基于區域道路實況數據的交通行為譜分析方法

黃豐雨 吳業福 陳鏡任 吳冰

摘 要：針對國內外有關交通行為譜研究的特征指標和評價指標不完善，且不能定量分析等問題，設計并定義了相應的特征指標和評價指標以建立完整的、能夠定量化的分析區域交通行為數據的交通行為譜體系。首先基于交通行為特征，采用改進的層次分析法（AHP）對交通秩序類型進行了分類;其次采用多數據融合的實時系統集成（RTSI）算法對某路段交通安全性進行綜合評判。最后開發了交通行為譜分析工具，該工具能根據交通實況數據計算區域路段的交通安全指數，較為完備地分析該路段內的交通行為。

關鍵詞：交通行為譜;交通行為譜分析工具;區域道路實況數據;交通行為特征;多數據融合

中圖分類號： TP391.4

文獻標志碼：A

文章編號：1001-9081（2019）03-0907-06

Abstract： Aiming at the problem that the characteristic and evaluation indexes for reasearch of traffic behavior spectrum are incompleted both at home and abroad and quantitative analysis cannot be performed in the research， the corresponding characteristic and evaluation indexes were defined to establish a complete traffic behavior spectrum system with quantitative analysis of regional traffic behavior data. Firstly， based on the characteristics of traffic behavior， an improved Analytic Hierarchy Process （AHP） was used to classify the traffic order types. Secondly， Real-Time System Integration （RTSI） algorithm with multi-data fusion was used to comprehensively evaluate the traffic safety of a certain road. Finally， a traffic behavior spectrum analysis tool was developed， calculating traffic safety index of a road section according to the traffic live data， and analyzing traffic behavior in the section more completely.

Key words： traffic behavior spectrum; analysis tool of traffic behavior spectrum; regional road live data; traffic behavior characteristic; multi-data fusion

0 引言

我國汽車數量逐年上升，交通安全管理面臨巨大的挑戰。為更好地提高人們的出行效率，提高人們的交通安全意識，根據實時路況進行交通安全預警，國家科技部、公安部、交通運輸部組織實施了“國家道路科技行動計劃（二期）”，以有效預防道路交通事故的發生、減少交通事故傷亡和損失。

交通行為由交通秩序和交通環境兩部分構成。現有的交通秩序評價指標主要包括車輛行駛速度、出行時間延誤等[1]。利用層次綜合判斷模型分析各項指標之間的聯系，進而判定交通秩序的好壞[2]。通過交通環境對交通安全的影響[3]，計算交叉口的交通運行能力和交通安全指數。在構建交通行為譜體系前，需要進行數據采集和交通安全評價。

在數據采集方面，王坤峰等[4]提出了一種基于多特征融合的視覺交通數據采集的方法。該方法在圖像上配置多個虛擬環路（檢測區域），通過識別像素變化來采集車輛數據。Yu等[5]提出了基于無線傳感器網絡（Wireless Sensor Network， WSN）和浮動車輛技術的混合交通信息采集與通信算法，解決了數據包傳遞延遲長、延遲抖動大的問題。Luo等[6]提出壓縮數據采集（Compressed Data Gathering， CDG）方法，該方法可以降低通信成本，保持傳感器數據保真度。

在交通安全評價研究方面：郭禮照等[7]構建了層次分析

法（Analytic Hierarchy Process， AHP）和模糊綜合評價法有機結合的評價模型，建立了相應的評價指標體系。Wen等[8]利用模糊理論建立模糊綜合評價模型，建立了交通安全評價指標體系。李金花等[9]將微觀仿真與交通沖突分析技術相結合，建立基于微觀仿真的城市交叉口間接交通安全評價模型，確立城市交叉口交通安全評價流程。羅強等[10]利用層次分析法，依次選取相應的二級和三級評價指標，進而建立城市道路交通安全評價的綜合體系;然后基于此評價體系利用模糊算法建立城市交通狀況的評價模型。

以上研究能夠反映某路段、某時段的部分交通行為，但不全面。本文所基于的課題提出了交通行為譜這一概念。交通行為譜是全面記錄區域交通的特征表現及其內在規律的數據體系，全面記錄了交通參與者在交通過程中的共性特征，可以動態地分析相關的交通狀況信息。本研究就交通行為譜體系結構的評價方法和對應的應用分析工具展開研究，基于駕駛信息和卡口過車信息的基礎數據，通過對基礎數據信息的提煉分析，從中得出區域交通行為的內在規律。通過深入研究交通行為特征指標和分析軟件工具，客觀評價交通行為類型，為交通行為譜分析系統提供有效的理論和工具支持。

1 交通行為譜指標設計

1.1 交通行為特征指標

交通行為譜通過對區域交通行為進行實時監測，從中提取出評價區域交通行為的特征參數。交通行為譜體系結構如圖1所示。

區域交通安全直接受交通秩序和交通環境的影響。衡量道路交通秩序的好壞，與道路的車流量密度、車輛的違章情況以及車輛行駛速度等因素有關。交通環境與道路上的交通指示牌、道路天氣以及道路線形等因素有關。從交通的特點出發，本研究將交通秩序主要分為好（A）、中（B）、差（C）三種類型，將交通環境分為好（a）、差（b）兩種類型。

綜合交通秩序、交通環境兩者，將區域交通行為譜的描述指標及其安全等級規劃如表1所示。

這些描述指標的表現如下：

1） 交通秩序好交通環境好（Aa）：超速的車輛比例低，交通違章率低，路段平均車速較高，低于限速比例的車輛少，交通環境良好，總體上此路段為行車安全路段。建議：保持當前交通狀態。

2） 交通秩序好交通環境差（Ab）：超速的車輛比例低，交通違章率低，路段平均車速較高，車速差小，低于限速比例的車輛少，交通環境較差，總體上此路段行車較為安全。建議：保持當前交通狀態，需關注惡劣天氣變化引起的交通狀態改變。

3） 交通秩序中交通環境好（Ba）：超速車輛及交通違章率適中，車速差較小，部分車輛車速低于限速比例，但交通環境良好，總體上此路段為行車較安全路段。建議：加強交通管理，降低超速比例。

4） 交通秩序中交通環境差（Bb）：超速的車輛及交通違章率適中，車速差較小，部分車輛車速會低于限速比例，加之，交通環境較差，總體上此路段行車較為危險。建議：加強交通管理，采用可變信息板引導行車速度。

5） 交通秩序差交通環境好（Ca）：超速的車輛及交通違章率較高，車輛車速低于限速的比例較高，超車現象較多，但交通環境良好，總體上此路段行車較為危險。建議：加強執法力度，嚴懲違法行為。

6） 交通秩序差交通環境差（Cb）：超速的車輛及交通違章率較高，車輛車速低于限速的比例較高，超車現象較多，加之，交通環境較差，總體上此路段行車很危險。建議：加強現場執勤和執法力度，嚴懲違法行為。

1.2 交通行為評價指標

交通行為一般根據道路車輛行駛速度、違章次數以及行車間距等因素來評判。交通行為每5min計算一次，以下指標都是5min內采集的數據。

交通事故的產生往往與駕駛人超速的違章行為緊密相關，因此，交通行為中的違章率可由超速車輛比例來反映：

其中：N0為5min內經過的車輛數，N>120%為5min內超過限速20%的車輛數，一般城市道路限速為60km/h，Α為超速車輛比例。

一般而言，在道路行駛時，在不超速的情況下，車輛行駛速度越大，車頭時距越大，道路交通秩序越好，因此用路段平均車速和車頭時距不足占比兩個因素作為交通行為的評價指標，即：

其中：vi表示車輛的行駛速度，N0為5min內經過的車輛數，V為平均車速，tn表示第n車經過道路某一斷面的時間，tn-1表示第n-1 輛車（即車輛n的前車，同一車道）經過道路某一斷面的時間;N<2.5表示在限定時間段內，通過道路某一斷面的、車頭時距低于2.5s的車輛數，表示車頭時距小于2.5s的車輛比例。

車輛在行駛過程中，如果車速過低，會降低卡口的效率甚至造成交通擁堵，嚴重影響卡口的交通秩序，因此將低速行駛作為交通秩序的評價指標，即：

其中：Nles表示在5min內低速行駛的車輛數，N0表示在5min內經過的車輛的總和，B表示低于限速車輛的比例，將車速低于40km/h的車輛定位低速行駛車輛。

2 交通行為譜特征指標計算

2.1 交通秩序分析算法及步驟

交通秩序由交通秩序評價指標決定，首先構造交通秩序分類層次模型，對各個交通秩序評價指標進行兩兩比較的運算分析;然后計算交通秩序分類層次模型中各個交通秩序評價指標的權重，綜合各項評價指標的運算分析結果，將權重乘以各項指標運算結果得到最終交通秩序結果。流程如下：

步驟1 首先建立交通秩序分類層次結構模型，如圖2所示。

步驟2 采用1-9標度法對交通秩序評價指標兩兩比較運算，將超速車輛比例（A1）、路段平均車速（A2）、低于限速車輛比例（A3）及車頭時距不足占比（A4）兩兩對比，得到對應的判斷矩陣D如下：

步驟3 為保證交通秩序層次分類模型的一致性，對交通秩序分類單排序進行一致性檢測。一致性指標CI定義如下：

其中：λmax為矩陣D的最大特征值，n為矩陣D的階數即為4。計算矩陣D的特征值，計算得到最大特征值λmax為4.0429，代入式（8）中得到一致性指標CI為0.0143，查表可得判斷矩陣平均隨機性一致性指標RI為0.9，隨機一致性比率的定義如下：

將CI和RI的值代入式（6）中，計算得到CR為0.0158<0.1，可以證明交通秩序分類單排序結果具有良好的一致性。將最大特征值對應的特征向量進行歸一化作為4個指標的權值，依次為：0.389，0.153，0.069，0.389。

步驟4 對四項指標進行評分，好、中、差分別對應3分、2分和1分，其規則如表2所示。

步驟5 將各項指標的運算結果乘以相應的權重即可得到交通秩序的最終結果值，將交通秩序劃分為3類：好、中、差，如表3所示閾值范圍分別為[1，1.67）、[1.67，2.34）、[2.34，3]。

2.2 交通環境分析算法及步驟

交通環境受能見度、道路條件等因素的影響，其中能見度可以用氣象信息進行表征，因此本文選取道路條件和天氣信息作為交通環境評價指標，進行交通環境分類。

交通卡口根據天氣信息描述，對天氣進行分類，定義規則如表3所示。根據卡口道路幾何線形，對道路條件分類，規則如表4所示。道路條件和天氣信息組合為交通環境，規則如表5所示。

2.3 交通安全分析算法及步驟

區域交通的安全性通過交通安全指數反映，利用多數據融合的交通風險指數模型計算特定時段（5min）內通過道路截面的車輛總體交通風險指數（縱向碰撞風險和橫向碰撞風險），其計算過程如下：

其中： f3為交通風險指數，即CRI; f1為縱向碰撞風險指數，即RCRI; f2為橫向碰撞風險指數，即SCRI;a為縱向碰撞風險權重;b為橫向碰撞風險權重;c為交通環境權

重，c=γ×δ，根據道路線形的類型進行系數δ的取值，其取值規則如表6所示，根據不同的天氣情況γ取值不同，晴天γ取值為1，雨天γ為6.443，霧天γ為4.432。

步驟1 由車頭時距計算縱向風險指數RCRI，即式（9）中的f1，該指標可反映超速風險、低于限速的車輛比例、車頭時距過小這3個交通秩序指標。設v1，v2分別表示前后車車速，若v2

計算5min內，每個車道上、兩輛車間的車頭時距，再將車頭時距代入計算。f1的分子就是對5min內的、每車道的、所有車輛的碰撞概率的累加結果。其中：t1為指定車道前一車輛通過道路截面的時間;t2為指定車道后一車輛通過道路截面的時間;PC（TTC（t），α）為當TTC值為t時兩車碰撞的概率;α為根據經驗矯正的調整系數，表征交通沖突TTC值引發事故的概率，與路段有關，一般取2.25;T為限定時段（300s）;N表示在限定時間段內通過車道某一斷面的車輛總數;L為車道數，在本次實驗卡口中L=3。

步驟2 由換道風險計算橫向風險指數SCRI，即式（9）中的f2。

其中，LCC=5min內整個路段的換道次數，每換道10次，可能有一次的沖突。綜上， β為一次交通事故導致的概率取值為0.000124。

步驟3 路段風險指數CRI，即式（9）中的f3。

一般地，交通安全指數越低，則當前的交通安全狀況越好，反之則交通安全狀況越差。交通安全指數實現部分代碼如下所示。

3 交通行為譜構建方案

交通行為譜由交通秩序與交通環境兩大類指標耦合而成。交通秩序和交通環境的好壞直接反映了區域交通的狀況。在現實生活中，人們通常通過主觀觀察道路的擁堵下意識地判斷交通狀況的好壞。本研究中，在交通卡口安裝卡口路測設備對過往車輛進行監測，積累大量的過往車輛的信息。

交通秩序一般通過違章率、行車車速以及行車延誤綜合評價。交通環境一般通過能見度、地形、天氣等進行評測。本研究利用海康威視公司的卡口監控平臺進行交通數據采集。交通行為譜是全面記錄了交通行為特性的基礎數據體系，它主要從卡口所在的地形、道路情況、氣象信息、過車信息等外部條件入手，通過對基礎信息的定量分析，從中發掘出交通行為的特征，從而為道路安全的研究提供理論支撐，其主要構建方案如圖3所示。

針對交通秩序和區域交通安全指數進行分析研究。交通安全指數對某路段交通安全性的綜合評判。該技術基于構建的交通行為譜數據庫，分別提取出多種交通行為參數及路段交通環境參數的綜合結果。

利用卡口采集的過車輛數據，采用層次分析對交通秩序進行定量評價，采用氣象預報進行卡口天氣信息的數據采集以及卡口地形對交通環境進行評價，綜合交通秩序和交通環境對交通狀況進行客觀分析，從中發掘內在規律。利用卡口的過車信息和交通環境信息計算得到安全指數，進行卡口安全指數發布和安全預警。

4 實驗分析與結果

4.1 數據采集

為實現對交通基礎數據的監控，本研究選取位于武漢理工大學附近的理工二橋作為安裝地點，該天橋寬7m，長200m，橫跨武漢市友誼大道，連接著武漢理工大學余家頭校區的兩處教學區。由于該路段車流量較大，交通環境較為復雜，在該路段所采集的數據，可以滿足后續實驗的要求。天橋上布設海康威視所提供的全套卡口監控系統及交通監控視頻系統，整個系統的架構如圖4所示。通過前端子系統以及卡口抓拍單元對過往車輛進行信息采集，通過交換機以及光纖收發器將卡口數據傳輸至數據存儲中心。

該平臺不僅能夠通過近景攝像頭、雷達等卡口監控系統采集車輛號牌、車型、車速等基本數據，還能夠利用多路高清攝像頭采集所轄路段的高清視頻流數據。本次卡口采集的數據，在基礎數據的基礎上建立了相應的視圖，視圖中主要包括車速、車輛類型、車牌號等過車信息，將其作為交通行為分析的數據支撐。其中車身顏色、號牌種類、行駛方向等信息數據庫中采用標準編碼格式進行存儲，在數據查詢需將其代表的實際含義進行數據轉化，界面采用異步傳輸技術，數據傳輸采用JSON格式的數據串進行傳輸，前端進行數據解析后可以得到過車信息。

4.2 交通行為分析結果展示

本文對理工二橋卡口進行其交通秩序統計。交通秩序以5min為周期進行一次計算，將車速平均值、超速車輛比例、低于限速車輛比例以及車頭時距四項指標進行加權計算得到結果，其具體計算結果如表7所示。

根據計算結果，按照表7將交通秩序進行分類，得到如圖5（a）所示結果，該圖查詢2017-03-05T07：00：00—2017-03-05T08：00：00的交通秩序情況。在此時間段內交通秩序主要分類為好和中兩類，各占50%。此外，交通秩序的分類主要從超速車輛比例、路段平均車速、車頭時距不足占比、低于限速車輛比例等四項指標判斷，可以查詢特定時間段內對應參數的曲線變化情況，如圖5（b），查詢2017-03-01T07：00：00至2017-03-01T08：00：00時間段超速車輛占比變化曲線。

基于理工二橋卡口對其應用交通環境分析算法。其中天氣信息運用天氣預報的API進行5min為周期的自動數據導入，道路條件通過對卡口地形的判斷，進行手工錄入。查詢2017-03-07—2017-03-08時間內的交通環境情況，根據上述交通環境分類構建方法，分析得到交通環境在此時間段內類型為好，其結果如圖5（c）。

基于理工二橋卡口數據對其應用交通安全指數分析算法。安全指數5min計算一次。圖5（d）是對當前（2017-03-10T19：43：15至2017-03-10T19：48：15）安全指數進行分析，達到實時預警效果。

對歷史交通安全指數（2017-02-26T08：00：00—2017-02-26T09：00：00）分析，可查看歷史安全指數變化趨勢，如圖5（e）。

綜上分析結果可得出結論，武漢市友誼大道理工二橋卡口處的交通行為情況整體較好，在一天當中，交通秩序總體尚可，但在早高峰7：00-9：00等時期會因車輛數量增多而擁堵，導致交通秩序變為由好變為中等，尤其是在7：00-8：00，18：30-19：30時段，易出現駕駛人超速行駛、搶道、由跟車距離過近導致的車頭時距不足等交通行為，為該時段本就不樂觀的交通秩序帶來更多困難。此外，同時段的交通安全指數也有明顯上升趨勢，非高峰時期交通安全指數大約為0.4，在早晚高峰時期，交通安全指數上升至0.6，在8：00—8：30，17：30—18：30一度上升至0.8，顯然該時段內的交通狀況不安全，交管部門需加強對交通參與者的教育，提高出行安全意識，并根據交通安全指數歷史記錄分時段制定出合理的車輛分流方案，減少事故發生率，提升出行安全水平。

5 結語

本研究改善了國內外有關交通行為譜研究的特征指標和評價指標不完善的問題，所研發的交通行為譜分析工具能作到定量分析區域道路實況數據，可用于卡口的車輛駕駛行為的檢測，進行卡口交通狀況的實時反映以達到及時預警作用。此外，通過采集大量的交通行為數據，進一步提取出區域性的交通特征參數，對于區域性交通安全手冊的編寫有著重要的指導意義。但研究中仍存在影響交通環境因素的相對不確定性、交通行為本身的復雜性、多樣性等問題，值得在未來的研究過程中繼續探索。

參考文獻 （References）

[1] 陳旭.交通秩序數字化管理平臺[D].長春：吉林大學，2016：28-31.（CHEN X. Digital management platform of traffic order [D]. Changchun： Jilin University， 2016：28-31.）

[2] 汪益敏，郭繼幸，李林生，等.基于層次分析法的公路運營期路基狀況評價[J].華南理工大學學報（自然科學版），2017，45（6）：37-43.（WANG Y M， GUO J X， LI L S， et al. Condition evaluation of subgrade in highway operation period based on analytical hierarchy process [J]. Journal of South China University of Technology （Natural Science Edition）， 2017， 45（6）： 37-43.）

[3] 劉家瑋.道路交通環境對交通安全的影響及解決對策分析[J].中國管理信息化，2017，20（18）：207-208.（LIU J W. Influence of road traffic environment on traffic safety and analysis of countermeasures [J]. China Management Informationization， 2017， 20（18）： 207-208.）

[4] 王坤峰，李鎮江，湯淑明.基于多特征融合的視頻交通數據采集方法[J].自動化學報，2011，37（3）：322-330.（WANG K F， LI Z J， TANG S M. Visual traffic data collection approach based on multi-features fusion [J]. Acta Automatica Sinica， 2011， 37（3）： 322-330.）

[5] YU H， GUO M. A self-adapting data collection approach in wireless sensor networks for urban traffic information monitoring [C]// Proceedings of the 2010 IEEE International Conference on Intelligent Computing and Intelligent Systems. Piscataway， NJ： IEEE， 2010： 196-200.

[6] LUO C， WU F， SUN J， et al. Efficient measurement generation and pervasive sparsity for compressive data gathering [J]. IEEE Transactions on Wireless Communications， 2010， 9（12）： 3728-3738.

[7] 郭禮照，楊三強，周良川，等.基于模糊層次分析法的高速公路交通安全綜合評價[J].交通科技與經濟，2017，19（2）：8-12.（GUO L Z， YANG S Q， ZHOU L C， et al. Traffic safety comprehensive assessment of expressway based on fuzzy analytic hierarchy process [J]. Technology and Economy in Areas of Communications， 2017， 19（2）： 8-12.）

[8] WEN H， CHEN X. Traffic safety evaluation model for mountain road under bad weather based fuzzy comprehensive evaluation [C]// Proceedings of the 2011 International Conference on Multimedia Technology. Piscataway， NJ： IEEE， 2011： 1865-1868.

[9] 李金花，劉莉，張寧，等.基于仿真的城市道路交叉口交通安全評價[J]. 中國安全科學學報，2016，26（12）：41-46.（LI J H， LIU L， ZHANG N， et al. Simulation-based evaluation of urban road intersection traffic safety [J]. China Safety Science Journal， 2016， 26（12）： 41-46.）

[10] 羅強，胡三根，龔華煒，等.城市道路交通安全評價體系研究與模型構建[J].廣西大學學報（自然科學版），2017，42（2）：587-592.（LUO Q， HU S G， GONG H W， et al. Model building and research of urban road traffic safety evaluation system [J]. Journal of Guangxi University （Natural Science Edition）， 2017， 42（2）： 587-592.）

[11] 李文勇，余子威，王濤，等.基于交叉口復雜度的交叉口秩序模型[J]. 廣西大學學報（自然科學版），2016，41（5）：1538-1544.（LI W Y， YU Z W， WANG T， et al. An intersection order model based on intersection complexity [J]. Journal of Guangxi University （Natural Science Edition），2016， 41（5）： 1538-1544.）

[12] TANG T-Q， WANG Y-P， YANG X-B， et al. A multilane traffic flow model accounting for lane width， lane-changing and the number of lanes [J]. Networks and Spatial Economics， 2014， 14（3/4）： 465-483.

[13] LI S B， LIN Y， REN H L， et al. Research on control strategies and optimal signal timing for traffic congestion based on prediction [J]. Applied Mechanics and Materials， 2011，40/41： 858-865.

[14] 張惠玲，尹寶計.限速值對信號交叉口交通安全的影響分析[J].中國安全科學學報，2015，25（2）：112-116.（ZHANG H L， YIN B J. Analyzing effects of speed limit on traffic safety at signalized intersection [J]. China Safety Science Journal， 2015， 25（2）：112-116.）

[15] 張南，秦兵杰.基于交通沖突技術的高速公路合流區段安全性研究[J].綜合運輸，2016，38（10）：55-59.（ZHANG N， QIN B J. Safety evaluation of freeway merge segment based on traffic conflict technique [J]. China Transportation Review， 2016， 38（10）： 55-59.）