王 浩，田 恒

(上海應(yīng)用技術(shù)大學(xué) 計算機科學(xué)與信息工程學(xué)院，上海 201418)

0 引言

行程時間作為一項重要的交通流參數(shù)，在評價交叉口配時策略[1]、出行策略[2-4]、行程時間預(yù)測[5-8]等方面起著重要作用。隨著城市交通壓力的加大，低精度檢測裝置與低精度計算方法已不再適用于當(dāng)今復(fù)雜的交通路網(wǎng)。在道路系統(tǒng)中，環(huán)形線圈檢測器[8]主要獲取交通量與車速等數(shù)據(jù)，但用于計算行程時間時，準(zhǔn)確率不足。Global Position System (GPS)的廣泛安裝給行程時間的獲得提供了可能，例如公交系統(tǒng)[9]、滴滴出行[3]、浮動車[10-11]等,但由于行業(yè)的差異，數(shù)據(jù)無法共享，且不全面，并不能全面反映交通狀況。手機信令[7]數(shù)據(jù)樣本量充足，但數(shù)據(jù)源雜亂，除了機動車本身產(chǎn)生的數(shù)據(jù)外，行人和非機動車產(chǎn)生的數(shù)據(jù)會產(chǎn)生干擾。電子警察作為專業(yè)的交通檢測裝置，所檢測的數(shù)據(jù)不僅全面，且準(zhǔn)確率高，在智能交通領(lǐng)域有著廣泛的應(yīng)用，例如：交通流預(yù)測[12]、交通事故檢測[13]、車速預(yù)測[14]等。

雖然電子警察準(zhǔn)確率很高，但由于短時停車、超車等特殊因素的存在，會對行程時間的準(zhǔn)確計算產(chǎn)生干擾，不能得到準(zhǔn)確的行程時間。為解決上述問題，建立了從原始數(shù)據(jù)提取、簡單異常數(shù)據(jù)處理到復(fù)雜異常數(shù)據(jù)處理的完整解決方案。

1 電子警察數(shù)據(jù)

1.1 原始數(shù)據(jù)獲取方法與內(nèi)容

高清數(shù)字?jǐn)z像機拍攝的圖像信息是電子警察數(shù)據(jù)的來源。如圖1所示，當(dāng)車輛駛過停車線PLA1時，攝像機1會捕捉其尾部車牌信息并形成1條過車數(shù)據(jù)，存入記錄表(表1)，當(dāng)車輛駛過停車線PLA2時，攝像機2也會捕捉其尾部車牌信息并形成1條過車數(shù)據(jù)，存入表1。

圖1 行程時間定義與電子警察數(shù)據(jù)來源Fig.1 Definition of travel time and source of electronic police

表1 記錄表Tab.1 Recording table

為方便起見，給路網(wǎng)上的路段分配唯一編號。在表1中，TIME_STAMP為攝像頭拍攝車牌的時間，也是該車尾部經(jīng)過停車線的時間；LINKID為被拍車輛所行駛的路段編號(統(tǒng)一規(guī)定為A-X)；PLATENO為被拍車輛的車牌信息(為保護(hù)隱私，隱藏部分信息)；LGID(A-X-B-Y)為車道組編號，其前一部分(A-X)為該車離開的路段，后一部分(B-Y)為該車即將進(jìn)入的路段，例如表1第1條數(shù)據(jù)表示：車輛“蘇E2＄L1B”在“2018/10/5 0:01:22”離開路段“203-3”，之后進(jìn)入路段“191-1”。

1.2 路段行程時間提取

若同一車輛通過相鄰交叉口并均被成功記錄，將2次記錄時間相減即可得到該車通過2個交叉口之間路段的行程時間。具體做法如下：以路段和車牌號為關(guān)鍵字，對表1進(jìn)行查找和匹配，就可得到該車經(jīng)過2條停車線的時間，這2個時間差就是所定義的行程時間。整理后，可以得到包含所有車輛在某路段的匹配表(表2)，其中TRAVELTIME為行程時間。

表2 匹配表Tab.2 Matching table

2 行程時間特性分析

將對路段行程時間特性的分析，作為數(shù)據(jù)處理的理論基礎(chǔ)。

2.1 周期性

根據(jù)前述數(shù)據(jù)獲取方法，電子警察僅在綠燈期間產(chǎn)生記錄。在匹配表中，對于一個路段，以記錄時間為橫坐標(biāo)，行程時間為縱坐標(biāo)，繪制坐標(biāo)系(如圖2所示)?？梢园l(fā)現(xiàn)，行程時間-時間圖呈周期分布。

圖2 行程時間-時間圖Fig.2 Travel-time time figure

圖2中，只有在綠燈時間才有車輛通過，形成1個記錄點，符合實際情況。

2.2 單調(diào)不增性

把路段看作1個隊列，車輛往往服從“先進(jìn)先出”原則。在不考慮短時停車與超車等行為的理想情況下，由于綠燈排放的原因，往往先進(jìn)入路段的車輛等待紅燈時間依次減少，所以在1個周期內(nèi)，行程時間呈現(xiàn)單調(diào)不增的趨勢，并最終達(dá)到自由行程時間(沒有延誤)。

3 仿真驗證

為驗證路段行程時間的周期性與單調(diào)不增性，使用SUMO微觀仿真平臺進(jìn)行仿真驗證。

3.1 SUMO仿真軟件

SUMO作為一款開源的、微觀的交通仿真軟件,已被廣泛使用[15-17]。為簡化仿真試驗，以SUMO自帶的瞬時感應(yīng)線圈檢測器(Instant Induction Loop，IIL)代替高清攝像頭，并把IIL設(shè)置在停車線附近，以達(dá)到和高清攝像頭相同的效果。IIL可以檢測所有通過的車輛，并輸出相關(guān)參數(shù)，部分參數(shù)見表3。

表3 輸出參數(shù)Tab.3 Output parameters

其中，vehID為所過車輛的編號。當(dāng)車輛經(jīng)過IIL時，IIL會檢測該車的運行狀態(tài)(state)，分別是剛剛進(jìn)入檢測器(enter)、持續(xù)被檢測(stay)和完全離開檢測器(leave)3種狀態(tài)，并記錄當(dāng)前狀態(tài)的時間(time)，最后輸出XML文件。為了模擬電子警察的檢測機制(當(dāng)車輛經(jīng)過停車線時，拍攝車尾車牌)，以leave狀態(tài)為攝像頭的記錄時間。

3.2 仿真環(huán)境搭建與結(jié)果

為模擬實際交通流，設(shè)置了如圖3所示的三交叉口路網(wǎng)，其中A點產(chǎn)生車輛，在交叉口2和交叉口3設(shè)置如圖4所示的檢測器a和b。在20 min內(nèi)，給路網(wǎng)中輸入20 veh數(shù)據(jù)，最后得到包含所有檢測器檢測信息的XML文件。

圖3 仿真路網(wǎng)與檢測器安裝位置Fig.3 Simulated road network and installation positions of detectors

3.3 行程時間提取

提取XML文件中的關(guān)鍵信息，計算行程時間，并生成匹配表，最后可視化行程時間。在宏觀上可明顯看出行程時間-時間圖呈周期性分布與單調(diào)不增分布,如圖4所示。

圖4 行程時間-時間圖(部分仿真結(jié)果)Fig.4 Travel-time time figure (partial simulation result)

3.4 小結(jié)

試驗結(jié)果表明，在1個綠燈時間內(nèi)或周期內(nèi)，行程時間確實呈單調(diào)不增分布，整體行程時間-時間圖呈周期性分布。

4 異常數(shù)據(jù)提取算法(OSPVP算法)

4.1 算法原理

根據(jù)上述理論分析與仿真驗證，在1個周期內(nèi)，車輛在路段的行程時間呈單調(diào)不增分布。以1個周期為例，如圖5所示，主要有2種異常點，第1種在微觀行程時間圖的表現(xiàn)為“凸起”，比其周圍的行程時間要大，可能是短時停車所造成的; 第2種在微觀行程時間圖的表現(xiàn)為“凹陷”，比其周圍的行程時間要小，可能是超車所造成的。

圖5 案例分析Fig.5 Case analysis

在實際交通狀況中，車速存在波動，行程時間也會出現(xiàn)波動，所以并不服從嚴(yán)格的單調(diào)不增。為提取滿足上述分析的目標(biāo)點，提出了超車車輛與短時停車提取(Overtaking and Short-term Parking Vehicles Pursuing, OSPVP)算法，其中“凸點”判斷原理如圖6(a)所示，以d作為閾值，其中，A和B為車輛記錄點，d1為兩點之間的行程時間差異(正)，如果d1>d，則B點為第1種異常點；“凹點”判斷原理如圖6(b)所示，以r作為閾值，其中，C，D，E為車輛記錄點，d2為D與C之間的差異(負(fù))，d3為D與E之間的差異(正)，如果d2<-r，且d3>r，則可判斷D點為第2種異常點。

圖6 OSPVP算法原理Fig.6 Principle of OSPVP algorithm

4.2 案例驗證

通過匹配表提取案例中20 veh在路段上游和下游的過車時間，以下游過車時間順序編號(表4)，其中車輛6與車輛15為異常數(shù)據(jù)。

表4 案例車輛在該路段上下游過車時間Tab.4 Passing time of vehicles in upstream and downstream of road section in example

續(xù)表4

在表4中，車輛6比車輛5早28 s經(jīng)過上游，但卻比車輛5只晚4 s經(jīng)過下游，車輛6可能進(jìn)行了短時停車；車輛15比車輛16,17,18晚經(jīng)過上游，卻早經(jīng)過下游，說明其可能進(jìn)行了超車。通過實際數(shù)據(jù)比較，驗證了算法的有效性。

5 實際運用

5.1 數(shù)據(jù)來源與異常數(shù)據(jù)處理

數(shù)據(jù)來源于蘇州工業(yè)園區(qū)電子警察系統(tǒng)，選取星湖街上1個路段(現(xiàn)代大道與蘇州大道東之間)為研究對象，從數(shù)據(jù)庫中查詢該路段(南-北方向)上下游1 d的電子警察過車數(shù)據(jù)，按照第2部分的方法對數(shù)據(jù)進(jìn)行處理，整理得到該路段南北方向所有直行車輛的匹配表，總共5 262條數(shù)據(jù)。該路段長度為260 m，行程時間不會很長，去掉那些在該路段行程時間超過5 min的車輛(離開路段或長時間停車)。

5.2 數(shù)據(jù)切片與整理

從匹配表中直接提取數(shù)據(jù)，所得到的行程時間-時間圖包含1 d的數(shù)據(jù)，為研究行程時間的微觀特性，以行程時間-時間圖的周期性，對其進(jìn)行切片(原理如圖7所示)處理，把本來宏觀的行程時間-時間圖分開，得到微觀行程時間圖。依據(jù)紅燈的“截流”特性，在紅燈時，沒有過車數(shù)據(jù)；綠燈時，有過車數(shù)據(jù)，通過車頭時距[18]得到微觀行程時間圖。由于數(shù)據(jù)來源為全天的數(shù)據(jù)，而低交通量并不是研究的重點，選擇交通量大于10的微觀行程時間圖，共得到211組微觀行程時間圖。

圖7 切片過程Fig.7 Cutting process

5.3 異常數(shù)據(jù)提取

采用OSPVP算法對上述獲得的211組數(shù)據(jù)進(jìn)行異常數(shù)據(jù)提取。為簡化算法，通過觀察試驗結(jié)果，發(fā)現(xiàn)d=r=15 s時，取得不錯的效果，部分結(jié)果如圖8所示，且印證了行程時間的單調(diào)不增性。

圖8 部分結(jié)果Fig.8 Partial result

最終211組數(shù)據(jù)中異常數(shù)據(jù)提取結(jié)果如圖9所示。

圖9 異常數(shù)據(jù)提取結(jié)果Fig.9 Abnomal data extraction result

可以發(fā)現(xiàn)，I類異常點較多，II類異常點較少。結(jié)合路段實際位置分析，造成I類點的原因往往是短時停車，此路段位于工業(yè)區(qū)，人員流動較大，符合情況。

6 結(jié)論

行程時間的準(zhǔn)確性是后續(xù)各種研究的基礎(chǔ)。在理想狀態(tài)下，分析并仿真驗證了路段行程時間在宏觀上呈周期性分布，微觀上呈單調(diào)不增分布，為異常數(shù)據(jù)處理提供了理論依據(jù)。在實際運用中，首先，根據(jù)路段的長度，去掉長時間停車或長時間離開路段的車輛。然后，基于電子警察數(shù)據(jù)與相關(guān)特性，在周期層面提出了OSPVP算法，為行程時間的準(zhǔn)確計算提供了完整的解決方案。OSPVP算法不僅可以提取電子警察異常數(shù)據(jù)，也可以為其他來源異常數(shù)據(jù)處理提供參考。

后續(xù)工作主要圍繞兩個方向展開。一是基于準(zhǔn)確的行程時間開展相關(guān)研究，二是分析2種異常點與短時停車、超車的關(guān)系。