基于模糊综合评价的城市快速路交通状态判别研究

2017-10-12陈伦谷远利陆文琦

山东科学 2017年5期

关键词：占有率平均速度快速路

陈伦，谷远利，陆文琦

(北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京100044)

【交通运输】

基于模糊综合评价的城市快速路交通状态判别研究

陈伦，谷远利，陆文琦

(北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京100044)

选取速度和占有率评价指标，建立基于熵权法和灰色关联分析的快速路交通状态模糊判断模型。模糊综合评价的权重由熵权法和灰色关联分析组合分析得到，最终通过计算得到交通状态的量化结果。结合实例分析可知，方法可行且有效，与基于单一速度或占有率的方法相比，具有较好的稳定性，能够为城市快速路交通状态判别提供理论依据。

交通工程；交通状态判别；模糊综合评价；权重分配；快速路

Abstract∶In this paper, the speed and occupancy were chosen as the evaluation indicators, and based on entropy method and gray correlation analysis, a fuzzy judgement model of expressway traffic state was established. Note that weight used in fuzzy comprehensive evaluation was obtained by combination of entropy method and gray correlation analysis, and then quantification results of traffic state could be acquired by calculation. According to case study, methodology mentioned in this paper is practicable and effective, and it is of better stability when compared with the method based on either speed or occupancy, so that it can provide a theoretical basis for the traffic state identification of urban expressway.

Key words∶traffic engineering; traffic state identification; fuzzy comprehensive evaluation; weight distribution; expressway

城市快速路是城市交通的重要干道，保证了车辆的顺畅通行，具有交通流量集中、运输效率高的特点。通过实时、有效的交通状态判别技术，交通管理者可以全面掌握快速路网的运行状态，借助网络平台、电台广播以及可变信息交通标志等方式向广大交通出行者传播交通信息，对交通进行实时诱导，减少拥堵产生，降低出行成本，提高快速路及整个道路交通网络的运行效率[1]。

近年来，关于交通状态判别技术的研究受到了广泛的关注。Xia等[2]提出了一种基于MapReduce框架的时空加权K最近邻模型，提高了短时交通流预测的准确性和有效性； Seo等[3]基于守恒定律，对浮动车空间信息进行合理集聚，以获取交通状态；韦伟等[4]运用时空Moran散点图探索城市道路交通的时空关联性，并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法；邴其春等[5]利用地点交通参数与交通状态之间的映射关系，提出了基于投影寻踪动态聚类模型的快速路交通状态判别方法，其中采用混合蛙跳算法优化投影指标函数的投影方向获得最佳投影方向，并利用仿真数据标定了交通状态判别阈值；巫威眺等[6]将BP神经网络应用到道路交通状态的自动判别研究上，结合实际高速公路隧道情况，通过对神经网络的输出结果与决策阈值相比较，确定其所反映的交通状态。

在模糊综合分析方面，庄劲松等[7]基于模糊综合层次分析法对城市道路交通状态进行研究，深入分析道路交通状态特性，建立各评判指标的隶属度函数，依据专家经验确定权重系数，分别进行各指标单因素评价和模糊综合层次分析，确定状态判断结果；王伟等[8]构建了城市道路交通事故预警体系，借助层次分析法基本原理构建城市道路交通事故预警模型；陈义华等[9]选择5个对交通状态变化较为敏感的评价指标，运用模糊层次分析计算指标权重，结合模糊综合评价分析得到交通状态；龙小强等[10]基于智能运行平台的海量数据，选取3个评价指标，运用模糊综合评价模型，建立一套系统的交通拥堵评价体系；田世艳等[11]结合线性分析法得到的隶属函数和层次分析法得到的权重，建立模糊综合评价判别模型，对判别结果量化处理，以最大隶属度原则确定道路交通状态，并利用GPS浮动车运行数据进行实例分析，验证了判别方法的可行性和实用性；戢晓峰等[12]对区域路网交通流的宏观特性进行了详细分析，建立了路网交通状态评估指标体系，并结合区域路网的拓扑结构与交通流特征，基于模糊推理技术提出了路网交通状态分析方法。但是，上述文献在运用模糊综合分析对交通状态进行评价时，多采用类似于层次分析法等主观赋权方法进行评价指标的权重计算，这主要依赖于专家的先验知识，缺乏一定的客观性。

本文在前人研究的基础上，以城市快速路为对象，提出了一种基于模糊综合评价的交通状态判别方法。此方法根据微波数据，选取适当的评价指标，在权重确定方面，采用客观的熵权法和灰色关联分析，减少了主观因素的影响，最后运用模糊综合评价法得到交通状态量化值。

1 交通状态评价指标的选取

对城市道路交通状态造成影响的因素较多。交通流的三个最重要的参数是流量、速度和密度，三者之间存在密切关系，得知任意两个参数的值即可推断出第三个参数。单一影响因素并不能完整地反映实际道路情况，某一特定值可能存在不同的两种交通状态，因此，相比于单一指标，运用多指标对交通状态进行评价更为适合。而且，交通密度一般不能用交通流检测器直接测量得到，我们可以用交通流检测器能直接测量得到的车道时间占有率来代替。又因为交通流参数中的速度通常指平均速度，所以综合考虑，本文主要选取速度和时间占有率作为交通状态的评价依据。

1.1平均速度

平均速度又分为时间平均速度和空间平均速度。时间平均速度是评价道路断面交通运行状况的重要计量参数，而空间平均速度是评价道路路线交通运行状况的重要计量参数[13]。由于本文所采用的数据来源于微波检测器，所以采用时间平均速度作为评价指标。

时间平均速度是指在一段时间内，所有车辆通过某一特定观测点时的瞬时速度的算术平均值，计算公式如下：

1.2时间占有率

车道时间占有率是指车道被车辆占用的时间与总观测时间之比(%)，计算公式如下：

其中，O为总观测时间内的时间占有率，%；ti为观测时间内第i辆车占用检测器的时间，单位：s；T为总观测时间，单位：s。

2 模糊综合评价

2.1评判对象因素集和评判集

依据上文交通评价指标的选取，将时间平均速度和时间占有率作为本次评价的对象因素集，即建立评判对象因素集U={V,O}，其中，V为时间平均速度，O为时间占有率。

根据选取的评判对象因素，建立评判集F={f1,f2,f3,f4,f5}，其中，f1代表畅通状态，f2代表基本畅通状态，f3代表轻度拥堵状态，f4代表中度拥堵状态，f5代表严重拥堵状态。

2.2评价对象因素的隶属度函数

2.2.1 时间平均速度的隶属度函数

本文选择梯形隶属度函数作为时间平均速度的隶属度函数。依据城市道路交通运行评价指标体系[14]对速度等级的划分，用线性分析方法确定隶属度函数，见表1。

表1 快速路路段时间平均速度等级

图1 时间平均速度的隶属度函数Fig.1 Membership function of time-average speed

隶属函数如图1所示。其中，具体参数如下：时间平均速度V∈(65,+∞)为畅通状态；V∈(61.25,65]为过渡状态；V∈[51.25,61.25]为基本畅通状态；V∈(47.5,51.25)为过渡状态；V∈[37.5,47.5]为轻度拥堵状态；V∈(33.75,37.5)为过渡状态；V∈[23.75,33.75]为中度拥堵状态；V∈(20,23.75)为过渡状态；V∈[0,20]为严重拥堵状态。

2.2.2 占有率的隶属度函数

同样选择梯形隶属度函数作为时间占有率的隶属度函数。结合相关研究[15]，对时间占有率等级进行划分，用线性分析方法确定隶属度函数，见表2。

表2 快速路路段时间占有率等级

隶属函数如图2所示。其中，具体参数如下：时间占有率(%)O∈[0,20]为畅通状态；O∈(20,22.5)为过渡状态；O∈[22.5,27.5]为基本畅通状态；O∈(27.5,30)为过渡状态；O∈[30,35]为轻度拥堵状态；O∈(35,37.5)为过渡状态；O∈[37.5,42.5]为中度拥堵状态；O∈(42.5,45]为过渡状态；O∈(45,100)为严重拥堵状态。

图2 时间占有率的隶属度函数Fig.2 Membership function of temporal occupancy

2.3单因素评价

单因素评价就是对因素集U中的单个因素进行分别评价，建立因素集U到评判集F的模糊映射，获取评判集F上的模糊集，从而得到每个因素对评判集中元素的隶属度。

对时间平均速度和时间占有率进行单因素评价。由模糊关系集可以确定评判矩阵R。

其中，vi、oi(i=1,2,3,4,5)分别表示时间平均速度和时间占有率对评判集中的fi(i=1,2,3,4,5)的隶属度。

2.4权重分配

以往对于交通状态评价的研究多选择主观赋权的方法，本文则采用熵权法和灰色关联分析这两种客观赋权组合的方法进行权数的确定，以降低主观赋权产生误差的可能性。

2.4.1 熵权法

(1)原始数据矩阵进行标准化。设m个评价指标，n个评价对象得到的原始数据矩阵为

对其标准化得到

D=(dij)m×n。

(2)定义熵。在有m个指标，n个被评价对象的评估问题中，第i个指标的熵定义为

(3)定义熵权。定义了第i个指标的熵之后，可得到第i个指标的熵权定义，即：

2.4.2 灰色关联分析法

(1)建立原始数列的因变量参考数列和自变量比较数列。

因变量参考数列又叫母序列，由交通状态评价指标的样本数据的平均值组成，记作

自变量比较数列又叫子序列，由交通状态评价指标各样本数据组成，记作

(2)将原始序列进行初值化法、均值化法的无量纲化处理，目的是消除数量级大小不同的影响，以便于进行计算和比较分析。

(3)计算每个时刻点上母序列与各子序列差的绝对值。

差序列为

Δi=(Δi(1),Δi(2),Δi(3),…,Δi(k));i=1,2,3,…,n，

(4)计算灰色关联系数

(5)计算灰色关联度

式中，Wi为熵权法确定的权重。

(6)计算权重

2.5综合评价

确定单因素判断矩阵和权重向量后，将其进行模糊运算，即可得到模糊综合评价的结果向量:

式中，si(i=1,2,3,4,5)表示评价得到的交通状态对评判集中fi(i=1,2,3,4,5)的隶属度。

这里采用的模糊运算是实数的加乘运算，因为在进行模糊综合评价时，实数的加乘运算比“∨，∧”运算更精细，且得到的综合评判集具有归一性。

2.6确定评价结果

为了将结果量化，假设F={f1,f2,f3,f4,f5}={1,2，3,4,5}，根据加权平均法，可得到最终评价结果:

3 实例分析

本文实验数据来源于2013年4月15日北京市二环快速路西直门桥至官园桥路段的微波数据，部分样例见表3所示。

表3 微波数据样例

分别选取7:00—9:00、11:00—13:00和17:00—19:00三个时段，数据时间间隔为2 min，共得到180组数据。运用EXCEL、MATLAB等辅助软件对数据进行处理，并进行模糊综合评价，以5 min时间间隔计算结果，得到如表4所示的交通状态量化值。将其与基于单一速度或占有率的方法对比，结果见图3。

表4 交通状态模糊评价量化结果

图3 交通状态模糊评价结果Fig.3 The results of traffic state with fuzzy evaluation

表4表明，调查路段在三个时段的大部分时间都处于拥堵状态。拥堵发生时，往往伴随着低速、高占有率的特点。特别地，在速度低于25 km/h且时间占有率高于40%的时候，交通就会陷入严重拥堵，这一结果也与北京二环路实际情况相符。

(1)高峰时段

由图3a、3c可知，高峰时段该路段均处于严重拥堵状态，运用速度指标进行交通状态判别时，交通状态值处于较高的水平，且较为平稳。在晚高峰时段，更是保持了最高的状态，属于完全严重拥堵；而占有率指标评判结果在严重拥堵范围内呈现并不平稳的趋势。两者或较为极端，或波动较大，相比之下，本文提出的方法能较好地弥补这些缺陷，综合地对交通状态进行合理有效的判别。

(2)平峰时段

从图3b的结果我们可以了解到，在该平峰时段内，路段从畅通状态逐渐转变为拥挤状态，其中大部分时间处于轻度拥堵和中度拥堵状态。值得注意的是，就单一指标而言，平峰时段内两种指标对交通状态进行评价的结果差异较为明显，而本文方法计算的结果较为稳定，没有出现较为极端的情况，更能综合地反映实际道路状况。

4 结论

本文提出了一种基于模糊综合评价的城市快速路交通状态评判方法。

(1)根据获取得到的微波数据，选取时间平均速度和时间占有率作为交通状态评价指标进行模糊综合评价；

(2)在评价过程的权重确定部分，采用熵权法和灰色关联分析组合的客观赋权方法进行权重分配，消除主观赋权带来误差的可能性；

(3)选取北京市二环快速路高峰时段和平峰时段的实验数据进行实例验证，结果证明了方法的可行性和合理性，与单一指标评价方法对比，本文方法更全面、更准确，具有一定的稳定性，可以很好地应用于城市快速路交通状态判别。

由于本文只选取了时间平均速度和时间占有率作为评价指标，在未来进一步的工作研究中，可以多引入其他影响因素，例如交通量、天气条件以及外部环境等，更加全面地分析影响组成结构，以获得更优的评价结果。此外，在影响因素权重确定方面，本文只是将两种客观赋权方法进行简单组合，并没有更为细致地比较组合赋权与单一赋权的优劣性，这将在今后工作中加以改进。

[1]董春娇，邵春福，诸葛承祥，等. 基于实测数据的快速路交通流参数模型[J].交通运输系统工程与信息，2013,13(3):46-52.

[2]XIA D W,WANG B F,LI H Q, et al. A distributed spatial-temporal weighted model on MapReducefor short-term traffic flow forecasting[J].Neurocomputing, 2016, 179:246-263.

[3]SEO T, KUSAKABE T. Probe vehicle-based traffic state estimation methodwit-h spacing information and conservationlaw[J].Transportation Research Part C,2015,59:391-403.

[4]韦伟，毛保华，陈绍宽，等.基于时空自相关的道路交通状态聚类方法[J].交通运输系统工程与信息，2016, 16(2):57-63.

[5]邴其春，龚勃文，杨兆升，等.基于投影寻踪动态聚类的快速路交通状态判别[J].西南交通大学学报，2015, 50(6):1164-1169.

[6] 巫威眺，靳文舟，林培群.基于BP神经网络的道路交通状态判别方法研究[J].交通信息与安全，2011,29(4):71-74.

[7] 庄劲松，曲大义，曹俊业，等.基于模糊综合层次分析法的道路交通运行状态判别[J].青岛理工大学学报，2015,36(6):103-110.

[8] 王伟，徐鸿熙，陆雨函，等.基于模糊综合评价模型的城市道路交通事故预警研究[J].现代交通技术，2016,13(6):85-89.

[9]陈义华，晏承玲.基于FAHP和模糊综合评判的交通状态判别模型[J].重庆理工大学学报(自然科学)，2012,26(11):109-114.

[10]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]. 交通标准化，2011(11):114-116.

[11]田世艳，刘伟铭.基于模糊综合评价的路段实时交通状态判别方法研究[J]. 科学技术与工程，2010,10(29):7206-7210.

[12]戢晓峰，刘澜，何增辉. 基于模糊推理的区域路网交通状态分析方法[J]. 交通运输工程与信息学报，2009,7(3):27-32.

[13]邵春福，魏丽英，贾斌.交通流理论[M]. 北京：电子工业出版社，2012．

[14]北京市质量技术监督局. DB11/T 785—2011城市道路交通运行评价指标体系[S]. 北京：[s.n.],2011.

[15] 顾超然.基于模糊c均值的城市道路交通状态判别研究[D].北京：北京交通大学，2012.