多元數據融合環境下的交通擁堵分析方法探析

上海市交通發展研究中心

0 引 言

道路交通信息化快速發展，多元數據融合條件下道路交通擁堵治理在思路與方法上，與以往相比都產生了較大的突破。如果說傳統調查加經驗判斷對于交通狀態的判別是管中窺豹或囫圇吞棗，現在的大數據融合研判則是逐步向著實時感知、全面獲取、追蹤溯源、快速響應的方向發展。這種變化使得道路交通相關工作者對交通狀態乃至交通需求的研判，在時空、方式諸多影響因素上更加客觀和全面，使得擁堵治理研究基礎更加穩固、問題分析更加知微見著、方案的研究和實施更加具有針對性。

道路交通相關的數據信息主要分為交通設施供應、交通出行需求以及交通運行狀態，即道路、附屬設施及交通管理在內的通行環境，包括機動車、慢行在內的出行時空特征，以及包括交通流量、車速、擁擠度等在內的交通的運行狀態。

1 道路交通環境的信息化

交通地理信息系統GIS-T（Geography Information System-Transportation）在交通規劃、交通管理行業中的普及和應用，以及交通運行數據的日益豐富，使得道路交通建模分析不再是靜態的半封閉系統，而是逐步形成可以與交通信息平臺、行業運行數據甚至互聯網地圖動態數據相連通的動態的開放式系統，作為一個模塊更好地融入到越來越高度集成的道路交通管理乃至城市管理的大平臺中。

道路交通的運行狀態，無論暢通或擁堵，均由道路容量供應和交通需求共同作用形成。道路容量供應又由靜態的道路設施和動態的管理方案同時決定。這其中，作為道路交通環境的網絡和附屬設施信息化是實現交通大數據融合應用和道路交通智慧管理的基礎。

1.1 道路網絡及附屬設施的地理信息化

道路網絡實現靜態的地理信息化，為道路管理提供了可視化的數據處理、篩選、分析、展現的圖形基礎。比之在地圖冊上標記并開展研究工作效率大有提升，同時讓路徑分析和出行模擬成為可能，將道路交通的管理和研究從節點表象推動到源頭和路徑分析的層面。

圖1 蘇州河沿線局部道路網絡示意圖

1.2 道路交通管理信息化與可計算路網

在靜態屬性的道路網絡基礎上，當道路的交通管理方案、信控方案尤其是實時的信號狀態作為動態屬性接入道路網絡，道路作為交通供應端，再結合動態的交通流數據，其實時、動態的服務能力計算和運行狀態評估才有了精細、量化和實時校準的可能。相比以往對道路容量通過靜態屬性賦值的粗獷計算，引入動態管理信息的邏輯計算讓系統模擬精度和方案測試效果有了質的提升。

道路交通管理信息及附屬設施信息主要包括以下幾個方面：

（1）車道信息：路段及交叉口車道屬性，包括方向、斷面類型、車道數、交叉口車道轉向、專用道等，尤其是可變車道、時段性專用道等動態變化的車道信息；

（2）交通管理：單行道、禁止轉向、車型限制等；

（3）信號信息：信控配時、信號優先等信息，包括靜態方案，乃至動態實時狀態信息；

（4）附屬設施：與交通管理相對應的道路附屬設施，包括標線、標志標牌、護欄隔離欄、信息板、信號燈及其他外場設施等。

圖2 宣城公安交通大腦可計算路網示意圖（圖片來源于網絡）

2 道路交通需求的感知與推算

與交通供應端相對的，交通需求及出行特征是形成最終道路運行狀態的另一因素。

交通方式中與道路交通改善研究相關的主要是小汽車、出租車（含網約車）、公交車及非機動車幾類。通過分類研究各方式出行的規模、分布及時間情況，摸清一個區域的道路交通需求根本特征，再結合道路流量、車速等運行狀態分析擁堵發生的邏輯和改善方案。

在傳統方法中，掌握出行特征主要通過傳統的抽樣問卷調查獲取，時段上是局部的、特征日的，樣本覆蓋上比例較小。總體特征只能通過簡單的或者復雜的擴樣估算。在大數據環境下，可以借助手機信令、手機app數據及各類交通行業大數據來獲取或估算這些特征，而且樣本量更大，覆蓋度更加全面，時間和空間上更廣，且可以追溯和補充分析。

2.1 全方式交通出行

全方式的出行雖然不是直接和道路交通相關，但它更加直接地反應了一個地區的需求，且往往和人口、崗位直接關聯，對于了解該區域的整體情況十分必要。目前估算區域全方式出行特征，手機信令、微信等數據是比較好的數據媒介。人們對微信使用的普及度和頻度可以保障樣本的覆蓋面。此外全方式的出行特征，可以和后面分方式的特征匯總后相互校核。

圖3 基于手機信令的人員分布和全方式出行分布示意圖

2.2 公共交通出行

以上海第二代公交IC卡POS機數據為例，通過公交IC卡記錄、車輛GPS、電子路單的組合碰撞，并結合公交IC卡進出軌道交通的記錄，推算獲取刷卡用戶出行特征。隨著新一代有定位信息的POS機的普及應用，該算法復雜度將大幅度下降，出行特征推算精度將持續提高。

圖4 公交刷卡用戶出行特征推算示意

2.3 出租車出行

對于出租車出行數據的分析已經比較成熟，近年隨著網約車的占比不斷提高，甚至反超巡游出租的客運規模，使得對網約車的分析也變得必不可少。出租車和網約車兩種方式，作為車輛出行可以作為全樣數據來分析，直接得出該方式的車輛出行規模、時空分布特征。尤其是對道路運行狀態的評估，也是很好的數據來源。

圖5 節假日崇明島網約車上客點及下客點分布

2.4 小汽車出行

對普通小汽車方式出行分布和時間特征的分析，可以借助導航數據、新能源車GPS記錄等數據進行分析。

與出租車數據采用同樣的技術方法分析其出行特征，不同之處在于，出租車幾乎可以認為是全樣數據，但普通社會車輛僅能獲取部分數據。

但對于普通社會車輛的分析，其另有一處優勢在于，可以通過停車場的進出車輛統計數據進行擴樣，這與目前在實踐中的IDPS（Infrastructure Data Platform System）系統中采用的某些思路不謀而合。

2.5 非機動車出行

共享單車的強勢推廣，為人們非機動車出行提供了便利，也為非機動車出行特征的研究提供了豐富的數據資源，具有大數據的一切優點，只是在騎行路徑上尚不容易獲取。但騎行起終點、規模和時間記錄已經能夠幫助我們摸清楚一個區域非機動車方式的功能和需求特征，對于深入研究道路上的機非關系有著突出的作用。比如，局部節點機動車流量與車速不能達到理論上的一致性，那么就有可能是受到非機動車或者行人的影響，這在現場是十分容易分辨的，但借助大數據卻可以在更大的區域范圍內自動篩選出存在這些情形的節點。

圖6 新能源車輛出行特征分析及借助停車場（含出入口）數據輔助分析

3 道路運行評估與擁堵篩查

道路運行分析和狀態評估有交通量、飽和度、車速及擁堵里程等基本要素，以及通過特定算法定義的各類交通指數來描述運行狀態，如上海市的道路交通擁堵指數和高德的延時指數等。此外通過從時空上對比某些基本要素可以分析出特定的交通特征，如根據流量和車速的變化分析出某些路段或者交叉口轉向的潮汐特征。

圖7 共享單車的起終點分布示意圖

3.1 車速的分析

在利用大數據分析道路運行特征的基本要素里，車速分析是相對較為容易實現的。一是數據來源較多，根據研究區域的區位、業態或功能以及交通構成特點，可以選擇出租車、公交車、新能源車輛、兩客一危車輛以及互聯網地圖數據等等；二是只需要一定量的樣本數據即可計算車速，無需全樣數據，即可覆蓋范圍齊全的路段及網絡。

車速是篩選擁堵區域的最直接有效的指標，也是計算擁堵里程和分析潮汐特征的重要指標之一。車速與交通量、道路容量、飽和度綜合分析，可以用來評判道路設施供應及管理有效性。

圖8 車輛GPS散點車速與路段車速分析示意圖

3.2 流量及飽和度

與車速分析不同，道路交通流量理論上要求全樣統計，在數據的獲取上成本較高而靈活度較低。傳統的人工觀測，由于成本和工作周期，調查響應速度和時空覆蓋面都受到制約，人工觀測也存在不可避免的誤差，且難以回溯；管理部門的線圈數據、視頻采集數據，在時間維度上較為完備，顆粒度和時間周期都可以靈活獲取，但受限于固定設施的投資建設，點位覆蓋度無法靈活補充。基于目前的數據資源，通常需要以設施采集數據為基礎，以缺失點位的人工調查為補充，并通過道路交通模型的分配來模擬完整網絡的交通量分布。從整個路網的分析來說，數據獲取和模型調校的工作周期較長。

與交通量對應的交通飽和度，是建立在對道路容量的人為標定的基礎上的，難以做到全網的精細化。隨著交通模型與交通管理信息的聯網探索，對道路容量的精細化動態計算成為可能，未來對路網飽和度的評價將能夠更加符合實際情況。

圖9 衡山路車速（上圖）與擁堵里程（下圖）的時間變化

圖10 路段流量飽和度及高峰車速模擬

綜合道路交通量、飽和度、車速等基本指標，從宏觀路網層面高效精準地聚焦至擁堵片區、擁堵路段和節點，為進一步的擁堵分析和治理提供了較為全面和客觀的基礎，是大數據環境下交通擁堵分析和研究的最大優勢。

3.3 設施與管理問題的發現

結合道路動態通行能力，對交通流量與車速的理論一致性判斷，可發現實際運行中存在的相互干擾情形，包括社會車輛之間、公交車與社會車輛之間、車輛與非機動車或行人之間的干擾，導致道路實際通行能力與理論通行能力的差異，進而分析設施在局部設計上、管理上可能存在的問題。

3.4 運行狀態發展趨勢的預判

以長期運行狀態監測為基礎，并綜合分析車輛保有量、公交客運量、區域道路設施供應及相關政策因素，對未來近期交通發展態勢可進行預判。如上海中心城道路交通指數（月均值）的分析顯示，早晚高峰時段及晚高峰后時段交通指數平均每年增長5%-7%，加入車輛保有量因素，并篩選出擬合值較好的路段區間，可以作為預判交通運行態勢發展的工具。

4 擁堵識別后的治理思路

4.1 人流密集區域的慢行交通改善

對于大數據識別出的非機動車、行人出行密集區域，需要關注寬馬路的行人過街、非機動車左轉、非機動車二次過街以及慢行空間問題，這些因素與機動車之間的沖突，將導致安全隱患和擁堵誘因。

4.2 基于潮汐特征的可變車道措施

根據路段分方向分時段的交通量、路段車速識別出的具有潮汐特征的路段，根據道路設施條件，可以考慮潮汐車道或者交叉口轉向可變車道措施，并根據方案預評估結果建議實施與否。

4.3 公交港灣車站改造

對于公交站點前、后路段區間內，社會車輛車速有明顯差異的，結合道路設施條件，可以考慮實施港灣式公交站改造措施，降低社會車輛與公交車停站之間的相互影響。

4.4 其他擁堵治理思路

對擁堵片區、路段及節點的治理措施，還包括交叉口的渠化和信號優化、根據設施條件道路擴容、增加安全設施提高交通秩序等方面。

5 結語與展望

大數據環境下，對交通需求及道路運行狀態的分析，一是在時間維度上能夠跨度更廣、更加連續，并且可以追溯，這使得我們可以減少傳統調查中的偶發因素影響，進而比較全面地分析各種特征日期、各個時段的交通情況，甚至可以追溯當時是否受氣象、交通事件的影響，讓研究和方案的制定更加客觀；二是在空間維度上，研究的覆蓋面更廣，尤其是信息化建設較為完善的城市或區域，使得研究者可以從宏觀的層面入手，以上帝視角掌握區域交通需求和道路交通的運行情況，快速聚焦擁堵區域和節點，減少漫無目的的掃街，或者可以在現場調研時更加有針對性，提高研究效率；三是從供需匹配的角度，通過對比公交車、小汽車的車速，分析流量與車速關系，分析非機動車的需求分布，除了能夠自動篩選出擁堵區域、路段和節點外，還能夠幫助分析擁堵的成因，為研究治理方案打好基礎。另一方面，大數據的助力，只是幫助快速聚焦和輔助分析，并不能完全替代現場的調研，當前階段對路面現場的調研和交通體驗對于擁堵治理仍然是十分重要的。

圖11 上海每月不同時段道路交通指數變化圖

圖12 上海快速路特征區間交通指數發展趨勢擬合曲線圖

總的來說，大數據環境為道路交通擁堵治理和交通環境改善研究提供了更廣闊的視野，要素分析的時空覆蓋更全面，為擁堵治理智慧化模塊化提供了可實現的基礎。但同時，目前發展階段也還存在迫切需要完善的方面，如信息采集與共享、管理聯動等方面。未來隨著基礎信息的進一步完善、信息共享機制的健全、治理工作的聯動，道路交通管理工作也將朝著更加高效、科學、精準和越來越精細化的方向發展。