干道交通狀態(tài)識別及演變機理研究*

唐聚,彭博,2*,蔡曉禹,2,謝濟銘,張媛媛

(1.重慶交通大學 交通運輸學院,重慶 400074；2.山地城市交通系統與安全重慶市重點實驗室,重慶 400074)

隨著城市機動車保有量的快速增長,交通擁堵現象日益突出,帶來交通設施使用效率降低、出行時間增加、空氣和噪聲污染加劇等問題,對社會造成嚴重損失。快速路、主干道、城市通道等干線道路是城市道路系統的主動脈,如何避免或減少城市干道交通擁擠、保持安全高效運行是亟待解決的重要問題。及時識別城市干道交通狀態(tài)并采取適當措施,是減少城市交通擁擠、避免交通癱瘓的重要前提。國內外學者在城市干道交通狀態(tài)識別與演變方面做了大量研究,研究內容主要包括影響因素分析、評價指標提取、識別方法建模、推演模型構建等。但從交通數據采集到狀態(tài)識別與預測這一過程,無論是數據的可靠性還是模型識別及預測精度與速度都有待進一步研究。該文從交通信息采集、交通狀態(tài)識別、交通狀態(tài)演變三方面對干道交通狀態(tài)識別與演變研究現狀進行綜述,提出以深度學習為核心,基于高空視頻廣域視角的城市道路交通狀態(tài)識別及預測框架,為城市交通預測與精細化管控提供新的方式與視角。

1 交通信息采集技術研究

獲取可靠的交通信息是交通狀態(tài)判別和演變機理研究的前提與基礎。目前交通信息采集技術主要分為固定檢測方式、移動檢測方式和其他檢測方式3種。

1.1 固定檢測方式

對于固定檢測方式,目前主要從地面和高空兩個角度對交通信息采集進行研究。從地面角度出發(fā),文獻[1]利用線圈和地磁檢測器提取交通流量、時間占有率和車頭時距等信息；文獻[2]利用監(jiān)控視頻數據,通過設置虛擬線圈提取車速和流量等交通信息；文獻[3]基于卡口視頻數據,運用卷積神經網絡(CNN)識別各車道車輛數；文獻[4]將監(jiān)控視頻中的每條車道進行分組編碼,利用視頻檢測技術獲得車道單元的流量、平均行程速度和平均空間占用率等交通參數；文獻[5]利用藍牙檢測技術提取路段平均行程時間、平均行程車速和路段流量比等交通特征參數；文獻[6]基于RFID獲取平均車速和平均行程時間。

從高空角度出發(fā),文獻[7]采用車輛形態(tài)與HSV色彩空間分析相結合的方法,從高分辨率遙感影像中提取車輛信息；文獻[8]基于無人機視頻,利用幀間差分法提取行駛車輛的速度、加速度、車頭間距等運行參數。

1.2 移動檢測方式

移動檢測方式主要包含浮動車技術、車聯網技術、手機信令等。在浮動車技術方面,文獻[9]基于出租車GPS數據提取路段平均速度和交叉口平均延誤；文獻[10]基于浮動車數據獲取路段行程速度、車輛行程延誤時間及路段最大排隊長度；文獻[11]通過浮動車數據獲取車輛軌跡和行程時間；文獻[12]利用滴滴GPS移動傳感器數據提取交叉口最大排隊長度。

在車聯網技術方面,文獻[13]將車輛網技術與人工智能相結合提取密度作為交通狀態(tài)評價指標。

在手機信令方面,文獻[14]基于手機信令提取車輛位置和車速等信息。

1.3 其他檢測方式

除固定檢測和移動檢測方式外,國內外學者還采用其他檢測方式進行交通信息采集。如文獻[15]對浮動車和固定檢測器的檢測數據進行融合,提取精度更高的路段平均車速；文獻[16]利用微波檢測數據、線圈數據和浮動車數據進行數據融合,獲得區(qū)間實時車速；文獻[17]基于固定式和移動式動態(tài)交通數據提取平均車速、飽和度和平均延誤等信息。

1.4 評述

目前的交通信息采集方式能直接獲得的交通數據主要有流量、速度、時間占有率、空間占有率、延誤、排隊長度、車頭時距和車頭間距等。車輛密度作為交通流理論三大基本參數(流量、密度、速度)之一,是交通流狀態(tài)判斷的關鍵參數,但它在實際應用中較難直接檢測。

2 交通狀態(tài)識別研究

干道作為城市道路系統的生命線,在城市交通中發(fā)揮著重大作用。隨著城市交通擁擠愈發(fā)嚴重,國內外學者從“點”和“線”兩個層面對干道交通狀態(tài)識別展開了大量研究。

2.1 “點”層面

在“點”層面,主要從路段和交叉口兩方面進行交通狀態(tài)識別。針對路段,文獻[18]基于GPS浮動車數據建立了模糊綜合評價判別模型；文獻[19]通過對交通流時間序列進行聚類,提出了改進的模糊C均值聚類方法；文獻[20]利用交通視頻,提出了基于直方圖均衡和離散幀差分的路段交通擁擠檢測方法；文獻[21]通過對圖像紋理的分析,以多尺度塊局部二值圖像為特征,提出了基于支持向量分類的路段交通狀態(tài)識別模型。

針對交叉口,文獻[22]選取交叉口飽和度、延誤和行程車速等交通流運行指標,對干線關鍵交叉口進行交通狀態(tài)判別；文獻[23]通過分析視頻檢測數據,提出了基于車輛延誤時間的交叉口交通狀態(tài)判別方法；文獻[24]在兩相位控制交叉口的基礎上,通過投影和反投影提出綜合投影法,建立了適合多相位控制交叉口的交通狀態(tài)判別方法；文獻[25]基于地點平均車速、流量和時間占有率等特征,提出了基于動態(tài)時間彎曲(DTW)相似度量和K－均值聚類的交叉口擁堵檢測方法。

2.2 “線”層面

在“線”層面,國內外相關研究可分為快速路和主干道兩方面。針對快速路,文獻[26]根據微波采集數據,提出了基于改進FCM的交通狀態(tài)判別模型,解決了FCM算法對初始聚類中心過于敏感的問題,提升了模型判別效果；文獻[27]提出了以速度－占有率比、速度差為指標判定交通擁堵的方法；文獻[28]以流量、速度為狀態(tài)評價參數,在不同加權指數m和樣本量n下進行聚類分析,得出m為2.25時FCM判別模型效果最佳；文獻[29]采用譜聚類算法將交通狀態(tài)分為4類,基于分類數據提出了RS－KNN交通狀態(tài)判別模型；文獻[30]以流量－密度為反映空間,提出了基于支持向量機的城市快速路交通擁堵狀態(tài)識別方法。

針對主干道,文獻[31]基于出租車GPS數據,提出了將改進層次分析法和模糊判別法相結合的交通狀態(tài)判別方法；文獻[32]基于浮動車數據,提出了根據交通流量分配多指標權重的改進模糊綜合評價方法；文獻[33]基于交通調查數據將交通流狀態(tài)分為4類,提出了以速度、密度、飽和度為參數的運行狀態(tài)分析指標體系；文獻[34]將粒子群優(yōu)化算法引入隱馬爾可夫模型訓練中,結合Baum－Welch算法與Viterbi算法,提出了基于改進隱馬爾可夫模型的交通擁堵態(tài)勢識別機制。

2.3 評述

總體而言,現有研究基于干道交通流特征,綜合運用人工神經網絡、深度學習、圖像識別、模糊理論、統計學等理論與方法,提出了許多交通擁擠識別機制并取得了豐碩應用效果。但在復雜多變的交通環(huán)境下,想要更快、更準確地識別干道交通狀態(tài),還需進一步研究。通過深度學習中的無監(jiān)督學習,可將特征復雜的交通狀態(tài)進行有效的多目標分類,從而避免因人工分類帶來模型判別效果不佳的現象。

3 交通狀態(tài)演變研究

針對道路擁擠問題,不僅需對干道交通狀態(tài)進行精準識別,還需對干道擁擠傳播和消散規(guī)律進行研究。目前,主要采用機器學習方法、仿真模擬方法及其他推演方法進行研究。

3.1 機器學習方法

當前,部分研究通過機器學習方法對速度、流量、旅行時間等交通參數的預測實現交通狀態(tài)間接預測,也有研究直接對交通狀態(tài)進行演變預測。

對于速度預測,文獻[35]在速度時空相關性分析的基礎上,提出了基于時空特性和徑向基神經網絡的速度預測多點模型；文獻[36]提出深度置信網絡DBN模型,實現短時交通速度預測；文獻[37]將現代深度學習模型與經典計算機視覺方法相結合,提出了車速預測方法；文獻[38]利用公交數據,構建了基于長短期記憶神經網絡兩種不同訓練方式的組合預測模型,對短時交通流速度進行預測。

針對流量預測,文獻[39]考慮時空相關性,提出了基于深度學習的堆疊自編碼網絡,實現交通流量預測；文獻[40]基于異構數據,提出了將深度信念網絡DBN和D－S證據理論相結合的大數據框架,實現交通流量短時預測；文獻[41]針對交通流時間序列,在深度學習理論框架下,構建了基于LSTMRNN的城市快速路短時交通流量預測模型；文獻[42]提出了由遞歸神經網絡RNN和卷積神經網絡CNN組成的深度學習混合框架,處理復雜非線性城市交通流量預測問題；文獻[43]利用交通流的周期性和時空特征,提出了基于改進DNN的交通流量預測模型DNN－BTF；文獻[44]應用三維CNN對交通數據從低層到高層的時空相關特征進行聯合學習,設計了端到端的神經網絡模型MST3D,實現車流量預測。

在旅行時間預測方面,文獻[45]選擇深度學習中4種長短期記憶神經網絡對道路旅行時間進行預測,結果表明考慮空間相關性的LSTM模型具有更好的擬合和訓練能力。

針對擁擠狀態(tài)預測,文獻[46]采用深度學習的自編碼網絡生成新特征集,應用Softmax回歸對有標簽的新特征集進行學習并生成預測分類器,實現對交通擁堵狀況的多態(tài)預測；文獻[47]利用可能性理論確定交通狀態(tài)概率分布,提出了基于支持向量機(SVM)的交通狀態(tài)預測方法；文獻[48]基于 Web的地圖服務收集交通流量,提出了基于深度學習的LSTM交通擁擠預測模型；文獻[49]針對短時交通流的非線性特征,提出了將支持向量回歸機SVR和支持向量分類機SVC相結合進行短時交通狀態(tài)預測的方法；文獻[50]將時間序列數據折疊成二維矩陣,通過對輸入矩陣的一系列卷積,提出了基于PCNN深卷積神經網絡的短時交通擁擠預測模型。

3.2 仿真模擬方法

目前主要針對偶發(fā)性擁堵和常發(fā)性擁堵進行仿真模擬研究。對于偶發(fā)性擁堵,文獻[51]基于改進元胞傳輸模型,從路段和路網兩個層面構建了交通擁堵評價指標體系；文獻[52]通過設置“擠車變道”規(guī)則對現有元胞自動機模型進行改進,模擬了堵塞交通流的時空傳播過程；文獻[53]基于車輛換道規(guī)則,建立適用于城市道路偶發(fā)性擁堵交通流行為分析的元胞自動機改進模型,分析了偶發(fā)性擁堵發(fā)生時不同車流密度的車輛排隊和平均車速情況。

對于常發(fā)性擁堵,文獻[54]基于流量,從路段、交叉口、駕駛員、交通網絡4個角度展開研究,建立了城市交通擁堵傳播模型,綜合表達擁堵傳播機理和擁堵控制策略；文獻[55]以平均速度為擁堵評價指標,運用元胞傳輸模型對不同情況下道路擁塞程度進行了仿真；文獻[56]基于元胞傳輸路段模型和元胞傳輸節(jié)點模型,構建了以最小路徑阻抗進行路徑搜索的動態(tài)路徑選擇模型,模擬了交通擁堵的擴散與消散機理。

3.3 其他推演方法

除利用機器學習和仿真模擬兩種方法外,學者們還利用其他理論與方法進行交通狀態(tài)推演研究。文獻[57]利用多元線性回歸分析方法建立交通擁擠預測模型,對交通擁擠狀況進行了日預測；文獻[58]引入從擁塞構造因果樹的算法,基于擁塞的時空信息估計其傳播概率,揭示了現有交通網絡設計中潛在的瓶頸或缺陷；文獻[59]考慮交通流數據的時空不平穩(wěn)性和多重共線性,提出改進PLS－STAR模型,推導了基于實測數據的擁堵時空傳播特性分析方法；文獻[60]基于矩形法繪制規(guī)則建立交通擁堵演變的傳播模型,分析了道路擁堵演變特征,包括常發(fā)或偶發(fā)性擁堵、消散的起止時間、傳播速度及發(fā)生原因等。

3.4 評述

針對交通狀態(tài)演變,目前通過機器學習算法預測了速度、流量、擁擠狀態(tài)、旅行時間等,通過仿真模擬描述了偶發(fā)性擁堵和常發(fā)性擁堵的擴散與消散規(guī)律,通過其他數學模型分析了交通擁堵演變趨勢,積累了豐富的理論和應用成果。但要實現干道交通的精準管控,還需結合新的交通視角與理論方法。深度學習在這方面的表現優(yōu)異,其對于特征復雜、非線性問題突出的情況尤為適用。

4 干道交通狀態(tài)識別及預測框架

干線道路是城市道路系統的主動脈,一旦干線擁堵,將帶來交通設施使用效率降低、出行時間增加、空氣和噪聲污染加劇等問題,對社會造成嚴重損失。而目前針對精細化交通管控的城市道路交通狀態(tài)識別及預測尚未形成成熟的框架體系。為此,在國內外相關研究的基礎上,以深度學習技術為核心,建立圖1所示城市干道交通狀態(tài)識別及預測框架。

為從廣域視角深入研究交通狀態(tài)演變規(guī)律,利用無人機或高點監(jiān)控視頻對城市干道交通流信息進行采集,通過改進Faster－RCNN卷積神經網絡提取車輛密度和流量,結合多尺度KCF優(yōu)化算法進行高空視頻車輛跟蹤,提取微觀軌跡數據,如車速、加速度、變道次數等。然后基于交通流參數分析交通流隨時間和空間的變化特征,利用堆疊式稀疏自編碼模型將特征復雜的交通狀態(tài)進行多目標分類,結合K－均值聚類構建更準確的干道交通狀態(tài)判別模型。針對精細化交通管控,基于車道單元將道路網格化,進行車道及車道組、路段單元及路段交通狀態(tài)的空間狀態(tài)融合。

考慮到交通參數的時變性,利用深度學習中長短期記憶網絡LSTM模型對交通參數進行預測,間接地實現交通狀態(tài)預測。同時,為更直觀地分析交通狀態(tài)演變趨勢,運用考慮時間因素的三維卷積神經網絡3D－CNN模型,實現對交通狀態(tài)的直接預測。通過兩種方式的對比,深入探析交通擁堵的時空演變機理、擁堵傳播及消散規(guī)律,輸出可靠的交通狀態(tài)信息。

圖1 城市干道交通狀態(tài)識別及預測框架流程

5 結語

該文圍繞干道交通狀態(tài)識別與演變,對當前交通信息采集、交通狀態(tài)識別和交通狀態(tài)演變等研究進行綜述,初步建立以深度學習為核心的基于高空視頻廣域視角的城市干道交通識別及演變分析框架,從鳥瞰的視角觀測交通擁擠狀態(tài)、探析交通擁擠演變機理,為城市交通預測與精細化管控提供新的方式與視角。但由于高空視頻環(huán)境下車輛目標特征不明顯,車輛輪廓尺寸與整個道路場景尺寸比值小,想要通過視頻車輛檢測算法及時、準確地提取車輛密度還有一定難度。同時,深度學習雖然在目標識別方面取得了豐富成果,但要想從高空廣域視角及時、高效地獲取車輛數,其算法還需進一步優(yōu)化。

城市干道交通狀態(tài)識別及演變機理研究是一個系統工程,從交通數據實時采集到交通狀態(tài)準確識別,再到交通狀態(tài)演變分析與預測,最后輸出可靠的交通狀態(tài)信息,其中涉及大數據清洗和融合、視頻車輛檢測、深度學習理論和交通流理論等,如何有機地將各方面研究整合到一起,實現更準確、更高效的城市干道交通狀態(tài)識別及預測還有待進一步研究。