度。

4)综合评判。用因素集U上的一个模糊集A=[a1,a2,a3]表示各个因素的权重分配(在进行道路状态识别时，考虑到服务水平X、路段密度K和平均运行时间T对识别结果贡献相同，因此在本算法中默认A=[0.33,0.33,0.33])，求出综合评判集B，其中B=A×U，B=[b1,b2,b3,b4,b5]。通过对b1、b2、b3、b4、b5值的比较最终确定路段的交通状态。

1.2 算法评价

1)改进后的算法充分运用了可以通过较为普遍的交通检测设备得到的所有原始数据，即通过浮动车得到的行程时间和地点平均车速数据，通过视频得到的车辆信息数据，通过线圈得到的交通流数据，不需要通过购置其他交通检测设备就能得到，相比单源检测器、单源数据的运用，本算法更具有综合性，更符合实际情况。

2)该算法运用[X,a,b]指标作为评判对象因素，与交通流参数基本模型中的流量、密度、速度相对应，从流量、空间和时间3个不同的角度对道路交通状态予以综合判别；算法中各参数在不同状态下所对应的隶属度函数根据相关规范、标准制定，采用梯形函数的形式能较好刻画道路交通状态的变化规律。

3)基本模糊综合评判算法计算量小、操作简便、算法结构简单，能够通过计算机反复迭代计算完成，能适应高频率的道路交通状态更新。

4)改进后的算法能适应不同等级道路的交通运行状况，能够在一定程度上得到推广。

2 算例分析

本文以某城市主干道路段为对象，针对该路段某一方向的道路交通状态进行识别，以明确该算法的操作步骤。

该算法的关键在于确定隶属函数，隶属函数的合适与否，直接影响到交通状态识别的准确率。实数域上的模糊集可以选用各种分布，主要有正态函数、三角函数、梯形函数、矩形函数等。根据对城市道路交通状态交通流特性的分析，服务水平、路段密度和平均运行时间与城市道路交通状态之间的关系比较符合梯形函数，且梯形函数具有计算简单方便等特点；因此，梯形函数被广泛采用。

根据相关标准和研究路段的实际情况，构造出路段服务水平、路段密度和平均运行时间各个模糊集的隶属函数。由于不同等级道路的几何条件和通行能力存在差异，且道路状态评判阈值也有所不同，为消除这种差异和不同，需分别对快速路、主干路、次干路和支路建立不同的隶属度函数，在不同道路条件下予以选用[8-10]。本文主要针对城市主干路进行分析。

1)数据准备。

该路段晚高峰某一时刻道路交通流参数如表1所示。

表1 某路段晚高峰某时刻道路交通流参数

注：临界密度Kj为交通量接近通行能力时，平均车速接近于限制速度一半时的密度，该指标通常作为道路趋向于拥挤产生或趋向于拥挤消散的临界点。

2)确定隶属度函数。

道路状态分为{畅通，畅通与较畅通临界状态，较畅通状态，较畅通与一般临界状态，一般状态，一般与较拥挤临界状态，较拥挤状态，较拥挤与严重拥挤临界状态，严重拥挤状态}，判断标准以X，a，b的不同值来确定。在每种状态下都有对应的X，a，b值范围，以下阈值按照最大值10%的跨度来进行分析。

① 确定路段服务水平隶属函数。

该城市道路主干道Q/C不同数值时对应的道路状态如表2所示。

表2 Q/C不同取值时对应的道路状态

采用梯形函数，路段服务水平隶属函数公式如下(依次为畅通、较畅通、一般、较拥挤、严重拥挤状态，下同)：

(1)

(2)

(3)

(4)

(5)

②确定道路密度隶属函数。

以相对密度a=k/kj为评判指标划分道路交通状态。该城市道路主干道取不同数值时对应道路状态如表3所示。

表3 相对密度a不同取值时对应的道路状态

采用梯形函数，道路密度隶属函数公式如下：

(6)

(7)

(8)

(9)

(10)

③确定平均行程时间隶属函数。

以相对平均行程时间b=T/T0为评判指标划分道路交通状态。该城市道路主干道取不同数值时对应道路状态如表4所示。

表4 相对平均行程时间b不同取值时对应的道路状态

采用梯形函数，道路平均行程时间隶属函数公式如下：

(11)

(12)

(13)

(14)

(15)

3)数值计算。

将表中服务水平X值代入式(1)—(5)计算，得到：

u1(X)=0,u2(X)=0,u3(X)=0.4,

u4(X)=0.6;u5(X)=0

将表中道路相对密度a代入式(6)-(10)计算，得到：

u1(a)=0.65,u2(a)=0.35,u3(a)=0,u4(a)=0,u5(a)=0

将表中相对平均行程时间b代入式(11)—(15)计算，得到：

u1(b)=0,u2(b)=0,u3(b)=0.5,u4(b)=0.5,u5(b)=0

最终得到判断矩阵R为

已知A=(a1,a2,a3)=(0.33,0.33,0.33)，则经过计算B=A×R，得到

B=(0.214 5,0.115 5,0.297,0.363,0)

取其最大值b4=0.363，得到该道路处于较拥挤交通状态。

3 结论

1)本算法适用于路网内布设了较为完备的线圈、视频和浮动车检测器的交通信息采集系统，并根据各检测器的优劣性选取了该检测器采集精度最高的交通参数。

2)算法计算过程简单，较容易实现，但隶属度函数与计算结果精度密切相关，在应用前需进行大量的调查工作。

3)在输入变量中，大多是交通参数的实测值，预测的准确程度影响到交通拥挤状态判别的精度。

4)为了简化计算，本文用模糊集A=(a1,a2,a3)表示各个因素的权重分配，取值相同，在今后的研究中，可根据道路上各检测器的布设密度进行调整，如某路网的线圈视频数量较多，浮动车比例较小，可适当减少行程时间因素在模糊集中的权重。

[1]姜桂艳，冮龙晖，王江锋. 城市快速路交通拥挤识别方法[J]. 交通运输工程学报，2006，6(3)：87-91

[2]魏强. 基于固定检测器的区域交通状态判别方法研究[D]. 长春：吉林大学，2011：12-15.

[3]江龙晖. 城市道路交通状态判别及拥挤扩散范围估计方法研究[D]. 长春：吉林大学，2007：20-22.

[4]姜桂艳，郭海锋，孟志强，等. 基于实时信息的城市道路交通状态评价指标体系研究[J].交通与计算机，2007(5)：21-24.

[5]杨兆生，王爽，马道松. 基础交通信息融合方法综述[J]. 公路交通科技，2006，23(3)：111-116.

[6]郑建湖，文子娟，黄明芳，等. 交通拥挤状态模糊识别方法的设计与应用[J]. 华东交通大学学报，2009，26(1)：29-33.

[7]邹亮，徐建闽，朱玲湘. 基于融合技术的道路交通状态判别模型[J]. 清华大学学报：自然科学版，2007，47(S2)：1822-1825.

[8]WANG Yibing, Papageogeorgiou Markos. Real-rime freeway traffic state estimation based on extended Kalman filter: A general approach [J]. Transportation Research Part B, 2005,39(2)：141-167.

[9]罗斯·罗格，普拉萨丝·艾琳娜，米山尼·威廉姆. 交通工程：基础 [M]. 3版. 北京：机械工业出版社，2008:160-161.

[10]王建玲，蒋阳升. 交通拥挤状态的识别与分析[J]. 交通运输工程学报，2006，6(3)：87-91.