基于OBD的城市道路交叉口交通拥堵运行监测与优化技术研究

陈乙周

（深圳榕亨实业集团有限公司）

1 引言

采用先进的信息技术、数据通信技术、计算机技术、控制技术和人工智能技术等对传统交通运输系统进行深入的改造，构建一种实时、准确、高效的综合交通系统。智能交通系统可以实现交通运输服务和管理智能化，使交通运行处于良好状态，有效改善交通拥挤和阻塞，提高路网通行能力和整个交通系统的机动性、安全性和通行效率。为了避免交通拥堵现象大范围的产生与蔓延，缓解城市交叉口道路交通拥堵的重要方法是针对交叉口的交通信号控制方案优化及关键路径选择优化，合理地对道路中的交通流进行优化分流，提高道路交通系统的运行效率的同时缓解城市道路交通拥堵现状。

2 交叉口交通车辆数据采集与传输处理

2.1 车联网信息采集与处理传输

车联网主要通过OBD（On-Board Diagnostics，车载自主诊断系统）来实现联网功能，车辆在安装OBD设备终端后，OBD车载终端可以读取到车辆的实时数据，通过移动互联网把数据传递到云服务器平台中进行运算与处理，最后在智能手机上显示出来反馈给车主预知；同时系统利用城市现有的的视频监控体系、智能识别和信息技术手段，增加可管理空间、时间和范围，不断提升管理广度、深度和精细度。整个系统由OBD信息综合应用平台、信号控制系统、视频监控系统、智能卡口系统、电子警察系统、信息采集系统、信息发布系统等组成，从而使城市智能交通管理系统达到四方面的目标：提高通行能力、减少交通事故出行信息服务。利用手机数据的采集与处理可以快速地分析和挖掘道路交叉口车辆运行状态及分布情况，采集方法高效，数据准确率也能得到保障，交叉口手机及OBD数据采集分布状态的采集与处理详见图1所示。

图1 交叉口手机及OBD数据采集分布状态的采集与处理

2.2 基于OBD的车联网及城市交通管理研判技术

通过OBD远程读取车辆故障码并传送到手机APP，系统集原车行车电脑检测技术、GPRS数据传输技术、TD-LTE等无线通信技术、GPS全球定位技术于一体，通过众筹式的动态交通大数据采集，使每个安装者都可以把自己在当前路段的移动速度、位置灯信息匿名发送到后台。

G-Sensor传感器收集到的原始数据流，过滤掉额外无关的噪音后，分析转换成描述驾驶行为事件原语的字符串。这串驾驶行为事件字符串通过一个模式识别系统处理后，得到一个更高层的驾驶动作序列。驾驶动作包括熟悉的驾车过程，如急加速、急变道、急转弯、碰撞和急刹车等。驾驶事件和动作由一些从传感器数据处理而来的参数进行量化。这些参数和发生驾驶动作的次数被分析后用来确定可以转换为评价司机驾驶能力和安全等级的能力和态度因素。这种数据到普通驾驶相关概念的映射允许进行比一般以统计阀值为基础的分析更精确和有意义。

整个过程包含4部分：

①原始数据采集

通过车载终端检测模块（IDD-213GL）检测车辆的各种状态数据，按一定的格式输出。

②事件处理器

采集到的原始数据被输入到事件处理器，事件处理器包含一个数据过滤器，一个事件专家库，一个事件检测器，一个事件堆栈和事件提取器，用于存储和提取驾驶事件。

③动作检测器

事件处理器得到的驾驶事件输入到动作检测器，进一步分析，识别出各种驾驶动作，它包含一个动作库及动作分类，一个模式识别单元，驾驶能力评估和态度评估。

④输出驾驶动作

经由后台算法的系统分析就可以知道各个路段的车速快慢、车辆拥挤程度以及未来交通变化趋势，从而实现了智能交通信息分析引导功能。

3 交叉口视频轨迹监测及拥堵信息分析预判

通过视频处理模块可以得到车辆运动轨迹，但这些结果并不能被直接利用，往往还需要根据具体要求对车辆检测和跟踪的结果进行分析处理来获取相应的交通信息。如：某时间段的流量、平均车速、道路占有率、道路阻塞情况等。车流量信息可以根据虚拟检测线上车辆的位置和相邻帧间的运动关系来进行车辆的计数。计数算法为通过上面的帧间关系，统计帧间车辆信息的上升沿，并且是连续出现的“1”。当“1”的个数达到某个长度时即认为该位置有新车到来，进行计数（见图2）。

车道占有率是用来描述道路中车辆密集度特征的，分为空间占有率和时间占有率。占有率越高，表示交通密度越大。它是指在某一瞬间，已知路段上所有车辆的长度总和与该路段长度之比值，或者说观测期间所有车辆在该路段上的占用时间与总观测时间的百分比率。根据车道占用率的定义可知道路空间占有率与车流密度的关系为：

式中：O为车道占有率；L为车辆平均长度；K为车流密度。

车辆自动识别系统对摄像机抓拍到的每帧车牌照信息图像都进行识别，并自动找到最佳识别效果的图像，应用这种方法可以很好地提高抓拍率、识别率，并且能够降低工程的施工难度。采用专有的技术，利用高速的识别算法核心对视频流进行逐帧的识别，即对单个车辆进行了多次识别，从而有效克服了现有车辆识别技术存在的许多缺陷。

本次研究引入马尔可夫模型对事件中的多个判别模版时序关系进行对比研判。主要步骤包括：

①拥堵事件判别模版的确定是根据视频段的分解及判别模版的生成结果，使用一个或多个模版组合起来，形成事件的基本判别模版，这些判别模版之间的时序关系由下一步骤确定。

图2 交叉口车道占车辆采集拥堵事件采集建模

②事件判别模版隐马尔可夫链的构造是对于一段给定的拥堵样板模型视频，将其分割成若干固定长度的视频段。对其中的每一个拥堵视频段，计算其判别模版相应特征的，然后把这些判别模版作为隐马尔可夫时序模型的输入量。通常，视频状态之间的变换是通过隐马尔可夫模型来实现。然而，当一个状态下有多个时间分布时，传统的隐马尔可夫模型已经不适应解决此类问题。因为每个状态同时也存在不断的变化。所以，本次研究采用一种基于时间变量的隐马尔可夫，用以适应单个状态下产生多个变量的情况，运用多元分布对各个状态进行时间建模。以此获取拥堵视频系列中有意义和具判别能力的模型。

4 叉口动态协同优化控制建模及实施导入

结合手机信令及车辆OBD数据采集、交叉口视频采集后的交叉口状态识别算法，识别交叉口的交通饱和状态。当交叉口处于过饱和状态时，且调整传统的交通信号配置时间方法不能缓解当前拥堵状态时，应先确定交叉口过饱和状态的成因，如果产生过饱和状态是因为个别道路口交通设计而产生了溢流等负面效应，应采用相应交通管理控制措施进行处置，针对交叉口的关键路径设计缓解空间资源分配的交通信号控制算法，在优化各个道路交叉口的交通配时方案时，应需当充分利用路网的车流存储能力保障车流顺畅运行。协同优化控制建模优化方案实例详见图3所示。

5 结语

图3 协同优化控制建模优化方案实例

本次技术研究采用先进的信息技术、数据通信技术、计算机技术、控制技术和人工智能技术等对传统交通运输系统进行深入的改造，构建了一种基于OBD的城市道路交叉口交通拥堵运行监测与优化系统。可以在某些阶段使交通运行处于良好状态，有效改善交通阻塞，提高路网通行能力和整个交通系统的机动性、安全性和通行效率。为了避免交通拥堵现象大范围的蔓延和僵持，通过车辆OBD、视频监测、交通仿真等进行分析评价，建立针对交通拥挤区域交叉口优化的模型。识别交叉口过饱和状态的程度，对路径进行分级，选取交通控制优化目标，建立信号控制优化体系，并优化交通信号控制方案的配时参数等，对模型作了进一步验证。分析研判出常态化与偶发性交通拥堵，对拥堵区域、拥堵路段、拥堵节点进行交通流疏解，最终形成一整套可行性的解决方案。