魏傳佳

(泉州輕工職業(yè)學(xué)院 智能工學(xué)院，福建 泉州 362200)

在過去的幾十年中，由于智能交通[1]系統(tǒng)(ITS)的快速普及使得交通領(lǐng)域的大數(shù)據(jù)從不同的地理范圍和不同來源得以收集．海量的、看似無序的數(shù)據(jù)可以大大增強(qiáng)專家對(duì)他們系統(tǒng)的理解．此外，由于運(yùn)輸中大數(shù)據(jù)的實(shí)時(shí)性，因此可以實(shí)現(xiàn)主動(dòng)流量管理，使得交通系統(tǒng)的性能得以提高．長期以來，運(yùn)營效率和交通安全一直被視為公路系統(tǒng)績效評(píng)估的重中之重．效率可以用交通擁塞來衡量，而安全則是通過碰撞分析來研究的．

本文以福建中南部高速公路管理局的系統(tǒng)為研究對(duì)象．這個(gè)系統(tǒng)由三條高速公路組成，這些高速公路位于人口密集的城市地區(qū)．收費(fèi)高速公路是相通的市區(qū)、機(jī)場(chǎng)和其他地方，該系統(tǒng)設(shè)有多個(gè)ITS系統(tǒng)，用于電子收費(fèi)和記錄旅客信息．275個(gè)MVDS探測(cè)器分布在高速公路上，平均間距小于1 500 m，綜合交通流參數(shù)按1分鐘為準(zhǔn).因此，大規(guī)模的地理部署和連續(xù)的數(shù)據(jù)收集為全面的網(wǎng)絡(luò)性能的評(píng)估提供了可靠的大數(shù)據(jù)來源．本文基于MVDS數(shù)據(jù)進(jìn)行實(shí)時(shí)運(yùn)行和安全分析，期望大數(shù)據(jù)分析對(duì)實(shí)時(shí)交通運(yùn)行和安全監(jiān)控起到優(yōu)化的作用．

1 數(shù)據(jù)準(zhǔn)備

本研究中由G72，G15和G76組成的高速公路系統(tǒng)，如圖1所示．G72穿越德化縣、永春縣、泉州市，可以容納更多的通勤．G15連接泉州、漳州縣市． G76連接龍巖市、漳州市．G76和G72兩者都與G15連接．在整個(gè)系統(tǒng)上，總共安裝了275個(gè)MVDS探測(cè)器．表1顯示了目前在每條高速公路上部署MVDS系統(tǒng)．從表中可以看出，系統(tǒng)得到了很好的覆蓋，相鄰探測(cè)器之間的平均距離小于1.5 km．

圖1 福建中南部高速地圖

表1 高速公路MVDS系統(tǒng)分布

研究表明，2016-2018期間三條高速公路共發(fā)生581起事故，其中243條為后端擁塞(表2)．與其他兩條高速公路相比，G15在三條高速公路中具有最高的碰撞數(shù)和后端碰撞率．這種現(xiàn)象歸因于G15上的大量交通量和通勤量．

對(duì)于每次碰撞，碰撞前5-10分鐘的交通數(shù)據(jù)來自兩個(gè)上游和兩個(gè)下游MVDS探測(cè)器，如圖2所示，最接近碰撞位置的數(shù)據(jù)被收集和累加．

圖2 擁塞區(qū)與偵測(cè)器位置

2 算法設(shè)計(jì)

2.1 實(shí)時(shí)擁塞監(jiān)控

本文采用基于速度的擁塞指數(shù)來測(cè)量空間和時(shí)間尺度上的擁塞強(qiáng)度．自由流速是檢測(cè)第85個(gè)百分位速度位置．根據(jù)公式(1)，CI是一個(gè)在0和1之間的連續(xù)變量．CI值的增加表明擁塞程度增加，在每個(gè)檢測(cè)位置上，CI以5分鐘的間隔完成聚合，通過創(chuàng)建填充等高線圖譜顯示其擁塞分布．

(1)

2.2 隨機(jī)森林

隨機(jī)森林[2-4]是一個(gè)集合分類器，使用多決策樹模型選出最受歡迎的類，單決策樹會(huì)產(chǎn)生高差異或偏差．相比之下，隨機(jī)森林提供了無偏估計(jì)．此外，強(qiáng)大的大數(shù)定律保證了隨機(jī)森林對(duì)過度擬合的魯棒性．

在實(shí)時(shí)交通安全評(píng)估中，隨機(jī)森林的基本應(yīng)用是評(píng)價(jià)變量的重要性．當(dāng)該單個(gè)變量的OOB(包外)數(shù)據(jù)被置換時(shí)，隨機(jī)森林算法通過查看預(yù)測(cè)誤差增加多少(或精度降低多少)來評(píng)價(jià)變量的重要性．另一個(gè)衡量標(biāo)準(zhǔn)是用節(jié)點(diǎn)總減少量的基尼系數(shù)來表示，該變量系數(shù)來自所有樹的平均值．前一項(xiàng)評(píng)價(jià)的缺點(diǎn)是高估了相關(guān)變量的重要性．后一項(xiàng)對(duì)許多類的因子預(yù)測(cè)表現(xiàn)不佳．

2.3 貝葉斯logit模型

為了預(yù)測(cè)實(shí)時(shí)擁塞的可能性，評(píng)估了貝葉斯[5-7]框架下的邏輯回歸模型．邏輯回歸模型及其擴(kuò)展已被廣泛用于實(shí)時(shí)安全性研究，其中包含來自不同來源的數(shù)據(jù)，幾何特征和天氣數(shù)據(jù)也被證明在邏輯模型中很有用．因此，這種統(tǒng)計(jì)方法能夠處理來自不同來源的信息．隨著大數(shù)據(jù)的快速發(fā)展，預(yù)計(jì)未來可以將新數(shù)據(jù)源納入此建?？蚣苤校繕?biāo)變量是擁塞發(fā)生的二進(jìn)制指標(biāo)，擁塞情況的概率為p(y= 1)，非擁塞情況的概率為1-p(y= 0)．本文構(gòu)建了三種邏輯模型，并對(duì)它們的性能進(jìn)行了比較：(1)匹配事件對(duì)照邏輯模型；(2)固定效應(yīng)邏輯模型；(3)區(qū)分峰值和非峰值時(shí)間隨機(jī)參數(shù)邏輯模型．公式如下：

y=二項(xiàng)式(pi,1)

(2)

對(duì)于模型(1)，

(3)

對(duì)于模型(2)，

(4)

對(duì)于模型(3)，

(5)

使用WinBUGS軟件進(jìn)行模型校準(zhǔn)．模擬三條鏈路，在15 000次迭代中，將前5 000次迭代作退化模擬．通過檢查三條鏈路的跡線圖是否彼此重疊，來確保參數(shù)的收斂性．本文使用偏差信息準(zhǔn)則(DIC)作為一種評(píng)價(jià)貝葉斯模型復(fù)雜度和擬合度的方法，較小的DIC預(yù)示著更好的數(shù)學(xué)模型．使用貝葉斯可信區(qū)間(BCI)用于參數(shù)估計(jì)，假設(shè)95%的(BCI)不包含0，那么變量的影響是非常顯著的．

3 擁塞監(jiān)控與建模結(jié)果分析

3.1 擁塞評(píng)估

如上所述，每個(gè)站點(diǎn)以五分鐘的間隔聚合CI值．為了獲取更穩(wěn)定擁塞段和持續(xù)時(shí)間的數(shù)值，本文以每天的數(shù)據(jù)進(jìn)行持續(xù)計(jì)算．TTI表示CFX的擁塞度，1.25和2.0的TTI定義為中度和高度擁塞的閾值．給定兩個(gè)TTI擁塞閾值的實(shí)際行進(jìn)速度和自由流速度之間的比率是4∶5和2∶1,它們分別相當(dāng)0.2和0.5的CI值．

所以，設(shè)定CI值為0.2和0.5作為中等和高擁塞閾值[8]．如圖3(a)-(d)所示，擁塞程度與特定時(shí)間和當(dāng)前擁塞條件關(guān)系密切．對(duì)于同一條高速公路，在多個(gè)檢測(cè)點(diǎn)上識(shí)別早晨和晚上的高峰時(shí)間．對(duì)于相同的位置，擁塞程度在一天中的不同時(shí)間有著顯著的不同．因此，為了實(shí)現(xiàn)更準(zhǔn)確的擁塞檢測(cè)，需要連續(xù)監(jiān)視．對(duì)于交通安全研究，還應(yīng)使用實(shí)時(shí)擁塞測(cè)量來揭示擁塞對(duì)碰撞事件的真實(shí)影響．

圖3 (a)-(d)擁塞程度仿真關(guān)系圖

3.2 變量選擇

基于R的數(shù)據(jù)挖掘工具Rattle構(gòu)建了變量選擇的隨機(jī)森林模型．在模型中，每次拆分時(shí)，隨機(jī)抽取4個(gè)變量．在隨機(jī)森林中樹的數(shù)量不應(yīng)太小，以確保每次模擬至少可以預(yù)測(cè)幾次，本算法設(shè)置了500個(gè)樹．從37個(gè)變量中找出重要性排名前20的變量，剔除其他不重要的17個(gè)變量．圖4描述了兩種不同的變量排序方法，但是得出的前20個(gè)重要變量的類型差異不大．?dāng)?shù)量、高峰時(shí)段、平均速度和擁塞指數(shù)的對(duì)數(shù)是關(guān)鍵變量．然而，在確定要納入最終模型的變量之前，應(yīng)檢驗(yàn)變量之間的相關(guān)性．為解決此問題，作者在表3中進(jìn)行了相關(guān)性檢驗(yàn)，并進(jìn)行了簡單的邏輯回歸分析，除了控制相關(guān)性之外還保留重要變量．

圖4 基于隨機(jī)森林的變量重要性曲線

表3 變量模型中的相關(guān)性測(cè)試結(jié)果

表4 變量模型中統(tǒng)計(jì)分析結(jié)果

綜合隨機(jī)森林，相關(guān)性檢驗(yàn)和初步Logistic回歸的結(jié)果，得到四個(gè)變量．表4中提供了這些變量的描述性統(tǒng)計(jì)數(shù)據(jù)．

4 結(jié)語

智能交通系統(tǒng)在過去幾十年的快速發(fā)展促進(jìn)了大數(shù)據(jù)在交通領(lǐng)域的實(shí)施．利用大數(shù)據(jù)的強(qiáng)大功能來提高流量系統(tǒng)的性能．本研究中，使用實(shí)時(shí)微波車輛檢測(cè)系統(tǒng)(MVDS)進(jìn)行數(shù)據(jù)監(jiān)測(cè)和改善泉州中部城市高速公路交通運(yùn)行．從體積、速度和變化的角度來看，MVDS應(yīng)被視為大數(shù)據(jù)的獲取的主要來源．檢測(cè)系統(tǒng)按每分鐘每車道的車輛類型獲取實(shí)時(shí)的速度、體積、車道占用率．基于這些數(shù)據(jù)，為三條高速公路開發(fā)了擁塞檢測(cè)和實(shí)時(shí)安全分析系統(tǒng)．

傳統(tǒng)解決擁塞的措施缺乏捕捉擁塞變化的能力．因此，更期望基于大數(shù)據(jù)的實(shí)時(shí)擁塞測(cè)量以識(shí)別時(shí)間和空間中的擁塞模式．引入擁擠指數(shù)來測(cè)量擁塞強(qiáng)度并通過填充等高線圖來實(shí)現(xiàn)可視化．研究發(fā)現(xiàn)城市高速公路的擁塞時(shí)間和地點(diǎn)都很高．在特定位置觀察到早晨和晚上高峰時(shí)段的復(fù)發(fā)性擁塞．面對(duì)高峰時(shí)段的大量交通需求，交通管理部門不能總是擴(kuò)大系統(tǒng)容量作為解決方案．目前，DMS已被廣泛應(yīng)用用于旅行時(shí)間估算的CFX系統(tǒng)．但是，它也可用于擁塞警告．擁塞地點(diǎn)和潛在延誤的信息將使駕駛員有足夠的時(shí)間來調(diào)整他們的速度并提高他們對(duì)周圍交通的防范意識(shí)．如果實(shí)現(xiàn)更平滑的交通流量，則預(yù)計(jì)將減輕擁塞．?dāng)?shù)學(xué)分析和仿真結(jié)果表明，該技術(shù)能有效避免交通擁堵現(xiàn)象的發(fā)生，同時(shí)保證交通道路的有效利用率，為交通管理部門和廣大行人及車輛操作人員的出行提供了科學(xué)、可行的參考．