基于浮动车大数据与网格模型的城市交通拥堵识别和评价研究

引用本文

闫学东, 刘晓冰, 刘炀, 马世霞. 基于浮动车大数据与网格模型的城市交通拥堵识别和评价研究[J]. 北京交通大学学报, 2019,43(1): 104-113.
YAN Xuedong, LIU Xiaobing, LIU Yang, MA Shixia. Identification and evaluation of urban traffic congestion based on the big data of floating vehicles and grid modeling[J]. JOURNAL OF BEIJING JIAOTONG UNIVERSITY, 2019,43(1): 104-113.
Doi:10.11860/j.issn.1673-0291.2019.01.012 复制到剪切板

Permissions

北京交通大学学报编辑部所有

基于浮动车大数据与网格模型的城市交通拥堵识别和评价研究

闫学东, 刘晓冰, 刘炀, 马世霞

北京交通大学交通运输学院,北京 100044

第一作者:闫学东(1975—),河北沧州人,男,教授,博士,博士生导师. 研究方向为交通运输规划与管理.email:xdyan@bjtu.edu.cn.
闫学东,交通部综合交通大数据应用行业重点实验室首席科学家,入选中组部第一批青年千人计划、万人计划和教育部新世纪优秀人才计划.近年来主持国家自然科学基金委重大国际合作研究项目,自然科学基金委重点项目,国家自然科学基金委会面上项目,国家“863”、“973”计划项目,世界银行与交通部联合项目等多项国家和省部级重要课题.发表SCI/SSCI 期刊检索论文120 余篇.兼任《JournalofTransportationSafety&Security》国际期刊主编,英国工程技术学会会士(IETFellow),中国智能交通协会安全领域专家,以及《AdvancesinTransportationStudies》《中国安全科学学报》《交通信息与安全》等国内外学术期刊编委会成员.

收稿日期: 2018-05-18

基金: 国家自然科学基金 (91746201; 71621001)

摘要

随着机动车辆的迅猛增长,城市路网呈现出事件多发、通行状态多变的特征,大城市的交通问题日趋严重.借助大数据技术,通过对城市路网中海量浮动车轨迹数据的深入挖掘,能够实现对复杂交通状态的快速识别和准确分析.本文首先对北京市浮动车的海量数据进行校准和清洗.其次,针对不同的研究内容,构建不同尺度的网格模型.然后,根据网格内节点对行程时间的历史数据,识别常发拥堵区域;结合实时行程时间数据,识别偶发拥堵事件.最后,通过对网格交通运行指数进行密度聚类,从空间范围上将大城市拥堵区域的类型划分为“点-线-面”3个层级对交通拥堵进行评价研究.本研究不以道路矢量地图为基础,仅通过浮动车轨迹数据,便可以实现对交通拥堵的高效识别和宏观拥堵的评价.

关键词: 浮动车轨迹数据; 大数据; 网格模型; DBSCAN; 交通拥堵

中图分类号:U491 文献标志码:A 文章编号:1673-0291(2019)01-0104-010

Identification and evaluation of urban traffic congestion based on the big data of floating vehicles and grid modeling

YAN Xuedong, LIU Xiaobing, LIU Yang, MA Shixia

School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044,China

Fund:National Natural Science Foundation of China (91746201,71621001)

Abstract

As the rapid growth of automobiles, the road networks of the megacities present the characteristics such as the frequent occurrence of traffic incidents and various traffic states, which makes the traffic problems more and more severe. With the big data technologies, we can deeply mine the trajectory data of floating vehicles in road networks and then realize the efficient identification and accurate evaluation of the complex traffic operation states. In this paper, we firstly validate and clean the humongous Beijing floating vehicles trajectory data. Secondly, according to the specific objectives of research, the grid models with different scales are developed. Then,the reoccurring traffic congestion regions are identified based on the historical data of vehicle travel time between the paired nodes within grid cells, and the nonrecurring congestion regions are discerned using the real-time travel time data. Finally, the method of Density-Based Spatial Clustering of Applications with Noise(DBSCAN) is applied to cluster the congested cells based on the traffic operation index. The traffic congestion statuses are evaluated in terms of point, line typeand region types.This research is not based on vector maps but takes advantages of the trajectory data of floating vehicles to realize a high efficient identification and macroscopic evaluation of traffic congestion.

Keyword: floating car trajectory data; big data; grid model; Density-Based Spatial Clustering of Applications with Noise; traffic congestion

文章图片

随着我国城市化比例的逐步提高、城市扩张速度的加快及城市机动车保有量的快速增长, 国内一线城市如北京、上海、广州和深圳等地的交通拥堵问题越来越突出, 交通拥堵已经给城市可持续发展带来了巨大的压力和挑战.按照道路交通拥堵形成的原因, 交通拥堵被分为常发性及偶发性两种类型^[1], 其识别与时空特征分析是道路交通管理领域的热点.大城市交通拥堵识别具有大需求、跨时空、多点段的特性, 而大数据的技术手段能够较好地应对这些特性^{[2, 3]}.其中, 以出租车为载体的浮动车时空数据能够匹配基础道路GIS数据, 采集范围和精度能够给道路拥堵的监测提供较好的数据基础^[4], 同时, 连续的出租车轨迹可以反映出经过路径及行驶速度^{[5, 6]}, 对于交通运行表现评估, 特别是交通拥堵的确认, 体现出极其重要的价值.

针对常发拥堵识别, 大量研究将浮动车轨迹数据与线圈、视频监控等数据相结合, 提取路网中的常发拥堵区域及时段^[7], 但单纯应用浮动车轨迹数据对大规模路网进行常发拥堵区域和发生时间识别的研究尚有进一步开展的空间^[8].针对偶发拥堵, 已有研究将统计方法应用到浮动车轨迹数据分析中, 在对路段上浮动车轨迹数据长期积累后, 分析浮动车的路段通行速度的时序变化识别偶发拥堵^[9].非常规的交通情况也可以通过路段的行程速度反映出来, 在瓶颈或者拥堵路段, 浮动车的平均速度通常低于10 km/h, 因此使用路网上各路段识别出的速度和时间特性, 可以找到每条道路上独特的交通模式特征, 从而描述区域交通状态^[10].目前已经有基于密度的聚类、支持向量机模型、神经网络模型等算法用于非常发性拥堵监测^[11].

已有研究主要存在两点问题, 第一, 轨迹与路段的匹配计算量较大, 难以对海量数据进行实时计算; 第二, 目前的研究方法大多依赖于高精度的城市矢量地图, 研究适用性较差.另一方面, 浮动车数据分析给出了大量的关于城市路网交通运行模式的研究成果^[12], 然而, 很少有研究使用浮动车数据进行常发性拥堵的评价.实际上, 传统的出租车浮动车数据特别适合评估城市的交通拥堵水平以及调查城市道路网的拥堵时空模式^[13], 因为浮动车数据是短时间内的大规模样本, 能够提供全面而且更好的交通网络运行状况.本文作者主要从理论研究层面探索海量轨迹数据应用于交通运行计算的方法, 其中核心在于通过构建地图网格化模型, 提供一套通过浮动车轨迹数据, 不依附于道路矢量地图的交通运行参数计算方法.

1 浮动车轨迹数据预处理

近年来GPS技术的推广使得基于该技术的浮动车交通信息采集方法得以应用实现.纽约、波士顿、东京、上海和北京等各大城市都相继研发了对应的浮动车信息采集系统, 其中以出租车为主要数据来源.本文使用的出租车行驶轨迹数据包含如下信息:出租车ID信息、触发事件、运营状态、GPS时间、GPS经度、GPS纬度、GPS速度、GPS方向、GPS有效性.其中触发事件字段值代表车辆的运营状态发生改变, 当且仅当车辆的运营状态发生改变时触发该值变化.运营状态是指车辆当前采集时间的运营状态.

在浮动车数据处理过程中, 除了包含有常规数据清洗流程之外, 还需要结合浮动车的数据特性将离散的原始数据提取为连续的轨迹数据, 并针对连续的轨迹数据进行再次清洗, 保留满足一定采样率的数据, 保证研究使用数据的有效性.本文使用的数据采样率主要集中在9~15 s和53~57 s两个区间内, 其中小于15 s的数据所占比例大于73%, 此部分数据可作为精确提取轨迹的预备数据.在对数据进行较为详细的样本分析之后, 明确原始数据的基础属性, 可以针对数据的格式以及字段进行统一处理, 建立标准的数据预处理流程, 并依照该项标准设计数据清洗代码, 最终形成可直接用来研究的浮动车数据.

浮动车轨迹数据清洗流程见图1.

	Figure Option View Download New Window
	图1 浮动车数据预处理流程Fig.1 Flow chart of data pretreatment for floating car

2 基于网格模型的交通拥堵识别方法

2.1 面向拥堵识别的网格模型构建

本文提出的交通网格化模型来自城市管理网格模型理论.城市管理区域可以被静态或动态地划分成具有特定大小的网格, 网格中的设施按类别进行管理, 以提高管理效率^[14].虽然现在更多的研究倾向于线性地将出租车的轨迹分配给用于交通分析的道路网络, 即将浮动车轨迹与道路路径匹配后再对路网的交通状态进行研究^{[15, 16]}, 但是交通网格模型具有如下优势.首先, 允许采样率在一定范围内变化, 并且网格建模不需要复杂的道路匹配算法, 对数据的精度要求可以有一定的放宽.第二, 交通网格模型不需要精度较高的GIS拓扑地图, 仅需要大致的经纬度范围即可展开研究.第三, 网格模型可以将传统的一些数据挖掘方法重新应用到海量数据的挖掘过程中, 大大简化轨迹匹配的过程, 从而提高计算效率.

将整个平面路网切分为统一大小的网格, 每个网格中可能包含有快速路、主干道、次干道以及快速路匝道等多种等级不同方向的道路.划定网格的边长为1 km, 在该范围内, 同一进出口组合所对应的路径只有一种, 计算浮动车通过进出口的时间差就可以反映出该路径上的通行时间.因此对整个研究区域通过地图离散化, 划分为多个区域, 该区域集合记为： $R = \{r_{1}, r_{2}, \dots, r_{n}\}$ 其中 $, ‖ R ‖ = n$ 中表示一共划分有n个区域每个网格 $r_{i}$

中包含有多条道路, 这些经过该网格的道路均为从与该网格相邻的网格中进入, 并向相邻的网格驶出, 进出网格的过程中, 均在空间上与网格的边形成交叉.在本节研究中, 基于这些交叉点以及这些交叉点的连通关系, 提出网格交通属性静态特征的模型建立方法.有如下变量定义:

网格 $r_{i}$ 包含上下左右4个方向的4条边, 记为 $(e_{u}, e_{d}, e_{l}, e_{r})$ .

网格 $r_{i}$ 由西北角开始标记, 有4个顶点记为 $(a_{1}, a_{2}, a_{3}, a_{4})$ .其中每个顶点 $a$ 包含经纬度坐标为 $a = (x, y)$ .

网格每条边上的道路编号为 $j$ 的入口节点记为 $d {(i)}_{j}^{e_{u}}, d {(i)}_{j}^{e_{r}}, d {(i)}_{j}^{e_{d}}, d {(i)}_{j}^{e_{l}} .$

网格每条边上的道路编号为 $k$ 的出口节点记为 $d {(o)}_{k}^{e_{u}}, d {(o)}_{k}^{e_{r}}, d {(o)}_{k}^{e_{d}}, d {(o)}_{k}^{e_{l}}$ .

网格内的轨迹由每条边上的进出口节点对组合进行表征: $d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}$ .

以图2为例, 网格 $r_{i}$ 中包含东西向并行的快速路的主路和辅路, 南北向的普通道路及一条由北向南进入网格、与由东向西的辅路进行连接的低等级道路.因此网格中各条边分别包含如图所示的进出口, 可以进一步分析得到进出口节点对之间的15组连通关系.结合实际道路中各种进出口分布, 可通过同样的方式得到网格模型中的进出口节点对之间的连通关系.

	Figure Option View Download New Window
	图2 网格中路网拓扑关系示意Fig.2 Sketch map of topological relation in middle cell network

在一天的时间周期中, 随着时间变化, 网格中节点对之间连通的道路路况也随之变化.因此可针对每一个节点对, 按照固定切分方法, 将指定的时间长度切分为同等时长的时间切片, 每个时间切片对应一个期望的通行时间, 有如下定义:针对 $d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}$ 节点对, 在连续时间切片集合 $T = \{t_{1}, t_{2}, \dots, t_{s}\}$ 的每个时间切片期间, 有近似通行时间

$T (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}) = \{t_{1} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}), t_{2} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}), \dots, t_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})\} (1)$

式中: $t_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})$ 为 $t_{s}$ 片段内的行程时间.

2.2 网格模型的属性提取方法

针对提出的网格模型中所包含的交通属性特征, 需先提取网格中静态交通特征, 再提取网格中动态交通属性.网格静态特征主要为浮动车轨迹进入和驶出网格的位置以及进入和驶出位置之间的连通关系.首先通过网格边界轨迹的前后两个进入点, 提取轨迹与网格边界的全部交点; 然后对同一边界上的交点进行密度聚类, 提取出经过网格边界交点的核心位置及宽度; 最后通过提取同一辆车经过网格过程中驶入和驶出的节点信息, 找出有连通关系属性的节点对, 从而完成了网格中静态交通属性的提取过程.

在已有静态数据的基础上, 针对车辆通过网格节点对的前后时间, 提取时间差作为当时时间片段内该节点对的行程时间, 从而完成了网格模型中节点对动态交通属性的提取过程.

2.3 拥堵识别方法设计

使用相对延误衡量节点对拥堵程度, 表示方法如下

${T^{D}}_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}) = \frac{t_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})}{T_{f} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})} (2)$

式中: $T_{f} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})$ 为 $t_{s}$ 片段内自由流状态下的行程时间.

我国公安部发布的《城市交通管理评价指标体系》中指出^[17], 城市主干道上机动车平均行程速度小于30 km/h, 大于20 km/h时为轻度拥堵; 小于20 km/h, 大于10 km/h时为一般拥堵; 小于10 km/h时为严重拥堵.对应主干道限速为60~80 km/h, 可以对相对延误给出如下基本判定公式

${T^{D}}_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}) \in \{\begin{array}{l} (0, 2] \to 畅通状态 \\ (2, 3] \to 轻度拥堵 \\ (3, 6] \to 一般拥堵 \\ (6, \infty) \to 严重拥堵 \end{array}$ (3)

针对每天的时间集合 $T = \{t_{1}, t_{2}, \dots, t_{s}\}$ , 连续 $N$ 天中, 包含 $N$ 个 $T$ 集合, 每个 $t_{s}$ 时间切片包含 $N$ 个 ${T^{D}}_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e})$ , 可计算满足 ${T^{D}}_{s} (d {(i)}_{j}^{e} \to d {(o)}_{k}^{e}) > 3$ 条件的切片数量 $N^{D}$ . $N^{D} / N$ 较高, 说明该节点对在连续 $N$ 天中, $t_{s}$ 时间切片内行程时间均远高于自由流行程时间, 处于一般拥堵的状态, 即可说明该节点对在 $t_{s}$ 时间段内为常发拥堵区域.实际交通运行过程中, 既有因周期性交通需求高于路段通行能力造成的常发拥堵, 也有因事故和管制等因素导致的偶发拥堵, 针对偶发拥堵, 需要将节点对当前的行程时间与历史同期行程时间进行比对, 若发现当前行程时间远高于历史同期行程时间, 则说明该节点对在当前时间切片内的行程时间有异常变化, 即可反映出当前时间切片内有交通偶发事件.

3 基于网格模型的交通拥堵宏观评价

在浮动车轨迹数据与网格化地图匹配的基础上, 构建网格模型, 将网格内特定时间片段内的浮动车轨迹数据的速度均值作为计算网格内交通运行指标的参考值, 通过聚类的方法对网格化的特大城市道路交通运行状态特性进行研究, 总结分析不同时间、空间和路网结构下的拥堵网格分布, 最终将从空间上的“ 点— 线— 面” 3个层级对交通拥堵来进行评价研究.

3.1 面向交通拥堵宏观评价的网格模型

本节的核心任务为宏观评价交通拥堵程度和分布, 有别于第2节中从微观层面精确地提取交通运行状态信息的目的, 网格规模要按照大部分网格中包含且仅包含有一条路段的原则进行确立.

定义变量 $c (r_{i})$ 来表示网格 $r_{i}$ 的交通运行指数, 则

$\begin{array}{l} c (r_{i}) = \overset{m}{\sum_{j = 1}} r_{i} ({\overset{̅}{μ}}_{F}) / c^{i, j} (4) \\ c^{i, j} = \overset{s}{\sum_{k = 1}} p_{k}^{i, j} / s (5) \end{array}$

式中: $r_{i} ({\overset{̅}{μ}}_{F})$ 为网格 $r_{i}$ 的全体轨迹的自由流平均速度; $c^{i, j}$ 为网格 $r_{i}$ 在时间 $t_{j}$ 范围内的平均运行速度; $p_{k}^{i, j}$ 为网格 $r_{i}$ 在时间 $t_{j}$ 范围内第 $k$ 条轨迹速度; $m$ 为时间切片个数.

根据定义, 当 $c (r_{i})$ 值较大时, 说明当前网格内存在多个时间片段内平均运行速度低于自由流速度, 则该网格处于较为拥堵的状态, $c (r_{i})$ 越靠近 $m$ , 说明每个时间片段内的平均运行速度与自由流速度较为接近, 即对应的网格处于畅通状态.使用Min-Max标准化方法将网格交通运行指数变化为0~100之间的范围^[18], 对全体 $c (r_{i})$ 进行标准化处理, 最终通过交通运行指数 $cp (r_{i})$ 反映网格的交通运行状态.计算公式为

$cp (r_{i}) = \frac{c (r_{i}) - c (\min)}{c (\max) - c (\min)} \times 100 (6)$

式中: $c (\max), c (\min)$ 分别为全体 $c (r_{i})$ 中的最大值和最小值.

3.2 基于网格交通运行指数的密度聚类

单个网格的交通运行指数仅对独立的单个网格的交通运行状态有评价作用, 仅仅通过单个网格的交通运行指数的分析很难反映全体路网的宏观交通运行状态, 因此, 考虑通过聚类算法对网格进行数据挖掘, 将临近的交通指数较高的网格较为合理地聚集在一起.DBSCAN (Density-Based Spatial Clustering of Applications with Noise)是基于密度的聚类算法中的典型代表, 能够把具有足够高密度的区域划分为同一类, 并且聚类结果不受数据分布的空间形状影响^[19].这些特征恰好符合此次研究路网中网格的特点, 因此本文选用该算法对基于网格的交通运行状态进行聚类.

当在网络中分析网格时, 将DBSCAN中的数据点重新定义为网格.首先, $ε$ 邻域被定义为围绕核心网格每个方向上的相邻网格数目, 因此该变量即被赋予了物理上的意义, 即在大多数交通规划研究中所应用的交通小区的半径, 如图3中所示, 路网被以网格的形式进行描述, Core Cell为核心对象, Border Cell为密度可达对象, Outlier Cell为噪声对象, 虚线中包括的网格即为Core Cell的 $ε$ 邻域内的网格; 其次, 使用交通运行指数 $cp (r_{i})$ 来对应所示的 $ε$ 邻域内的最小样本量 $MinPts$ , 对于网格 $r_{i}$ , 在半径 $ε$ 内的所有相邻小区组成集合 $\{r_{i 1}, r_{i 2}, r_{i 3}, \dots, r_{ip}\}$ .则网格 $r_{i}$ 在半径 $ε$ 内所有邻域网格的交通运行指数的总和为

$SCI (r_{i}) = \overset{p}{\sum_{l = 1}} cp (r_{il}) (7)$

	Figure Option View Download New Window
	图3 密度聚类算法中变量定义示意Fig.3 Schematics of variable definition in DBSCAN

最小样本量 $MinPts$ 被定义为 $SCI (r_{i})$ 的阈值.当 $SCI (r_{i})$ 高于最小样本量时, 该网格被定义为核心网格; 当 $SCI (r_{i})$ 低于最小样本量但是可由其他核心网格到达时, 该网格被定义为边界网格; 如果 $SCI (r_{i})$ 低于最小样本量且该网格不可由任何其他核心网格可达的网格, 则该网格为噪声网格.

3.3 以网格聚类结果评价交通运行状态

首先, 利用ArcGIS软件制定网格模型下的宏观交通运行状态3D地图, 通过网格的高度来反映对应网格的拥堵程度, 从而发现严重拥堵区域.然后, 将全部网格的总体交通运行指数纳入DBSCAN算法中做进一步探索, 选取更加合适的 $MinPts$ 和 $ε$ , 满足宏观交通运行状态评价研究.

交通拥堵类从空间特征上可划分为“ 点-线-面” 3种形式.“ 点” 形式的拥堵往往发生在主干道交叉形成的平面信号交叉口, 或者是快速路与主干道连通的立体交叉口, 该类拥堵相对较为独立, 与周边其他的拥堵区域关联性不强.造成其拥堵的原因往往来源于交叉口通行能力不足, 因此在治理这类型拥堵的过程中可以从提高交叉口的几何设计, 优化交叉口信号灯配时等方面进行考虑.当“ 点” 拥堵的程度进一步提升, 就会对所处路段造成影响, 导致上下游路段的通行状态恶化, 形成“ 线” 形式的拥堵, 想要解决“ 线” 类型的拥堵, 简单地提高单点的通行能力是不够的, 需要结合当地的道路网, 应用交通诱导等方法实时地给驾驶员发送交通信息, 从而将交通需求适当平衡分布, 从源头上降低该路段的通行压力, 缓解拥堵.当相互连通的快速路的通行压力均有较大提升时, 会造成对应区域大面积拥堵出现, 这时就会出现“ 面” 形式的拥堵.3种拥堵类型如图4所示.

	Figure Option View Download New Window
	图4 “ 点-线-面” 拥堵类型Fig.4 Point-line-surface congestion types

4 案例分析

本文选取北京市16 000辆出租车2012年11月1日至11月30日一个月的轨迹数据, 研究区域为北京市五环范围内, 建立不同的网格规模, 进行交通拥堵识别和交通运行状态评价.

4.1 拥堵识别应用实践

将研究区域划分为30× 30共900个网格, 并从西南方向开始编号, 如图5所示.

	Figure Option View Download New Window
	图5 最终确立的900个网格的示意图Fig.5 Schematic diagram of the final 900 grids

按照2.2节的网格模型属性提取方法, 对全路网进行计算, 共有19 561个节点对, 900个网格中, 共有802个网格中存在连通的节点对, 通过ArcGIS软件对每个网格内节点对的连通关系数量进行可视化展示, 如图6所示, 通过颜色由绿到红表征网格内节点对数量由少到多, 由该图可以直观地观察出北京市研究区域内各个网格内的道路网密度, 这也从侧面反映出北京市大部分中心区域承担微循环作用的支路密度不足, 需要进一步加强建设.

	Figure Option View Download New Window
	图6 网格中包含的连通节点对数量分布地图Fig.6 Number distribution map of connected nodes in a grid

此次研究中面向的数据包含一个月的数据, 因此拥堵识别选取连续 $N (N > 5)$ d, 按照1 h为时间切片, 对全路网中900个网格进行分时段提取常发拥堵节点对.将6:00-22:00时段存在常发拥堵节点对的网格标红, 绘制图7.总结整个北京区域常发拥堵区域变化过程可以发现, 西北部以及东部地区为拥堵最严重区域, 南部相对较为畅通, 尤其是上午时段, 南部环路很少有常发拥堵区域, 东部区域的拥堵发生的时间始终要晚于西北部地区拥堵发生时间, 而缓解的时间也始终晚于西北部地区, 结合北京市的POI分布, 西北部地区多为政府部门以及事业行政部门, 东部地区多为商业属性, 而行政属性的单位的工作时间较为固定, 集中在8:30— 17:30, 商业属性的单位往往工作时间为10:00-20:00.

	Figure Option View Download New Window
	图7 北京市常发拥堵网格时序变化图Fig.7 Timing variation diagram of Beijing congestion grid

通过对全部数据进行统一处理, 提取全路网900个网格中所有偶发事件, 在此基础上, 对全路网网格中发生的事件数量进行统计, 然后通过ArcGIS软件将网格事件发生数进行可视化展示, 见图8.

	Figure Option View Download New Window
	图8 北京市2012年11月偶发事件网格分布地图Fig.8 Grid distribution map of accidental events in Beijing in November 2012

从图8中可以发现环路和联络线形成交叉的网格内相对更容易有偶发拥堵事件发生; 三环路和四环路偶发拥堵事件的发生数量要远高于二环; 五环路中, “ 京藏高速” 与五环交叉处的“ 上清桥” 至北苑的“ 仰山桥” 段发生事故较多.

4.2 交通拥堵宏观评价结果

应用交通拥堵宏观评价方法对北京市五环内宏观层面的交通运行状态进行评价.按照大部分网格中包含且仅包含有一条路段的原则, 根据北京五环内路网密度, 选择100 m× 100 m左右的网格进行研究.在该尺寸规模的网格下, 将研究区域划分为300× 300个网格.得到90 000个网格独立的交通运行指数后, 生成了北京市快速路网的全月交通运行状态三维分布图9, 可以直观发现, 越靠近城市中心区域的快速路, 其对应的网格拥堵程度会越高.

	Figure Option View Download New Window
	图9 2012年11月北京交通运行状态3D图Fig.9 3D visualization of traffic operation performance in Beijing in November 2012

使用DBSCAN对全体路网进行聚类, 将临近的交通指数高的网格较为合理地聚集在一起, 最终生成55个类, 如图10所示, 不同颜色表征不同的类.由55个交通拥堵集群的空间分布, 可以看出在北京道路网中, 最典型的“ 面” 类型的交通拥堵地区即为东三环、东四环与首都机场高速交叉的区域.该类型的拥堵治理较为困难, 需要分析经过该区域车辆的OD需求, 针对提取出的OD信息从公共交通、交通诱导等方面着手, 才能起到一定的治理效果.

	Figure Option View Download New Window
	图10 聚类结果的3D效果图Fig.10 3D visualization of congested cells clustering result

5 结论

本文以海量浮动车轨迹数据挖掘为基础, 将北京市五环范围作为研究实例, 针对城市道路网络中拥堵识别和拥堵评价的问题, 通过建立网格模型展开系列研究.得出如下结论:

1)将城市管理理论中的网格模型应用到道路网络交通运行研究中, 从理论研究层面探索高效准确的海量轨迹数据与地图数据匹配方法.

2)对浮动车轨迹数据深入挖掘, 在区域网格化的基础上有效识别出区域的常发、偶发拥堵时空分布.回避了以往研究中将轨迹数据与路网矢量数据进行匹配的过程, 提高了计算效率, 达到了面向海量数据的实时计算要求.

3)研究网格化的特大城市道路交通运行状态特性, 总结分析不同时间、空间和路网结构下的拥堵网格空间分布特征, 提出特大城市拥堵区域的空间特征基本可以划分为“ 点— 线— 面” 3个层级, 从而实现宏观层面的城市交通运行状态评估.

研究结果能够帮助交通管理部门找到相应的交通运行状态不佳的区域, 对区域范围能够给出较为明确的定位, 且对范围内拥堵的程度有一定的反映, 从宏观的角度对交通拥堵情况进行评估.但在构建面向网格模型的拥堵识别中, 仍然使用了传统的依靠速度判定城市道路严重拥堵路段的标准, 该标准对拥堵因素考虑不够全面, 可能导致拥堵识别结果出现误差.在后续的研究中可以对基于轨迹数据的拥堵识别标准进一步探索, 进而提高基于网格模型的交通拥堵快速识别的准确率.同时, 未来可根据轨迹数据的精度、采样频率以及研究目标, 提出一套较为规范的网格规模划分标准.

参考文献

文献列表

[1]	关伟, 何蜀燕. 基于统计特性的城市快速路交通流状态划分[J]. 交通运输系统工程与信息, 2007, 7(5): 42-50. GUAN Wei, HE Shuyan. Phase identification of urban freeway traffic based on statistical properties[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(5): 42-50. (in Chinese) [本文引用:1]
[2]	孟小峰, 慈祥. 大数据管理: 概念、技术与挑战[J]. 计算机研究与发展, 2013, 50(1): 146-169. MENG Xiaofeng, CI Xiang. Big data management: concepts, techniques and challenges[J]. Journal of Computer Research and Development, 2013, 50(1): 146-169. (in Chinese) [本文引用:1]
[3]	张红, 王晓明, 曹洁, 等. 基于大数据的智能交通体系架构[J]. 兰州理工大学学报, 2015, 41(2): 112-115. ZHANG Hong, WANG Xiaoming, CAO Jie, et al. Architecture of intelligent traffic systems based on big data[J]. Journal of Lanzhou University of Technology, 2015, 41(2): 112-115. (in Chinese) [本文引用:1]
[4]	李明珠. 基于浮动车数据的出租汽车OD分布及运营特点研究[D]. 北京: 北京交通大学, 2009. LI Mingzhu. Research on taxi OD distribution and operation characteristic based on floating car data[D]. Beijing: Beijing Jiaotong University, 2009. (in Chinese) [本文引用:1]
[5]	朱丽云, 温慧敏, 孙建平. 北京市浮动车交通状况信息实时计算系统[J]. 城市交通, 2008, 6(1): 77-80. ZHU Liyun, WEN Huimin, SUN Jianping. Floating car based real-time-traffic-info collection system in Beijing[J]. Urban Transport of China, 2008, 6(1): 77-80. (in Chinese) [本文引用:1]
[6]	D'ANDREA E, MARCELLONI F. Detection of traffic congestion and incidents from GPS trace analysis[J]. Expert Systems with Applications, 2017, 73: 43-56. [本文引用:1]
[7]	廖律超, 蒋新华, 邹富民, 等. 基于交通视频的交通拥堵状态自动识别方法[J]. 公路交通科技, 2014, 31(1): 110-117. LIAO Lyuchao, JIANG Xinhua, ZOU Fumin, et al. An automatic recognition approach for traffic congestion states based on traffic video[J]. Journal of Highway and Transportation Research and Development, 2014, 31(1): 110-117. (in Chinese) [本文引用:1]
[8]	李勇. 基于出租车GPS数据的城市交通拥堵识别和关联性分析[D]. 哈尔滨: 哈尔滨工业大学, 2016. LI Yong. Congestion identification and correlation analysis on urban traffic based on taxi GPS data[D]. Harbin: Harbin Institute of Technology, 2016. (in Chinese) [本文引用:1]
[9]	鲁小丫, 宋志豪, 徐柱, 等. 利用实时路况数据聚类方法检测城市交通拥堵点[J]. 地球信息科学学报, 2012, 14(6): 775-780. LU Xiaoya, SONG Zhihao, XU Zhu, et al. Urban traffic congestion detection based on clustering analysis of real-time traffic data[J]. 2012, 14(6): 775-780. (in Chinese) [本文引用:1]
[10]	姜桂艳, 常安德, 牛世峰. 基于车牌识别数据的交通拥堵识别方法[J]. 哈尔滨工业大学学报, 2011, 43(4): 131-135. JIANG Guiyan, CHANG Ande, NIU Shifeng. Traffic congestion identification method based on license plate recognition data[J]. Journal of Harbin Institute of Technology, 2011, 43(4): 131-135. (in Chinese) [本文引用:1]
[11]	刘畅. 交通拥堵区域的发现与预测技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2015. LIU Chang. Research on the technology of finding and predicting the areas of traffic congestion[D]. Harbin: Harbin Institute of Technology, 2015. (in Chinese) [本文引用:1]
[12]	GAO M, ZHU T, WAN X. et al. Analysis of travel time patterns in urban using taxi GPS data[C]// IEEE International Conference on Green Computing and Communications, 2013. [本文引用:1]
[13]	GHOSH B, SMITH D P. Customization of automatic incident detection algorithms for signalized urban arterials[J]. Journal of Intelligent Transportation Systems, 2014, 18(4): 426-441. [本文引用:1]
[14]	刘磊, 张举兵, 杨新苗. 基于出行时间的交通拥挤指数及其评价标准[J]. 交通信息与安全, 2007, 25(5): 97-100. LIU Lei, ZHANG Jubing, YANG Xinmiao. Traffic congestion index and its estimation stand ard based on travel time[J]. Computer and Communications, 2007, 25(5): 97-100. (in Chinese) [本文引用:1]
[15]	KONG X, XU Z, SHEN G. Urban traffic congestion estimation and prediction based on floating car trajectory data[J]. Future Generation Computer Systems, 2016, 61: 97-107. [本文引用:1]
[16]	杨海强, 安实, 王健. 基于GPS数据的城市常发性拥堵区域识别方法[J]. 科学技术与工程, 2018(13): 156-160. YANG Haiqiang, AN Shi, WANG Jian. The method of identifying urban recurrent congestion area based on GPS data[J]. Science Technology and Engineering, 2018, 18(13) : 156—160. (in Chinese) [本文引用:1]
[17]	顾金刚, 俞春俊. 城市交通管理评价指标体系解读[J]. 公安交通科技窗, 2009(4): 6-10. GU Jingang, YU Chunjun. Interpretation of management evaluation index system for urban traffic[J]. Gongan Jiaotong Kejichuang, 2009(4): 6-10. (in Chinese) [本文引用:1]
[18]	JAIN Y K, BHANDARE S K. Min max normalization based data perturbation method for privacy protection[J]. International Journal of Computer & Communication Technology, 2014, 3(4): 45-50. [本文引用:1]
[19]	TSAI C F, SUNG C Y. MIDBSCAN: An efficient density-based clustering algorithm[C]//The Sixth International Symposium on Neural Networks, 2009. [本文引用:1]

2007

0.0

关伟, 何蜀燕. 基于统计特性的城市快速路交通流状态划分[J]. 交通运输系统工程与信息, 2007, 7(5): 42-50.

GUAN

Wei

, HE

Shuyan

. Phase identification of urban freeway traffic based on statistical properties[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(5): 42-50. (in Chinese)

Abstract At present, researches on traffic flow theory mainly focus on highway traffic, which is significantly different from urban freeway. Because traffic science is an “empirical science”, it is based on actual traffic flow data of urban freeway, the statistical features of velocity distribution at different densities have been investigated in this paper. Moreover, four steady phases: free flow, coherent-moving flow, synchronized flow, and jams are identified in the flow rate-density plane of the traffic flow. Finally, features of the four phases as well as functional forms of phase boundaries are discussed in detail.

... 按照道路交通拥堵形成的原因,交通拥堵被分为常发性及偶发性两种类型^[1],其识别与时空特征分析是道路交通管理领域的热点 ...

2013

0.0

孟小峰, 慈祥. 大数据管理: 概念、技术与挑战[J]. 计算机研究与发展, 2013, 50(1): 146-169.

MENG

Xiaofeng

, CI

Xiang

. Big data management: concepts, techniques and challenges[J]. Journal of Computer Research and Development, 2013, 50(1): 146-169. (in Chinese)

Data type and amount in human society is growing in amazing speed which is caused by emerging new services such as cloud computing, internet of things and social network, the era of big data has come. Data has been fundamental resource from simple dealing object, and how to manage and utilize big data better has attracted much attention. Evolution or revolution on database research for big data is a problem. This paper discusses the concept of big data, and surveys its state of the art. The framework of big data is described and key techniques are studied. Finally some new challenges in the future are summarized.

(School of Information, Renmin University of China, Beijing 100872)

云计算、物联网、社交网络等新兴服务促使人类社会的数据种类和规模正以前所未有的速度增长，大数据时代正式到来.数据从简单的处理对象开始转变为一种基础性资源，如何更好地管理和利用大数据已经成为普遍关注的话题.大数据的规模效应给数据存储、管理以及数据分析带来了极大的挑战，数据管理方式上的变革正在酝酿和发生.对大数据的基本概念进行剖析，并对大数据的主要应用作简单对比.在此基础上，阐述大数据处理的基本框架，并就云计算技术对于大数据时代数据管理所产生的作用进行分析.最后归纳总结大数据时代所面临的新挑战.

... 大城市交通拥堵识别具有大需求、跨时空、多点段的特性,而大数据的技术手段能够较好地应对这些特性^[2,3] ...

2015

0.0

... 大城市交通拥堵识别具有大需求、跨时空、多点段的特性,而大数据的技术手段能够较好地应对这些特性^[2,3] ...

2009

0.0

... 其中,以出租车为载体的浮动车时空数据能够匹配基础道路GIS数据,采集范围和精度能够给道路拥堵的监测提供较好的数据基础^[4],同时,连续的出租车轨迹可以反映出经过路径及行驶速度^[5,6],对于交通运行表现评估,特别是交通拥堵的确认,体现出极其重要的价值 ...

2008

0.0

2017

0.0

2014

0.0

廖律超, 蒋新华, 邹富民, 等. 基于交通视频的交通拥堵状态自动识别方法[J]. 公路交通科技, 2014, 31(1): 110-117.

LIAO

Lyuchao

, JIANG

Xinhua

, ZOU

Fumin

, et al. An automatic recognition approach for traffic congestion states based on traffic video[J]. Journal of Highway and Transportation Research and Development, 2014, 31(1): 110-117. (in Chinese)

In order to realize the automatic identification of traffic video congestion state to meet the increasingly extensive demand for traffic video surveillance,a traffic congestion evaluation model and its qualitative process are analyzed. Then,a traffic video congestion information recognition method with adaptive learning ability is proposed. In the method,the video image feature sets are extracted systematically,then support vector machine is applied to mode training and learning and state classification and then genetic algorithm is used to realize online adaptive optimization for the state classification model and then genetic algorithm is used to realize online adaptive optimization for the state classification model. The field test shows that the method has high recognition accuracy,fast processing speed and strong adaptive ability,and it provided a fast and effective solution to solve the problem of all-weather traffic congestion state real-time online recognition and treatment based on the traffic video.

1 School of Information Science and Engineering,Central South University,Changsha Hunan 410075, China; 2 Key Laboratory for Automotive Electronics and Electric Drive of Fujian Province,Fujian University of Technology,Fuzhou Fujian 350108, China.

为了实现交通视频拥堵状态的自动识别,以满足日益广泛应用的交通视频监控需求,分析了交通拥堵评价模型及其定性过程,进而提出了一种具有自适应学习能力的交通视频拥堵信息识别方法。该方法系统提取视频图像特征集,应用SVM进行模型训练学习和状态分类,并采用GA进行算法模型的在线闭环自适应调优。现场试验表明,该方法具有识别准确率高、处理速度快和系统自适应能力强等优点,为解决全天候的基于视频的交通拥堵实时在线识别处理问题提供了一种快速有效的解决方法。

... 针对常发拥堵识别,大量研究将浮动车轨迹数据与线圈、视频监控等数据相结合,提取路网中的常发拥堵区域及时段^[7],但单纯应用浮动车轨迹数据对大规模路网进行常发拥堵区域和发生时间识别的研究尚有进一步开展的空间^[8] ...

2016

0.0

2012

0.0

鲁小丫, 宋志豪, 徐柱, 等. 利用实时路况数据聚类方法检测城市交通拥堵点[J]. 地球信息科学学报, 2012, 14(6): 775-780.

Xiaoya

, SONG

Zhihao

, XU

Zhu

, et al. Urban traffic congestion detection based on clustering analysis of real-time traffic data[J]. 2012, 14(6): 775-780. (in Chinese)

Traffic congestion in urban road network heavily restricts transportation efficiency. Detecting traffic congestions in the spatio-temporal sense and identifying network bottlenecks become an important task in transportation management. Up to now, many traffic congestion detection methods have been proposed, which have focused on the detection of momentary local congestions. Larger-scale, longer-time and regular congestions can't be detected using these methods. That is because congestions have different temporo-spatial scales, and a characteristic is not considered in those methods. This paper proposes a new kind of urban traffic congestion detection method that deals with spatio-temporal extension of congestion. It is based on spatio-temporal clustering analysis of real-time traffic data. By defining a proper spatio-temporal correlation, the classic DBSCAN algorithm is adapted to tackle spatio-temporal clustering. With it we can detect longer time and regular traffic congestion in the spatio-temporal sense. Experiments have been conducted using real traffic condition data of Chengdu to validate the effectiveness of the method. The experiment shows that the proposed method can detect the congestion areas and identify the spatio-temporal extent of congestions accurately. The detected congestion areas were compared with congestion report from local traffic management authority and found to be consistent with the later.

1. Faculty of Computer Science and Technology, Southwest University for Nationalities, Chengdu 610041, China; 2. Faculty of Geosciences and Environment Engineering, Southwest Jiaotong University, Chengdu 610031, China

城市交通拥堵严重制约其网络总体效率。开展检测交通拥堵点可有效识别网络瓶颈,以整治交通拥堵现象。对此,本文提出一种新的城市交通时空拥堵点检测的方法:即采用实时路况数据,通过定义时空关联,检测时空意义上长期性、规律性交通拥堵点。本文基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,以成都市为试验区,实现了这种拥堵点检测方法。试验表明,该方法可快速、有效、准确地检测出城市道路严重拥堵路段,并确定其拥堵时空范围,为交通管理、交通拥堵机理分析、交通拥堵预测等提供参考。

... 针对偶发拥堵,已有研究将统计方法应用到浮动车轨迹数据分析中,在对路段上浮动车轨迹数据长期积累后,分析浮动车的路段通行速度的时序变化识别偶发拥堵^[9] ...

2011

0.0

姜桂艳, 常安德, 牛世峰. 基于车牌识别数据的交通拥堵识别方法[J]. 哈尔滨工业大学学报, 2011, 43(4): 131-135.

JIANG

Guiyan

, CHANG

Ande

, NIU

Shifeng

. Traffic congestion identification method based on license plate recognition data[J]. Journal of Harbin Institute of Technology, 2011, 43(4): 131-135. (in Chinese)

According to the problem of low performance price ratio of license plate recognition systems which are just for traffic monitoring,traffic flow measurement etc,and the lack of researches on traffic congestion identification methods based on license plate recognition data at present,methods for collecting travel speed of individual vehicle and link average travel speed are designed,and based on these,a method of traffic congestion identification is studied,which is also verified by using measured license plate recognition data on a arterial road of a city in China.The results show that traffic data with high quality can be obtained using the travel speed collection methods,and the duration and types of traffic congestion can be obtained using the traffic congestion identification method,which will provide real-time and reliable decision basis for traffic management departments.

针对目前缺少基于车牌识别数据的交通拥堵识别方法的相关研究,使得建设及维护成本均较高的车牌识别系统只能实现交通监控、流量检测等初级功能,导致系统性价比较低的问题,分别设计了基于车牌识别数据的单车行程速度采集方法及区间平均行程速度采集方法,对交通拥堵的识别方法进行了研究,并进行了实例分析.结果表明,单车行程速度采集方法及区间平均行程速度采集方法可以获得高质量的交通数据,同时交通拥堵识别方法能够准确获得拥堵持续时间、拥堵类型等有用交通信息,从而为交通管理部门提供实时、可靠的决策依据.

... 非常规的交通情况也可以通过路段的行程速度反映出来,在瓶颈或者拥堵路段,浮动车的平均速度通常低于10 km/h,因此使用路网上各路段识别出的速度和时间特性,可以找到每条道路上独特的交通模式特征,从而描述区域交通状态^[10] ...

2015

0.0

... 目前已经有基于密度的聚类、支持向量机模型、神经网络模型等算法用于非常发性拥堵监测^[11] ...

2013

0.0

... 另一方面,浮动车数据分析给出了大量的关于城市路网交通运行模式的研究成果^[12],然而,很少有研究使用浮动车数据进行常发性拥堵的评价 ...

2014

0.0

... 实际上,传统的出租车浮动车数据特别适合评估城市的交通拥堵水平以及调查城市道路网的拥堵时空模式^[13],因为浮动车数据是短时间内的大规模样本,能够提供全面而且更好的交通网络运行状况 ...

2007

0.0

... 城市管理区域可以被静态或动态地划分成具有特定大小的网格,网格中的设施按类别进行管理,以提高管理效率^[14] ...

2016

0.0

... 虽然现在更多的研究倾向于线性地将出租车的轨迹分配给用于交通分析的道路网络,即将浮动车轨迹与道路路径匹配后再对路网的交通状态进行研究^[15,16],但是交通网格模型具有如下优势 ...

2018

0.0

... 我国公安部发布的《城市交通管理评价指标体系》中指出^[17],城市主干道上机动车平均行程速度小于30 km/h,大于20 km/h时为轻度拥堵 ...

2014

0.0

... 使用Min-Max标准化方法将网格交通运行指数变化为0~100之间的范围^[18],对全体 cri进行标准化处理,最终通过交通运行指数 cpri反映网格的交通运行状态 ...

2009

0.0

... DBSCAN (Density-Based Spatial Clustering of Applications with Noise)是基于密度的聚类算法中的典型代表,能够把具有足够高密度的区域划分为同一类,并且聚类结果不受数据分布的空间形状影响^[19] ...