基于车路协同技术的城市交通状态评价分析

王翔， 段晶

（浙江嘉兴数字城市实验室有限公司）

1 引言

现阶段，交通安全已经成为影响我国社会安全的重要因素，根据当前我国公安部交通管理局的不完全统计得出，仅在去年一年，发生的道路交通事故超过20万起，其中车辆的安全运营问题成为道路交通安全管理当中亟待解决的关键问题[1]。城市的交通状态存在时变性，因此需要对城市交通状态进行实时的分析评价，才能对交通状态变化态势有所掌握。为了实现对城市交通状态的准确描述，交通管理部门会对某一特定时段的道路交通状态进行评价，并根据评价结果对交通情况做出管控。梁振奇提出了基于模糊熵的城市路段交通状态评价方法，建立交通运行状态评价指标，对路段状态进行划分，采用熵权法建立路段交通状态评价模型，实现对路段交通状态的评价。该方法能够对路段交通进行状态评价，但是适用于小规模路段的评价，实际应用范围较小[2]。苏菠提出基于GPS 的实时城市交通状态评估方法，提出联合交叉网络下的AP 聚类算法，对交通数据进行有效的特征分类，构建交通结构模型，根据用户交通方式完成交通状态预测，结合数据进行最终评估。该方法虽然能对交通状态实现有效的评估，但是评估结果与实际交通状态有较大误差[3]。

为了解决上述问题，本文提出了基于车路协同的城市交通状态评价方法。车路协同是一种结合无线通信和互联网的新型技术，能够全方位实现车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同[4]。通过对多种传感器的合理使用，实现对城市交通数据的获取[5]。通过该方法实现对各个城市交通状态的全面分析，为保证交通安全、提高通行效率做出贡献，为缓解城市交通拥堵、及时引流提供可靠的技术支持，实现交通状态变化态势的预测，形成安全、高效和环保的城市道路。

2 基于车路协同的城市交通状态评价方法设计

2.1 基于车路协同的城市交通状态数据实时获取

为实现对城市交通状态的全面评价，需要获取与城市交通状态相关的数据。在以往的城市交通状态数据获取方法中，一般采用感应线圈、红外探测、视频检测等方法获取交通数据，局限性较大，获取数据信息不够全面。因此，本文基于车路协同技术，利用无线通信的特性，加强车与车、车与路之间的协调，获取实时反映交通状态的数据，比如当前道路上汽车数量、信号灯运行状况、是否存在拥堵和事故发生等情况，以及结合静态道路数据，比如道路车辆违停情况、停车场空位情况、路边设施状态等，综合多源数据后，分析评价城市交通状态。

为确保数据的准确性，本文在引入车路协同技术的基础上，对其数据的实时获取进行了设计。通过车路协同当中的智能化车载信息单元，针对城市交通道路上行驶的车辆数据进行获取，并通过V2X通信网络实现对车路交互信息的传输。同时，在获取数据时，还应当充分融合该道路上的静态道路数据，并以此实现对特定时段范围内城市交通状态的实时评价[6]。该路段为单行线双排车道，路口为十字交叉路口，路段长度450m，每50m 处在路侧设置一个路侧单元RSU，通过与车载单元OBU 的通讯，获取识别车辆的位置信息、速度、加速度和流向等数据。车载单元OBU 数据与路侧单元RSU 数据信息传输的作用范围为50m，时延0.5ms，载波频率5.800GHz。同时，该路段满足通讯网络全覆盖，过往车辆须装有V2X 通信技术的智能车载设备。V2X通信技术能够以无线通信为基础，对车与车、车与路、车与人之间的状况进行感知预警。图1 为基于车路协同的数据实时获取示意图。

图1 基于车路协同的数据实时获取示意图

将通过车路协同获取到的数据划分为四个基本结构，分别为网联汽车运行数据、车载单元OBU 数据、路侧单元RSU数据以及后台服务部数据。网联汽车运行数据主要是从车辆电脑当中获取实时数据，可直接通过引入CAN总线的方式实现对数据的引出；车载单元OBU数据可通过无线通信传输的方式，从各个城市交通道路两侧获取路口信息数据；路侧单元RSU数据可通过将本地交通道路路口信息与车辆数据信息相融合的方式实现对路段运行状态的初步评价；后台服务部数据为上述三个数据中汇总的所有用于评价城市交通状态的数据。

从图1 所示的数据实时获取示意图可以看出，当某一辆网联汽车从I点驶离其所在的交叉路口A，达到Ⅱ点时，此时通过车路协同中的RSU1实现对其行车载单元OBU数据的记录，经过Ⅲ点时，RSU2实现对其行车数据的记录。当行驶至下一个交叉路口B时，已到达Ⅳ点，此时将所有获取到的数据上传到RSU3 当中。当某一台网联汽车行驶到通信区域范围当中时，其在第一个路口所被获取的OBU数据将会在通过下一个路口时被传送至后台服务部数据中；当再经过下一个路口时，再通过下一个路口的RSU 对其OBU 进行获取[7]，并在此传输至后台服务部数据库中。

通过对城市交通道路上每一台车辆的数据获取，实现对其所有评价所需数据的实时获取。同时，基于车路协同的应用优势，可为后续数据的融合提供数据处理与分析的功能[8]，因此能够确保后续评价过程中数据的稳定性，为评价提供更有利条件。

2.2 城市交通状态评价指标参数选择与评价体系建立

在完成对城市交通状态数据的实时获取后，基于道路特点，从车辆行驶安全的角度出发，对其评价指标参数进行选择，并将所有参数按照评价体系等级进行划分，共分为三个等级，如表1所示。

表1 城市交通状态评价体系

从表1 中可以看出，对城市交通状态评价体系构建后，体系当中包含了三个等级指标，共计24 个评价指标。利用上述评价指标体系中的内容，可实现对城市交通状态的综合评价，针对城市交通状态的评价结果，反映城市交通道路的实时状态。

2.3 城市交通状态等级层次化评价与分析

在明确城市交通状态评价体系后，为实现对其状态的进一步明确，对其状态按照等级划分的方式进行评价，引入层次分析法。同时，为了确保各个评价指标在体系当中的权重分配合理，将与影响城市交通状态的各个指标因素分解成多个层次，并通过定性和定量的方式对其进行更深层次的分析[8]。为了进一步体现本文评价方法的客观性，在评价前，需要从获取到的数据当中挖掘出3 个或3 个以上的评价指标，并针对其各个指标之间关联的强弱进行判断。在单方面考虑到某一评价指标计算结果的基础上，将其与实际城市交通状态进行对比，并以此类推，获取到贴合度最高的评价指标，根据其贴合度对指标进行赋值，其计算公式为：

式（1）中：ω表示为某一评价指标在上述构建的评价体系当中占据的重要性地位，即对评价结果影响的权重比例；a表示为判断矩阵；k表示为评价指标数量。在完成对各个评价值的权重分配后，在评价过程中，将城市交通状态划分为畅通、缓慢和拥挤三种类别，并按照如下公式，实现对城市交通状态的量化评价：

式（2）中：C表示为最终城市交通状态的量化评价结果；i表示为评价次数；b͂表示为某一被评价对象对于评价结果集的评价指数。根据公式（2）完成对城市交通状态的量化评价，C的取值在0～100之间，C值越高，则说明城市交通状态评分结果越高，状态等级越高；反之，C值越低，则说明城市交通状态评分结果越低，状态等级越低。

3 对比实验

3.1 实验准备

通过上述论述，从理论方面完成对基于车路协同的评价方法设计。为了进一步验证该方法在实际应用中的可行性，以及应用优势，选择将本文提出的评价方法作为实验组，将文献[3]提出的基于GPS的实时城市交通状态评估方法作为对照组，将两种评价方法应用到相同的城市道路交通环境当中。

为实现对真实城市道路交通环境的模拟，利用通信模块、路侧终端、车载终端、网联车辆完成对测试环境的搭建。选择以某一次干路道路等级的双方向四车道作为实验道路，该道路长度为593.52m，静态参数还包括，岔口数量：2 个；灯孔信号：两阶段。实验道路实景图如图2所示。

图2 实验道路实景

在实验过程中，选择两辆车作为实验车辆，在车内安装OBU 装置，并在实验道路上双向行驶，利用路侧设置的RSU 装置通过V2X 实现对车辆行驶数据的采集和获取。为了确保实验结果具有更高可靠性，在本市交通数据库中选择将该段道路连续1 个月高峰时段（18：00）和平峰时段（12：00）的行车数据作为实验数据。为了确保两种评价方法具备相同的测试条件，同时保证行车安全，采用MATLAB 仿真软件模拟该路段高峰与平峰时段的车流量情况，并将数据的采集间隔设置为10min。

3.2 评价一致性检验

在上述实验准备的基础上，为了实现对实验组和对照组两种方法评价结果的一致性对比，选择将两种评价方法得出的评价结果与实际城市交通状态变化趋势进行对比，若变化趋势一致，则说明该评价方法具备评价一致性；反之，若变化趋势不一致，则说明该评价方法不具备评价一致性。在上述设置的当中，随机抽取8 组，并分别编号为DL001、DL002、DL003、DL004、DL005、DL006、DL007 和DL008。分别利用两种评价方法对该实验道路的交通状态进行评分，对比评分结果与实际道路的交通状态。将实验结果绘制成图3所示。

图3 实验组与对照组评价结果对比图

通过图3 可以看出，实验组对该道路交通状态的评价，无论是高峰时段还是平峰时段，都与该道路实际状态较为接近；而对照组对该道路交通状态的评价均与该道路实际状况差距较大。因此，综合上述论述分析进一步证明，本文提出的基于车路协同的评价方法在实际应用中可实现对交通状态的准确评价，评价结果具备更高一致性。

4 结语

综上，本文针对当前阻碍城市交通道路可持续发展的交通状态安全问题，在引入车路协同技术的基础上提出一种全新的评价方法。将该评价方法应用于实际可以实现对城市交通状态的描述，同时对于实现准确实施的动态交通诱导具有更高的促进作用，能够进一步提升城市道路交通安全水平以及城市道路交通运行效率。

但由于研究能力和时间有限，在研究过程中并没有充分考虑到获取城市交通数据时的网络负载和运算量问题，并且在实际应用中获取交通数据的传感器会受到周围环境的影响，对其数据采集的精度会产生一定负面影响。因此，在后续的研究中，还将针对上述存在问题，对本文提出的评价方法进行进一步完善，为城市交通协同发展提供更重要的研究依据。