城市干線道路交通擁擠態(tài)勢(shì)的監(jiān)測(cè)

弓晉麗,彭賢武

(1.長(zhǎng)沙理工大學(xué)交通運(yùn)輸工程學(xué)院,長(zhǎng)沙410114;2.三一重工股份有限公司,長(zhǎng)沙410100)

城市干線道路交通擁擠態(tài)勢(shì)的監(jiān)測(cè)

弓晉麗*1,彭賢武2

(1.長(zhǎng)沙理工大學(xué)交通運(yùn)輸工程學(xué)院,長(zhǎng)沙410114;2.三一重工股份有限公司,長(zhǎng)沙410100)

以城市干線道路交通擁擠態(tài)勢(shì)監(jiān)測(cè)為目的,設(shè)計(jì)基于定點(diǎn)檢測(cè)數(shù)據(jù)的異常監(jiān)測(cè)系統(tǒng).獲取交通流基礎(chǔ)數(shù)據(jù)(流量、速度、占有率)后,使用模糊C-均值聚類(lèi)算法將定量數(shù)據(jù)轉(zhuǎn)化為交通定性狀態(tài)(擁擠或暢通).以此為基礎(chǔ),系統(tǒng)使用時(shí)間序列分形分析法確定交通擁擠態(tài)勢(shì)指數(shù);以序列模式相似性度量法和凝聚分層聚類(lèi)法進(jìn)行常規(guī)運(yùn)行模式的辨識(shí);并使用基于距離的異常模式變點(diǎn)識(shí)別法實(shí)時(shí)監(jiān)測(cè)交通擁擠態(tài)勢(shì)是否偏離常規(guī)運(yùn)行模式,以此確定系統(tǒng)是否存在異常.以上海南北高架東側(cè)11天的定點(diǎn)檢測(cè)數(shù)據(jù)為例進(jìn)行實(shí)證分析,監(jiān)測(cè)得到了9月30日異常模式集中分布在中午12∶10-13∶20、13∶40-14∶30和下午17∶10-17∶15時(shí)間段內(nèi).

交通工程;擁擠態(tài)勢(shì);時(shí)間序列;異常監(jiān)測(cè);定點(diǎn)檢測(cè)數(shù)據(jù)

1 引 言

當(dāng)交通擁擠成為城市交通的常態(tài)后,如何實(shí)時(shí)監(jiān)控城市交通日常運(yùn)行中交通擁擠隨著時(shí)間的發(fā)展變化情況,避免大面積擁堵的發(fā)生變得尤為重要.城市交通干線(快速路和主干路)承擔(dān)了大量的交通量,在整個(gè)路網(wǎng)中具有關(guān)鍵性的作用,對(duì)干線交通擁擠發(fā)展態(tài)勢(shì)的監(jiān)測(cè)能夠?yàn)轭A(yù)防路網(wǎng)的大面積擁堵做出預(yù)警.

國(guó)內(nèi)外學(xué)者對(duì)交通擁擠監(jiān)測(cè)問(wèn)題進(jìn)行了廣泛研究.國(guó)外形成了以美國(guó)、日本和歐洲的各個(gè)機(jī)構(gòu)和學(xué)者為代表的研究陣營(yíng),國(guó)內(nèi)也有多所大學(xué)的多名學(xué)者進(jìn)行了許多相關(guān)的研究[1-4].受問(wèn)題本身研究對(duì)象(城市道路、交叉口、高速公路、快速路、路網(wǎng))應(yīng)用主體(出行者、交通管理者、規(guī)劃設(shè)計(jì)人員)和數(shù)據(jù)條件(浮動(dòng)車(chē)數(shù)據(jù)、環(huán)形監(jiān)測(cè)線圈、視頻采集等)的復(fù)雜性等因素影響,已有各種交通態(tài)勢(shì)的描述和監(jiān)測(cè)方法的應(yīng)用范圍都具有較強(qiáng)的針對(duì)性.隨著ITS技術(shù)的發(fā)展,城市干線道路上布置了大量的檢測(cè)線圈.如何從這些線圈檢測(cè)到的數(shù)據(jù)中獲取交通擁擠態(tài)勢(shì)演變信息,對(duì)有可能引發(fā)路網(wǎng)大面積擁堵的干線道路異常狀態(tài)做出預(yù)警,成為有意義的研究課題.本文以城市干線道路的交通擁擠整體發(fā)展態(tài)勢(shì)為研究對(duì)象,將時(shí)間序列數(shù)據(jù)挖掘法應(yīng)用于定點(diǎn)檢測(cè)數(shù)據(jù)(流量、速度和占有率)采集系統(tǒng)的歷史數(shù)據(jù)庫(kù)和實(shí)時(shí)數(shù)據(jù)序列的分析中,實(shí)現(xiàn)監(jiān)測(cè)對(duì)象交通異常發(fā)生時(shí)刻和嚴(yán)重程度的報(bào)警,為交通管理者和交通出行者提供服務(wù).

2 城市道路模型化表示

根據(jù)檢測(cè)線圈布設(shè)位置,可將道路劃分為不同的路段,作為系統(tǒng)研究的“基本單元”.在得到環(huán)形檢測(cè)線圈獲得的流量、速度和占有率數(shù)據(jù)后,先使用模糊C-均值聚類(lèi)算法,根據(jù)流量-速度-占有率關(guān)系對(duì)道路斷面進(jìn)行交通狀態(tài)判別,區(qū)分暢通狀態(tài)和擁擠狀態(tài)(圖1)[5];然后定義“失效路段”為滿(mǎn)足上下游斷面同時(shí)處于擁擠狀態(tài)的路段,并統(tǒng)一將不滿(mǎn)足上述條件的路段稱(chēng)為“暢通路段”(圖2).

圖1 交通狀態(tài)模糊C-均值聚類(lèi)Fig.1 Fuzzy C-means for traffic qualitative state

圖2 城市道路模型化表示Fig.2 Model of city road

3 擁擠態(tài)勢(shì)描述指標(biāo)

2001年Chen等[6]采用車(chē)公里長(zhǎng)度(Vehicle Distance Traveled,VDT)、車(chē)小時(shí)長(zhǎng)度(Vehicle Hours Traveled,VHT)、總延誤(Total Delay,TD)、效率損失(Productivity Loss,PL)等4個(gè)指標(biāo)作為基于定點(diǎn)數(shù)據(jù)評(píng)價(jià)交通運(yùn)行性能指標(biāo).為度量干線道路擁擠嚴(yán)重程度,本文在此基礎(chǔ)上定義以下集計(jì)指標(biāo)集.

(1)失效性度量指標(biāo).

式中 Num()——集合計(jì)數(shù)函數(shù);

N——路段劃分總數(shù);

k——檢測(cè)時(shí)間間隔數(shù),一般以5 min或15 min為一個(gè)間隔;

B(k)——k時(shí)間間隔內(nèi)失效路段集合.根據(jù)定義,任意時(shí)間間隔內(nèi)的失效路段數(shù)Ns小于等于道路路段劃分總數(shù)N.

(2)失效度度量指標(biāo)集.

式中 TVH(k)——k時(shí)間間隔內(nèi)干線總車(chē)小時(shí)長(zhǎng)度,單位為veh·h,表示統(tǒng)計(jì)時(shí)間間隔內(nèi)道路上所有車(chē)輛占用道路的總時(shí)長(zhǎng);

TVM(k)——k時(shí)間間隔內(nèi)干線總車(chē)公里長(zhǎng)度,單位為veh·km,表示統(tǒng)計(jì)時(shí)間間隔內(nèi)道路上所有車(chē)輛行駛里程總和;

TD(k)——k時(shí)間間隔內(nèi)干線總延誤,單位為veh·h,表示由于“失效”導(dǎo)致道路上行駛車(chē)輛產(chǎn)生的延誤總和;

TPL(k)——k時(shí)間間隔內(nèi)干線總損失能力,單位為km·h,表示由于“失效”導(dǎo)致路段上通行能力的總損失量;

L——路段集合;

ρi(k)——k時(shí)間間隔內(nèi)基本單元i的密度,單位為veh/km;

Vi(k)——k時(shí)間間隔內(nèi)基本單元i的空間平均速度,單位為km/h;

vi——基本單元i的自由流速度,單位為km/h;

qi(k)——k時(shí)間間隔內(nèi)從基本單元i流出的流量,單位為veh/h;

QM,i——基本單元i的通行能力,單位為veh/h;

Δxi——基本單元i的長(zhǎng)度,單位為km; Ts——采樣周期(時(shí)間間隔),單位為h.

實(shí)際中,由于環(huán)形檢測(cè)線圈只能得到流量q、時(shí)間平均速度vt,上述計(jì)算中使用到的空間平均速度V和密度ρ采用以下公式轉(zhuǎn)換[7]:

式中 c.v.——變異系數(shù),取值范圍為[0.08,0. 17].

上述多個(gè)指標(biāo)構(gòu)成了交通擁擠嚴(yán)重程度評(píng)價(jià)的時(shí)間序列指標(biāo)集,可作為下文確定“交通擁擠態(tài)勢(shì)指數(shù)”的基礎(chǔ)指標(biāo)集.

4 擁擠態(tài)勢(shì)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

4.1 擁擠態(tài)勢(shì)描述指數(shù)確定模塊

在提出上述定性和定量指標(biāo)集后,需對(duì)它們進(jìn)行趨勢(shì)一致性驗(yàn)證,以便確定能從定性角度與定量角度對(duì)干線擁擠態(tài)勢(shì)做出準(zhǔn)確描述的綜合性指標(biāo).在時(shí)間序列數(shù)據(jù)挖掘算法中,R/S分析法[8]是一種用于驗(yàn)證時(shí)間序列是否具有一定趨勢(shì)性的方法.運(yùn)用該方法可計(jì)算各時(shí)間序列的Hurst指數(shù),得到的結(jié)果越接近表明兩組時(shí)間序列的變化趨勢(shì)越一致.下文簡(jiǎn)要介紹該方法的計(jì)算過(guò)程[8].

給定一個(gè)時(shí)間序列的N個(gè)連續(xù)觀測(cè)值X(1), X(2),…,X(N),均值記為.在此序列基礎(chǔ)上可以得出另一個(gè)序列Y,其中

令

則包括N個(gè)樣本的連續(xù)時(shí)間序列的Hurst指數(shù)H可按式(11)確定.如N=100,此時(shí)n可以取2、4、5、10、20、25、50等7個(gè)數(shù),先求解(R/S)n,再由(R/S)n對(duì)n回歸求得H.

式中 n——原始序列被等分后子序列的長(zhǎng)度,其值為[1,N]間能被N整除的正整數(shù);

R——原始時(shí)間序列的子序列X1,X2,…,Xn經(jīng)調(diào)整后的極差;

S——原始子序列標(biāo)準(zhǔn)差;

H——Hurst指數(shù),值介于0到1之間,H愈接近1,持續(xù)性愈強(qiáng),H愈接近0,反持續(xù)性愈強(qiáng);

c——常數(shù).

運(yùn)用上述方法分別計(jì)算4個(gè)失效度指標(biāo)和失效性指標(biāo)時(shí)間序列的Hurst指數(shù),找到定量與定性指標(biāo)中結(jié)果最接近者作為擁擠態(tài)勢(shì)指數(shù),流程如圖3所示.

4.2 擁擠態(tài)勢(shì)模式辨識(shí)模塊

當(dāng)確定了“擁擠態(tài)勢(shì)描述指數(shù)”后,將一段時(shí)間內(nèi)的一系列擁擠態(tài)勢(shì)指數(shù)時(shí)間序列作為輸入進(jìn)行本模塊的計(jì)算.本模塊旨在從大量的歷史存檔數(shù)據(jù)中發(fā)現(xiàn)指標(biāo)時(shí)間序列變化趨勢(shì)的模式,建立交通擁擠態(tài)勢(shì)日常模式,作為監(jiān)測(cè)交通狀態(tài)是否偏離常規(guī)模式的比較基準(zhǔn).時(shí)間序列模式被定義為一個(gè)相似時(shí)間序列的集合,模式辨識(shí)本質(zhì)是實(shí)現(xiàn)以天為單位的具有相似性變化趨勢(shì)的交通擁擠態(tài)勢(shì)指數(shù)時(shí)間序列的聚類(lèi).具體方法:

圖3 交通擁擠態(tài)勢(shì)指數(shù)確定流程圖Fig.3 Flow-chart of traffic state evolution index determination

(1)以一天為一個(gè)樣本,計(jì)算樣本兩兩之間的形狀相似性距離.“模式距離[9]”可從形狀上度量樣本的相似度,下文簡(jiǎn)要介紹其計(jì)算方法.令m= (X(k+1)-X(k))/Ts,則定義時(shí)間序列X= {X(1),X(2),…,X(n)}的模式XM為

式中 XM={-1,0,1}對(duì)應(yīng)三種趨勢(shì)類(lèi)型{上升,保持,下降};th表示“保持”趨勢(shì)斜率閾值,為接近0的某一較小值.在此基礎(chǔ)上定義時(shí)間序列X和Y之間模式距離DM(X,Y)為

式中 n表示時(shí)間序列間隔個(gè)數(shù).根據(jù)定義式易知,X和Y的模式距離DM(X,Y)∈[0,2].

(2)由于凝聚分層算法在進(jìn)行交通流時(shí)間序列分類(lèi)時(shí)具有優(yōu)越性[10],本文使用該方法根據(jù)模式距離從形狀和嚴(yán)重程度上實(shí)現(xiàn)交通擁擠態(tài)勢(shì)指數(shù)時(shí)間序列的有效分離.

(3)計(jì)算各個(gè)樣本的交通擁擠態(tài)勢(shì)指數(shù)時(shí)間序列累計(jì)值,獲得聚類(lèi)結(jié)果中平均累計(jì)值最大的一類(lèi),將其稱(chēng)為“擁擠最嚴(yán)重類(lèi)”,做為判斷系統(tǒng)是否發(fā)生異常的監(jiān)測(cè)基準(zhǔn)類(lèi).

4.3 擁擠態(tài)勢(shì)異常實(shí)時(shí)在線監(jiān)測(cè)模塊

擁擠態(tài)勢(shì)“異?！笔侵附煌ㄟ\(yùn)行狀態(tài)隨著時(shí)間的變化偏離了常規(guī)運(yùn)行規(guī)律,也即交通系統(tǒng)運(yùn)行內(nèi)在機(jī)制發(fā)生了與常規(guī)狀態(tài)不同的改變.以上述模塊得到的“擁擠態(tài)勢(shì)常規(guī)模式”為比較基準(zhǔn),本模塊以天為單位將實(shí)時(shí)獲取的數(shù)據(jù)與常規(guī)模式比較以實(shí)現(xiàn)交通擁擠態(tài)勢(shì)的實(shí)時(shí)監(jiān)測(cè).具體方法如下所述.

2000年Knorr[11]提出了基于距離的異常模式(Distance-based Outliers)的定義:“T中某子序列O與同數(shù)據(jù)庫(kù)中子序列p比較,其距離DB(p,O)大于閾值D,則認(rèn)為O為異常序列”.以上述概念為基礎(chǔ),本文基于相似性度量距離定義時(shí)間序列“異常因子(Outlier Factor,OF)”,用來(lái)描述模式異常的程度,并用于檢測(cè)某段時(shí)間內(nèi)序列模式是否異常.

(1)異常因子的定義.

對(duì)于等長(zhǎng)的待檢測(cè)序列q和比較基準(zhǔn)類(lèi)PB中某一序列p,異常因子OF(q):

式中 OF(q,p)——序列q和比較基準(zhǔn)類(lèi)PB中某一序列p間的模式相似性距離;

N(PB)——基準(zhǔn)類(lèi)PB所包含的樣本個(gè)數(shù);

q(i)和p(i)(i=1,2,…,k)——分別為序列q和p第i個(gè)值;

ω1和ω2——分別為形狀相似距離和指標(biāo)值偏離量的權(quán)重,表示它們對(duì)“異常因子”的貢獻(xiàn)大小,二者滿(mǎn)足等式ω1+ω2=1.

(2)基于滑動(dòng)窗的異常模式實(shí)時(shí)檢測(cè)算法.

滑動(dòng)窗口是指在處理數(shù)據(jù)時(shí)只考慮最近序列,被用來(lái)獲取當(dāng)前數(shù)據(jù)流的特征信息.在滑動(dòng)窗口內(nèi)不僅有新數(shù)據(jù)連續(xù)到達(dá),而且也會(huì)有舊數(shù)據(jù)過(guò)期[12].為進(jìn)行定點(diǎn)數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè),本算法使用滑動(dòng)窗技術(shù),與基準(zhǔn)中時(shí)間序列比較,將異常因子作為序列特征,如果異常因子增大,并超過(guò)給定閾值,則認(rèn)為實(shí)時(shí)狀態(tài)變化偏離歷史模式較嚴(yán)重,需要作出預(yù)警.圖4給出了算法流程,輸入?yún)?shù)為實(shí)時(shí)檢測(cè)序列X、監(jiān)測(cè)基準(zhǔn)類(lèi)PB,輸出為異常模式發(fā)生時(shí)刻及各個(gè)時(shí)刻異常因子的值.

圖4 基于滑動(dòng)窗的異常模式實(shí)時(shí)檢測(cè)算法流程圖Fig4 Flow-chart of distance-based outlier real-time detection algorithm

5 實(shí)例驗(yàn)證

以上海南北高架東側(cè)路段為例,應(yīng)用本文所設(shè)計(jì)系統(tǒng)進(jìn)行實(shí)證分析.將2009年3月20日(周五)至3月29日(周日)白天6:00-19:00間定點(diǎn)檢測(cè)數(shù)據(jù)作為歷史數(shù)據(jù)進(jìn)行模式辨識(shí),選取同年9月30日同時(shí)段數(shù)據(jù)作為實(shí)時(shí)監(jiān)測(cè)的對(duì)象.上述驗(yàn)證過(guò)程選用Matlab編寫(xiě)了相應(yīng)的計(jì)算程序,并在Dell筆記本(CPU雙核1.6 GHz,內(nèi)存1 G)上實(shí)現(xiàn).

5.1 R/S分析結(jié)果

利用R/S計(jì)算各擁擠態(tài)勢(shì)指標(biāo)的Hurst指數(shù),結(jié)果如表1所示.

據(jù)表1,上述指標(biāo)的Hurst指數(shù)均大于0.5,表明交通擁擠態(tài)勢(shì)具有長(zhǎng)期相關(guān)的特征,即整個(gè)演化過(guò)程整體上具有穩(wěn)定的持續(xù)性.其中,TD與失效性指標(biāo)的Hurst指數(shù)最為接近,因此,下文將TD作為“擁擠態(tài)勢(shì)指數(shù)”.為比較方便,在下文的計(jì)算中,統(tǒng)一將“擁擠態(tài)勢(shì)指數(shù)”指標(biāo)進(jìn)行了歸一化處理.

表1 Hurst指數(shù)計(jì)算結(jié)果Table 1 Calculation results of Hurst index

5.2 常規(guī)運(yùn)行模式辨識(shí)結(jié)果

對(duì)歷史數(shù)據(jù)庫(kù)中3月20日-3月29日6:00-17:00共計(jì)10個(gè)白天的檢測(cè)數(shù)據(jù)進(jìn)行了模式辨識(shí),結(jié)果如圖5所示.

圖5中橫坐標(biāo)表示時(shí)間,縱坐標(biāo)表示指標(biāo)值.由圖可見(jiàn),模式辨識(shí)首先將交通基本特征差異較大的工作日和周末序列進(jìn)行了分離,并從形狀上將3月26日線從工作日中分離,然后從剩下的工作日序列中實(shí)現(xiàn)擁擠最嚴(yán)重的3月27日序列分離,最后成功將擁擠較嚴(yán)重的3月20日(周五)與其他工作日分離.在此基礎(chǔ)上計(jì)算各類(lèi)樣本的類(lèi)內(nèi)平均累計(jì)值,對(duì)各類(lèi)擁擠嚴(yán)重度做出排序,結(jié)果如表2所示.據(jù)此,得到“類(lèi)3({3月27日})”為擁擠最嚴(yán)重類(lèi),作為監(jiān)測(cè)系統(tǒng)的比較基準(zhǔn).

圖5 模式辨識(shí)結(jié)果Fig.5 Results of pattern discrimination

表2 擁擠嚴(yán)重程度排序Table 2 Traffic congestion sevrity sorting

5.3 異常檢測(cè)結(jié)果

已知9月30日處于國(guó)慶放假的前一天,當(dāng)天交通出行量大,上海市交通一度處于癱瘓狀態(tài),路網(wǎng)出現(xiàn)大面積擁堵.算法以該天為監(jiān)測(cè)對(duì)象,檢測(cè)當(dāng)天交通擁擠態(tài)勢(shì)的異常時(shí)刻.

(1)算法輸入包括:實(shí)時(shí)檢測(cè)對(duì)象X=9月30日6:00～19:00以5 min為間隔的擁擠態(tài)勢(shì)指數(shù)時(shí)間序列;監(jiān)測(cè)類(lèi)基準(zhǔn)類(lèi)PB=3月27日6:00～19:00以5 min為間隔的數(shù)據(jù),PB為1*156維矩陣;初始窗口l1=12,即從7:00開(kāi)始監(jiān)測(cè);滑動(dòng)窗長(zhǎng)度l=12,即以一小時(shí)為滑動(dòng)窗口.

(2)參數(shù)OFmax的標(biāo)定:使用歷史庫(kù)中除3月27日外的9天數(shù)據(jù)標(biāo)定OFmax,計(jì)算歷史天內(nèi)各個(gè)時(shí)刻的異常因子OF(q,t),并設(shè)OFmax為99.5%分位的統(tǒng)計(jì)量(圖6),其值為0.41.

(3)檢測(cè)結(jié)果分析.

根據(jù)異常監(jiān)測(cè)算法,獲得9月30日異常報(bào)警結(jié)果如圖7所示.從圖7中可以看到,當(dāng)天異常模式集中在中午12:10-13:20、13:40-14:30和下午17:10-17:15時(shí)間段內(nèi),正是由于這些時(shí)間段內(nèi)擁擠未得到及時(shí)消散,導(dǎo)致了9月30日長(zhǎng)時(shí)間的持續(xù)性擁堵.

圖6 異常因子經(jīng)驗(yàn)累積分布函數(shù)圖Fig 6 Experience cumulative distribution function diagram of Outlier Factor

圖7 9月30日異常因子時(shí)變圖Fig.7 Time changing diagram of outlier factor on September 30

6 研究結(jié)論

本文以城市干線道路交通擁擠態(tài)勢(shì)異常監(jiān)測(cè)為目的,設(shè)計(jì)了基于定點(diǎn)數(shù)據(jù)的監(jiān)測(cè)系統(tǒng).在使用實(shí)際道路檢測(cè)數(shù)據(jù)驗(yàn)證后,得出的結(jié)論包括:

(1)為從定性和定量角度對(duì)交通擁擠發(fā)展變化趨勢(shì)做出客觀評(píng)價(jià),由時(shí)間序列挖掘算法中R/S法確定TD為“擁擠態(tài)勢(shì)指數(shù)”.實(shí)例中,各個(gè)擁擠態(tài)勢(shì)描述指標(biāo)的Hurst指數(shù)均大于0.5,表明交通擁擠的趨勢(shì)變化具有較強(qiáng)的規(guī)律性,各天間交通擁擠態(tài)勢(shì)變化具有相似性.

(2)基于模式距離的凝聚分層算法可實(shí)現(xiàn)交通擁擠態(tài)勢(shì)模式相似性和差異性的辨識(shí).在辨識(shí)結(jié)果基礎(chǔ)上,利用各類(lèi)內(nèi)擁擠態(tài)勢(shì)指數(shù)平均累計(jì)值實(shí)現(xiàn)各天擁擠嚴(yán)重度排序,確定實(shí)驗(yàn)數(shù)據(jù)中擁擠最嚴(yán)重類(lèi)“3月27日”為異常監(jiān)測(cè)的比較基準(zhǔn).

(3)定義了時(shí)間序列“異常因子(Outlier Factor,OF)”描述時(shí)間序列模式異常的程度,并將其作為序列特征設(shè)計(jì)了基于滑動(dòng)窗的異常模式實(shí)時(shí)檢測(cè)算法.實(shí)例中,以9月30日為監(jiān)測(cè)對(duì)象,設(shè)置“異常因子”閾值為0.41,檢測(cè)得到當(dāng)天異常集中分布在中午12:10-13:20、13:40-14:30和下午17:10-17:15時(shí)間段內(nèi),測(cè)算結(jié)果符合當(dāng)日的實(shí)際交通情形.

綜上所述,本文研究成果可為交通管理者與交通出行者了解道路實(shí)時(shí)運(yùn)行狀況,掌握交通擁擠發(fā)生規(guī)律提供服務(wù).但本文研究?jī)H限于具備定點(diǎn)檢測(cè)數(shù)據(jù)時(shí)對(duì)道路干線擁擠態(tài)勢(shì)做出監(jiān)測(cè),未來(lái)可考慮使用數(shù)據(jù)融合技術(shù)擴(kuò)展其他類(lèi)型數(shù)據(jù)源(如浮動(dòng)車(chē)數(shù)據(jù)),并可針對(duì)路網(wǎng)開(kāi)展研究.本文的研究成果也有待結(jié)合更加具體的實(shí)際道路條件,推廣應(yīng)用于實(shí)際城市道路的監(jiān)測(cè)與管理中,也有待于在應(yīng)用中進(jìn)一步實(shí)現(xiàn)功能的完善和方法的提升.

[1] Pravin Varaiya.California partners for advanced transit and highways(Path)[R].University of California, Berkeley,2004.

[2] Robert L Bertini,Steven Hansen,Spicer Matthews,et al.Portal implementing a new generation archived data user service in portland,oregon[C].12th World Congress on ITS,San Francisco,2005.

[3] 胡啟洲,劉英舜,郭唐儀.城市交通擁堵態(tài)勢(shì)監(jiān)控的時(shí)空分布形態(tài)識(shí)別模型[J].交通運(yùn)輸系統(tǒng)工程與信息,2012,12(03):41-45.[HU Q Z,LIU Y S,GUO T Y.Space-time distribution model on state monitoring ofurbantrafficcongestion[J].Journalof Transportation Systems Engineering and Information Technology,2012,12(03):41-45.]

[4] 關(guān)偉,何蜀燕,馬繼輝.HMI—城市快速路發(fā)生交通擁堵的一個(gè)預(yù)警指標(biāo)[J].交通運(yùn)輸系統(tǒng)工程與信息,2008,8(05):26-31.[GUAN W,HE S Y,MA J H.HMI:Prewarning index of traffic jam formation on urban freeway[J].Journal of Transportation Systems Engineering andInformationTechnology,2008,8 (05):26-31.][5] 弓晉麗,楊東援.基于檢測(cè)線圈數(shù)據(jù)道路交通瓶頸分析[J].公路交通科技.2010,27(7):118-122. [GONG J L,YANG D Y.The road bottleneck analysis based on loop detector data[J].Journal of Highway and Transportation Research and Development.2010, 27(7):118-122.]

[6] Chao Chen,Karl Petty,Alex Skabardonis,et al. Freeway performance measurement system mining loop detector data[R].Transportation Research Record 1748.2001:96-102

[7] 胡小文,楊東援.城市快速道路交通流密度的估計(jì)[J].交通運(yùn)輸系統(tǒng)工程與信息,2008,8(03):79-82.[HU X W,YANG D Y.Estimation of traffic densityonurbanfreeways[J].Journalof Transportation Systems Engineering and Information Technology,2008,8(03):79-82.]

[8] 埃德加E彼得斯.分形市場(chǎng)分析[D].北京:經(jīng)濟(jì)科學(xué)出版社,2002.[Edgar E Peters.Fractal market analysis[M].Beijing:EconomicScience Press,2002.]

[9] 王達(dá),榮岡.時(shí)間序列的模式距離[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2004,38(07):795-798.[WANG D, RONG G.Pattern distance of time series[J].Journal of Zhejiang University(Engineering Science),2004,38 (07):795-798.]

[10] C Oller-Levet,F Klawonn,K-H Cho,et al.Fuzzy clustering of short time series and unevenly distributed Sampling[C].Proc of the 5the Int Symp on Intelligent Data Analysis.New York:ACM,2003.

[11] E Knorr,R Ng,V Tucakov.Distance-based outliers algorithms and applications[J].VLDB J,2000,8(3-4):237-253.

[12] P Domingos,G Hulten.Mining high-speed data streams [C].In Proceedings of the sixth ACM SIGKDD international conference on knowledge discovery and data mining,2000:71-80.

Monitoring the Evolution of Traffic on Main City Roads

GONG Jin-li1,PENG Xian-wu2
(1.School of Transportation Engineering,Changsha University of Science&Technology,Changsha 410114,China; 2.Sany Heavy Industry Co.,Ltd,Changsha 410100,China)

In order to monitor the evolution of traffic on main city roads,a fixed-point data monitoring system is devised.Firstly,after qualitative traffic data(flow,speed,and occupancy)are acquired,they are then translated into the traffic qualitative state(congested or uncongested)by Fuzzy C-means Clustering algorithm.Secondly,the Congestion Evolution Index is determined using Rescaled Range Analysis of data mining.Finally,by taking a sequence pattern similarity measurement and applying condensed hierarchical clustering methods,the routine pattern is distinguished.Consequently,real-time outlier detection is realized by a distance-based outlier detection algorithm.This algorithm was successfully applied based on 11 days of fixed-point data on the eastern segment of the Shanghai North-South expressway,it is concluded that the outliers distributed in 12:10-13:20,13:40-14:30 and 17:10-17:15 on September 30.

traffic engineering;traffic state evolution;time series;outlier detection;fixed-point data

U491.112

: A

U491.112

A

1009-6744(2013)05-0030-08

2013-03-28

2013-06-10錄用日期:2013-06-20

863計(jì)劃項(xiàng)目(2007AA12Z242);國(guó)家自然科學(xué)基金項(xiàng)目(50738004);公路工程教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(kfj120106).

弓晉麗(1983-),女,山西省文水縣人,講師,工學(xué)博士.

*通訊作者:gjl2001cd@126.com