金夢(mèng)媛

（西南交通大學(xué)，四川 成都 611756）

0 引言

某省公路網(wǎng)OD調(diào)查是一項(xiàng)浩大復(fù)雜的系統(tǒng)工程，從調(diào)查的組織實(shí)施到數(shù)據(jù)獲取及處理分析等各個(gè)環(huán)節(jié)，需要花費(fèi)大量的人力、物力、財(cái)力。如何從調(diào)查中獲得高精度的OD表并得到較好擬合效果，以便更加科學(xué)合理地為交通決策服務(wù)，是近年來(lái)OD調(diào)查及數(shù)據(jù)處理的重點(diǎn)。由于OD調(diào)查具有工作量大、費(fèi)用高、數(shù)據(jù)處理難度大等特點(diǎn)[1]，因此研究科學(xué)合理的方法來(lái)獲取和處理OD數(shù)據(jù)具有重要的現(xiàn)實(shí)意義。繼2004年該省第一次全省公路OD調(diào)查之后，2010年該省開(kāi)展了第二次全省公路網(wǎng)OD調(diào)查，調(diào)查主要采用基于視頻牌照檢測(cè)技術(shù)的車(chē)牌照調(diào)查法。筆者在某單位實(shí)習(xí)，參與了OD調(diào)查，并對(duì)OD調(diào)查報(bào)告進(jìn)行分析研究。筆者認(rèn)為此次調(diào)查從OD數(shù)據(jù)獲取到數(shù)據(jù)處理分析等過(guò)程均取得了一定的創(chuàng)新和突破。

1 公路網(wǎng)OD獲取方法機(jī)理

車(chē)輛在調(diào)查區(qū)域的公路網(wǎng)行駛過(guò)程中，以公安監(jiān)控設(shè)備調(diào)查點(diǎn)、連續(xù)式觀測(cè)站調(diào)查點(diǎn)、間歇式觀測(cè)站調(diào)查點(diǎn)、收費(fèi)站（主線(xiàn)收費(fèi)站和互通黃道收費(fèi)站）調(diào)查點(diǎn)和其他普通調(diào)查點(diǎn)為車(chē)牌照數(shù)據(jù)采集點(diǎn)，對(duì)車(chē)輛的行駛軌跡進(jìn)行跟蹤，利用車(chē)牌照?qǐng)D像識(shí)別技術(shù)，生成公路OD原始數(shù)據(jù)庫(kù)；以原始數(shù)據(jù)庫(kù)為基礎(chǔ)，利用原始車(chē)輛軌跡處理法，對(duì)原始數(shù)據(jù)進(jìn)行分析和處理，最終得到整個(gè)調(diào)查區(qū)域的公路OD情況。同時(shí)，為了得到真實(shí)的OD數(shù)據(jù)，有必要在省界調(diào)查點(diǎn)處，進(jìn)行補(bǔ)充停車(chē)詢(xún)問(wèn)調(diào)查。利用視頻牌照檢測(cè)進(jìn)行公路OD調(diào)查的實(shí)現(xiàn)過(guò)程分為四個(gè)步驟，分別是交通小區(qū)的劃分、調(diào)查點(diǎn)的布設(shè)和優(yōu)化、數(shù)據(jù)分析和處理和公路網(wǎng)OD的生成。利用車(chē)牌照?qǐng)D像識(shí)別技術(shù)進(jìn)行公路OD調(diào)查的機(jī)理如圖1所示[2]。

圖1 公路網(wǎng)OD獲取方法機(jī)理圖

2 公路網(wǎng)OD數(shù)據(jù)處理方法

數(shù)據(jù)處理工作是非常細(xì)致、難度非常高的工作，需要結(jié)合公路網(wǎng)的拓?fù)淝闆r進(jìn)行車(chē)輛出行軌跡分析，并對(duì)異常數(shù)據(jù)進(jìn)行踢除、修補(bǔ)，進(jìn)而生成公路網(wǎng)OD表。

2.1 軌跡處理法

海量數(shù)據(jù)處理國(guó)內(nèi)首次運(yùn)用車(chē)輛軌跡法，即：從全部原始車(chē)牌調(diào)查數(shù)據(jù)中可以統(tǒng)計(jì)出路網(wǎng)中相異車(chē)牌號(hào)數(shù)量，以及每輛車(chē)所經(jīng)過(guò)的調(diào)查點(diǎn)，將調(diào)查點(diǎn)按時(shí)間順序排序，即可得到每輛車(chē)出行所經(jīng)過(guò)的調(diào)查點(diǎn)序列。假設(shè)車(chē)輛的在公路上的出行都遵守最短路徑優(yōu)先原則，對(duì)調(diào)查點(diǎn)序列中的相鄰兩個(gè)調(diào)查點(diǎn)，利用最短路徑搜索算法得到這全部相鄰調(diào)查點(diǎn)之間的最短路徑（最優(yōu)路徑）。按照調(diào)查點(diǎn)序列順序，將所有的最短路徑連接起來(lái)，即可得到每輛車(chē)出行的詳細(xì)信息。通過(guò)統(tǒng)計(jì)全部車(chē)輛起點(diǎn)、終點(diǎn)，可得到全路網(wǎng)的OD分布矩陣；通過(guò)統(tǒng)計(jì)全部車(chē)輛的出行路徑，可得到全路網(wǎng)所有路段的交通量。圖2所示為車(chē)牌照調(diào)查法的車(chē)輛運(yùn)行軌跡[3]。

圖2 車(chē)輛軌跡示意圖

2.2 異常數(shù)據(jù)的處理方法

基于視頻牌照檢測(cè)的公路網(wǎng)OD獲取中的異常數(shù)據(jù)主要有：路徑缺失數(shù)據(jù)、字形識(shí)別錯(cuò)誤和路徑無(wú)效數(shù)據(jù)。一條車(chē)牌數(shù)據(jù)包括：序號(hào)、日期、車(chē)牌號(hào)、車(chē)型、調(diào)查點(diǎn)編號(hào)、速度、通過(guò)時(shí)間、備注。基于車(chē)牌識(shí)別技術(shù)的原始車(chē)牌調(diào)查數(shù)據(jù)庫(kù)中的數(shù)據(jù)在使用前需對(duì)不符合規(guī)范的異常數(shù)據(jù)進(jìn)行校驗(yàn)和修正，以最大限度地滿(mǎn)足數(shù)據(jù)處理的基本需求。

2.2.1 路徑上缺失數(shù)據(jù)處理方法

對(duì)于路徑上丟失的車(chē)牌數(shù)據(jù)，把當(dāng)前采集的交通變量看作時(shí)間序列，并結(jié)合歷史數(shù)據(jù)對(duì)丟失的數(shù)據(jù)進(jìn)行預(yù)測(cè)估計(jì)，采用基于遺傳算法的組合模型來(lái)處理?；谶z傳算法的組合模型[5]的思想是：對(duì)于同一缺失數(shù)據(jù)進(jìn)行處理，可以用多種方法，例如遺傳算法、神經(jīng)網(wǎng)絡(luò)算法等，每種方法都有各自的優(yōu)點(diǎn)和缺陷及適用性，為了充分利用各種模型的優(yōu)點(diǎn)，同時(shí)對(duì)其缺點(diǎn)進(jìn)行修正，本文將不同的方法進(jìn)行組合，只要選好權(quán)重便可得到較好的處理結(jié)果。為使模型簡(jiǎn)化，只針對(duì)一個(gè)缺失數(shù)據(jù)進(jìn)行修補(bǔ)，大量的數(shù)據(jù)缺失可以采用循環(huán)的辦法同理解決。其算法描述如下：

Step1建立組合模型：

假設(shè)同一缺失數(shù)據(jù)現(xiàn)象，可以采用m種不同修補(bǔ)類(lèi)型，各模型的修補(bǔ)結(jié)果為Y=(y1，y2,…,yi，…,yn)T，其中：yi為第i種模型的修補(bǔ)值。組合模型如式（1）和（2）所列。

式中：X為組合模型的最優(yōu)修補(bǔ)值；Pi*為第i種模型在組合模型中的最優(yōu)權(quán)重。

暢談過(guò)后，毛澤東交代兩位遠(yuǎn)道而來(lái)的弟弟：“你們?cè)诒本┳∩蠋滋?，還是早點(diǎn)回湖南去。”并解釋說(shuō)，“我當(dāng)主席了，是革命的需要，要替人民辦事。我們是革命者，不能搞‘打虎親兄弟’那一套，要為人民服務(wù)，為大多數(shù)人謀福利?！?/p>

Step2建立求解模型：

設(shè)車(chē)牌數(shù)據(jù)矩陣A=（aij）nxs的行表示行程時(shí)間，列表示車(chē)牌屬性，akl表示缺失車(chē)牌數(shù)據(jù)。其求解數(shù)學(xué)模型如式（3）和式（4）所列。

式中：Pi為第 i種模型在組合模型中的權(quán)重；yij為第 i種模型對(duì)ajl的預(yù)測(cè)值；m為不同模型數(shù)。

Step3基于遺傳算法[6]對(duì)其求解。

2.2.2 字形識(shí)別錯(cuò)誤數(shù)據(jù)的處理方法

針對(duì)字形識(shí)別錯(cuò)誤數(shù)據(jù)情況，基于最近鄰聚類(lèi)算法[7]對(duì)其進(jìn)行處理。最近鄰聚類(lèi)算法的主要思路是將空間R中的每一點(diǎn)和與之最近的點(diǎn)屬于同一類(lèi)的可能性最大的情況找出來(lái)。假設(shè)兩個(gè)距離最近的點(diǎn)之間的距離小于設(shè)定的距離閾值d，那么就把它們歸為同一類(lèi)。其算法描述如下：

給定數(shù)據(jù)集 Z={Z1，Z2，…，Zi，…Zn}∈Rm，為數(shù)據(jù)集的任意一點(diǎn)，N（k）保存每類(lèi)的數(shù)據(jù)點(diǎn)數(shù)，A（k）保存每類(lèi)的數(shù)據(jù)點(diǎn)信息，k為聚類(lèi)數(shù)量。

Step1從第一個(gè)樣本點(diǎn)Z1（x1，y1）開(kāi)始，令其自成一類(lèi)，聚類(lèi)中心為C1（x1，y1），k=1，N（1）=1，將樣本點(diǎn)Z1放入到A（1）中。

Step3考慮第i個(gè)樣本點(diǎn)，已經(jīng)存在k個(gè)聚類(lèi)中心C1（x1，y1），C2（x2，y2），…，Ck（xk，yk），計(jì)算Zi（xi，yi）到 k個(gè)聚類(lèi)中心的距離dji(j=1，2…k)，找出其中最小的一個(gè)距離dji，如果dji≤r，則Ck為Zi的最近聚類(lèi)，將Zi放入到A（j）中，并將聚類(lèi)中心調(diào)整為新的聚類(lèi)中心Ck[（xk+xi）/2，（yk+yi）/2]，類(lèi)數(shù)k不變，N（j）加1；如果d＞r，則將Zi作為一個(gè)新的聚類(lèi)中心Ck+1（xk，yk），k加 1，N（j）=j，將樣本點(diǎn) Zi放入到 A（j）中。

Step4重復(fù)第三步的操作，直到所有的樣本點(diǎn)都?xì)w類(lèi)完畢為止。

Step5形成初始聚類(lèi)集 C={c1，c2，…，ck}。

2.2.3 無(wú)效數(shù)據(jù)的處理方法

針對(duì)無(wú)效數(shù)據(jù)情況，基于格拉布斯統(tǒng)計(jì)法[8]的基本思想，其實(shí)質(zhì)是給定一個(gè)置信系數(shù)，并找出相對(duì)應(yīng)的置信區(qū)間，判斷標(biāo)準(zhǔn)是只要落在置信區(qū)間以外的數(shù)據(jù)，就可以認(rèn)為是無(wú)效車(chē)牌數(shù)據(jù)，并將無(wú)效數(shù)據(jù)從測(cè)定值數(shù)列中刪除，然后再對(duì)無(wú)效數(shù)據(jù)進(jìn)行修補(bǔ)。Zi（t）其算法描述如下：

Step1計(jì)算樣本均值：

Step2計(jì)算樣本標(biāo)準(zhǔn)差：

Step3剔除無(wú)效數(shù)據(jù)。

比較‖Xi（t）（t）‖與2S，剔除‖Xi（t）（t）‖≥2S的Yi（t），然后根據(jù)檢測(cè)值的個(gè)數(shù)及給定的顯著性水平a（一般取a=0.05），用查表法查出格拉布斯統(tǒng)計(jì)量的臨界值T（n，a），然后與統(tǒng)計(jì)量T進(jìn)行對(duì)比分析。按照小概率事件不發(fā)生和在Xi（t）服從高斯分布時(shí)不出現(xiàn)的原則，若 T≥T（n，a），則認(rèn)為統(tǒng)計(jì)量T的分布存在顯著性差異性，對(duì)應(yīng)的Xi（t）含有數(shù)據(jù)誤差，應(yīng)予以舍棄。

Step4重復(fù)以上三步的操作過(guò)程，直至所有的測(cè)量數(shù)據(jù)都滿(mǎn)足準(zhǔn)則。

3 公路網(wǎng)OD生成結(jié)果

基于視頻牌照檢測(cè)數(shù)據(jù)，采用上述軌跡處理法及異常數(shù)據(jù)處理等方法，結(jié)合區(qū)域公路網(wǎng)拓?fù)浣Y(jié)構(gòu)，以及調(diào)查點(diǎn)的布設(shè)情況，構(gòu)建區(qū)域公路網(wǎng)ArcGIS地理信息平臺(tái)，并在該平臺(tái)上開(kāi)發(fā)了一套面向該項(xiàng)OD調(diào)查的車(chē)牌照法數(shù)據(jù)處理程序，程序中包含了由多種車(chē)輛出行軌跡模式組成的軌跡模式庫(kù)和軌跡判別機(jī)制，可對(duì)各類(lèi)的車(chē)輛軌跡進(jìn)行全面、系統(tǒng)的分析，以調(diào)查點(diǎn)OD數(shù)據(jù)為基礎(chǔ)，最終得到公路網(wǎng)OD數(shù)據(jù)，同時(shí)還可以派生為地市級(jí)OD數(shù)據(jù)、縣級(jí)OD數(shù)據(jù)和鄉(xiāng)鎮(zhèn)級(jí)OD數(shù)據(jù)等，使公路網(wǎng)OD數(shù)據(jù)更加符合工程師的需要。圖3是基于ArcGIS地理信息系統(tǒng)的軌跡分析界面，圖4是車(chē)牌數(shù)據(jù)處理程序工作界面，最終生成的全省公路網(wǎng)OD表見(jiàn)表1所列。

圖3 基于ArcGIS地理信息系統(tǒng)的軌跡分析圖示

圖4 視頻牌照數(shù)據(jù)處理程序工作界面圖示

4 公路網(wǎng)OD調(diào)查結(jié)果驗(yàn)證

采用軌跡處理法和異常數(shù)據(jù)處理方法對(duì)825萬(wàn)條車(chē)牌數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析處理，得到路網(wǎng)中車(chē)輛數(shù)量為1 792 581 veh，原始的完整車(chē)輛軌跡數(shù)量為1 303 428 veh（擴(kuò)樣后的車(chē)輛出行軌跡為1 916 526 veh），單車(chē)牌（車(chē)牌出現(xiàn)一次）車(chē)輛數(shù)為489 153 veh。此次OD調(diào)查的全部數(shù)據(jù)結(jié)果都是通過(guò)對(duì)擴(kuò)樣后191多萬(wàn)條的車(chē)輛出行軌跡進(jìn)行統(tǒng)計(jì)分析得到的。由以上數(shù)據(jù)計(jì)算可知利用軌跡處理法擴(kuò)樣率是6.91%；調(diào)查點(diǎn)分布與OD配對(duì)的成功率是72.71%；最初得到的130萬(wàn)條軌跡所對(duì)應(yīng)的交通量分布情況與實(shí)際調(diào)查中的交通量分布情況具有較小的相對(duì)誤差。因此，軌跡計(jì)算交通量與實(shí)際調(diào)查交通量的吻合性說(shuō)明了：（1）調(diào)查中獲取的大量的車(chē)牌數(shù)據(jù)樣本量在數(shù)據(jù)處理中發(fā)揮了重要的作用，確保了數(shù)據(jù)的準(zhǔn)確度；（2）軌跡處理法和異常數(shù)據(jù)處理方法在處理海量的車(chē)牌數(shù)據(jù)時(shí)，可以將車(chē)牌還原成車(chē)輛出行軌跡，且準(zhǔn)確度較高；（3）130萬(wàn)條原始的車(chē)輛出行軌跡與實(shí)際路網(wǎng)中全部車(chē)輛的出行軌跡情況基本吻合，為數(shù)據(jù)擴(kuò)樣的準(zhǔn)確度提供了保障。

表1 利用視頻牌照檢測(cè)得到的基礎(chǔ)OD表

5 結(jié)語(yǔ)

公路網(wǎng)OD數(shù)據(jù)的獲取方法和處理分析直接關(guān)系到調(diào)查結(jié)果的精確度，本文以2010年某省公路網(wǎng)OD調(diào)查為例，對(duì)基于視頻牌照檢測(cè)技術(shù)的車(chē)牌照調(diào)查法進(jìn)行了闡述，分析了軌跡分析法和異常數(shù)據(jù)的處理方法?；诖耍Y(jié)合區(qū)域公路網(wǎng)拓?fù)浣Y(jié)構(gòu)，以及調(diào)查點(diǎn)的布設(shè)情況，構(gòu)建區(qū)域公路網(wǎng)ArcGIS地理信息平臺(tái)，并在該平臺(tái)上開(kāi)發(fā)了一套面向該項(xiàng)OD調(diào)查的車(chē)牌照法數(shù)據(jù)處理程序。程序中包含了由多種車(chē)輛出行軌跡模式組成的軌跡模式庫(kù)和軌跡判別機(jī)制，可對(duì)各類(lèi)的車(chē)輛軌跡進(jìn)行全面、系統(tǒng)地分析，以調(diào)查點(diǎn)OD數(shù)據(jù)為基礎(chǔ)，最終得到公路網(wǎng)OD數(shù)據(jù)，從而更好的為全省公路網(wǎng)規(guī)劃、公路網(wǎng)交通管理與控制、交通信息發(fā)布及路線(xiàn)誘導(dǎo)、建設(shè)和管理智能化服務(wù)平臺(tái)等服務(wù)，同時(shí)也為其他省市開(kāi)展此類(lèi)研究提供了指導(dǎo)。

[1]王圓圓,郭江輝,侯周文.公路區(qū)域OD數(shù)據(jù)庫(kù)更新技術(shù)探討[J].交通科技,2010，(6):79-81.

[2]周繼彪.基于視頻牌照檢測(cè)的公路網(wǎng)OD獲取及更新模型研究[D].西安：長(zhǎng)安大學(xué),2012.

[3]徐岸.車(chē)輛牌照信息調(diào)查法在公路OD調(diào)查中的應(yīng)用[J].交通工程,2012，(12):47-49.

[4]楊兆升.基礎(chǔ)交通信息融合技術(shù)及其應(yīng)用[M].北京:中國(guó)鐵道出版社,2005.

[5]史峰等.MATLAB智能算法30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2011.

[6]陸林花.遺傳聚類(lèi)算法在污水處理異常數(shù)據(jù)分析中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件,2011,28(6):199-201.

[7]Jian Sun,Yu Feng.A Novel OD Estimation Method Based on Automatic Vehicle Identification Data[J].Intelligent Computing and Information Science Communications in Computer and Information Science,2011,135（10）:461-470.