高速公路區(qū)間交通態(tài)勢預測系統(tǒng)設計
作者：李丹華，秦濤，張為（交科院（北京）科技發(fā)展有限公司）） 來源：中國交通信息化
近年來，由于超流量設計、交通事故、節(jié)假日、施工養(yǎng)護、惡劣天氣等因素，高速公路擁堵問題日益突出[1,2]。2019年起，全國陸續(xù)響應深化收費公路制度改革，落實封閉式高速公路收費站入口不停車稱重檢測政策以及取消高速公路省界收費站。此舉從收費模式上徹底改變了高速公路的運營工作，提高了高速公路通行能力和服務水平。但是，新的問題也隨之而來。通行能力的提高意味著高速公路能容納更多的車輛同時通行，但失去了省界收費收費廣場的緩沖，各省內部高速公路收費站乃至收費主線路面的通行壓力也隨之增大。在特殊事件甚至交通事故發(fā)生時，更加容易造成交通區(qū)間和主線路面異常停車過多，從而導致收費站匝道和廣場擁堵乃至主線擁堵。此外，通行高速公路的貨運車輛數量巨大，當發(fā)現超限超載運輸車輛時，容易發(fā)生撞壞收費站設施、司機與管理人員發(fā)生爭執(zhí)、勸返調頭時間過長等情況，會導致收費廣場等重要路段發(fā)生擁堵。如果能夠對高速公路重要路段未來即將發(fā)生的交通擁堵狀態(tài)進行準確及時的預測和評估，將為高速公路管理者和出行居民帶來極大便利。
交通擁堵預測方法包括自回歸綜合移動平均時間序列法[3]、卡爾曼濾波法[4]、小波分析預測方法[5]、人工智能模型[6]、混合模型[7]等。對于交通擁堵狀態(tài)可用交通流量、平均速度、占有率、駕駛員體感參數、車輛排隊長度等參數來評價。僅使用其中某一個參數進行評估的方法叫做單因素評價。李晨曦[8]采用基于交通流分模態(tài)的道路交通延誤計算方法，進行道路延誤水平評價，其中道路單位里程平均延誤為評價指標。Lindley J[9]選取路段飽和度 對交通擁堵進行評估，將采集到的高峰小時車流量擴充為24小時的日車流量，并且與最大通行能力進行比較，確定路段飽和度大于0.77時為交通擁堵狀態(tài)。實際應用中，單因素評價方法往往不能全面而準確地反應交通擁堵狀態(tài)，為了提高交通擁堵預測的準確度，學者們提出了多因素評價方法，即同時選用幾個交通流參數對交通狀態(tài)進行評估。譚娟[10]等利用了多元基礎數據構建綜合的交通流特征向量作為數據支撐，包含了交通流參數、環(huán)境狀態(tài)、時段等數據特征。同時提出了一種基于深度學習的預測模型，最后結合Softmax回歸對交通擁堵狀態(tài)進行了多態(tài)預測。黎符忠[11]選用交叉口、路段、區(qū)域3個因素作為交通擁堵評估的指標體系，利用信息熵權法計算各指標對交通擁堵的影響程度，最終構建出基于灰色關聯度的交通擁堵評估模型，以此預測重慶市路段的擁堵水平。Zhang YY[12]等選擇了車流速率、交通流密度、交通流量三個因素作為判斷交通擁堵程度的指標，并利用灰色關聯分析和粗糙集理論挖掘三維交通數據信息之間的關系，從而建立灰色關聯聚類模型來判別聚類優(yōu)先級，并進一步分析城市交通擁堵度。龍小強[13]等選擇路段單位里程平均延誤、路段平均行程速度和路段飽和度三個因素作為評價指標，并建立模糊綜合評價模型，最后對廣州市天河核心區(qū)的交通擁堵狀態(tài)進行了評估。
對于多因素評價方法，有學者選用交通流平均速度或交通流密度作為評價指標，但是沒有人提出過平均駛出時間這個評價指標。在應用算法方面，單獨采用支持向量回歸法[14]（Support Vector Regression，SVR）方法預測精度較低。針對高速公路路況特點和擁堵特征，本文選取了交通流平均速度、交通流密度、平均駛出時間三個交通流參數作為因素指標對交通態(tài)勢進行綜合預測。通過多目標粒子群算法（Multi-Objective Particle Swarm Optimization ，MOPSO）對SVR方法進行優(yōu)化，以此得到精度更為準確的評價指標。基于此模型算法提出了高速公路區(qū)間交通態(tài)勢預測系統(tǒng)架構，針對不同的高速公路業(yè)務場景對系統(tǒng)預測精度進行了驗證。
充分利用現有高速公路設備、設施所能提供的各類視頻監(jiān)控、收費管理、車流檢測等數據，基于AI視頻智能檢測算法，對通行車輛等對象結構化識別分析，獲取包括門架、匝道、收費站的廣場和車道等場景下的車輛車牌號、車型、行人、拋灑物等數據。圖像數據中的光線強度會對系統(tǒng)識別率造成影響，隨著光線強度的減弱，識別率將急劇降低，使得系統(tǒng)難以滿足真實應用場景的需求。結合高速公路各場景的實際情況，可借助原有的補光燈設備，加強成像設備的夜間適應能力，提高并維持AI圖像識別場景的精準度。本系統(tǒng)算法需要的數據資源如表1所示。
本文采用通流平均速度、交通流密度、平均駛出時間3個交通流參數作為因素指標對交通態(tài)勢進行綜合預測。交通流平均速度指單位時間內某路段所有車輛行駛的平均距離。計算公式如下：
其中，
為交通流平均速度；N為路段單位時間內所有車輛數；νi為第i輛車的瞬時速度。交通流密度是指某路段單位時間內單位長度上的車輛總數，計算公式如下：
其中，D為交通流密度，f為單位小時監(jiān)測到的車輛總數，ν為平均速度。
平均駛出時間是指所有車輛通過某路段所耗時間的平均值，計算公式如下：
其中，
為平均駛出時間，ti1為第i輛車的離開時刻，ti0為第i輛車的進入時刻。
美國交通研究委員會發(fā)行的《道路通信能力手冊》[15]中將交通擁堵狀態(tài)分為六個等級：1非常暢通、2暢通、3輕度擁堵、4中度擁堵、5嚴重擁堵、6鎖死，數值越高表明交通擁堵情況越嚴重。結合本文具有的道路數據資源，確定3個因素指標對應交通擁堵狀態(tài)的取值范圍，如表2所示。
預測模型通過MOPSO對SVR進行優(yōu)化，實現高速公路區(qū)間交通態(tài)勢預測。已知條件為當前時刻t和歷史時刻t-Δt的交通檢測數據，以此預測未來時刻t+Δt的交通流平均速度、交通流密度、平均駛出時間3個交通流參數。
其中，xi為輸入的交通流參數，ω為權重向量，
為非線性核函數，b為偏差項，f（x）為交通流的預測值。轉換SVR模型為：
其中，K（xi，x）是核函數，輔助完成數據完成高維和線性轉換，αi、αi*為為非負的拉格朗日乘子。
通過MOPSO算法對權重向量ω進行優(yōu)化，提高算法的精準度及尋優(yōu)能力。權重向量ω更新表達式如下：
基于上述算法，提出了高速公路區(qū)間交通態(tài)勢預測系統(tǒng)架構，分為感知層、數據源層、支撐層、引擎層和應用層。每個層次根據不同的功能又分為不同的應用模塊。系統(tǒng)架構如下圖所示。各層分別執(zhí)行以下功能。
前端感知層主要接入兩種數據，一是將各種高速公路路段和收費站原有的監(jiān)控系統(tǒng)、路政系統(tǒng)、收費系統(tǒng)等監(jiān)測數據資源或其他業(yè)務系統(tǒng)數據資源接入數據平臺；二是將本系統(tǒng)算力終端結構化信息源產生各種不同類型的數據接入系統(tǒng)平臺進行視頻AR融合展示。
系統(tǒng)可接入集成多種數據源，一是將前端各單位部門上報的計劃性事件，如施工單位的施工申請上報；二是通過視頻源檢測到或人工發(fā)現的擁堵、異常停車等突發(fā)事件；三是通過視頻源檢測的斷面車流量數據；四是視頻源或從傳感器監(jiān)控源檢測的車速數據；五是路面的空間或時間的車輛占有率；六是機電設備完好率，如車道的故障比例；七是通過現場通訊設備連接上報的用戶反饋建議或投訴等上報內容。將各種高速公路路段和收費站原有的監(jiān)測數據資源或其他系統(tǒng)數據資源接入數據平臺。
數據傳輸的網絡支撐層，包括云存儲、云計算等，以及通過算力終端以及其他IT配套設施來進行基礎支撐層的數據運用。主要將接入的數據進行數據清洗、轉化、存儲和計算，為上層的業(yè)務應用提供有效的數據。
平臺的應用基于幾大模塊引擎進行組合啟動，與使用的功能模塊相應層次對應，包括AR引擎、地圖引擎、大數據計算引擎、三維仿真引擎、交通預測引擎、可視化報表引擎等。
實現平臺各個功能模塊的具體功能，是系統(tǒng)功能的綜合體現應用。包括融合監(jiān)控、事件報警、交通仿真、態(tài)勢預測、交通誘導（輔助決策）、統(tǒng)計報表、用戶上報、應急聯動等。
基于某省部分高速公路路段已有數據，進行了高速公路區(qū)間交通態(tài)勢預測系統(tǒng)開發(fā)和算法精度驗證。針對高速公路門架通行壓力檢測、高速公路匝道通行壓力檢測、收費車道壓力檢測、收費廣場容量監(jiān)測、收費廣場處理速度檢測、收費站態(tài)勢預測預警、路面態(tài)勢預測預警、擁堵實時告警等場景，進行檢測結果及預警精度的驗證和應用分析。
通過車輛結構化智能識別對門架抓拍的通行車輛進行分析，根據車輛類型（大/小客車、大/小貨車），計算通行的總車流量，分類型車流量（小/大的客/貨車車型數量統(tǒng)計）、位置、方向、速度、時間、離收費站距離，通過歷史數據對前方收費匝道、收費站甚至前方路面主線所要承擔的通行壓力進行預測。利用AR實景可視化監(jiān)控平臺，對檢測和預測數據進行實時展示。
通過車輛結構化智能識別對匝道視頻抓拍分析，根據不同車輛類型（大/小客車、大/小貨車），計算即將進入廣場的總車流量、分類型車流量、斷面車流量，然后通過歷史數據對收費站所要承擔的通行壓力進行預測。
通過車輛結構化智能識別對收費站收費車道通行情況視頻抓拍進行分析，根據不同車輛類型（大/小客車、大/小貨車）獲取預測數據來源，計算即將進入廣場的總車輛數、分類型車輛數、ETC/人工車道數量和長度，以及貨車通行時間和ETC正常通行時間（經驗值），然后通過歷史數據對收費車道所要承擔的壓力進行預測。
系統(tǒng)可以通過AI視頻智能檢測，對收費廣場的容量實現單位時間加權變動量追蹤和短期預計，實現收費廣場的容量監(jiān)測。如對收費廣場的高點監(jiān)控范圍內的車輛總數、車輛排隊長度、視頻范圍內車輛總數、平均通行時間、預計耗時通行等數據進行統(tǒng)計分析，形成數據看板并支持數據導出，為用戶決策提供依據。
通過對收費廣場內的所有車輛都進行實時跟蹤，記錄車輛進入到離開的檢測所需要時間，平均進出收費廣場時間、視頻范圍內車輛總數，同時計算收費廣場的處理速率。
通過多維度的歷史數據融合，數學模型對變量權重分配調整模型參數，預測5分鐘、半小時甚至一個小時的未來一段時間內的區(qū)間收費站交通態(tài)勢，實現對收費站所要承擔的通行壓力進行預測，如總車流量壓力、分車型壓力、車道分配壓力、耗時壓力等預測。加強收費站服務質量，提高收費站服務效率。
通過將ETC門架、高清卡口、服務區(qū)、匝道、收費站廣場及車道等多維度的歷史數據融合，可預測某路段路面的5分鐘、半小時甚至一個小時的未來一段時間內的交通區(qū)間態(tài)勢情況，實現對主干線通車區(qū)間所要承擔的壓力進行預測，如總車流量壓力、分車型壓力、車道分配壓力、車間距、耗時壓力等預測等。
通過智能AI擁堵檢測技術，檢測視頻范圍內車輛排隊長度、數量。實時統(tǒng)計范圍內車輛總數以及擁堵狀況，當車輛數量超過區(qū)域內設定的容量閾值時將發(fā)出實時告警。同時可結合利用車道視頻監(jiān)控，對不同收費車道進行車流總數識別計算，當車輛數量超過收費車道的設定容量閾值時發(fā)出實時告警。
本文提出了以交通流平均速度、交通流密度、平均駛出時間3個交通流參數作為因素指標對高速公路交通態(tài)勢進行綜合預測的多因素評價方法。通過MOPSO對SVR方法進行優(yōu)化，得到精度更高的算法模型。實驗結果表明，本文設計的高速公路區(qū)間交通態(tài)勢預測系統(tǒng)能夠對高速公路門架通行壓力、收費廣場處理速度、路面擁堵態(tài)勢等進行較為準確的預測和預警，能夠減少人工巡查的工作量，顯著提高高速公路管理工作的效率，在實際應用中具有重要意義。
[1] 畢仕昌,林水生,耿潔.?；⒏咚俟仿范螕矶轮卫韺Σ咛轿鯷J].中國交通信息化，2019(9):41-43.
[2] 劉曉娟.廣州機場高速公路交通擁堵原因分析及改善對策[J].交通與運輸，2019(2):10-13.
[3] C.Chatfield.時間序列分析引論[M].駱振華,譯.廈門：廈門大學出版社,1987.
[4] 錢偉,楊慧慧,孫玉娟.相空間重構的卡爾曼濾波交通流預測研究[J].計算機工程與應用, 2016,52(14): 37-41.
[5] 程正興.小波分析算法與應用[M].西安：西安交通大學出版社,1998.
[6] Chen X B, Yang J, Liang J. A flexible support vector machine for regression[J]. Neural Computing and Applications,2012,21(8):2005-2013.
[7] 喬德華,張開禾,范耀祖.多模型交通流預測優(yōu)化[J].交通標準化, 2007(4):207-209.
[8] 李晨曦.基于交通延誤的路網交通狀態(tài)評價分析[D].北京:北京交通大學,2010.
[9] Lindley J. Urban Freeway Congestion:Quantification of the problem and effectiveness of potential solution[J]. ITE Journal, 1987: 27-32.
[10] 譚娟,王勝春.基于深度學習的交通擁堵預測模型研究[J].計算機應用研究,2015(10):2951-2954.
[11] 黎符忠.基于灰色關聯模型的城市道路交通擁堵評價研究[J].重慶建筑,2018(17):38-40.
[12] Zhang YY, Ye N, Wang RCA et al. Method for Traffic Congestion Clustering Judgment Based on Grey Relational Analysis[J]. Isprs International Journal of Geographical Information. 2016, 5(5): 1-15.
[13] 龍小強,譚 云龍.基于模糊綜合評價的城市道路交通擁堵評價研究[J].交通標準化, 2011(11):114-117.
[14] Hong W C, Dong Yucheng，Zheng Feifeng，et al． Forecasting urban traffic flow by SVＲ with continuous ACO［J］． Applied Mathematical Modelling, 2011, 35(3): 1282-1291．
[15] 美國交通研究委員會.道路通行能力手冊[M].任福田,劉小明,榮建,等譯.北京:人民交通出版社,2007:116-189.
