賈剛剛　王兵　趙越

摘要：城市主干路承擔了城市主要的交通壓力，對城市交通的運行起著關(guān)鍵的作用。為了準確采集主干路交通流信息，通過分析視頻交通流檢測器在城市主干路的布設(shè)數(shù)量和間距，依據(jù)排隊論與窮舉法對視頻檢測器在主干路的優(yōu)化布設(shè)建立數(shù)學模型，得出基于主干路的視頻檢測器最優(yōu)布設(shè)，通過Matlab求解模型，使用Vissim仿真驗證。仿真結(jié)果顯示：主干路長度在1 000 m左右的路段，相鄰視頻檢測器的布設(shè)間距在200～350 m，檢測器布設(shè)5組，每組布設(shè)3～4個檢測器檢測路段交通流，檢測精度將達到97.76%左右。

關(guān)鍵詞：主干路；視頻檢測器；交通流；窮舉法；Vissim仿真

中圖分類號：TP301.6文獻標志碼：A文獻標識碼

Analysis of optimal deployment of video detectors for trunk roads based on exhaustive method

JIA? Ganggang1，WANG? Bing2*，ZHAO? Yue1

（1 College of Mechanical Engineering， Xinjiang University，Urumqi，Xinjiang 830017， China;

2 School of Traffic and Transportation Engineering， Xinjiang University， Urumqi，Xinjiang 830017， China）

Abstract：? The city trunk road carries the main traffic operation of the city and plays a key role in the reasonable operation of the city traffic， in order to ensure the accuracy of the collected traffic flow information on the trunk road. By analyzing the number and spacing of video traffic flow detectors deployed on the main roads in the city， a mathematical model is established for the optimal deployment of video detectors on the main roads based on the queuing theory and exhaustive method， and the optimal deployment of video detectors based on the main roads is derived， and the model is solved by Matlab and verified using Vissim simulation. Simulation results show that： the length of the trunk road in about 1 000 m， adjacent video detector deployment spacing in 200～350 m， the detector should be deployed in 5 groups， each group of 3～4 detectors to detect the road traffic flow， detection accuracy will reach about 97.76%， greatly improving the detection accuracy.

Key words： trunk roads;video detector;traffic flow;the exhaustive method;Vissim simulation

0 引言

主干路作為城市道路的主要支架，是城市交通流的主要承擔者，起到緩解城市交通擁堵，提高城市道路利用率的作用，因此，對主干路交通信息的采集研究至關(guān)重要。目前，視頻檢測器因安裝方便，不破壞路面，能直觀體現(xiàn)被檢測車輛信息等優(yōu)點，在交通信息檢測中被廣泛使用。通過研究視頻檢測器在城市道路主干路不同位置的選址布設(shè)，以更全面的檢測主干路交通信息，從而對圍繞主干路行駛的交通流進行調(diào)節(jié)，以此來緩解城市道路的交通擁堵問題。

目前，國內(nèi)外相關(guān)學者針對城市道路研究，主要集中于城市快速路交通流預(yù)測以及檢測器布設(shè)研究，對于城市主干路研究方面，張銘坤等［1］針對交通旅行時間序列數(shù)據(jù)，構(gòu)建城市主干道交通旅行時間預(yù)測模型。嚴亞丹等［2］為了定量評價城市主干路交通功能的實現(xiàn)程度，建立了城市主干路交通功能可靠度的計算方法。Vitvitskii等［3］依據(jù)乘冪律建立了交通流模型，確定車輛在路段的行駛速度以及相互行駛車輛間的距離。李佳等［4］研究了交叉口間距和道路兩側(cè)路網(wǎng)形態(tài)對城市主干路事故的影響。Tenny等［5］將專屬車道分配到城市主要道路，對于壓力很大的城市交通系統(tǒng)，城市道路容量的擴張可能會適得其反，因為它們會導(dǎo)致交通流量增加，并最終導(dǎo)致更多的人陷入擁堵。Muhammad［6］研究確定了影響道路交通事故的城市設(shè)計因素。這些因素按土地利用、街道設(shè)施、建筑和景觀等維度分類。牟海波等［7］建立了包括交叉口交通信號顯示模塊與信號相位轉(zhuǎn)換模塊的時延Petri網(wǎng)模型與基于變速度連續(xù)Petri網(wǎng)的交通流模型。對于城市快速路檢測器布設(shè)研究，雷寧等［8］對快速路交通狀態(tài)進行有效分類，選取分類指標時，在傳統(tǒng)分類指標流量、速度、占有率的基礎(chǔ)上引入了1個宏觀分類指標——路網(wǎng)寬裕度。張輝等［9］通過對城市快速路車輛速度、密度、流量關(guān)系模型對道路通行能力和交通運行狀況研究，提出了1種聚類最小二乘方法估計車輛速度。董春肖等［10］探究交通檢測器的布設(shè)方案對短時交通流量預(yù)測的影響。孫娓娓［11］基于復(fù)雜環(huán)境下OD 需求和旅行時間估計的不同目的，分別研究了計數(shù)、車輛自動識別（AVI）、移動及固定和移動組合等多種交通檢測器的布設(shè)優(yōu)化問題。張航等［12］運用基于數(shù)據(jù)融合的統(tǒng)計分析技術(shù)——聚類分析方法和逐步回歸方法，對城市道路交通檢測器優(yōu)化配置的方法進行了研究。朱寧等［13］考慮了不確定的檢測器故障因素，建立了新的兩階段交通檢測器隨機布設(shè)優(yōu)化模型。劉輝等［14］提出了1種新的交通流量混合預(yù)測模型VMD-ICA-GMDH-BILSTM-ELMAN。相關(guān)研究［17-20］根據(jù)城市道路不同精度的車輛檢測器以及驅(qū)動信號控制方案，分析和比較隊列長度、平均車輛延誤時間和交叉路口停車次數(shù)的評估指標。

由此可見，以城市主干路作為研究對象，對視頻檢測器進行優(yōu)化布設(shè)，以采集精確的交通流信息，使得交通管理部門根據(jù)交通流信息宏觀調(diào)控城市交通流，對于緩解城市交通擁堵與減少城市交通事故具有重要的意義。

1 資料與方法

1.1 城市主干路描述

城市主干路是城市道路交通網(wǎng)的骨架，是連接城市各主要分區(qū)的交通干道［15］，具有速度快、流量大、出行距離較長等主要特點［2］（圖1）。主干路是集觀光、購物、休閑、創(chuàng)業(yè)功能為一體的主要交通干線，途徑此路段的交通流非常密集，交通流量較大。

1.2 視頻交通流檢測器描述

視頻交通流檢測器采用視頻圖像處理技術(shù)和計算機圖形識別技術(shù)對道路上的交通流進行動態(tài)信息采集、處理，一般由前端采集設(shè)備、中間數(shù)據(jù)傳輸設(shè)備和后端處理設(shè)備組成［16］。

其用于檢測并輸出目標區(qū)域的機動車車型、車流量、平均車速、車頭時距、時間占有率及空間占有率數(shù)據(jù)。目前，視頻交通流檢測器布設(shè)于十字路口時，用于采集車輛闖紅綠燈、不按路線行駛以及逆行等交通違章行為；布設(shè)于道路中間時，用于檢測車輛速度以及駕駛?cè)水惓ｑ{駛行為（圖2）。

1.3 視頻交通流檢測器檢測模型

1.3.1 問題分析

通過建立排隊論模型，對于車輛行駛時存在的2種決策模式分別進行分析，得到其影響因素。車輛在道路上可能會出現(xiàn)行駛和停車2種狀態(tài)，如果車輛在道路上正常行駛，那么需要通過檢測其通過時間、距離長度、速度等來確定車流量；如果車輛在道路上存在停車，那么就需要根據(jù)通過時間、停車時間等來確定車流量，使得其計算是較為合理的。同時，建立窮舉法模型，在路口位置確定的情況下，對于車輛的移動分布進行模擬，同時觀察分析視頻交通流檢測器數(shù)量、位置與效率的關(guān)系，從而得到效率最大化的最佳檢測點數(shù)量與位置。

1.3.2 窮舉法模型建立

符號變量說明：

將T1和T2進行相加，即可計算得到其較為合理的車流量計算總數(shù)。

1.3.3 模型分析

通過分析車輛在城市主干道上行駛和等待2種情況，依據(jù)排隊論和窮舉法模型，分別對車輛行駛狀態(tài)建立對應(yīng)的數(shù)學模型，并用Matlab分析，得到行駛時的模擬情況（圖3）和等待時的模擬情況（圖4）。

通過Matlab對模擬分析后，可以發(fā)現(xiàn)，其預(yù)測與實際的決策非常接近，能夠根據(jù)該模型數(shù)據(jù)得到最終的車流量，因而可以利用車流量來確定視頻檢測器的布設(shè)位置。

1.3.4 模型求解

依據(jù)開始時車輛在系統(tǒng)運行時通過的平均速率、車輛到達時的平均速率以及城市主干道各類基本的屬性參數(shù)，將初始的車輛總量假定。計算出在穩(wěn)定狀態(tài)下，全部系統(tǒng)在各個狀態(tài)時的概率，由此結(jié)合具體位置，得到其檢測效率。

以長度為1 km的城市主干道為例，假定其車流量每小時約為2 000輛，使用Matlab對車輛行駛中的行為進行模擬，依據(jù)窮舉法可以計算得到，主干路應(yīng)當布設(shè)視頻交通流檢測器的位置、數(shù)量和檢測精度如表1所示，檢測精度平均值為97.76%。

2 結(jié)果與分析

2.1 仿真數(shù)據(jù)采集

通過Vissim 8.0創(chuàng)建模擬場景，如圖5所示，創(chuàng)建1條1 km的雙向4車道主干道。依次在0.15 km處布設(shè)3個檢測器，0.25 km處布設(shè)4個檢測器，0.45 km處布設(shè)3個檢測器，0.65 km處布設(shè)3個檢測器，0.90 km處布設(shè)4個檢測器，采集經(jīng)過的車流量。

車流量總輸入為2 000輛，西進口和東進口各1 000輛，包含各類車型，仿真總時間為0～600 s，因剛開始仿真交通流沒有完全形成，故從100 s后開始仿真，每50 s記錄1次仿真數(shù)據(jù)，采集數(shù)據(jù)如表2所示。

通過調(diào)整Vissim中視頻檢測器在主干道布設(shè)的位置及數(shù)量，對行駛的車輛進行檢測。圖5A、B、C分別表示不同位置和數(shù)量的視頻檢測器檢測通過的車輛信息，對檢測的車輛信息進行對比，從而確定最優(yōu)的視頻檢測器在主干路布設(shè)的位置與數(shù)量。

2.2 仿真數(shù)據(jù)分析

通過Vissim軟件對主干路東西進口交通流依次仿真8次后，西進口、東進口檢測精度與窮舉法檢測精度對比如圖6所示。

對仿真結(jié)果做平均值計算，并分別進行Vissim仿真西進口、Vissim仿真東進口與窮舉法模型相對誤差分析，結(jié)果如表3所示。由表可知，窮舉法布設(shè)視頻檢測器的檢測精度與仿真軟件的檢測精度誤差較小。

3 結(jié)論

城市主干路交通流檢測不僅涉及交通工程方面，還與計算機信息分析密切相關(guān)。建立主干路視頻檢測器布設(shè)模型，進行數(shù)據(jù)處理與仿真，得出如下結(jié)論：

（1）城市主干路對于城市的交通起著至關(guān)重要的作用，對視頻檢測器在主干路檢測交通流建立數(shù)學模型，通過Matlab求解模型，再使用Vissim仿真以驗證模型結(jié)果。仿真結(jié)果與模型結(jié)果相對誤差相差約0.4%。

（2）依據(jù)排隊論與窮舉法對視頻檢測器在主干路的布設(shè)建立數(shù)學模型，分析后得出每組視頻檢測器在主干路上布設(shè)的間距在200～350m，該范圍可為主干路交通流檢測下視頻檢測器的布設(shè)提供參考。

（3）針對主干路長度在1 km左右的路段，根據(jù)窮舉優(yōu)化法對視頻檢測器的布設(shè)數(shù)量計算，檢測器的應(yīng)布設(shè)5組，每組3～4個檢測器檢測路段交通流，檢測精度在97.76%。

參考文獻（References）

［1］張銘坤，王昕.基于GRU-RNN模型的城市主干道交通時間預(yù)測［J］.北京信息科技大學學報（自然科學版），2019，34（4）：30-35.

ZHANG M K， WANG X. Traffic time prediction of urban main road based on GRU-RNN model［J］. Journal of Beijing Information Science & Technology University， 2019， 34（4）：30-35.

［2］嚴亞丹，仝佩，寧佐強，等.城市主干路交通功能可靠度量化評價方法［J］.交通運輸工程學報，2018，18（3）：157-166.

YAN Y D， TONG P， NING Z Q， et al. Quantitative evaluation method of traffic function reliability for urban arterial roads［J］. Journal of Traffic and Transportation Engineering， 2018， 18（3）：157-166.

［3］VITVITSKII E， SIMUL M， PORKHACHEVA S. Innovative technology for evaluation of capacity of thoroughfares［J］. Transportation Research Procedia， 2017， 20： 671-675.

［4］李佳，王雪松.密集路網(wǎng)中城市主干路中觀安全分析模型［J］.重慶交通大學學報（自然科學版），2021， 40（8）： 34- 41.

LI J， WANG X S. Meso-level safety analysis model of urban arterials in dense road network［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（8）：34-41.

［5］TENNY A， HAGEN O H. Urban main road capacity reduction： Adaptations， effects and consequences［J］. Transportation Research Part D： transport and environment，2021，96：102848.

［6］UMAIR M， RANA I A， LODHI R H. The impact of urban design and the built environment on road traffic crashes： A case study of Rawalpindi， Pakistan［J］. Case Studies on Transport Policy， 2022， 10（1）： 417-426.

［7］牟海波，俞建寧，劉林忠.基于Petri網(wǎng)的城市主干道交通信號協(xié)調(diào)優(yōu)化［J］.交通運輸工程學報，2013，13（2）：106-113.

MOU H B， YU J N， LIU L Z. Traffic signal coordinated optimization of urban arterial road based on Petri net［J］. Journal of Traffic and Transportation Engineering， 2013， 13（2）：106-113.

［8］雷寧，張光德，陳玲娟.基于改進模糊聚類算法的城市快速路交通狀態(tài)分類［J］.廣西大學學報（自然科學版），2017， 42（5）：1723-1729.

LEI N， ZHANG G D， CHEN L J. Traffic state classification of urban freeways based on improved fuzzy clustering algorithm［J］. Journal of Guangxi University （Natural Science）， 2017， 42（5）：1723-1729.

［9］張輝，江竹，李樹彬，等.城市快速路交通流參數(shù)估計方法研究［J］.控制工程，2020，27（3）：507-512.

ZHANG H， JIANG Z， LI S B， et al. Research on estimation method of traffic flow parameters for urban expressway［J］. Control Engineering of China， 2020， 27（3）： 507-512.

［10］董春肖，張立濤，孫洪運，等.固定交通檢測器布設(shè)對快速路交通流量預(yù)測影響的實證研究［J］.鐵道科學與工程學報，2022，19（2）：359-366.

DONG C X， ZHANG L T， SUN H Y， et al. Empirical investigation of the effects of fixed traffic detector deployment on expressway traffic flow forecasting［J］. Journal of Railway Science and Engineering， 2022， 19（2）： 359-366.

［11］孫娓娓. 復(fù)雜環(huán)境下多種交通檢測器最優(yōu)布設(shè)研究［D］.徐州：中國礦業(yè)大學，2021.

［12］張航，田冬軍，曾憲寶，等.城市道路交通檢測器優(yōu)化配置方法研究［J］.武漢理工大學學報（交通科學與工程版），2008，32（6）：1161-1164.

ZHANG H， TIAN D J， ZENG X B， et al. Study on the method of optimizing the allocation of city traffic detector［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2008， 32（6）： 1161-1164.

［13］朱寧，馬壽峰，賈寧.考慮故障因素的交通檢測器布設(shè)優(yōu)化問題研究［J］.系統(tǒng)工程理論與實踐，2014，34（4）：997-1002.

ZHU N， MA S F， JIA N. Traffic detector placement optimization problem considering failure［J］. Systems Engineering—Theory & Practice， 2014， 34（4）：997-1002.

［14］LIU H， ZHANG X Y， YANG Y X， et al. Hourly traffic flow forecasting using a new hybrid modelling method［J］. Journal of Central South University， 2022， 29（4）： 1389-1402.

［15］王京京，楊友林，李輝，等.基于功能分析的城市道路網(wǎng)絡(luò)銜接評價研究［J］.交通運輸系統(tǒng)工程與信息，2015，15 （1）：212-217.

WANG J J， YANG Y L， LI H， et al. Urban road network junction evaluation method based on the functional analysis［J］. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（1）：212- 217.

［16］杜樹櫻. 高速公路交通檢測器布設(shè)優(yōu)化方法研究［D］.南京：東南大學，2019.

［17］趙禹喬. 城市道路交通數(shù)據(jù)檢測器優(yōu)化綜合布設(shè)方法研究［D］.西安：長安大學，2011.

［18］胡月. 在成本約束下的基于OD估計的多目標檢測器優(yōu)化布設(shè)研究［D］.北京：北京交通大學，2014.

［19］祁劍鋒. 城市交通信息檢測器布設(shè)方法研究［D］.南京：東南大學， 2015.

［20］周敬龍，傅立平，鐘鳴，等.檢測器數(shù)據(jù)的精確度對全感應(yīng)控制的影響分析［J］.交通信息與安全，2019，37（4）：96-101.

ZHOU J L， FU L P， ZHONG M， et al. Impacts of accuracy of traffic detector on fully-actuated signal control［J］. Journal of Transport Information and Safety， 2019， 37（4）：96-101.

（責任編輯：編輯郭蕓婕）

收稿日期：2022-11-01

基金項目：新疆維吾爾自治區(qū)重大科技專項（2020A03003），新疆維吾爾自治區(qū)交通運輸廳科技項目（201804071295）

作者簡介：賈剛剛（1996—），男，碩士研究生，專業(yè)方向為城市道路交通流改善。

*通信作者：王兵（1967—），男，教授，從事智能交通管控技術(shù)與裝備方向的研究，e-mail：451619037@qq.com。