基于ＧＰＳ探測車的道路交通狀態(tài)估計(jì)技術(shù)

摘 要：應(yīng)用車載GPS探測車的運(yùn)行數(shù)據(jù)來估計(jì)道路交通狀態(tài)是目前交通檢測領(lǐng)域的新技術(shù)。從該技術(shù)基本概念出發(fā)，重點(diǎn)對其中的數(shù)據(jù)采集和交通參數(shù)估計(jì)問題進(jìn)行了探討。結(jié)合英國浮動(dòng)車數(shù)據(jù)系統(tǒng)（FVD）數(shù)據(jù)采集的優(yōu)化模式及目前探測車最小覆蓋率的研究，討論了數(shù)據(jù)采集的效率與樣本大小的問題。分析了目前典型的GPS探測車交通參數(shù)估計(jì)模型，如多元回歸、神經(jīng)網(wǎng)絡(luò)、模糊推理及速度積分等模型。對該技術(shù)的進(jìn)一步發(fā)展及在我國的應(yīng)用前景進(jìn)行了分析和展望。

關(guān)鍵詞：GPS探測車；數(shù)據(jù)采集；探測車最小覆蓋率；交通參數(shù)估計(jì)

中圖法分類號：U491; TP274文獻(xiàn)標(biāo)識碼：A

文章編號：1001—3695(2007)02—0243—03

國內(nèi)外的研究表明，先進(jìn)的城市交通流誘導(dǎo)是防止和減輕交通阻塞，并最終實(shí)現(xiàn)交通流在路網(wǎng)各個(gè)路段上合理分配的有效手段。先進(jìn)的交通誘導(dǎo)系統(tǒng)是以實(shí)時(shí)采集動(dòng)態(tài)交通狀態(tài)信息為基礎(chǔ)的。目前，大多采用路邊交通流檢測設(shè)備來獲取道路交通狀態(tài)信息，常用的有環(huán)型線圈傳感器、遠(yuǎn)程微波傳感器(RTMS)、基于視頻的檢測設(shè)備和CCTV等。這些設(shè)備存在成本較高、易損耗和不易維護(hù)、受氣候和光線條件影響大等缺點(diǎn)，并且安裝及檢測范圍有限，難以獲得全面的道路交通狀態(tài)信息[1]。近年來，由于社會經(jīng)濟(jì)發(fā)展的需要，出于對車輛安全監(jiān)控、導(dǎo)航、指揮調(diào)度等目的，許多管理和商業(yè)部門均實(shí)施了車載GPS的安裝和應(yīng)用，由此獲得的車輛運(yùn)行狀態(tài)數(shù)據(jù)具有數(shù)據(jù)量大、覆蓋的道路面廣、反映了實(shí)際道路交通狀態(tài)的特點(diǎn)，這就為GPS探測車交通狀態(tài)估計(jì)技術(shù)的提出及發(fā)展奠定了基礎(chǔ)。

應(yīng)用車載GPS設(shè)備采集道路交通數(shù)據(jù)的優(yōu)點(diǎn)在于：①無須增加道路設(shè)施，對環(huán)境無負(fù)面影響；②檢測信息能實(shí)時(shí)動(dòng)態(tài)地體現(xiàn)道路交通流的運(yùn)動(dòng)；③定位精度高，定位數(shù)據(jù)中包括行駛車輛在定位時(shí)刻的瞬時(shí)速度，蘊(yùn)涵了道路車流的變化特征[2]。其主要不足在于：由于高大建筑、隧道等的遮擋，會造成個(gè)別GPS檢測盲區(qū)，由此影響檢測的效果。盡管如此，根據(jù)美國ADVANCE系統(tǒng)研究表明，在對交通參數(shù)進(jìn)行估計(jì)時(shí)，采用GPS探測車技術(shù)可提供比環(huán)型線圈更精確的行程時(shí)間估計(jì)，在50 000個(gè)檢測報(bào)告中， 99.4%是可靠的[3]。

發(fā)達(dá)國家在20世紀(jì)80年代就開始了該技術(shù)的研究，早期的研究傾向于將其作為傳統(tǒng)交通信息采集方式的補(bǔ)充手段。近年來，隨著GPS在社會各領(lǐng)域的廣泛應(yīng)用，已經(jīng)有研究人員開始嘗試將其作為交通信息采集的主要手段，如以公交車輛作為探測車估計(jì)交通參數(shù)的研究[4，5]和英國浮動(dòng)車數(shù)據(jù)系統(tǒng)[6]的應(yīng)用。在我國，交通擁塞問題日益嚴(yán)重，交通檢測設(shè)施不完善在很大程度上制約了交通管理水平的提高。因此，隨著車載GPS應(yīng)用的日益普及，充分利用現(xiàn)有的車載GPS獲得的車輛運(yùn)行狀態(tài)數(shù)據(jù)服務(wù)于道路交通信息檢測，對改善交通管理水平具有重要的實(shí)際價(jià)值和現(xiàn)實(shí)意義。

1 GPS探測車交通估計(jì)技術(shù)

1.1 基本概念

GPS探測車也稱為GPS浮動(dòng)車，是指安裝了GPS接收器，接收車輛運(yùn)行的GPS定位信息，可用作道路交通信息采集工具的普通車輛，其采集的信息在一定程度上反映了道路車流的運(yùn)行情況。GPS探測車技術(shù)是指利用GPS探測車采集路網(wǎng)的交通狀態(tài)信息，建立數(shù)據(jù)采集系統(tǒng)，結(jié)合統(tǒng)計(jì)和知識推理、參數(shù)估計(jì)等多種方法，對數(shù)據(jù)進(jìn)行分析和綜合，實(shí)現(xiàn)道路車流交通參數(shù)實(shí)時(shí)估計(jì)的新技術(shù)。



1.2 探測車數(shù)據(jù)系統(tǒng)的評價(jià)標(biāo)準(zhǔn)

對GPS探測車數(shù)據(jù)系統(tǒng)的評價(jià)標(biāo)準(zhǔn)通常包括實(shí)時(shí)性、精度和系統(tǒng)覆蓋率[7，8]。實(shí)時(shí)性是指五分鐘內(nèi)對交通事件檢測或確定前五分鐘內(nèi)交通狀態(tài)的置信度；精度是指在一定置信度下，系統(tǒng)對交通參數(shù)的估計(jì)值和真實(shí)值的百分比；系統(tǒng)覆蓋率是指全部探測車通行的路段占指定路網(wǎng)的比例。

1.3 關(guān)鍵問題及技術(shù)

應(yīng)用GPS探測車進(jìn)行交通狀態(tài)估計(jì)的關(guān)鍵是交通數(shù)據(jù)的實(shí)時(shí)采集和交通狀態(tài)的準(zhǔn)確估計(jì)。

(1)在數(shù)據(jù)采集環(huán)節(jié)中，為了減小個(gè)體探測車隨機(jī)性的影響，保證數(shù)據(jù)采集的信息量滿足交通參數(shù)估計(jì)精度的要求，需要確定路網(wǎng)或路段上信息采集單元的數(shù)量，即路網(wǎng)或路段上探測車對全部車輛的比值。怎樣確定這一比值，即是探測車最小覆蓋率的問題[9]；同時(shí)，面對覆蓋路網(wǎng)的探測車連續(xù)產(chǎn)生的海量位置報(bào)告，如何可靠地實(shí)現(xiàn)通信傳輸，有效地進(jìn)行數(shù)據(jù)采集，這無疑是個(gè)關(guān)鍵的問題，即探測車數(shù)據(jù)采集的模式問題。

(2)在數(shù)據(jù)采集的基礎(chǔ)上，建立精確的實(shí)時(shí)交通狀態(tài)估計(jì)模型，是這項(xiàng)技術(shù)的目的。GPS探測車覆蓋率研究的目的之一是確保路網(wǎng)探測車在滿足最小覆蓋率的條件下，采用統(tǒng)計(jì)平均的方法得到可靠的交通參數(shù)估計(jì)結(jié)果。但最近的研究和實(shí)踐表明[6，10]，滿足了探測車最小覆蓋率的要求并不能確保交通狀態(tài)估計(jì)結(jié)果一定可靠，還應(yīng)當(dāng)考慮探測車的種類是否具有代表性。因此，研究探測車運(yùn)行的特點(diǎn)以及它們與道路車流之間的聯(lián)系，減小隨機(jī)誤差的影響，通過數(shù)據(jù)處理技術(shù)等多種方法，建立精確的交通估計(jì)模型，是該技術(shù)研究的關(guān)鍵。

2 數(shù)據(jù)采集中的關(guān)鍵問題

2.1 探測車的覆蓋率

2.1.1 探測車最小覆蓋率的估算

2.1.2 覆蓋率與精度的聯(lián)系

根據(jù)對交通仿真模型的分析表明[2，3]，在高速公路上，探測車覆蓋率應(yīng)大于3％，在一般道路上，覆蓋率應(yīng)大于5％。Chen M和Chien S的研究[16]指出，保證估計(jì)結(jié)果出錯(cuò)概率小于5％的情況下，車流中至少需要3％的探測車，在高峰期，需要12％的探測車才能保證得到可靠的估計(jì)值；同時(shí)也指出，探測車覆蓋率由3％降低到1％后，估計(jì)精度僅下降了不到3％。可見，在實(shí)際應(yīng)用中，探測車的覆蓋率可以低于3％，這一結(jié)論也被FVD所證實(shí)[6]。

Hellinga和Fu的研究[10]進(jìn)一步指出當(dāng)采用的GPS探測車僅代表了路段車輛中的特殊類別時(shí)，探測車的平均行程時(shí)間就與路段行程時(shí)間有差異，因而采用求平均值法計(jì)算交通參數(shù)時(shí)，探測車應(yīng)包含道路車流中各種車輛類型；或者，采用特殊種類探測車進(jìn)行交通參數(shù)計(jì)算時(shí)，應(yīng)考慮它們與道路車流的聯(lián)系。在FVD對探測車的配置中也體現(xiàn)出了這一思想[6]。特別的是，對于道路事件檢測，Ruey Long Cheu等人的研究指出，探測車的覆蓋率應(yīng)在20％—30％之間[17]才能保證得到較高的檢測率。

2.2 優(yōu)化的數(shù)據(jù)采集模式

采集路網(wǎng)GPS探測車的海量數(shù)據(jù)，需要借助現(xiàn)有的通信網(wǎng)絡(luò)，如何經(jīng)濟(jì)可靠地實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)采集無疑是重要的問題。對于此，英國浮動(dòng)車數(shù)據(jù)系統(tǒng)（FVD）[6]采用了一個(gè)優(yōu)化的數(shù)據(jù)采集模式。

FVD是目前世界上最典型的GPS探測車數(shù)據(jù)系統(tǒng)，其運(yùn)用范圍覆蓋英格蘭的主要路網(wǎng)。在系統(tǒng)中，探測車除GPS接收器外還安裝了數(shù)據(jù)采集部件（DCU），可存儲350h的探測車位置數(shù)據(jù)。通常，數(shù)據(jù)中心每周定期對各探測車的DCU通信，采集數(shù)據(jù)，并自動(dòng)對數(shù)據(jù)進(jìn)行地圖匹配，記錄特定時(shí)間段行駛在特定路段的探測車。當(dāng)需要對路網(wǎng)中某一路段進(jìn)行實(shí)時(shí)交通參數(shù)檢測時(shí)，根據(jù)車輛出行具有規(guī)律性這一經(jīng)驗(yàn)事實(shí)，數(shù)據(jù)中心與系統(tǒng)挑選出的當(dāng)時(shí)可能行駛于該路段的探測車通信，連續(xù)采集數(shù)據(jù)進(jìn)行實(shí)時(shí)交通參數(shù)估計(jì)，從而有效地提高了系統(tǒng)的運(yùn)行效率并節(jié)約了通信費(fèi)用。

3 路段交通參數(shù)估計(jì)模型

3.1 多元回歸模型

2002年，Rohini Bobba在其博士論文中提出了應(yīng)用公交車作為GPS探測車通過多元回歸建立路段平均速度估計(jì)模型的方法[4]。研究借助統(tǒng)計(jì)軟件（Statistical Analysis Software，SAS）的分析，顯示公交探測車平均速度、車道數(shù)和道路限速值這三個(gè)獨(dú)立變量能反映67％路段平均速度的變化，進(jìn)而建立了多元回歸模型：

路段平均速度＝-5.608 57＋0.558 14×公交車平均速度＋2.825 7×車道數(shù)＋0.397 45×道路限速值

測試表明，在95％的時(shí)間里路段平均速度真實(shí)值位于此模型計(jì)算值的±10mph內(nèi)。

2003年，在另一類似研究中，David Anthony采用統(tǒng)計(jì)軟件SPSS測試不同的自變量和因變量的共線性，經(jīng)過方差分析建立了多元回歸建立模型[5]：

路段平均速度＝10.32＋0.69×公交車平均速度＋0.75×公交車站數(shù)量-1.69×路段交通信號燈數(shù)量

通過對模型的標(biāo)準(zhǔn)差分析和殘差散布圖的分析，顯示出模型的精度為60％。同時(shí)，研究也指出交通高峰期對模型的估計(jì)結(jié)果影響不大。

以上兩個(gè)模型自變量不同的原因在于，第一個(gè)模型選擇公交車站和道路交叉口作為路段劃分的依據(jù)，路口交通指示燈就正處于路段的進(jìn)口或出口處；第二個(gè)模型以公交車站作為路段劃分的依據(jù)，路口交通指示燈就包含在路段內(nèi)了。這樣，路口交通指示燈對這兩種模型的影響就不同。這說明了不同的路段劃分方法對模型的建立有影響；在不同的道路條件下，各種因素對交通參數(shù)的影響程度也有差異。

3.2 神經(jīng)網(wǎng)絡(luò)模型

David Anthony在其研究中，為了進(jìn)一步提高交通參數(shù)估計(jì)的準(zhǔn)確性，嘗試采用神經(jīng)網(wǎng)絡(luò)建立估計(jì)模型[5]。研究應(yīng)用NeuroSolutions專用神經(jīng)網(wǎng)絡(luò)軟件，選擇隱層數(shù)為2、雙曲正切函數(shù)為激活函數(shù)的BP網(wǎng)絡(luò)，選取了公交車平均速度、路段限速值、交通信號燈數(shù)量和路段公交車站數(shù)量作為網(wǎng)絡(luò)輸入變量，輸出為路段平均速度，建立網(wǎng)絡(luò)模型。通過實(shí)際數(shù)據(jù)測試，模型計(jì)算結(jié)果的精度大于70％。

對比回歸模型，神經(jīng)網(wǎng)絡(luò)模型具有更高的計(jì)算精度，這也說明了神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力對于交通參數(shù)估計(jì)這一類復(fù)雜的﹑多因數(shù)影響的非線性求解問題有其特有的優(yōu)勢。

3.3 模糊推理模型

模糊推理是模仿人腦的知識和經(jīng)驗(yàn)推知事實(shí)結(jié)果的智能化方法。Yanying Li和Mike McDonald應(yīng)用模糊推理策略，提出了采用一輛普通探測車估計(jì)路段行程時(shí)間的模型[18]。該模型基于對探測車的速度——時(shí)間行駛特征的分析，引入一個(gè)新的變量——最大連續(xù)加速度MAC： MAC=maxVt2-Vt1t2-t1+Vt1-VSVS，t2-t1>8s，其中，t1和t2是探測車采樣數(shù)據(jù)時(shí)間系列中速度連續(xù)增加子系列的起始和結(jié)束時(shí)間；VS=1t2-t1∫t2t1Vdt，是探測車平均速度。用VS和MAC來表征探測車在路段車流中行駛的快慢程度，建立推知探測車相對于路段車流速度的快慢程度的模型推理規(guī)則，通過推理結(jié)果修正探測車的行程時(shí)間，將修正值作為路段行程時(shí)間。通過驗(yàn)證，模型估計(jì)值正確率為98％，估計(jì)值與真實(shí)值的誤差絕對平均百分比小于2.1％。

該模型融入了人工智能的思想，利用了探測車檢測數(shù)據(jù)中蘊(yùn)涵車流速度變化的探測車瞬時(shí)速度值，并且不依賴于道路因素，體現(xiàn)了在交通參數(shù)估計(jì)時(shí)GPS探測車技術(shù)的優(yōu)勢。

3.4 速度積分模型

速度積分方法利用了GPS探測車檢測的離散瞬時(shí)速度時(shí)間系列，應(yīng)用數(shù)值積分方法計(jì)算探測車的行駛路程。Cesar A Quiroga在其研究中描述了如下速度積分計(jì)算方法[19]：

研究通過實(shí)際采集數(shù)據(jù)比較了此方法和選取路段兩端車輛GPS采樣點(diǎn)通過距離與時(shí)間之比計(jì)算路段平均速度的方法。結(jié)果顯示，在采樣時(shí)間間隔小于10s時(shí)，此方法的誤差明顯較小；當(dāng)采樣時(shí)間間隔大于10s時(shí)，兩方法的誤差差距明顯減小，但依然存在。

我國學(xué)者李筱菁等人也提出類似的計(jì)算模型[20]，并針對采樣周期為1s的GPS探測車速度采樣時(shí)間系列，提出先用MATLAB軟件擬合探測車i的速度函數(shù)vi(t)，再積分求出vi。

速度積分的目的是使計(jì)算值接近探測車的實(shí)際行駛路程，但應(yīng)保證GPS采樣的速度值具有較高精度，采樣周期不能太長，并且需要預(yù)防GPS測量盲區(qū)的影響。

4 分析與展望

基于GPS探測車的交通狀態(tài)估計(jì)技術(shù)被認(rèn)為是實(shí)現(xiàn)先進(jìn)的交通誘導(dǎo)的重要途徑，盡管目前還處于探索階段，但其在實(shí)驗(yàn)性的研究成果中已經(jīng)表現(xiàn)出良好的應(yīng)用前景。

在我國目前交通檢測技術(shù)相對落后的情況下，開發(fā)應(yīng)用這項(xiàng)技術(shù)對于節(jié)約交通檢測設(shè)備投資和發(fā)揮已有投資的效益，促進(jìn)改善交通管理水平，無疑是一個(gè)很好的選擇。

結(jié)合這項(xiàng)技術(shù)的發(fā)展現(xiàn)狀以及我國交通系統(tǒng)的特點(diǎn)，考慮到未來交通發(fā)展的趨勢，我們認(rèn)為以下幾個(gè)方面的關(guān)鍵技術(shù)值得進(jìn)一步深入研究：①研究數(shù)據(jù)采集的優(yōu)化方案，解決海量數(shù)據(jù)實(shí)時(shí)傳輸問題；②研究探測車的數(shù)據(jù)采樣周期與交通狀態(tài)估計(jì)精度的聯(lián)系，實(shí)現(xiàn)高效率低成本的交通狀態(tài)估計(jì)；③ 集成不同系統(tǒng)的GPS采集信息及其他交通檢測信息，建立信息平臺，實(shí)現(xiàn)數(shù)據(jù)共享；④研究多種道路交通信息的融合方法，解決多種探測車同源信息融合問題，并進(jìn)一步實(shí)現(xiàn)探測車信息、環(huán)型線圈檢測數(shù)據(jù)、交通視頻采集數(shù)據(jù)、無線定位數(shù)據(jù)等檢測信息的多源融合；⑤在此基礎(chǔ)上，研究建立完整的道路交通狀態(tài)檢測估計(jì)模型及計(jì)算平臺。

本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。