基于多元數(shù)據(jù)的城市道路交通狀態(tài)識(shí)別方法研究

一、概述

十九大報(bào)告明確提出貫徹“交通強(qiáng)國(guó)”新發(fā)展理念，意味著我們將在新時(shí)代開(kāi)啟建設(shè)交通強(qiáng)國(guó)新征程。加快推進(jìn)綜合交通、智慧交通、綠色交通、平安交通 “四個(gè)交通”建設(shè)，以“五新”全面落實(shí)黨的十九大精神。

城市交通以“暢通有序、文明和諧”為運(yùn)行目標(biāo)，是城市經(jīng)濟(jì)、文化、生活品質(zhì)發(fā)展的重要基礎(chǔ)和保證，而實(shí)現(xiàn)該目標(biāo)離不開(kāi)智慧交通的堅(jiān)實(shí)基礎(chǔ)支撐，進(jìn)一步提高城市現(xiàn)代化水平與競(jìng)爭(zhēng)力。截至2017年12月底，南京市機(jī)動(dòng)車保有量已達(dá)256萬(wàn)輛，其中載客小型機(jī)動(dòng)車197萬(wàn)輛，同比增幅為11.4%，主城區(qū)常住人口日出行總量超過(guò)1000萬(wàn)次。道路設(shè)施與公眾出行需求的矛盾日益突出，部分交叉口在部分時(shí)段交通需求嚴(yán)重不均衡，全市高峰時(shí)段多個(gè)區(qū)域出現(xiàn)較為明顯的擁堵現(xiàn)象。通過(guò)分析發(fā)現(xiàn)，南京主干道占全市道路里程48.18%，但是僅分擔(dān)28.9%的車流量，而城市快速路里程雖然僅占全市道路里程3.2%，但是承擔(dān)了全市23.2%的車流量，全市路網(wǎng)交通量分布不均衡，快速路車流量嚴(yán)重飽和。

目前，南京正在逐步完善各類道路交通信息采集系統(tǒng)的建設(shè)，逐步實(shí)現(xiàn)傳統(tǒng)的交警自有數(shù)據(jù)和外部互聯(lián)網(wǎng)、手機(jī)信令數(shù)據(jù)的融合應(yīng)用。并利用大數(shù)據(jù)、人工智能等技術(shù)深挖城市路網(wǎng)內(nèi)車輛運(yùn)行規(guī)律，以支撐各類環(huán)境、場(chǎng)景下的交通信號(hào)優(yōu)化工作的推進(jìn)。因此，南京市公安局交通管理局聯(lián)合南京萊斯信息技術(shù)股份有限公司、阿里云計(jì)算有限公司、南京云創(chuàng)大數(shù)據(jù)科技股份有限公司開(kāi)展基于人工智能技術(shù)的道路交通信號(hào)控制技術(shù)研究。主要包含道路交通狀態(tài)識(shí)別、交通需求預(yù)測(cè)、信號(hào)智能控制以及效益評(píng)估反饋等內(nèi)容。本文以信號(hào)控制優(yōu)化為核心，闡述基于UGIS靜態(tài)數(shù)據(jù)，電子警察、正向雷達(dá)、互聯(lián)網(wǎng)、手機(jī)信令等動(dòng)態(tài)數(shù)據(jù)的交通流運(yùn)行規(guī)律分析技術(shù)。

二、交通狀態(tài)識(shí)別的基礎(chǔ)分析模型設(shè)計(jì)

傳統(tǒng)的交通流分析多以單路口、存在性數(shù)據(jù)分析為主，對(duì)交通流的連續(xù)性、路網(wǎng)內(nèi)車輛的運(yùn)行規(guī)律分析較少。且城市GIS數(shù)據(jù)在以往的應(yīng)用中也多以展示為主。因此在研究過(guò)程中以城市地理信息系統(tǒng)（Urban Geographic lnformation System, UGIS）為基礎(chǔ)，通過(guò)將交通流檢測(cè)數(shù)據(jù)與UGIS數(shù)據(jù)相結(jié)合進(jìn)行更全面的交通流參數(shù)分析。

（一）城市地理信息系統(tǒng)（Urban Geographic lnformation System）

城市地理信息系統(tǒng)（UGIS）是將反映城市現(xiàn)狀、規(guī)劃、變遷的各類空間數(shù)據(jù)（如地形、地貌、建筑、道路、綜合管線等）以及描述這些空間特征的屬性數(shù)據(jù)通過(guò)計(jì)算機(jī)進(jìn)行輸入、存儲(chǔ)、查詢、統(tǒng)計(jì)、分析、輸出等的一門綜合性空間信息系統(tǒng)?；赨GIS，在傳統(tǒng)的路網(wǎng)數(shù)據(jù)基礎(chǔ)上細(xì)化道路交叉口的各項(xiàng)設(shè)計(jì)參數(shù)以精細(xì)化研究路口交通流運(yùn)行狀態(tài)。

（二）基于數(shù)據(jù)特性的分析單元設(shè)計(jì)

動(dòng)態(tài)交通信息不僅包括公路和城市道路上所有移動(dòng)物體所具有的特定信息，諸如車速、車型、車流量、道路路口狀態(tài)、非機(jī)動(dòng)車和行人的狀態(tài)、突發(fā)事件等，也包括這些信息與歷史數(shù)據(jù)的對(duì)比分析，從而判斷它的趨勢(shì)變化。從先進(jìn)的交通管理系統(tǒng)（ATMS）角度分析，動(dòng)態(tài)交通信息按數(shù)據(jù)來(lái)源可以分為以下幾類：

（1）按信息采集時(shí)間：歷史數(shù)據(jù)和實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)；

（2）按信息特點(diǎn)：定性數(shù)據(jù)、定量數(shù)據(jù)和圖像數(shù)據(jù)等；

（3）按信息采集系統(tǒng)的不同：交通流檢測(cè)系統(tǒng)數(shù)據(jù)、電視監(jiān)視系統(tǒng)數(shù)據(jù)、視頻檢測(cè)系統(tǒng)數(shù)據(jù)、浮動(dòng)車采集系統(tǒng)數(shù)據(jù)和人工報(bào)告數(shù)據(jù)；

（4）按信息類別：流量數(shù)據(jù)、車速數(shù)據(jù)、占有率數(shù)據(jù)等；

（5）按信息采集的方式：固定檢測(cè)器數(shù)據(jù)、移動(dòng)檢測(cè)器數(shù)據(jù)。

研究過(guò)程中，主要針對(duì)正向雷達(dá)、電子警察兩類交警自有數(shù)據(jù)，手機(jī)信令和互聯(lián)網(wǎng)外部數(shù)據(jù)進(jìn)行綜合分析。根據(jù)各項(xiàng)數(shù)據(jù)的基本特點(diǎn)和UGIS的特性，按照車道級(jí)劃分出下游出口道、路口、進(jìn)口道渠化段、路段、上游出口道五維空間的數(shù)據(jù)分析基本單元，并根據(jù)各類交通參數(shù)檢測(cè)設(shè)備和數(shù)據(jù)特點(diǎn)進(jìn)行動(dòng)靜態(tài)數(shù)據(jù)匹配關(guān)聯(lián)。

通過(guò)動(dòng)態(tài)數(shù)據(jù)分析基本單元對(duì)進(jìn)口道渠化段內(nèi)各車道的車輛到達(dá)、消散，路段內(nèi)的擁堵、排隊(duì)以及上下游出口道內(nèi)的車輛占有等狀態(tài)進(jìn)行識(shí)別預(yù)測(cè)。并根據(jù)路口間（含長(zhǎng)路徑）的行程時(shí)間、平均速度、OD變化等狀態(tài)進(jìn)行識(shí)別和預(yù)測(cè)。

（三）多元數(shù)據(jù)特點(diǎn)分析

目前在研究應(yīng)用的數(shù)據(jù)主要有正向雷達(dá)數(shù)據(jù)、電子警察檢測(cè)數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)和手機(jī)信令數(shù)據(jù)。不同特點(diǎn)的數(shù)據(jù)通過(guò)基本分析單元映射至UGIS，并根據(jù)各項(xiàng)數(shù)據(jù)特點(diǎn)進(jìn)行交通參數(shù)統(tǒng)計(jì)分析。

正向雷達(dá)數(shù)據(jù)能夠檢測(cè)進(jìn)口到渠化段內(nèi)各車道多斷面的過(guò)車數(shù)據(jù)、各車道排隊(duì)數(shù)據(jù)和下游出口道內(nèi)的指定區(qū)域內(nèi)指定位置的斷面過(guò)車、各車道排隊(duì)數(shù)據(jù)。

電子警察數(shù)據(jù)能夠高效的采集過(guò)車數(shù)據(jù)，通過(guò)關(guān)聯(lián)分析能夠刻畫出路網(wǎng)內(nèi)車輛運(yùn)行軌跡，通過(guò)時(shí)空分析能夠描繪路網(wǎng)內(nèi)交通密度變化的時(shí)空?qǐng)D譜。

互聯(lián)網(wǎng)數(shù)據(jù)能夠快速的反映數(shù)據(jù)分析單元內(nèi)各空間的交通流運(yùn)行狀態(tài)、平均延誤時(shí)間以及路徑和區(qū)域內(nèi)的行程時(shí)間和平均車速等特點(diǎn)。

手機(jī)信令數(shù)據(jù)主要是用于分析出行的OD點(diǎn)，通過(guò)擬合電子警察檢測(cè)數(shù)據(jù)，能夠?qū)﹃P(guān)鍵路徑、關(guān)鍵車流進(jìn)行更高效的時(shí)空預(yù)測(cè)。

三、人工智能技術(shù)在交通狀態(tài)識(shí)別和預(yù)測(cè)中的應(yīng)用

由于交通系統(tǒng)具有強(qiáng)隨機(jī)性、連續(xù)性、擁擠混合等復(fù)雜的特性，早期基于模型的分析方法諸如經(jīng)典的淺層學(xué)習(xí)算法、時(shí)間序列的自回歸統(tǒng)計(jì)、k近鄰、貝葉斯網(wǎng)絡(luò)、支持向量回歸等，在處理數(shù)據(jù)量和數(shù)據(jù)類型漸趨龐大的交通系統(tǒng)時(shí)性能不夠理想。通過(guò)研究發(fā)現(xiàn)，人工智能技術(shù)在交通流分析中的常用框架有混合神經(jīng)網(wǎng)絡(luò)，包括循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體、卷積神經(jīng)網(wǎng)絡(luò)、堆疊的自編碼器深度神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)框架以及多任務(wù)學(xué)習(xí)等。

（一）交通流狀態(tài)識(shí)別與預(yù)測(cè)的人工智能框架圖

隨著數(shù)據(jù)維度的不斷增加，用于交通流狀態(tài)識(shí)別與預(yù)測(cè)的淺層模型已經(jīng)不能很好地適應(yīng)現(xiàn)有的大數(shù)據(jù)環(huán)境。鑒于對(duì)大數(shù)據(jù)的處理能力以及結(jié)構(gòu)的可拓展性，基于數(shù)據(jù)驅(qū)動(dòng)的人工智能模型受到了廣泛的關(guān)注，這類模型可以自動(dòng)提取交通流數(shù)據(jù)的相關(guān)高層特征，其整體框架圖如圖1所示。

圖1整體框架圖

（二）人工智能技術(shù)在交通狀態(tài)識(shí)別中的應(yīng)用

為了更好地對(duì)未來(lái)的交通流狀態(tài)進(jìn)行預(yù)測(cè)，以實(shí)現(xiàn)更有效的交通管理，首先需要進(jìn)行準(zhǔn)確的交通狀態(tài)識(shí)別。

基于UGIS數(shù)據(jù)和交通流運(yùn)行參數(shù)，并提取天氣、節(jié)假日、早晚高峰、重要活動(dòng)、周圍居民狀況以及管制措施等信息，建立交通流的機(jī)理模型，消除僅基于過(guò)車數(shù)據(jù)單一信息的不確定性和增強(qiáng)系統(tǒng)AI模型的魯棒性，減弱不確定影響，并結(jié)合交通流本身的隨機(jī)特性，實(shí)現(xiàn)機(jī)理交通流的數(shù)據(jù)計(jì)算和隨機(jī)混合。

通過(guò)分析發(fā)現(xiàn)在車頭時(shí)距分析中，各類模型有不同應(yīng)用結(jié)果。其中負(fù)指數(shù)分布模型描述車輛到達(dá)具有較高隨機(jī)性，密度低時(shí)的單列車流車頭時(shí)距；移位負(fù)指數(shù)分布模型描述車流量低，不能超車的單列車流車頭時(shí)距；M3分布模型描述交通較為擁擠，部分車輛成車隊(duì)狀態(tài)時(shí)采用；Erlang分布模型根據(jù)交通量大小和擁擠程度選取對(duì)應(yīng)參數(shù)值描述交通流。而通過(guò)將實(shí)際的排隊(duì)長(zhǎng)度、擁堵長(zhǎng)度、平均行程時(shí)間、平均速度等數(shù)據(jù)結(jié)合建立性能指標(biāo)函數(shù)，在所建立的車輛離散動(dòng)態(tài)系統(tǒng)中，根據(jù)粒子群算法、遺傳算法等優(yōu)化方法求得性能指標(biāo)下最優(yōu)的交通信號(hào)控制時(shí)間。

（三）人工智能技術(shù)在交通狀態(tài)預(yù)測(cè)中的應(yīng)用

正如前文所述，準(zhǔn)確的交通流狀態(tài)識(shí)別為可靠的交通流預(yù)測(cè)提供了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。然而，相比于單一道路，大型路網(wǎng)的交通流預(yù)測(cè)的計(jì)算復(fù)雜度更高，且需要模型兼具靈活性和可擴(kuò)展性。鑒于人工智能技術(shù)很好地契合了這種需求，因而近年來(lái)，基于該技術(shù)的交通流預(yù)測(cè)模型在工業(yè)界得到了越來(lái)越廣泛的應(yīng)用。該部分將從預(yù)測(cè)時(shí)長(zhǎng)的角度出發(fā)，闡述基于人工智能模型的解決方案。

1.短時(shí)交通流預(yù)測(cè)

在短時(shí)交通流預(yù)測(cè)領(lǐng)域，傳統(tǒng)的淺層機(jī)器學(xué)習(xí)方法在小型路網(wǎng)的預(yù)測(cè)問(wèn)題上已取得成效，但其處理大型路網(wǎng)的預(yù)測(cè)問(wèn)題的局限性，使得深度學(xué)習(xí)方法引起了工業(yè)界和學(xué)術(shù)界的充分關(guān)注。循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)有利于捕獲時(shí)間序列數(shù)據(jù)的長(zhǎng)依賴特性。與此同時(shí)，卷積神經(jīng)網(wǎng)絡(luò)因其在模式識(shí)別上的優(yōu)越性，對(duì)于提取城市交通擁堵模式以及了解擁堵的演變過(guò)程有很好的效果。因此，在交通流預(yù)測(cè)問(wèn)題上，迫切需要開(kāi)發(fā)一種聯(lián)合的深度學(xué)習(xí)框架對(duì)數(shù)據(jù)的隱藏特征和時(shí)間序列的長(zhǎng)依賴性進(jìn)行建模。

基于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的算法采用聯(lián)合的深度學(xué)習(xí)框架進(jìn)行短時(shí)交通流預(yù)測(cè)，首先通過(guò)卷積神經(jīng)網(wǎng)絡(luò)獲取交通流數(shù)據(jù)的局部趨勢(shì)特征和尺度不變特征，并利用長(zhǎng)短記憶循環(huán)神經(jīng)網(wǎng)絡(luò)獲取交通流數(shù)據(jù)的長(zhǎng)期依賴周期性的特征。隨后，將獲取的時(shí)空特征合并到基于特征層的融合層中。最后將特征傳輸?shù)交貧w層，實(shí)現(xiàn)預(yù)測(cè)，其框架圖如圖2所示。

圖2基于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)算法的框架圖

2.長(zhǎng)時(shí)交通流預(yù)測(cè)

現(xiàn)有交通流預(yù)測(cè)的深度學(xué)習(xí)模型性能主要側(cè)重于短時(shí)的交通流預(yù)測(cè)，長(zhǎng)時(shí)的交通流預(yù)測(cè)問(wèn)題仍未解決。并且，現(xiàn)存模型大多只利用單個(gè)參數(shù)預(yù)測(cè)，忽略了客觀存在的參數(shù)相關(guān)性。并且，主流模型通常采用經(jīng)典框架，可拓展性差，缺乏針對(duì)具體交通場(chǎng)景問(wèn)題的個(gè)性化設(shè)計(jì)。

為此，基于殘差網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)的算法考慮了車流量、速度和占用率這三個(gè)參數(shù)間的關(guān)聯(lián)性，將三者視作RGB的三個(gè)通道作為模型的輸入。采用的模型由兩部分構(gòu)成：殘差網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)。首先，通過(guò)殘差網(wǎng)絡(luò)提取交通流的特征。隨后基于時(shí)空交通流特征，利用反卷積網(wǎng)絡(luò)解碼出第二天的交通流信息，以實(shí)現(xiàn)長(zhǎng)時(shí)交通流的預(yù)測(cè)。其算法框架圖如圖3所示。

圖3 基于殘差網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)的算法框架

其中，殘差反卷積網(wǎng)絡(luò)模塊的具體結(jié)構(gòu)如圖4所示。

圖4殘差反卷積模塊結(jié)構(gòu)

四、總結(jié)

在研究過(guò)程中發(fā)現(xiàn)，互聯(lián)網(wǎng)數(shù)據(jù)能夠有效識(shí)別大部分的城市擁堵節(jié)點(diǎn)，而針對(duì)學(xué)校、醫(yī)院、菜市場(chǎng)、臨街商鋪等特殊路段，補(bǔ)充交通流采集系統(tǒng)內(nèi)的排隊(duì)、過(guò)車以及速度等實(shí)時(shí)數(shù)據(jù)，能夠較為完整的刻畫出城市路網(wǎng)的交通狀態(tài)。通過(guò)融合跟蹤車輛出行軌跡，對(duì)具有相同出行軌跡的車輛進(jìn)行時(shí)空位置提取，能夠?qū)崿F(xiàn)對(duì)特定道路或特定交通流途經(jīng)路徑進(jìn)行狀態(tài)預(yù)測(cè)。在下一步工作中，將通過(guò)路網(wǎng)交通狀態(tài)和交通流預(yù)測(cè)的結(jié)果研究如何利用人工智能技術(shù)進(jìn)行交通信號(hào)控制方案的優(yōu)化。