結合空間相關性的城市熱點路段提取方法

劉家良，孫立雙(沈陽建筑大學交通工程學院，遼寧 沈陽 110168)

城市熱點路段是指交通流量密集且車輛頻繁經過的交通路段[1]。為了緩解城市交通壓力，需要對城市熱點路段進行提取。近年來國內外學者從兩個研究角度對其進行了深入研究。一方面是利用出租車的運行速度與運行時間對熱點路段進行挖掘。Xu L基于時間-空間相關關系概括得到出行速度和交通量等信息，利用數據立方體定義交通擁堵事件，進而識別出熱點路段[2]。B S Westgate引入了貝葉斯模型，通過估算車輛在每個路段的行駛時間，進而對熱點路徑進行分析[3]。Duan Y使用浮動車的數據，利用樣本評估法評估各路段的出行速度，從中識別出頻繁擁堵的路段[4]。另一方面是基于路網的交通量密度對熱點路段進行研究。Kharrata采用了一種基于移動物體軌跡的聚類方法獲取熱點路徑。該方法通過計算網絡中的密集路徑，對與密集路徑相似的子軌跡進行聚類，最后根據聚類結果獲得熱點路徑[5]。溫海平利用路段交叉點和車輛停留點對軌跡進行聚類，結合軌跡數據的語義挖掘，對居民出行的熱點路徑進行提取[6]。段煉基于DBSCAN聚類算法提出了城市熱點路徑的搜尋算法[7]。

現(xiàn)有的相關研究大多是利用聚類的方式對城市交通熱點路段進行提取，但是對熱點路段的提取算法和提取結果驗證方面的研究還很少。本文選取大連市2015年3月21日的出租車軌跡數據，對城市道路交通量的全局相關性進行分析，同時基于局部相關統(tǒng)計量對城市熱點路段進行提?。徊捎肰ISSIM軟件對待驗證熱點路段的交通狀態(tài)進行仿真模擬；利用行程時間監(jiān)視器、數據采集器、排隊時間計數器采集到的相關數據構建熱點路段判別矩陣，采用專家調查法得到3種評價指標的權重矩陣，利用模糊分析法進行熱點路段判別；最終得到待驗證路段的熱點路段隸屬程度，從而對熱點路段的提取算法和提取結果進行驗證[8]。

1 城市熱點路段的提取

1.1 道路交通量的全局相關性分析

(1)

在給定的顯著性水平下，若Moran’s Ⅰ的值大于0，則研究區(qū)域內路段間的空間相關性為正。若Moran’s Ⅰ的值小于0，研究區(qū)域內路段間的空間相關性為負，研究區(qū)域整體呈現(xiàn)出分散模式[11]。通過構造服從正態(tài)分布的統(tǒng)計量Z對研究區(qū)域內的n個路段間空間相關性的顯著性進行檢驗[12]。其中，顯著性檢驗值Z的表達式為

(2)

選取2015年3月21日大連市中心城區(qū)作為研究區(qū)域，根據研究范圍內的道路網數據及預處理后的出租車軌跡數據，對城市道路交通量的全局相關性進行計算，得到各個時段的道路交通量的全局Moran’s Ⅰ和全局Z檢驗值如圖1所示。

圖1中各時段的全局Moran’s Ⅰ值均大于0.5，表明研究對象呈現(xiàn)正相關聚集分布。對各個時段的Moran’s Ⅰ統(tǒng)計量進行顯著性檢驗，得到各個時段路段的全局Z檢驗值均大于正態(tài)分布函數在5%顯著性水平下的臨界值1.96。因此，研究區(qū)域內路段的交通量在空間上呈現(xiàn)顯著性較強的正相關。

1.2 基于局部相關統(tǒng)計量的熱點路段提取

為了對研究區(qū)域內的熱點路段進行提取，首先要計算每條道路的局部Moran’s I值。其計算公式為

(3)

選取大連市的中心城區(qū)2015年3月21日的道路網數據及各路段的交通量數據進行熱點路段的提取。分別選取8:00—9:00、12:00—13:00、18:00—19:00 3個時段，根據式(3)計算研究區(qū)域內所有路段的局部Moran’s Ⅰ值，并進行顯著性檢驗，最終得到5%顯著性水平下2015年3月21日不同時段的熱點路段分布圖，如圖2所示。

圖2 3月21日的熱點路段分布

通過分析可以發(fā)現(xiàn)熱點路段的數量隨時段的不同而不同，且主要分布在如中山路、疏港路、東聯(lián)路、虹港路等城市主干道路上；同時城市的熱點路段在同一時間段內的分布有較大的相似性。

2 熱點路段的提取算法驗證

選取2015年3月21日8:00—9:00的熱點路段——大連市黃河路作為驗證對象，采用VISSIM軟件對驗證對象的交通狀態(tài)進行仿真模擬。即首先對路段進行設置，熱點路段的驗證對象為東西向的大連市黃河路(雙向6車道)，在該試驗路段的南北方向上有蓋州街(雙向單車道)、升平街(單向雙車道)和廣平街(單向雙車道)3條支路段。圖3為大連市黃河路的示意圖，圖中的編號表示交通量輸入輸出位置的點號，箭頭表示車輛的行駛方向，A、B、C表示信號燈編號，a、b、c表示數據采集點編號。

圖3 大連市黃河路的路段示意圖

然后對數據采集點進行設置。在斷面a、b、c處分別對路網添加行程時間監(jiān)視器、數據采集器和排隊時間計時器。在3600 s仿真時間內，以10 s為間隔采集通過斷面的車輛數。同時對Oracle數據庫中的路段交通量數據進行提取，得到2015年3月21日8:00—9:00大連市黃河路的各個出入口的交通量輸入情況見表1。

表1 各路口在不同速度條件下的交通量 輛

最后對交通信號燈進行設置，在斷面A、B、C處分別添加信號燈。模擬路段中的交叉口共有3個，分別為黃河路-蓋州街交叉口、黃河路-升平街交叉口、黃河路-廣平街交叉口，其中黃河路-蓋州街交叉口的配時方案見表2。

結合以上建模參數，得到2015年3月21日8:00—9:00的大連黃河路的VISSIM交通仿真后狀況如圖4所示。

由于狀態(tài)屬性與評價指標之間存在模糊關系，因此根據2012年我國《城市道路交通管理評價指標體系》中A級城市主干路段的分級標準，設定各個指標隸屬度函數的各級閾值的范圍。選取交叉口的時間延誤、路段行駛時間和浮動車行駛速度作為判別模型的評價指標。將熱點路段的程度劃分為熱點路段、次熱點路段和非熱點路段[15]。構造出各個指標的隸屬度函數如圖5所示。

表2 黃河路-蓋州街交叉口信號配時方案 s

圖4 大連黃河路VISSIM交通狀態(tài)仿真狀況

圖5 交叉口的時間延誤、路段行駛時間延誤及車輛行駛速度的隸屬度函數

將浮動車平均行駛速度、路段的平均行程延誤和交叉口平均行程時間延誤分別代入各自的評價集隸屬函數中，得到浮動車平均行駛速度判別結果R1=[μA(V)μB(V)μC(V)]、路段的平均行程延誤判別結果R2=[μA(V)μB(V)μC(V)]、交叉口平均行程時間延誤結果R3=[μA(V)μB(V)μC(V)]。本文采用專家調查法對各評價指標對應的權重系數進行評價賦值，得到3種指標的權重矩陣A=[a1a2a3]。其中a1為路段行駛速度的權重系數，a2為路段的平均行程延誤的權重系數，a3為交叉口平均行程時間延誤的權重系數。通過對3種指標的權重矩陣A和判別矩陣R進行模糊判斷，得到熱點路段的判別結果為[16]

[b1b2b3]

(4)

式中，b1為熱點路段的隸屬程度；b2為次熱點路段的隸屬程度；b3為非熱點路段的隸屬程度。經過VISSIM對待驗證路段交通狀態(tài)進行仿真，可以得到2015年3月21日8:00—9:00的大連市黃河路路段行駛時間延誤為85(s/km)，浮動車平均行駛速度為20(km/h)，交叉口平均行駛時間延誤為76.5 s。

最后，根據熱點路段的判別模型，將黃河路路段參數指標值代入模型中，通過對判別矩陣和權重矩陣進行模糊判斷，得到待驗證路段的非熱點區(qū)域隸屬程度為0.276，次熱點區(qū)域隸屬程度為0.212，熱點區(qū)域隸屬程度為0.512，依據最大隸屬重要度原則，把隸屬度最大值所對應的熱點路段的狀態(tài)屬性作為判別目標的最終判別結果。由此可以判別出2015年3月21日8:00—9:00的大連市黃河路為熱點路段。

3 結 語

(1) 本文采用空間相關性分析的方法實現(xiàn)了對大連市2015年3月21日交通熱點路段的提取，得到了一天中3個特征時段的熱點路段空間分布圖。通過分析可以發(fā)現(xiàn)：研究區(qū)域內路段的交通量在空間上呈現(xiàn)顯著性較強的空間正相關性。不同特征時段內交通熱點路段主要分布在城市的主干道路上，其聚集程度隨時段的變化而不斷變化，且高度聚集的交通熱點路段在同一時段內的分布存在較大的相似性。

(2) 選取了2015年3月21日8:00—9:00的熱點路段大連市黃河路作為驗證對象，采用VISSIM軟件對該路段的交通狀態(tài)進行仿真模擬。最終得到該路段的熱點路段隸屬程度為0.512，判定該路段為熱點路段。表明基于空間相關性的城市熱點路段提取算法合理有效。

參考文獻：

[1] 楊晞.大連城市交通擁堵的治理對策研究[D].大連:大連海事大學,2015.

[2] XU L，YUE Y，LI Q.Identifying Urban Traffic Congestion Pattern from Historical Floating Car Data [J].Procedia-Social and Behavioral Sciences，2013，96:2084-2095.

[3] WESTGATE B S，WOODARD D B，MATTESON D S，et al.Travel Time Estimation for Ambulances Using Bayesian Data Augmentation [J].Annals of Applied Statistics，2013，7(2):1139-1161.

[4] DUAN Y，LU F.Robustness of City Road Networks at Different Granularities[J].Physica a Statistical Mechanics & Its Applications，2014，411(411):21-34.

[5] KHARRAT A，POPA I S，ZEITOUNI K，et al.Clustering Algorithm for Network Constraint Trajectories[C]∥Headway in Spatial Data Handing，International Symposium on Spatial Data Handling.Montpellier：DBLP,2008:631-647.

[6] 溫海平.基于軌跡聚類的熱點路徑分析方法研究[D].重慶：重慶郵電大學，2011.

[7] 段煉,李峙,胡寶清.時空約束下的熱點路徑空間分布檢測算法[J].計算機工程與設計,2014,35(3):861-866.

[8] 徐建.基于空間計量模型的交通事故分析與預測[D].南京:東南大學，2014.

[9] 張樹德.基于復雜網絡理論的城市道路網絡脆弱性研究[D].哈爾濱:哈爾濱工業(yè)大學,2014.

[10] 田薇,張錦明,龔建華.面向不同主題的交通大數據可視分析[J].測繪科學技術學報,2017,34(1):102-105.

[11] 崔艷超，周剛.Spark平臺上基于K-Means算法的熱點路徑發(fā)現(xiàn)方法研究[J].信息工程大學學報，2016，17(6):743-747.

[12] 劉康,仇培元,劉希亮,等.利用詞向量模型分析城市道路交通相關性[J].測繪學報,2017,46(12):2032-2040.

[13] 桂新,秦海波,王勝平,等.基于相關系數迭代法的水下地形測量時間延遲探測方法研究[J].測繪通報,2015(5):57-59.

[14] 毛海霞,田巖,范小朋,等.基于時空車流灰度的城市交通熱點分析[J].地理信息世界,2016,23(3):13-19.

[15] 朱海濤.基于出租車GPS數據的城市主干道路交通狀態(tài)判別[D].哈爾濱:東北林業(yè)大學，2016.

[16] 董琦.基于VISSIM的環(huán)形交叉口與信號控制交叉口型式選擇研究[D].西安:長安大學，2014.