区域交叉口交通拥堵传播规律挖掘方法研究

施佳呈 吴戈 俄文娟

摘要：为了准确识别和预测区域交叉口的交通状态，研究道路网络中的拥堵传播规律，以交叉口流量数据为研究基础，提出了一种改进型需求容量的交叉口交通状态判别方法。结合交通领域的具体特点，对算法数据库进行适应性调整，采用一种基于路网拓扑结构约束的Aprior算法，建立区域交叉口拥堵传播规律挖掘模型，并以苏州市某区域的交叉口数据为实例进行验证，从时间维度分析发现拥堵具有相似性和反复性，从空间维度研究获取“回溢”和“流出”2种拥堵传播模式，与现实情况相符。结果表明，模型能够有效挖掘区域交叉口拥堵传播规律，并根据传播规律中各个交叉口拥堵发生的时序特性进行交通状态预测。所得结论对实现拥堵预警和交通拥堵的早期干预具有一定的借鉴意义。

关键词：交通运输系统工程;区域交叉口;拥堵传播规律;交通状态判别;Aprior算法;交通预测

中图分类号：U121文献标识码：A

doi： 10.7535/hbgykj.2020yx03008

Abstract：

In order to recognize and predict the traffic status at regional intersections accurately， as well as to research congestion propagation rules in road networks， an improved demandcapacity method was used to identify the traffic status at intersections based on traffic flow data. Firstly， adaptive adjustment to the database was conducted according to the specific features of the traffic field. Then， the model of mining traffic congestion propagation rules at regional intersections was established by the Aprior algorithm based on the topological constraints of the road network. Finally， intersection data from an area in Suzhou was used to verify the proposed model. It was found that the congestion had similar and repetitive features from the view of the time dimension， and the congestion propagation modes of "spillback" and "outflow" could be obtained from the view of space， which were consistent with the present reality. It indicates that the model can effectively analyze congestion propagation rules at regional intersections and predict traffic status according to the timing characteristics of the congestion at each intersection in the propagation law， which is of great significance for the early warning and intervention of the traffic congestion.

Keywords：

traffic and transportation system engineering; regional intersection; congestion propagation rule; traffic status identification; Aprior algorithm; traffic prediction

交通擁堵是现代化城市亟待解决的交通难题，对交通状态的准确预测是进行交通控制和疏导以缓解交通拥堵的基础。交叉口作为道路网络的节点，容易成为交通拥堵的诱发点。

现有对交叉口交通状态预测的研究成果主要有基于统计分析的预测模型、非线性理论模型、基于仿真的预测模型、智能预测模型等[1]。传统的预测方法大多基于单个交叉口的交通流时间变化特性，随着研究的深入，学者们开始从道路网络的整体分析出发，整合交通流时空变化特性，相关研究大致可分为2类。

1）考虑上下游交通流对目标预测点的影响，将目标预测点和与其空间关联度较高的其他检测点的相关数据融合作为预测模型的输入参数，以提高单点预测的模型精度。陈小波等[2]考虑上下游节点的时空相关性，提出一种基于稀疏混合遗传算法优化最小二乘支持向量回归方法进行交通流预测。ASIF等[3]以大型异构道路网络中的行车速度为预测对象，采用支持向量机算法解析预测目标未来的交通状态与该目标及其相邻点当前和过去状态之间的相关关系;陆参军[4]将时间和空间因素相结合，综合考虑上下游交叉口交通流量关系对灰色马尔可夫预测模型进行优化。

2）分析路网中局部点发生交通拥堵后对其他点的交通状态造成的影响，获取拥堵扩散的时空规律，以预测未来路网的交通状况。对拥堵传播规律的分析以数理解析和交通仿真方法为主。LAWSON等[5]假设交通流量的到达率和离开率恒定，采用追踪队尾车辆的方法，提出了基于瓶颈节点的时空扩散范围估计方法;NAM等[6]基于风险模型估计交通拥堵发生后的持续时间及其可靠性和波动性;和飞飞[7]以恶劣天气下的快速路交通状态为分析背景，通过建立拥堵状态指标获取快速路交通拥堵时空传播特征。基于交通仿真的研究主要从跟驰模型、元胞传输模型、流体力学模型等展开;李修海等[8]以寻找对信号交叉口车辆跟驰行为影响最大的变量为目的，运用灰色关联分析方法在交叉口视频数据中挖掘相关参数，以便更好地拟合拥堵的形成和演化过程;LONG等[9]采用元胞自动机模型对比分析交叉口停车线宽度分配和通道化排队区域长度对拥堵形成的影响;REDHU等[10]构建了单向道路的格子流体力学模型，并引入下游前后输出时间间隔的流量差作为反馈控制信号，仿真结果表明该反馈控制方法可以有效地抑制交通拥堵的扩散。

第1类研究主要针对单个节点进行预测，无法获悉拥堵在道路网络的演变趋势;第2类研究的数理解析和交通仿真将实际情况简化，结果可能会与真实的拥堵传播现象出现偏差。智能交通系统为交通管理积累了大量的交通流数据，笔者拟应用数据挖掘技术直接识别分析海量数据，以获取道路网络中拥堵扩散的演变规律，并克服数理解析和模拟仿真方法所导致的研究结果“失真”问题。

在数据挖掘中，Aprior算法是发现海量数据中隐含信息的重要手段，旨在挖掘2个或多个变量之间存在的某种相关规律，这种规律包含数据之间的数量关系、因果关系、时序关系等。该算法已在商业金融、医学诊断、高校教育等[1114]领域得到应用，在交通领域中，该算法已被用于交通事故成因分析[1517]、交通舆情分析[18]，但在交叉口拥堵传播特性研究方面未见有应用。在实际的城市道路网络中，某个区域的各个交叉口发生拥堵遵循一定的因果关系，并且拥堵发生的时间也具有先后时序，符合Aprior算法的适用范围。

本模型中的符号说明如表1所示。

1交通状态判别

1.1模型基本原理

描述和预测交通状态的关键在于准确分析交叉口供需关系。由于本研究的基础数据是交叉口流量数据，因此研究直接以流量为判别参数分析交叉口的供需关系。但是检测器输出的车辆数是实际通过交叉口的流量，而非需求量，当交叉口发生交通拥堵时，通过的流量会小于实际需求，容易出现交通状态误判。针对这一问题，劳云腾[19]提出了需求容量法，通过上游交叉口的检测数据估计下游交叉口的真正需求量。该算法的特点是在单一交叉口流量数据的前提下，对交叉口的交通需求进行估计，和本研究的基础数据情况类似。该方法在计算过程中存在如下2个方面的问题。

1）在需求方面没有考虑连接上下游交叉口的路段沿线两侧用地出入口的交通流量对交叉口需求量的影响，在早晚高峰期，道路沿线住宅、写字楼等出入口的车辆进出量较大，对交叉口的影响不可忽视。

2）在容量方面考虑了下游交叉口排队蔓延导致上游交叉口的折损，文中提出的调整系数法并没有对系数的具体取值进行研究。

因此本研究对需求容量法进行改进，在需求计算过程中，加入路段流入量和流出量在早晚高峰期对交叉口需求量影响的考量。在容量计算过程中，针对上游交叉口通行能力折损问题，提出了一种更加简便的修正方法。

1.2交叉口需求流量

1）下游进口道B4交通需求量主要源于上游交叉口1，2，3三组汇入交通流量，如图1所示。

2）下游交叉口的交通需求量还受到进出路段两侧用地的交通流量的影响。根据沿线两侧各用地的建筑面积，参考《苏州市交通影响评价技术标准》的高峰期间各类用地吸发率，计算各地块的发生吸引量。以基础数据输出的时间间隔为标准，将发生吸引量平均分配，得到路段进出流量数据，再将其叠加到式（1）中计算的D′B4，t上，作为下游交叉口进口道B4的总需求量DB4，t。

3）根据t时刻下游进口道各车道检测交通量，将交叉口进口道总需求量按比例进行分配。以B4进口道的B42车道为例，t时刻的交通需求为

1.4模型必要性验证

本研究数据为苏州市吴中区某区域连续5个工作日（20181119—20181123）的交叉口流量数据，数据粒度为5 min，该区域共包含22个交叉口。

以东吴北路吴中路交叉口20181119的7：00—19：00数据为例，早晚高峰期上游汇入流量接近甚至超过该交叉口各方向进口道通行能力的情况较为明显，如图2所示。

检测器输出的通过交叉口的流量和交叉口真正的需求是有区别的，存在拥堵发生时检测器检测到的流量小于实际需求的问题，需要用改进的需求容量法解决。

1.5拥堵程度划分

饱和度是交通需求和通行能力的比值。

2拥堵传播规律挖掘

2.1基本原理

交通拥堵具有传播性，即局部点拥堵可能在关联点中蔓延[21]。在早晚高峰期，瓶颈交叉口容易产生交通拥堵，如果不采取控制措施，拥堵可能通过与交叉口连接路段向上、下游蔓延，形成小范围的区域性拥堵，严重情况下拥堵继续向外传播，冲击更多的交叉口引发更大规模的区域性拥堵。因此研究区域交叉口的拥堵传播规律，采取有效的防控措施，对缓解交通拥堵具有重要意义。

拥堵在交叉口间传播可发生在同一检测时间，也可跨越几个检测时间。笔者用Aprior算法从交叉口交通状态的相关关系中挖掘频繁出现事件序列，以确定拥堵传播时空规律。表3以A，B，C表示不同车道，对拥堵传播频繁项集进行演示。

2.2时序数据库建立

分析对象示意图如图3所示。

Aprior算法多用于挖掘静态的规律，但交通拥堵的时空传播规律带有时序性，为了应用Aprior算法，需要将多个交叉口在不同时刻的交通状态数据集整合成隐含时序特征的数据库，步骤如下。

1）交通状态基础数据库

以交叉口各进口道每个车道为分析对象，建立交叉口拥堵程度数据库D={M1，M2，…，Mj，…，Mx}，Mj记录了数据库中第j个交叉口的交通状态，Mj={t，Mjk（p）}：t表示时间;Mjk（p）表示该交叉口k车道交通状态，用表1中的状态等级编号表示。

2）交通状态合并数据库

合并同一时间段不同交叉口的数据，表4中a，b，c表示不同的交叉口。为节省数据库内存和提高算法效率，可忽视畅通、基本畅通和轻度拥堵3种情况（交通状态编号分别为1，2，3），只考虑中度擁堵和严重拥堵（交通状态编号分别为4，5），如表5所示。

2.3添加路网拓扑约束

在分析过程中加入约束条件可以更真实地描述客观规律，过滤无效不相关数据，从而提高算法的准确性和效率。根据拥堵沿道路网络拓扑结构传播的特点，同时考虑基础数据时间间隔为5 min和拥堵传播速度，定义在拥堵传播规律中，拥堵源交叉口和与之关联的交叉口为相邻关系。

2.4参数设置

Aprior算法以支持度和置信度2个参数描述规律的有效性，通过设置2个参数的阈值削减候选项，在数据库中获取频率高的项集。如果阈值设置过低会导致挖掘的规律无效，设置过高会导致有效规律遗漏，因此参数阈值的选取尤其重要。

支持度指某拥堵传导规律发生的频率。在Aprior经典算法中，假设各项在数据库中的分布是均匀的，设置唯一的最小支持度。但对于本研究的拥堵传播这个假设不能成立，因为严重拥堵、中度拥堵、轻度拥堵发生的频率显然是不一样的。本研究从状态数据库中仅提取严重拥堵和中度拥堵，可在一定程度上减小唯一支持度对模型结果的影响，同时考虑严重拥堵状态发生的频率小于中度拥堵的情况，计算严重拥堵原始单元素项集的平均支持度，作为整个模型的最小支持度。

置信度是指拥堵传导规律中一个交通状态发生的情况下，另一交通状态发生的可能性。参考文献[11]和文献[13]并进行多次尝试，设置置信度阈值为0.7。

3实证与分析

3.1模型结果

笔者取对象区域晚高峰时间段（16：30-18：30）共120组流量数据作为模型的验证样本，在python3.6中配置Jupyter NoteBook进行算法程序开发。在上述实验环境和数据的基础上，应用本文提出的Aprior算法对数据进行挖掘，得到表8所示

3.2拥堵传播规律分析

以规律1—规律6为例，分析其时空特征。从时间维度分析，将上述传播规律的起始时间以点的方式在坐标轴中直观记录。在基础数据时间范围内每一条规律发生的起始时间都集中在某一时间段，拥堵发生的时间具有相似性;交叉口的交通状态在拥堵与不拥堵之间变化，说明这些交叉口不是持续的拥堵，一次拥堵消散后又有可能发生新的拥堵，具有反复性，如图5中规律2、规律4、规律6的情况。

根据拥堵的不同传播方向可将规律归类为2种模式：回溢模式和流出模式[22]。回溢模式如图7中实线所示，流出模式见图8中虚线，箭头方向表示拥堵传播的方向。上游交通流参数通过道路载体对下游交通流参数具有传递作用，下游的交通状态也会反作用于上游，且都会经历一个时间延迟。

1）回溢模式

回溢模式如图7所示，是指拥堵向行车的反方向传播，即其下游交叉口某一进口道方向发生拥堵后，车辆不断积聚，导致路段上车辆排队长度不断延长甚至溢出路段，影响到上游交叉口的交通运行状态。实证区域中规律1，2，3，4属于这种模式，所涉及的交叉口具有以下特点：交叉口之间的路段相对较短，下游交叉口的拥堵程度比较严峻时形成车辆的累积。

2）流出模式

流出模式如图8所示。流出模式是指拥堵向行车方向的传播，即上游交叉口某一进口道的交通量较大但尚未形成车辆累积，在一个信号周期内到达该进口道的车辆可以全部通过该交叉口行驶到下游交叉口，使下游交叉口到达的交通量增加，饱和度变大。规律5，6属于这种模式。产生流出模式的交叉口具有以下特点：连接上下游交叉口之间的路段相对较长，上下游交叉口的拥堵程度相对轻缓，车辆累积情况尚未形成。

3.3在拥堵预测系统的应用

利用上述挖掘的区域交叉口拥堵传播规律可以分析交叉口拥堵在区域道路网络中的扩散性综合影响，获取该区域中各个交叉口拥堵发生的时间顺序。當某一规律中拥堵源交叉口发生拥堵时，根据拥堵传播规律中拥堵传播的趋势，可预测该规律中其他交叉口后续的交通状况。以上述规律中规律6为例：如果交叉口b北进口直行车道已经发生中度拥堵，那么可以预测5 min后交叉口c北进口直行车道有78%的可能性发生中度拥堵。因此可以将这种拥堵传播规律应用至拥堵预测系统中，为建立交叉口拥堵预警系统和实行拥堵早期干预提供具体的策略支持。

4结语

本研究立足于交通拥堵的时空传播特性，将数据挖掘应用于区域交叉口拥堵传播规律的分析。首先基于交叉口检测器流量数据，优化了交叉口交通状态判别算法;然后结合交通领域的特殊性，提出了基于路网拓扑结构空间约束的Aprior算法进行拥堵传播规律挖掘的基本思路，构造了以各交叉口转向车道为分析对象的交通状态历史数据库，对数据库进行了适应性调整，提高了算法的效率;最后利用苏州市吴中区交叉口实例数据验证了模型的有效性和正确性。模型实证结果表明，从时间维度分析可知拥堵具有相似性和反复性;从空间维度分析发现了“回溢”和“流出”2种拥堵传播的模式，“回溢模式”通常出现在拥堵严重、相对距离较短的2个交叉口间，而“流出模式”则在拥堵相对轻缓、相对距离较长的2个交叉口间较为常见。

本文获取的交叉口拥堵传播规律可以应用于区域交叉口拥堵趋势的预测，有助于掌握区域道路网络中交叉口交通状态的规律性，为城市交通管理者提供辅助决策信息，达到提高城市道路网通行效率的目的。目前，模型的数据基础是静态的交叉口历史流量数据，今后可融合多源交通流数据，对动态实时的交通流数据进行在线分析，以提高预测模型的精度和适用性。

参考文献/References：

[1]赵宏，翟冬梅，石朝辉. 短时交通流预测模型综述[J]. 都市快轨交通， 2019，32（4）： 5054.

ZHAO Hong， ZHAI Dongmei， SHI Chaohui. Review of shortterm traffic flow forecasting models[J]. Urban Rapid Rail Transit， 2019，32（4）： 5054.

[2]陈小波，刘祥，韦中杰，等. 基于GALSSVR模型的路网短时交通流预测研究[J]. 交通运输系统工程与信息， 2017，17（1）：6066.

CHEN Xiaobo， LIU Xiang， WEI Zhongjie，et al. Shortterm traffic flow forecasting of road network based on GALSSVR model[J]. Journal of Transportation System Engineering and Information Technology， 2017，17（1）：6066.

[3]ASIF M T， DAUWELS J，GOH C Y， et al. Spatiotemporal patterns in LargeScale traffic speed prediction[J]. IEEE Transactions on Intelligent Transportation Systems，2013，15（2）：111.

[4]陆参军. 基于关联交叉口交通流量短时预测方法研究[D]. 成都：西南交通大学， 2017.

LU Canjun. Research on ShortTerm Forecasting Method of Traffic Flow Based on Intersection[D]. Chengdu： Southwest Jiaotong University， 2017.

[5]LAWSON T W， LOVELL D J， DAGANZO C F. Using the inputoutput diagram to determine the spatial and temporal extents of a queue upstream of a bottleneck [C]// Transportation Research Record 1572， TRB， National Research Council， 1997.

[6]NAM D， FRED M. An exploratory hazardbased analysis of highway incident duration[J]. Transportation Research Part A，2000， 34（2）： 85102.

[7]和飞飞. 恶劣天气对城市快速路网交通状态影响规律研究[D].北京：北京交通大学，2016.

HE Feifei. Study on the Influence Rules of Severe Weather on Traffic State of Urban Expressway Networks[D].Beijing： Beijing Jiaotong University，2016.

[8]李修海，于少伟.信号交叉口集聚车辆的跟驰行为分析与建模[J]. 交通运输系统工程与信息， 2015， 15（2）：102108.

LI Xiuhai， YU Shaowei. Analysis and modeling for carfollowing behaviors on arrival traffic flow of signalized intersection[J]. Journal of Transportation System Engineering and Information Technology， 2015，15（2）：102108.

[9]LONG Jiancheng， GAO Ziyou， ZHAO Xiaomei， et al. Urban traffic jam simulation based on the cell transmission model[J]. Networks and Spatial Economics， 2011， 11（1）：4364.

[10]REDHU P， GUPTA A K. Delayedfeedback control in a lattice hydrodynamic model[J]. Communications in Nonlinear Science and Numerical Simulation， 2015， 27（1/2/3）：263270.

[11]吳学雁. 金融时间序列模式挖掘方法的研究[D]. 广州：华南理工大学， 2010.

WU Xueyan. The Research on Pattern Mining of Financial Time Series[D]. Guangzhou： South China University of Technology， 2010.

[12]崔妍，包志强. 关联规则挖掘综述[J]. 计算机应用研究， 2016， 33（2）：330334.

CUI Yan， BAO Zhiqiang. Survey of association rule mining[J]. Application Research of Computers， 2016， 33（2）：330334.

[13]鲁可， 陈腾宇， 黄慈辉， 等.基于中医传承辅助平台软件的治疗咳血方剂的组方规律分析[J].中国药房，2018，29（6）：769773.

LU Ke，CHEN Tengyu，HUANG Cihui， et al. Analysis of composition regularity of prescriptions for hemoptysis based on TCM inheritance support platform software[J]. China Pharmacy， 2018， 29（6）：769773.

[14]江君， 董显亮， 王相娥. 基于频繁项集的学生选课行为分析[J]. 科技视界， 2018（16）：132133.

JIANG Jun， DONG Xianliang， WANG Xiange. Analysis of students' elective course behavior based on frequent itemsets[J]. Science and Technology Vision， 2018（16）：132133.

[15]邓晓衡， 曾德天. 基于AHP和混合AprioriGenetic算法的交通事故成因分析模型[J]. 计算机应用研究， 2019， 36（6）：16331637.

DENG Xiaoheng， ZENG Detian. Traffic accident causation analysis model based on AHP and hybrid AprioriGenetic algorithm[J]. Application Research of Computers， 2019， 36（6）：16331637.

[16]李渊韬， 张楠， 刘峰， 等. 基于信息论优化的Apriori算法在交通事故分析中的应用[J]. 信息系统工程， 2016（10）：8084.

[17]孙斌. 基于Apriori算法的船舶碰撞事故致因分析[D]. 大连：大连海事大学， 2016.

SUN Bin. Cause Analysis of Ship Collision Accident Based on Apriori Algorithm [D]. Dalian： Dalian Maritime University，2016.

[18]何梦娇， 吴戈， 梁华， 等.基于多源文本挖掘的城市交通舆情分析——以苏州为例[J].交通信息與安全，2018，36（3）：105111.

HE Mengjiao， WU Ge， LIANG Hua， et al. An analysis of public opinion on urban traffic based on multisource text mining： A case study of Suzhou[J].Journal of Transport Information and Safety， 2018，36（3）：105111.

[19]劳云腾. 信号控制交叉口交通阻塞动态预测方法研究[D]. 上海：同济大学， 2008.

LAO Yunteng. Dynamic Forecast Method for Traffic Congestion at Signalized Intersection[D]. Shanghai： Tongji University， 2008.

[20]聂增国. 城市道路交通状态评价研究[D]. 济南：山东大学， 2018.

NIE Zengguo. Research on Urban Road Traffic State Evaluation[D]. Jinan： Shandong University， 2018.

[21]聂庆慧. 基于交通传播特性分析的城市路网动态OD在线估计[D]. 南京：东南大学，2017.

NIE Qinghui. Online Estimation of Dynamic OD Flows for urban Road Networks Based on Traffic Propagation Characteristic Analysis[D]. Nanjing： Southeast University， 2017.

[22]董春娇， 邵春福， 诸葛承祥， 等.拥挤流状态下城市快速路交通流时空特性[J]. 北京工业大学学报，2012，38（8）：12421246.

DONG Chunjiao， SHAO Chunfu， ZHUGE Chengxiang， et al.  Spatial and temporal characteristics for congested traffic on urban expressway[J]. Journal of Beijing University of Technology， 2012，38（8）：12421246.