基于微波數據的城市交通異常度計算方法

溫曉岳　邱淳風　王浩　李建元

摘 要： 針對不確定因素導致城市道路出現(xiàn)異常擁堵的現(xiàn)象，提出道路異常度的概念。首先對微波檢測器采集到的交通流速度和流量進行預處理，再根據實時微波數據結合近期歷史數據分別構建關于速度和流量的異常指數，最后依據速度和流量數據源的可信度給出道路異常度概念。視頻查詢結果表明，該算法能直觀、迅速地反應道路異常程度，證明了算法的有效性。

關鍵詞： 微波檢測器； 異常度； 速度異常指數； 流量異常指數

中圖分類號：TP3 文獻標志碼：A 文章編號：1006-8228（2015）06-48-04

Abstract： In urban traffic system uncertain sectors lead to abnormal congestion phenomenon， to solve the problem this paper proposes the concept of road abnormal degree. Firstly， collect speed and flow data from microwave sensors for data preprocess， then establish abnormal degree model about speed and flow by collecting the real-time data combine with the recent history data， and finally， based on speed and flow credibility propose the concept of road abnormal degree. The results of video query indicated this method can quickly react to the road abnormal degree and proved the effectiveness of the method.

Key words： microwave sensor； abnormal degree； speed abnormal index； flow abnormal index

0 引言

對于交通擁堵情況的分析，鄧衛(wèi)等在確認交通擁擠出現(xiàn)的同時，將交通擁擠類型分為常發(fā)性擁堵與偶發(fā)性擁堵[1]，常發(fā)性擁堵主要發(fā)生在上下班時段，常發(fā)性擁堵通常是可以預測的，其重要特征是它會在某些固定時間和固定地點反復出現(xiàn)，交管部門可酌情做好預防工作。針對道路施工、惡劣天氣、交通事故等不可控原因造成的偶發(fā)性道路擁堵情況[2-3]，需通過人工巡查各個路口的視頻監(jiān)控點確定道路交通狀況，以進一步決定是否增派警力消除擁堵因素，保持道路暢通。人工視頻巡查工作量大，且需要耗費交管部門大量精力。劉偉銘等利用決策樹方法對高速公路事件持續(xù)時間預測問題進行研究[4]，用實時性的事件持續(xù)時間預測方法可以為事件管理人員確定最佳的緊急救援和交通控制策略提供在線幫助；羅小強等利用小波包變換可以有效識別結點能量分布的突變區(qū)間特性，判別交通擁擠事件的發(fā)生，可以有效辨識城市快速路交通擁擠事件程度[5]；張海軍等研究了異常事件對高速公路通行能力的影響，將事發(fā)點通行能力的影響因素歸為五類，并進行微觀交通仿真[6]。上述大量研究針對異常事件的持續(xù)時間和影響展開，但從異常事件導致道路擁堵開始，到交通管理者發(fā)現(xiàn)警情并派遣警力疏導交通，需經歷一段不確定的時間，因異常擁堵所帶來的損失已無法避免。微波檢測器可實時、全天候檢測所在路段信息，目前以微波檢測器為數據源的道路異常狀況主動識別方法較少，不利于提高交管部門指揮效率。本文提出道路異常度的概念，通過定義道路速度異常指數和道路流量異常指數，計算出道路的異常度綜合評價指標，反映出各個路段的異常程度，從而引導交警指揮部門通過視頻手段實時核查道路路況。

1 數據預處理

原始微波數據有以下幾個特點。

⑴ 每個微波檢測的是同一方向的幾個車道上的情況，包括速度、流量、車道占有率、車身特征等。

⑵ 每個微波以5分鐘為時間間隔采集數據，中間存在數據缺失現(xiàn)象，比如某個5分鐘沒有記錄，就變成了10分鐘收集一次數據。

⑶ 對于每個微波每一天的數據，都能各自詳細記錄。

由于檢測設備的機械故障、自身設計缺陷、安裝規(guī)范程度或者通信終端等問題，微波雷達獲取的交通數據質量難以保證，為了在數據處理之前得到更為可靠的數據，需要對采集到的原始微波數據進行數據清洗、數據恢復等。

1.1 數據清洗

首先把采集到的原始流量、速度數據與交通指揮部門根據歷史數據得出的閾值進行比較，將閾值范圍以外的數據定義為錯誤數據，表1給出了具體的錯誤數據判別規(guī)則示例。

根據判別規(guī)則得到錯誤數據后，需要對其進行修正，對于不滿足理論閾值的數據，用閾值替代錯誤數據，對于不滿足交通流理論的數據，采用歷史數據平均的方法進行修正，比如可以采用當前時刻前三個時刻檢測值的平均值進行填補。

微波雷達檢測的是一個截面，即對微波雷達所處截面上的所有車道進行檢測，并且按照時間順序分別記錄截面上各車道交通數據。在判斷每條道路的擁堵點時，只需知道在哪個方向發(fā)生擁堵即可，本文將同一斷面、同一時刻、不同車道的交通數據進行轉換，具體轉換公式如下。

1.2 速度、流量數據整理

本節(jié)以微波點速度數據為例加以說明，流量數據處理方法與之類似。經數據清洗后的（X1，X2，…，Xn）構成微波點X關于速度的一個樣本空間，由n個樣本點組成，其中可以計算出樣本均值，為樣本方差，當樣本容量足夠大時，樣本均值趨近于總體期望，樣本方差趨近于總體方差，故本文中令總體期望，總體方差σ2=S2。

對大量采集到的微波點歷史數據分析表明，速度數據符合正態(tài)分布，某微波點的速度構成的正態(tài)分布如圖1所示。

xv為微波點實時車速，μv、σv為根據相應微波點近期速度計算出的期望和方差，則該微波點的近期數據Xv服從μv、的正態(tài)分布，即，通過的線性變換，可以將一般正態(tài)分布變換為標準正態(tài)分布，即，此時表示標準正態(tài)分布下的車速。故各個微波點可由符合各自的正態(tài)分布線性變換為符合標準正態(tài)分布，由標準正態(tài)分布的概率密度函數，y∈（-∞，+∞）可知線性變換后各個微波點的概率密度函數相同，均被統(tǒng)一在同一尺度空間下。

2 速度、流量異常指數

下面對速度異常指數和流量異常指數進行具體闡述。

線性變換后標準正態(tài)分布下的車速可以反映當前微波點車速xv與平均車速即期望μv的偏離程度，線性變換后的概率密度函數相同，即為，只是車速yv不同。由標準正態(tài)分布的概率密度函數可知，車速yv越小于均值μv，概率密度越小，車速變小說明道路由于某種原因發(fā)生擁堵，需進行重點關注。

3 道路異常度

由于本方法高度依賴于對給定數據所做的統(tǒng)計模型是否成立，即速度數據源和流量數據源是否符合正態(tài)分布，數據源模型越接近正態(tài)分布，計算結果的可信度越高。偏度系數描述一個分布偏離正態(tài)分布的程度，即用來衡量分布是否對稱。偏度系數為0說明分布左右對稱，偏度系數大于0說明分布相比正態(tài)分布右偏，偏度系數小于0說明分布相比正態(tài)分布左偏。峰度系數反映了分布曲線相比正態(tài)分布在頂端高聳或扁平程度的不同，正態(tài)分布情況下，峰度系數為0。峰度系數大于0說明分布曲線頂端比正態(tài)分布尖峭，峰度系數小于0說明分布曲線頂端比正態(tài)分布扁平。故分別計算微波點在各自樣本空間內的偏度系數和峰度系數，根據系數大小判定當前微波點數據是否符合正態(tài)分布，偏度系數和峰度系數的絕對值越小，證明數據源質量越好，接近正態(tài)分布的數據源應當給予更高的權重。

將速度的偏度系數和峰度系數的絕對值之和記為αv，流量的偏度系數和峰度系數的絕對值之和記為αf。如果αv<αf，說明速度數據源的質量比流量數據源的質量好，則速度數據源的可信度為（可信度越大越可信），流量數據源的可信度為；如果αv>αf說明流量數據源的質量比速度數據源的質量好，則流量數據源的可信度為（可信度越大越可信），速度數據源的可信度為。綜上所述，速度數據源的可信度為，流量數據源的可信度為。

4 算例分析

本文中以杭州市內道路路段上的微波點檢測器采集到的交通流基本數據為例，將全天24小時劃分為若干個5分鐘時間槽，假設當天數據庫中最新的5分鐘為12：20-12：25，經過數據清洗后的890號微波點當天實時數據如表3。

圖5中大方框為異常度排名第五的路段，第一個數字133代表微波點編號，第二個數字0.8798103代表當前路段異常度，后面依次是當前微波點所在的路段名稱和路段方向；小方框中標明當天14：45～14：50時間段內的實時平均車速為8km/h，總流量為70輛，前面分別為近10天14：45～14：50時段內的車速和流量，通過對比可以發(fā)現(xiàn)，當前車速和流量明顯異常。

133號微波點所在路段為杭州石祥路（瓜山立交橋附近）自東向西方向，通過在視頻查詢14：50分實時視頻路況如圖5。

視頻查詢結果顯示高架下匝道口處出現(xiàn)異常擁堵現(xiàn)象，為車輛拋錨事故，后方清障車輛已到達現(xiàn)場，事故占用一個車道導致高架下匝道擁堵，所有其余車輛均避讓繞行，導致該路段車速明顯下降。

5 結束語

針對道路施工、惡劣天氣、交通事故等不可控原因造成的偶發(fā)性道路擁堵情況，通過對城市道路路段上微波檢測器采集到的交通流流量和速度進行整理，清洗掉每個車道中不合理的數據，將每個路段每個方向上各個車道的信息整合為斷面數據，結合近期歷史數據分別構建出關于速度和流量的異常指數，進而計算出當前路段的道路異常度，實現(xiàn)對城市道路路段實時、自動監(jiān)控。實驗結果表明，該方法能夠實時反饋城市道路交通異常狀況，方法簡捷、算法執(zhí)行效率高，具有相當高的應用價值。下一步的研究工作將針對異常擁堵事件引發(fā)的區(qū)域性擁堵進行關聯(lián)性分析。

參考文獻：

[1] 鄧衛(wèi)，李峻利.高速公路常發(fā)性與偶發(fā)性交通擠的判別[J].東南大學

學報（自然科學版），1994.24（2）：60-65

[2] 彭春露，彭國雄.城市道路交通異常事件管理系統(tǒng)設計[J].交通與計

算機，2002.20（5）.

[3] 曾松，楊曉光.駕駛員異常交通信息響應特性的分析[J].同濟大學學

報（自然科學版），2000.28（3）：301-305

[4] 劉偉銘，管麗萍，尹湘源.基于決策樹的高速公路事件持續(xù)時間預測[J].

中國公路學報，2005.18（1）：99-103

[5] 羅小強，陳寬民，張同芬.城市快速路交通擁擠事件檢測與程度辨識[J].

長安大學學報（自然科學版），2010.30（3）：71-75

[6] 張海軍，張玨，楊曉光.異常事件下高速道路交通狀態(tài)的分析與仿真[J].

交通運輸工程學報，2008.8（2）：116-121