基于卡口型电警数据的路段车辆数估计方法

郝建根　刘腾　石巍

摘要：提升路段车辆数估计准确性，提出一种基于卡口型电警数据的路段车辆数估计方法，能够利用灯控路口交通流间断放行的特征设定车流间间断放行最小间隔阈值，根据该阈值对上下游路口过车记录进行分组运算，结合号牌号码与号牌颜色组合确定的车辆唯一身份信息关联分析生成上下游车辆匹配数据，利用车辆驾驶的跟随特性有效缩小匹配数据检索范围，快速计算任意时刻路段内实时车辆数，为精细化掌握路段级交通状态提供数据支撑。

关键词：路段车辆数；间断放行；跟随特性

一、前言

近年来随着交通基础设施的规模化建设，城市道路广泛安装卡口型电子警察，实时记录通过停止线所有车辆的过车数据，通过号牌号牌、号牌颜色组合确定的车辆唯一身份信息进行上下游关联分析，可以进一步发挥电子警察数据的价值。

传统的电子警察仅记录违法车辆的信息，大大缓解了交通管理人力资源短缺的问题，但需提高非现场执法的合理性和可靠性，创造和谐的道路交通环境[1]。卡口型电子警察采集的部分过车数据会出现异常，考虑流量的周期性和时变性，基于马尔科夫模型，基于模型预测结果和设定的流量合理分布阈值，以置信区间的形式直接判断流量的异常偏离情况[2]。现有对电子警察数据的应用主要集中在行程时间的获取上。基于固定采样间隔的常规行程时间计算方法，判别车辆在路段的停车次数，并利用深度学习算法对排队长度进行预测，判别过饱和排队溢出程度[3-4]。充分考虑间断交通流车头时距分布特征，以车队为分割精细化计算行程时间，有效反映信号周期的控制效果[5]。

对于城市道路交通运行状态通过流量、行程时间、路段车辆数等参数进行多维度刻画。其中路段车辆数是指上下游两个路口间在途的车辆数量，现有路段车辆数估计方法对历史周同天数据的依赖性比较大[6]，但由于交通参与者驾驶行为的差异性以及事故、抛锚、临时停车等随机交通事件因素的影响，不同日期同一时刻交通流会有一定的随机性，利用实时数据、历史周同天数据分析得到的交通参数会有一定的差异性，往往会导致路段车辆数估计的准确性低。本文基于交通信号的间断放行和车辆驾驶的跟随特性，快速计算任意时刻路段实时车辆数，研判路段车辆动态，精细掌握路段交通状态[7]。

二、路段车辆数估计方法

（一）上游路口过车记录分组

上游路口过车记录包括号牌号码、号牌颜色、路口编号、车道号、过车时间、分组编号、通过下游路口时间等数据项。

上游路口过车记录分组主要包括计算车流间断放行最小间隔、上游过车记录链表更新、参考车流车辆分组划分、非参考车流隶属分组确定等步骤。

将上游路口前一段时间内（比如1小时）所有过车记录构建形成上游过车记录链表；根据车流间断放行最小间隔阈值对上游路口过车记录进行分组。任选一股车流作为车辆分组划分的参考车流，计算当前车辆与上一个车辆的车头时距，并与车流间断放行最小间隔阈值进行比较，确定每个车辆隶属的分组编号以及每个分组对应的起始时刻、结束时刻等信息；其他车流的车辆可根据其过车时间确定所隶属的分组信息。

计算车流间断放行最小间隔。车流间断放行最小间隔可以取某一股交通流从失去通行权到下一次获得通行权所有历经相位的最小绿灯时间与过渡灯色时间之和，即车流间断放行最小间隔，其为固定值，与信号控制实际执行方案无关。

上游过车记录链表更新。将上游路口前一段时间内（比如1小时）所有过车记录构建形成上游过车记录链表；按照时间顺序实时获取参考车流所有隶属车道的过车记录，， ，……，将新增的上游路口过车记录更新至上游过车记录链表尾部，并将通过下游路口时间这一数据项初始设置为空值。

参考车流车辆分组划分。根据图1，上游路口的北向东左转、西向东直行、南向东右转三股交通流可汇入下游交叉口；对于信号灯控制的路口，每一股交通流都具有间断放行的特征，可任选一股车流作为车辆分组划分的参考车流。

根据参考车流相邻车辆间的车头时距与车流间断放行最小间隔阈值进行比较，确定每个车辆的隶属分组编号以及每个分组对应的起始时刻、结束时刻等信息。车辆分组划分具体方法如下：

提取上游过车记录链表中最新的过车记录，当时，该车辆为第一个车辆，将对应的分组编号计为1，并将该车辆的过车时间作为分组1的起始时刻，当时，计算与上一个车辆的车头时距，当小于等于车流间断放行最小间隔阈值时，则返回继续获取下一个车辆；当大于车流间断放行最小间隔阈值时，将该车辆的过车时间作为当前分组的结束时刻，同时将分组编号加1，并把该车辆的过车时间作为下一分组的起始时刻，返回继续获取下一个车辆。

非参考车流隶属分组确定。根据非参考车流所有隶属车道的过车记录的过车时间与每个分组的起始时刻进行比较，确定车辆所在的分组编号。

（二）下游路口过车记录分组

下游路口过车记录包括号牌号码、号牌颜色、路口编号、车道号、过车时间、分组编号、通过上游路口时间等数据项。

根据图2，下游路口西进口包含西向北左转、西向东直行、西向南右转三股交通流。

下游路口过车记录分组主要包括计算车流间断放行最小间隔、下游过车记录链表更新、参考车流车辆分组划分、非参考车流隶属分组确定等步骤。

下游路口过车记录分组与上游过车记录分组步骤类似，本文不再赘述。

（三）上下游过车记录关联匹配

根据上、下游过车记录比对检索和车辆驾驶的跟随特性进行上、下游过车记录关联匹配。对于下游路口新增的一个过车记录，与上游过车记录链表进行比对检索，根据车辆驾驶的跟随特性有效缩小比对检索的范围，当上下游过车记录中号牌号码、号牌颜色都相同时，更新上游过车记录的通过下游路口时间数据项以及下游过车记录的通过上游路口时间数据项。

将新增的下游路口过车记录与上游过车记录链表中的过车记录逐一进行比对检索，提取并记录当前选中的上游路口过车记录。

对于某一条上游路口过车记录，当检索到该过车记录中通过下游路口时间为空值时，若上、下游过车记录中号牌号码、号牌颜色都相同，则记录该上游路口过车记录。提取新增的下游路口过车记录的过车时间，将该过车时间更新到记录的上游路口过车记录的通过下游路口时间这一数据项中；同时提取记录的上游路口过车记录的过车时间，将该过车时间记录到新增的下游路口过车记录的通过上游路口时间这一数据项中。

当检索到该过车记录中通过下游路口时间为非空值时，表示车辆已通过下游，根据车辆驾驶的跟随特性（在交通中有车辆跟驰模型、车队等相关概念，每个驾驶员都是期望尽快到达目的地，所以车辆之间会存在跟随特性），检索的车辆应在最近若干个上游分组内出现，设定停止检索判别规则，缩小车辆检索的范围，提高检索效率。

其中停止检索判别规则具体如下：若是第一次检索到该过车记录中通过下游路口时间为非空值时，提取该上游路口过车记录的分组编号记为，则返回继续检索；若不是第一次检索到该过车记录中通过下游路口时间为非空值时，提取车辆的上游路口分组编号记为，计算分组编号差值，考虑到车辆驾驶的跟随特性，当大于某一个数值时，表示车辆在较长一段时间内未与同行车辆一并驶离下游路口，认为车辆是从路段内直接驶入下游的，停止检索。

（四）路段车辆数估计

根据上游过车记录链表统计当前计算时刻未驶离下游路口的车辆总数，计算路段车辆数初始值；根据上游过车记录链表统计前一段时间内经过上游但未经过下游的车辆，计算上游过车记录中从上游驶离未在路段内停驶车辆占比；根据下游过车记录链表统计前一段时间内经过下游但未经过上游的车辆，计算下游过车记录中从上游驶离通过下游车辆占比；根据车流间关联性对路段车辆数初始值进行修正，得到路段车辆数估计值。

路段车辆数初步统计：根据上游过车记录链表中的通过下游路口时间这一数据项是否为空值，来确定车辆是否已驶离下游路口，并根据车辆驾驶的跟随特性，设定停止检索判定规则，计算得到当前计算时刻路段车辆数初始值。停止检索判别规则与上下游过车记录关联匹配中的类似，本文不再赘述。

由于车辆可能在路段内停驶或从路段内交通小区驶入下游路口等因素，结合图3所示的上下游车流与路段内交通小区的车流间关联关系，可以通过上游过车记录中从上游驶离未在路段内停驶车辆占比、下游过车记录中从上游驶离通过下游车辆占比对路段车辆数初始值进行修正得到路段车辆数估计值。

三、实例分析

本文以南京市中山东路解放路和中山东路清溪路两个相距1.2km的路口作为研究对象，研究2018年8月6日周一两路口间西向东的路段车辆数变化特性，其中上游路口为中山东路解放路，下游路口为中山东路清溪路。另在两路口之间还有一拖二的灯控路口，包括中山东路明故宫东、中山东路明故宫西。

确定车流间断放行最小间隔。不失一般性每个路口可选取西直行作为参考车流，西直行从失去通行权到下一次获得通行权所有历经相位包括东西左转、南北直行、南北左转，各相位最小绿灯、过渡灯色分别选取8秒、3秒，因此车流间断放行最小间隔为33秒。

根据车流间隔放行最小间隔，分别对上下游参考车流、非参考车流的过车记录进行分组，确定每一条过车记录的分组号，其中上游共有700个分组，下游共有647个分组。根据号牌号码、号牌颜色是否相同对上下游过车记录进行关联匹配，新增通过上游路口时间、通过下游路口时间。匹配结果示例，苏A×…×，蓝牌，2018年8月6日17时4分33秒通过中山东路解放路西方向第3车道，上游分组编号511，2018年8月6日17时8分12秒通过中山东路清溪路西方向第2车道，下游分组遍号478，行程时间219秒。

路段车辆数和现有电警数据分析方法得到的行程时间存在一定的关联性，为了验证路段车辆数估计值的合理性，选取车队行程时间作为参考值，计算分析结果如图4所示。路段车辆数与行程时间对于峰值的跟踪性上比较一致，在10：04：00、12：21：45、18：18：35，行程时间分别为472s、690s、418s，路段车辆数分别为99veh，98veh，98veh。由于车队行程时间采用的是所有匹配记录中各车辆行程时间的中位值或均值，是统计值，因此变化相对不明显。而路段车辆数计算间隔是15秒，由于两路口间还存在一拖二路口，上下游车辆放行差异会比较大，路段内车辆动态比较复杂，因此路段车辆数相邻两次计算值的波动性会比较明显，但实际应用中常用路段车辆数划分区间，数值的波动不会影响其使用。

图4  中山东路示例路段车辆数、行程时间变化趋势图

结合下游路口放行数据，比如信号周期最大通过放行量，可以对路段车辆数划分不同的区间范围，区段数量表示等候信号灯次数，可以更好的表征该路段的通行状态。信号周期最大通过放行量可以通过下游路口各分组的车辆总数的合理最大值确定，下游过车记录分组中共有208个分组的车辆总数在44辆到60辆，占比较大，可以取中值52辆作为信号周期最大通过放行量。根据图4，路段车辆数最大值为100，在高峰时期需要等候两次信号灯才能通过路口。

四、结语

本文针对城市道路，充分利用交叉口间断放行的特征，对卡口型电子警察过车数据进行精细化分析，实现路段车辆数的快速估计，路段车辆数与行程时间相比，一方面计算实时性较强，能快速直接反映路段内车辆的动态，另一方面该参数可以直接换算成排队长度、等候信号灯次数等参数，能更好的反映道路的通行状态。通常采用流量表示交通需求，但流量只表示实际通过停止线的车辆，但无法刻画继续排队等候信号灯通过的车辆数，尤其在过饱和交通状态无法精准刻画实际的交通需求。路段车辆数的大小表示两个路口之间的车辆数，可以真实表示实际的交通需求。路段车辆数有效的估计方法，助力交通管理者精细化掌握路段级交通状态。H

参考文献

[1]罗强，刘宗广，李友欣，等.基于数据挖掘的电子警察执法异常分析方法及应用研究[J].公路与汽运，2017（02）：49-51+55.

[2]韦学武，朱海峰，刘彦斌，等.基于时序马尔科夫模型的电子警察采集数据异常识别[J].公路与汽运，2020（02）：42-46+126.

[3]武志薪.基于电子警察数据的过饱和排队溢出研究[D].上海：上海应用技术大学，2021.

[4]鞠建敏.基于电子警察数据的交叉口车流排队长度研究[D].上海：上海应用技术大学，2021.

[5]江超阳，郝建根，何华英，等.一种获取间断交通流中车队行程时间的方法[P].中国专利：CN109377759B，2021-02-26.

[6]余志，邹兵，何兆成，等.一种基于旅行时间分布规律的路段车辆数估计方法[P].中国专利：CN108629982B，2020-12-29.

[7]郝建根，刘腾，程健，等.一种基于间断放行特征的路段车辆数估计方法及终端[P].中国专利：CN113963532A，2022-01-21.