公路交通拥堵及事故风险预警模型开发及应用研究

谢 斌 万 剑 党 倩 徐海潮 杨 曼

(华设设计集团股份有限公司智能交通技术和设备交通运输行业研发中心 南京 210014)

根据“交通强国、公路先行”的新战略、新要求，需要赋予公路网“主动思考”能力，实现路网运行监测主动预警，提升公路交通行业管理效率。

国内外专家学者对交通运行状态预警算法开展了较多的研究，并取得了一定成果[1-3]。研究较多的主要是时间序列模型、决策树模型、神经网络模型。其中，时间序列模型如果用于路网短时状态的预测，只能挖掘时间维度上的特征和变化，无法结合其他多源的异构因素，体现路网事件预警的复杂和多变，预测准确性难以保障[4]；决策树模型在小规模的单一分类问题中往往具有较好的性能，但一旦网络规模扩大，节点增多且预测目标复杂，决策树模型就难以有效支撑[5-6]；神经网络模型训练和预测非常依赖于样本的支撑，并且其难以解释模型中间的关系和预测过程，无法输出交通拥堵、交通事故风险的可解释性特征[7-8]。目前利用动态贝叶斯模型开展公路交通拥堵、事故风险预警的研究逐渐增多，能够学习变量间的概率依存关系及其随时间变化的规律，能够输出不同状态的概率网，而且可以针对不同地区交通管理系统特征和输入的差异，确保即使部分输入发生了变化，但关联的预测模型仍继续产生可靠的预警。

因此，综合对时间序列模型、决策树模型、神经网络模型及动态贝叶斯网络模型进行分析研究及比选，本项目采用动态贝叶斯网络构建交通拥堵、事故风险预警模型。

1 总体思路

本项目的总体思路是开发一套路网事件预警算法模型系统，为行业管理人员提供国省干线典型异常事件的主动预警，以此缩小监测的时空范围，辅助行业管理部门提前做出异常事件预防管控措施。该模型系统支撑省市联动，具有业务适用、可移植复用特征，为已有业务系统、应急指挥调度系统提供预警信息服务。

模型逻辑架构图见图1，基于多源数据整合、相关性分析、道路状态演变特征分析等工作的成果，选取重要的状态变量特征，建立基于动态贝叶斯网络的道路拥堵状态与事故等级的预警模型，该模型通过学习各种状态变量间的概率依存关系及其随时间变化的规律，可以有效对不同状态的发生概率进行推断预测。

本模型可实现对全路网范围内国省干线交通调查(以下简称交调)、检测器数据、路网基础数据的融合；实现对当前道路拥堵状态和事故风险的评判；实现对不同时间尺度下未来道路拥堵状态、事故风险概率的多步预测；模型根据实时交调数据、车检器数据等进行自动训练，对模型进行持续更新，不断提升模型检测精度。

图1 模型逻辑架构

2 数据工程

本模型共整合了2019年5-12月的南京市国省干线80余个交调点、车检器数据及路网基础信息数据，近420万条动静态业务数据。首选对整合的交调数据、车检数据及路网基础信息数据进行数据完整性检验、多源数据关联，并设计数据库。

2.1 数据完整性检验

数据缺失检验的目的是确认各类多源数据的可用性和完整性，判断数据能否支撑后续分析。数据缺失检验主要包括以下三方面：数据可用性检验、数据时间完整性检验、数据空间完整性检验。通过分析认为，数据时间完整性检验结果(部分)见表1，接入数据在时间完整性、空间完整性方面，均达到可用性要求。

表1 数据时间完整性检验结果(部分)

2.2 多源数据关联

多源数据关联通过路段桩号完成交调、车检、路网基础信息数据的有效关联和匹配，为后续建模的特征选取及模型输入做准备，多源数据关联原理见表2。

表2 多源数据关联

2.3 数据库开发

为了保存模型静动态业务数据、模型分析的中间结果，以及模型预警结果，设计模型数据库，数据库设计原理图见图2，主要包括输入数据表、中间表、输出信息表。

图2 数据库设计

3 特征分析

3.1 交通拥堵预警特征分析

不同技术等级、功能需求的国道、省道交通流平均速度分布具有明显差异。故传统依靠已有公路运行监测指标对公路拥堵状态进行判定，难以适应本地化、复杂多变的网络运行监测需要。

本模型依托2019年6-8月的交调、车检历史数据，基于聚类分析，提出适应本地化特点、面向不同技术等级的路网运行状态划分阈值，设定为拥堵、缓行、畅通3种状态，部分路线平均速度聚类分析结果见图3。

图3 不同路线的平均速度聚类结果

基于历史数据，分析交通拥堵时序特征见图4。由图4分析可知，交通拥堵具有很强的时间相关性，其中当前时刻过去24 h以内交通状态与当前状态具有较为显著的相关性。

图4 交通拥堵时序特征分析

对不同车型、不同时间窗口速度与交通拥堵情况进行相关性分析得出，拥堵预警输入特征见表3。提取相关性较大的因素作为拥堵事件特征，用作拥堵预警模型训练及实时预警的输入特征。

表3 拥堵预警输入特征

续表3

3.2 交通事故风险预警特征分析

分析2019年5-12月交调、车检数据，认为交通流速度波动标准差与路网运行状态之间存在强相关性；结合《国家突发公共事件总体应急预案》，基于聚类分析，划分路网事故风险为4个等级：安全、一般事故风险、严重事故风险、非常严重事故风险。

结合不同车型、不同时间窗口速度波动与交通安全态势的相关性分析，事故风险预警特征见表4。基于表4内容，提取相关性较大的因素作为交通事故风险预警特征，用作事故风险预警模型训练及实时预警的输入特征。

表4 事故风险预警输入特征

4 模型开发

4.1 模型结构搭建

动态贝叶斯网络具有能够学习变量间的概率依存关系及其随时间变化的规律、能够输出不同状态概率的优势，同时，针对不同地区交通管理系统特征和输入的差异，确保即使部分输入发生了变化，但关联的预测模型仍继续产生可靠的预测。

结合行业经验，设计模型初始网络，利用路网多源信息进行训练，训练动态贝叶斯网络，寻求多种车型平均速度与拥堵事件、多种车型速度波动标准差与交通事故风险的概率推导关系。交通拥堵预警模型见图5、交通事故风险预警模型见图6。

图5 交通拥堵预警模型

图6 交通事故风险预警模型

4.2 模型功能设计

在模型结构搭建的基础上，开发路网事件预警模型，以实现模型训练及配置、拥堵及事故风险实时预警、预警结果查询及趋势分析等功能，模型功能架构见图7。

图7 模型功能架构

预警模型系统可视化界面见图8。由图8可见，该系统可以GIS地图方式展现路段预警状态及概率，并提供预警概率较高路段对应的实时视频，方便行业管理人员及时采取管控措施。

图8 预警模型系统界面

4.2.1模型训练及配置

设置训练模型输入选项，实现仅训练拥堵模型、仅训练安全模型和同时训练选项，同时记录训练开始时间与训练结果更新时间，同时依据计划任务确定下次更新时间。

设置模型预测输入信息内容选择，实现能见度信息、卡车速度、道路基本信息和小汽车速度作为独立选项的组合设置，可得到仅预测拥堵状态、仅预测安全状态与同时预测的模型预测结果，预测结果可选择5～10 min或0.5～1 h。同时拥堵模型和安全模型分别记录结果更新时间，便于后续查询。

4.2.2拥堵及事故风险实时预警

采用表格加饼状图的方式直观展现交通拥堵预警与交通事故预警的结果，采用表格化详细展示数据，同时通过饼状图直观展示缓行、畅通及拥堵的比例和交通事故等级预测分布。

4.2.3预警结果查询及趋势分析

查询界面设置输入框输入路段ID，同时，加入时间控件以选择查询时段，加入复选框实现拥堵模型和安全模型的分别查询。

界面下方的标签页中，表格详细展示搜索结果，阶梯图展现交通流突变状态，直观显示预警结果与实际结果的对比及查询时间段内的路网拥堵、事故风险态势。

5 测试应用

训练集采用交调点与车检器融合后2019年5-8月记录的所有路段上的交通流数据；验证部分则采用2019年9-11月中所有路段交通流数据。经过测试，实现拥堵及安全风险10 min、0.5 h、1 h多维度实时预警，预警准确性大于85%，拥堵预警测试结果(部分)见表5、交通事故风险预警测试结果(部分)见表6。

表5 拥堵预警测试结果(部分)

表6 交通事故风险预警测试结果(部分)

为实现项目成果的拓展应用，需结合现有业务系统进行数据共享，并实现数据共享与应用集成，以为成果的推广应用奠定基础。对此，基于本项目路网事件预警模型，提供满足技术要求的事件预警模型算法接口，封装成可配置、可选择的调用接口，由其它相关业务管理系统平台调用，实现普通国省干线交通拥堵、交通安全风险预警算法与业务系统的应用融合，提升检测算法的应用效益。

路网事件预警模型系统的检测结果可直接提供给第三方应用系统，当路网事件预警模型系统分析有拥堵、缓行、严重安全风险、非常严重安全风险时，向已有业务系统推送告警信息，支持在地图上以红色标识“拥堵”“非常严重安全风险”的路段，以黄色标识“非常严重安全风险”“严重安全风险”路段，同时当鼠标放在以上线路上时以悬浮框的形式显示检测预警事件的发生概率，进行提示。与已有业务系统对接预警效果(缓行预警)图见图9。

图9 与已有业务系统对接预警效果(缓行预警)

6 结语

1) 基于多源数据关联分析，挖掘国省干线交通流波动及交通事件演变规律。融合交调数据、车检器数据、路网线型及地貌类型等多源信息，分析大货、中货、小货、大拖、小客、中客、大客等多种车型在不同时间窗口的速度波动特征，挖掘交通流周期性、季节性、突发性运行及演变规律，提供交通拥堵、交通事故演变的可解释性特征，为交通事件预警提供科学的、精准的评价指标。

2) 改变被动式运行监测模式，提供国省干线交通拥堵及事故风险主动预警。该模型改变当前大范围路网主要依靠人工轮询、人工巡查等被动式运行监管模式，为行业管理人员提供国省干线交通拥堵及事故风险的主动预警，以此缩小监测的时空范围，辅助行业管理部门提前做出异常事件预防管控措施。

3) 改变孤岛式系统建设模式，提供支持自主更新、可移植复用的预警模型。模型建立长效更新机制，利用实时接入的数据进行定期自主训练，不断优化算法模型的结构与精度。该模型通过标准接口接入交调数据、车检器数据、路网基础信息，并通过标准接口将预警结果实时推送到已有业务系统，实现算法模型与业务应用系统的弱耦合关系，便于移植复用。