吳中　張津瑋　楊海飛　吳瓊

摘 要：雨天城市道路交通擁堵頻發(fā)，交通運(yùn)行在道路網(wǎng)絡(luò)各路段間的交互影響較晴天明顯增強(qiáng)。本文針對(duì)傳統(tǒng)出行時(shí)間預(yù)算模型應(yīng)用的局限性，考慮雨天各路段間行車延誤的相互影響，改進(jìn)了走行時(shí)間方差的計(jì)算方法，提出一種雨天城市道路交通擁堵概率預(yù)測(cè)方法。選取南京市某行車路徑進(jìn)行驗(yàn)證，通過4種工況、3種模型走行時(shí)間的比較，發(fā)現(xiàn)考慮相關(guān)性的分段組合模型更接近整體路徑分布情況，且擁堵概率預(yù)測(cè)準(zhǔn)確率大于90%。研究結(jié)果表明：本文提出的預(yù)測(cè)模型能有效預(yù)測(cè)城市道路雨天擁堵情況，可為雨天道路適應(yīng)性評(píng)價(jià)和交通管控提供依據(jù)。

關(guān)鍵詞：交通運(yùn)輸系統(tǒng)工程;擁堵概率預(yù)測(cè);雨天;走行時(shí)間;路段相關(guān)性

中圖分類號(hào)：U491

文獻(xiàn)標(biāo)識(shí)碼： A

城市道路交通網(wǎng)絡(luò)的運(yùn)行是一個(gè)復(fù)雜的隨機(jī)過程，在常發(fā)性惡劣天氣降雨作用下，因路面附著系數(shù)降低[1]、水膜溜滑[2]、制動(dòng)距離增大、視距受阻[3]、駕駛員操作行為波動(dòng)[4]等原因，會(huì)影響路網(wǎng)交通流的正常運(yùn)行。由于雨天易誘發(fā)城市道路局部交通需求聚集，導(dǎo)致交通行為秩序混亂，造成城市道路間影響程度加深、擁堵加劇。

雨天對(duì)車輛運(yùn)行速度和延誤有直接的負(fù)面影響[5-6]。目前對(duì)城市道路雨天擁堵現(xiàn)象的研究較多，且隨著移動(dòng)網(wǎng)絡(luò)技術(shù)的普及，交通擁堵預(yù)測(cè)研究已初現(xiàn)雛形。以晴好天氣的路段旅行時(shí)間為研究對(duì)象，Chen等[7]提出了一種基于卷積的深度神經(jīng)網(wǎng)絡(luò)周期性交通數(shù)據(jù)建模方法PCNN，短時(shí)預(yù)測(cè)交通擁堵情況;Sun等[8]將交通擁堵狀態(tài)看作交通流參數(shù)的映射函數(shù)，采用并行k-means聚類法獲得擁堵預(yù)測(cè)的可能性分布;王殿海[9]、陳明明[10]等以歷史數(shù)據(jù)擬合結(jié)果為依據(jù)，用整體路徑和串并聯(lián)理論估計(jì)路段獨(dú)立時(shí)組合路徑的行程時(shí)間可靠性，未考慮不同天氣和交通狀態(tài)條件時(shí)路段相關(guān)性的差異。對(duì)雨天的預(yù)測(cè)也有一些研究，Lee等[11]利用多元線性回歸分析法，考慮天氣對(duì)旅游區(qū)交通擁堵造成的影響;劉暢等[12]分別考慮時(shí)段和天氣對(duì)交通狀況的影響，基于隨機(jī)森林算法短時(shí)預(yù)測(cè)交通擁堵指數(shù)，多是對(duì)擁堵等級(jí)進(jìn)行分級(jí)預(yù)測(cè)，缺少對(duì)城市道路雨天和不同時(shí)段交通狀態(tài)的綜合擁堵概率預(yù)測(cè)，且雨天這一復(fù)雜天氣下的預(yù)測(cè)精度也有待提高。

本文以雨天城市道路為研究對(duì)象，考慮路徑中各組合路段的相關(guān)關(guān)系，根據(jù)路徑走行時(shí)間的分布，建立城市道路雨天擁堵概率的計(jì)算模型，為雨天交通管理與控制和道路適應(yīng)性評(píng)價(jià)提供依據(jù)。

如表2所示，表中的預(yù)測(cè)走行時(shí)間顯示了出行者對(duì)不同工況時(shí)城市道路擁堵程度的估計(jì)情況。在高峰工況下，雨天的預(yù)測(cè)時(shí)間比晴天長12.065 7 min、擁堵概率高8.700 7%;在平峰時(shí)段工況下，雨天的預(yù)測(cè)時(shí)間比晴天長3.481 5 min、擁堵概率高4.386 7%。出行者在雨天的擁堵判別時(shí)間更長、分布帶寬更長，會(huì)預(yù)留更長的走行時(shí)間以規(guī)避擁堵風(fēng)險(xiǎn)。

由3種模型所得的擁堵概率預(yù)測(cè)結(jié)果來看：整體路徑模型預(yù)測(cè)結(jié)果更接近實(shí)測(cè)擁堵概率，且4種工況的預(yù)測(cè)結(jié)果準(zhǔn)確率均為100%，預(yù)測(cè)發(fā)生擁堵的走行時(shí)間全部符合真實(shí)情況;傳統(tǒng)獨(dú)立模型預(yù)測(cè)的擁堵概率和準(zhǔn)確率P均較低，低估了雨天擁堵發(fā)生的可能性;分段組合模型預(yù)測(cè)的擁堵概率高于整體路徑模型，對(duì)擁堵概率的估計(jì)相對(duì)保守，但此時(shí)4種工況預(yù)測(cè)結(jié)果的準(zhǔn)確率均超過90%，P值遠(yuǎn)高于傳統(tǒng)獨(dú)立模型，表明通過各個(gè)路段分段組合計(jì)算路徑擁堵概率的模型方法可行。

此外，根據(jù)模型計(jì)算的擁堵延誤時(shí)間和擁堵概率還可以為雨天道路適應(yīng)性評(píng)價(jià)和交通管理控制措施的制定提供理論支持：即針對(duì)城市特定路段或路徑，以此方法計(jì)算的不同天氣、不同交通狀態(tài)下的預(yù)測(cè)走行時(shí)間和擁堵概率為依據(jù)，可判定雨天和高峰時(shí)該道路的適應(yīng)性程度，進(jìn)一步采取調(diào)整信號(hào)時(shí)長、加強(qiáng)向附近暢通路段的引導(dǎo)、自適應(yīng)限流等措施來緩解道路擁堵情況。

4 結(jié)論

根據(jù)上述探討，得出以下結(jié)論：

（1）本文將雨天這一天氣因素作為擁堵預(yù)報(bào)的主體對(duì)象，針對(duì)城市道路雨天更為嚴(yán)重的擁堵問題，提出一種雨天擁堵概率計(jì)算模型，并以南京市某行車路徑為例進(jìn)行驗(yàn)證。

（2）預(yù)測(cè)模型考慮了路徑中各組合路段間的相關(guān)性，在走行時(shí)間方差的計(jì)算中加入路段協(xié)方差，改進(jìn)了走行時(shí)間方差的計(jì)算方法，其計(jì)算結(jié)果更接近實(shí)際整體路徑情況。

（3）實(shí)例表明：城市道路雨天擁堵概率計(jì)算模型可以反映出行路徑發(fā)生擁堵的可能性，分段組合模型計(jì)算的擁堵概率預(yù)測(cè)準(zhǔn)確率P大于90%，能有效預(yù)測(cè)城市道路雨天的擁堵情況。

（4）本文提出的城市道路雨天擁堵概率預(yù)測(cè)方法可為雨天道路適應(yīng)性評(píng)價(jià)和交通管控提供依據(jù)。在后續(xù)的研究中，可嘗試根據(jù)降雨量細(xì)分雨天影響，進(jìn)一步提高預(yù)測(cè)精度，并考慮超額延誤時(shí)間對(duì)擁堵概率的影響，基于本文所建模型開展更復(fù)雜路網(wǎng)的擁堵概率預(yù)測(cè)研究。

參考文獻(xiàn)：

[1]王笑.? 暴雨天氣下城市快速路交通流特性研究[D]. 北京：北京交通大學(xué)，2015.

[2]季天劍，黃曉明，劉清泉，等. 道路表面水膜厚度預(yù)測(cè)模型[J]. 交通運(yùn)輸工程學(xué)報(bào)，2004（3）：1-3.

[3]WANG Y Q，LUO J. Study of rainfall impacts on freeway traffic flow characteristics[J].? Transportation Research Procedia， 2017， 25： 1533-1543.

[4]祝站東，榮建，周偉. 不良天氣條件下的駕駛行為研究[J]. 武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2010，34（5）：1040-1043.

[5]KONDYLI A， ST GEORGE B， ELEFTERIADOU L， et al. Defining， measuring， and modeling capacity for the highway capacity manual[J].? Journal of Transportation Engineering， Part A： Systems， 2017， 143（3）：38-47.

[6]ASAMER J， VAN ZUYLEN H J. Saturation flow under adverse weather conditions[J].? Journal of the Transportation Research Record， 2011（2258）： 103-109.

[7]CHEN? M， YU X H， LIU Y. PCNN： deep convolutional networks for short￣term traffific congestion prediction[J].? 2018 IEEE Transactions on Intelligent Transportation Systems （TITS）， 2018（99）： 1-10.

[8]SUN Z Q， LI Z， ZHAO Y L. Traffic congestion forecasting based on possibility theory[J].? International Journal of Intelligent Transportation Systems Research， 2016， 14（2）：85-91.

[9]王殿海，湯月華，陳茜，等. 基于GPS數(shù)據(jù)的公交站點(diǎn)區(qū)間行程時(shí)間可靠性影響因素[J]. 東南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2015， 45（2）： 404-412.

[10]陳明明. 基于統(tǒng)計(jì)分布的城市道路行程時(shí)間可靠性研究[D]. 西安：長安大學(xué)，2016.

[11]LEE J W， HONG B H，? LEE K M， et al.? A prediction model of traffific congestion using weather data[J].? 2015 IEEE International Conference on Data Science and Data Intensive Systems， 2015（96）： 81-88.

[12]劉暢，胡東明，周芯玉，等. 廣州道路交通擁堵的降雨影響分析及短時(shí)預(yù)報(bào)[J]. 廣東氣象， 2019（4）： 46-50.

[13]Transportation Research Board Business Office. Highway capacity manual 2008[M].? Washington， D.C： National Research Council， 2009.

[14]LO H K， LUO X W， SIU B. Degradable transport network： travel time budget of travelers with heterogeneous risk aversion[J].? Transportation Research Part B， 2006， 40（9）：792-806.

[15]DAGANZO C F. Requiem for second-order fluid approximations of traffic flow[J].? Transportation Research Part B， 1995， 29（4）： 277-286.

（責(zé)任編輯：曾 晶）