面向交通拥堵态势平台算法分析

摘要：国内各城市交通相关基础应用系统虽然已经建成，但仍然存在不足。为解决上述问题，首先利用大数据信息管理系统，对采集的数据进行分析处理，通过算法完成对拥堵事件实时告警，精准确认拥堵源位置。然后将系统与人工结合进行拥堵确认，在系统提示拥堵时，由坐席人员调取现场视频监控进行再次确认，坐席人员通过缓堵App将拥堵事件传给现场执勤的交警，实现哪里出现拥堵引发点，交警就立即出现在哪里，并将拥堵引发点消灭在萌芽状态的目标。最后实时跟踪平台对拥堵事件处理效果和人员工作效率进行评价，完成勤务人员考核。根据算法规则对道路密度、饱和度及车行平均速度等进行统计和分析，从而对道路拥堵状况做出快速判断，并迅速判断拥堵成因。

关键词：大数据信息管理系统; 拥堵事件; 实时跟踪平台

中图分类号：TP309 文献标识码：A

文章编号：1009-3044（2024）24-0046-05

开放科学（资源服务）标识码（OSID）

0 引言

随着城市化的不断发展，我国汽车保有量持续上升，导致交通拥堵现象普遍出现。拥堵会使得通行时间增加，也会提高交通事故的发生概率。面对日益严重的交通拥堵问题，交通拥堵态势平台应运而生，旨在实时监测和分析道路交通状况，为交通管理部门和公众提供有关交通拥堵的信息和优化建议[1]。

面向交通拥堵态势平台的算法分析主要涵盖对平台所使用的各种算法进行深入研究，以优化交通流、减少拥堵，并提升道路使用效率。以下是一些关键算法及其在交通拥堵态势平台中的应用分析：

1）车辆路线规划算法：此算法是交通拥堵优化算法的核心组成部分。它通过合理规划车辆的行驶路径，以减少拥堵现象。当路段拥堵程度较高时，该算法能够有效地将车辆流量分散到不同的路段，实现车辆流动的平滑化。其中，遗传算法和粒子群算法是常用的路线规划算法，它们通过模拟进化的方式寻找最优的车辆行驶路径[2]。

2）交通信号灯控制算法：交通信号灯控制算法在智能交通系统中扮演着重要角色。通过逻辑技术和二进制代码控制路口的交通信号灯，以实现交通流的优化。在智能交通系统中，自适应网络算法和模糊控制算法等先进算法被广泛应用，它们能够根据实时交通数据调整信号灯的配时，以应对不同的交通状况[3]。

3）大数据分析与挖掘算法：面向交通拥堵态势的平台通常会收集大量的交通数据，包括车辆位置、速度、道路拥堵情况等。通过运用大数据分析与挖掘算法，平台可以对这些数据进行深度处理，发现交通拥堵的规律和趋势，为优化交通流提供决策支持[4]。

4）模式识别与机器学习算法：这些算法可以帮助平台自动识别交通拥堵的模式和原因，例如，通过分析历史数据，平台可以预测未来可能出现的拥堵点，并提前采取相应的措施进行预防和缓解[5]。

在算法分析过程中，还需要考虑算法的效率和准确性。高效的算法能够在短时间内处理大量的数据，而准确的算法则能够提供可靠的决策支持。因此，在选择和设计算法时，需要综合考虑这些因素，并根据实际情况进行调整和优化。

此外，面向交通拥堵态势的平台还需要关注数据的实时性和准确性。为了确保算法的有效运行，平台需要不断收集、更新和验证交通数据，以确保其反映真实的交通状况。同时，平台还需要与相关部门和机构进行紧密合作，共同推动交通拥堵问题的解决。

综上所述，面向交通拥堵态势平台的算法分析是一个复杂而重要的任务，需要综合运用多种算法和技术手段，以实现对交通拥堵的有效治理和优化。

1 数据来源

基于业务理解与拥堵相关的数据主要涉及基础信息和抓拍信息两类数据类型，数据时间窗口为一个月，两类数据类型字段。

1.1 数据准备

利用数据集市，建立如下数据探索分析宽表（数据取某历史数据60天）。

1.2 衍生变量

基于数据的探索和分析，衍生新的变量，新变量涉及：

1）基本信息。

道路基本信息是基于基础信息得出的道路的一些基本情况，具体衍生变量如下：

①非机动车的影响因子：[γ=q2q2+Q] ，其中[q]：非机动车流量数；[Q]：机动车流量数。

注：非机动车流量数主要根据在一段时间周期内，车牌号缺失的数量×2来计算；机动车流量数为一段时间周期内，拍到的车牌号数量之和，其中车牌号来源于卡口信息。

②道路有效长度：[Li=（L-Lip）×（1-γ）]，其中[Lip]：被占用车道长度，指在统计的时间内非机动车占用的车道长度，一般按照非机动车的长度×数量来计算，非机动车的长度按照2m来计算。

2）道路通行信息。

道路通行信息是指车辆在道路上行驶的信息流，具体衍生变量如下：

①平均车时距=单位时间内所有车时距之和/（机动车流量数）；车时距=第i+1辆车辆经过卡口时间-第i辆车辆经过卡口时间；

②平均速度=所有车辆的速度之和/（机动车流量数），机动车流量数取在上游卡口拍到，且经过下游的车牌号数量之和；速度=道路有效长度/（车辆经过下游卡口的时间-车辆经过上游卡口的时间）。

3）服务通行信息。

服务通行信息是指道路设施所能疏导的交通流的能力，具体衍生变量如下：

①绿灯时间：[gi=ji-yi-ri]，其中[ji]：相位时间；[yi]：黄灯时间；[ri]：红灯时间。数据可从检测器信息直接获取，暂定：黄灯时间：3s；红灯时间：3s。

②绿信比：[yi=giTi]，其中[gi]：绿灯时间；[Ti]：交叉口信号周期。数据可从检测器信息直接获取。

③饱和流量：[Si=3600ti×m×fb×fc]，其中m：车道数，直接从基础信息获得；ti：车道宽度；[fb]：非机动车干扰修正系数，取0.95；[fc]：车道宽度修正系数，可以根据车道宽度来判定，车道宽度可从基础信息直接获取，其中当车道宽度>=3.5m时，取1，当车道宽度<3m时，取0.95，其余取0.98。

1.3 数据探索

通过数据探索发现由于数据故障等情况造成数据存在以下几类问题：

1）数据缺失：卡口编号、车牌号等数据存在缺失现象。

2）数据异常：包括计算结果为负值、与事实偏离太大、数据无效等。

①计算结果小于0；

②数据跟常规不同，比如：车牌号比如纯数字（这种很少用作车牌号）；

③事实偏离太大：利用百分位数最大值远大于99分位数；聚类监测异常值，聚类利用距离方法去找到数据的噪声。

3）数据重复：存在一个号多条记录的现象。当数据每个字段值相一致，则可判定数据重复。

1.4 数据处理

1）数据清洗与预处理。

由于算法模型对数据的缺失情况以及异常值非常敏感，所以结合数据探索情况，采用均值、变量计算、赋零等方法进行补缺。

2）衍生变量设计及处理。

计算承载能力、通行服务能力等衍生变量，并对衍生变量进行分层处理。

2 模型构建

2.1 分析与建模思路

1）建模数据宽表。

从数据集市上提取数据，经过前期的数据探索以及衍生变量的设计，结合本身数据情况，最终形成用于建模分析的数据宽表。

2）模型思路。

拥堵分析：道路交通状态主要可根据在路车辆数、密度及交通运行指数来进行判断，具体包括：

①根据在路车辆数和路网承载能力来进行判断；

②根据交通运行指数区间状态进行判断；

③根据道路的密度比来进行判断。

成因分析：由于影响道路拥堵的因素较多，在道路拥堵状态下，且道路拥堵处于不可支配的情况下，进行拥堵成因分析，主要从区域、干线、交叉口三个层面来进行判断。

3）算法设计。

在网车流量数：[QEi=Qti+（q入i-q出i）]，其中[Qti]：车辆数；[q入i]：上游车辆数；[q出i]：下游车流量数。

举例：当行驶方向为东到西，在t周期内，[Qti]的计算可根据t时刻之前，上游卡口三个方向（东到西；北到西；南到西）的车牌号，与下游车牌号进行比对，去除重复值后的上游车牌号数量。[q入i]：t时刻，上游卡口的三个方向的车牌号总和；[q出i]：下游卡口的车牌号之和。上游汇入方向组合表如表4所示。

最大承载能力：[Ci=Li5]，其中[Li]为道路有效长度。

TPI：路段交通运行指数（TPI）计算：

若路段速度[V≥50]km/h或者[V=0]km/h，则TPI=0；

若路段速度[0<V≤10]km/h，则TPI=10；

若路段速度[10<V≤50]km/h，则[TPIi=ω1×TPIid+ω2×TPIis]。

式中：[TPIi]——第[i]类路段的交通运行指数；

[TPIid]——基于密度计算的第[i]类路段交通运行指数；

[TPIis]——基于速度计算的第[i]类路段交通运行指数；

[ω1]，[ω2]——权重，一般情况下，[ω1=0.4]，[ω2=0.6]；如果只有路段的密度数据，则[ω1=1]，[ω2=0]；如果只有路段的速度数据，则[ω1=0]，[ω2=1]。

①[TPIid]的计算公式。

已知路段的密度数据，则[TPIid]的计算如式（1）。

[TPIid= 0 （d≤0）dx×2 （0<d≤x）2+d-xy-x×2 （x<d≤y）4+d-yz-y×2 （y<d≤z）6+d-zp-z×2 （z<d≤p）8+d-pk-p×2 （p<d≤k）10 （d>k）] （1）

式中：[d]——路段的密度；

[x]，[y]，[z]，[p]，[k]——参数，具体值根据表5确定。

道路的密度比：[ρ=ki/maxki]，路段密度：[ki]=[QEi/（Li×m）]；[Li]为道路的有效长度；[m]：车道数。[maxki]：为在t时刻之前，道路的最大密度；[QEi]为在网车辆数。

平均速度：平均速度=所有车辆的速度之和/（机动车流量数）；速度=道路有效长度/（车辆经过下游卡口的时间-车辆经过上游卡口的时间）。

拥堵成因分析计算结果：

上游总车流量数：上游卡口的三个方向的车牌号总和。

下游总车流量数：下游卡口的车牌号之和。

通行服务能力：[Fi=（gi-ti1）ti+1×3600Ti]。其中[gi]为绿灯时间，[ti]为平均时距，暂定2s；[ti1]为第一辆车过检测器的时间，暂定3.5s；[Ti]为配时方案周期，可从检测器信息直接获取。单位：交叉口。

区域平均交通运行指数：区域内的每条道路的交通运行指数之和/道路和。

平均延误时间：平均延误时间=单位时间内车辆通过的延误时间之和/车辆数，车辆数为单位时间内下游卡口车牌号与上游卡口车牌号进行比对，重复的车牌号之和。

延误时间=车辆通过道路的实际时间-车辆通过道路的理论时间。

车辆通过道路的实际时间=车辆通过下游卡口的时间-车辆通过上游卡口的时间。车辆通过道路的理论时间：[TEi=qn×（T*Ei+Lvi）]，其中[qn]：下游卡口车牌号与上游卡口车牌号进行比对，重复的车牌号之和。[T*Ei]：启动延误，当车辆左拐，为3.5；直行，为2.5；右拐，为3；[L]：道路长度；[vi]：当车辆在左拐道，为35；当车辆在直行道，为40；当车辆在右拐道，为35。注：交叉口的平均延误取最大平均延误。单位：交叉口。

交叉口总流量比：[Yi=q出ji/Fji]，基于[q出ji]为相位放行的卡口车牌号之和，[Fji]：基于相位放行的道路通行服务能力，计算过程已叙述。

饱和度：[Xi=q出i/Si]，[q出i]为道路在单位时间内的交通流量，指单位时间内经过卡口的车辆之和，可以根据在单位时间内的车牌号汇总求得；[Si]：饱和流量，计算过程已叙述。注：交叉口的饱和度为交叉口各个道路饱和度的最大值。

平均排队长度：[Lbi=QEi×5/m]；其中[QEi]为在网车辆数，计算过程已叙述，m为车道数，可从原始数据获得。注：道路的平均长度等于各个路段的排队长度之和/车道之和。拥堵里程为道路最大排队长度，某个车道的最大排队长度，即基于某个车道的车辆数×5。

交通态势分析计算结果：

承载能力：[Ci=Livi×ti+5]，其中[vi]：平均速度；[ti]：平均车头距。

畅通情况下的承载能力：[vi]=40km/h，[ti]=3s

缓行情况下的承载能力：[vi]=10km/h，[ti]=6s

拥堵情况下的承载能力：[vi]=0km/h，[ti]=10s

交通流量：在单位时间内，车辆通过卡口的车辆数，可以通过车牌号汇总获得。注：交叉口的交通流量为交叉口各个道路流量之和。

平均速度：[v=1mvm]，其中[v]为各个车道在单位时间内的速度，[m]为车道数。

2.2 模型建立及结果

1）模型1结果（拥堵分析）。

拥堵类型分为：拥堵、缓行和畅通，判断规则有三种，如表6所示。

表6 拥堵分析表

[序号 规则 规则1 当总车流量数/最大承载能力<=0.7，为3；

当0.7<总车流量数/最大承载能力<=0.9，为2;

其余为1

1.拥堵；2.缓行；3.畅通 规则2 0≤TPI＜4，为3；

4≤TPI＜6，为2；

6≤TPI＜10，为1

1.拥堵；2.缓行；3.畅通 规则3 0<=道路的密度比<0.4，为3；

0.4<=道路的密度比<0.6，为2；

其余为1

1.拥堵；2.缓行；3.畅通 规则4 0≤平均速度＜10km/h，为1；

10km/h≤平均速度＜40km/h，为2；

其余为3

1.拥堵；2.缓行；3.畅通

规则5

（交叉口） 0<=饱和度<0.4，为3；

0.4<=饱和度<0.6，为2；

其余为1

1.拥堵；2.缓行；3.畅通

规则5

（交叉口） 0<=平均延误<10s，为3；

10s<=平均延误<40s，为2；

其余为1

1.拥堵；2.缓行；3.畅通 ]

2）模型2结果（成因分析）。

拥堵成因判断是一种递归，根据不同因素递归判断，对车流量进行分析。当上游总车流量数小于下游总车流量数，则发生拥堵事件。具体如图1所示。

<E：＼2022知网文件＼24期＼2xs202424＼Image＼image85.png>

图1 拥堵事件判断图

6l5wRvmo5325uOOOcFfwjw==

对于发生拥堵事件的成因需要进一步分析。道路发生拥堵，主要原因有道路容量不足、区域信号设计不合理、干线控制失当、突发性事件等。为进一步判断拥堵成因，对道路通行能力进行进一步判断。当上游总车辆数大于通行服务能力，则说明道路容量不足。其中容量不足成因分为停车位干扰、行人与非机动车干扰、路口车道问题等原因，具体分析如图2所示。

当上游总车辆数小于等于通行服务能力，则说明干线控制失当，需进行二次判断。

干线失当判断规则：

1）在判断拥堵的情况下，以一个月为周期，计算在一个月且拥堵的情况下，取车辆通过道路的最短时间（拥堵单次时长最短）。（实际时间-最短时间）/最短时间>=1，即红绿灯设计不合理。实际时间：实际拥堵单次时长。

2）在判断拥堵的情况下，以一个月为周期，计算在一个月且拥堵的情况下，取车辆通过路段的最短平均延误时间。（平均延误时间-最短平均延误时间）/最短平均延误时间>=1，即控制失当。

3 结论

本文根据算法规则对路段交通运行指数、道路的密度比、饱和度、平均延误等进行计算，从而对道路拥堵状况做出快速判断，并迅速分析出拥堵事件发生的成因。下一步将设计算法对红绿灯的设置时长进行调整，从而缓解交通拥堵状况。

参考文献：

[1] 薛运强，谭彩凤，张兵，等.基于交通态势可视化分析的公交专用道布局[J].科学技术与工程，2024，24（7）：2909-2916.

[2] 杜茂，杨林，金悦，等.基于交通时空特征的车辆全局路径规划算法[J].汽车安全与节能学报，2021，12（1）：52-61.

[3] 杨道平，葛耿育，夏德友.基于混沌遗传算法的交通灯时长调节仿真[J].计算机仿真，2023，40（5）：192-196.

[4] 相迎宵，李轶珂，刘吉强，等.面向降频污染攻击的智能交通拥堵态势量化分析[J].软件学报，2023，34（2）：833-848.

[5] 刘晶鑫，唐婕，曹瑾鑫.基于机器学习的城市交通态势评估与预测方法研究[J].内蒙古大学学报（自然科学版），2021，52（2）：198-205.

【通联编辑：李雅琪】