高忠文 牛孜飏

摘?要：針對(duì)城市道路交通系統(tǒng)汽車(chē)流量時(shí)空分布嚴(yán)重不均且難以預(yù)測(cè)，極易引發(fā)交通擁堵的問(wèn)題，基于城市交通監(jiān)控系統(tǒng)中采集到的海量視頻數(shù)據(jù)，結(jié)合模式識(shí)別技術(shù)與大數(shù)據(jù)挖掘方法，提出建立城市道路交通中車(chē)輛日常出行模式的方法。為進(jìn)一步優(yōu)化交通信號(hào)配時(shí)、調(diào)控交通流量、提高交通管理效率和道路資源利用率進(jìn)而改善交通擁堵?tīng)顩r，提供有效的數(shù)據(jù)支持。

關(guān)鍵詞：大數(shù)據(jù);交通流量;模式分析

DOI：10.15938/j.jhust.2018.06.022

中圖分類(lèi)號(hào)： TP273

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2018）06-0124-04

Abstract：In view of the urban road traffic systems temporal and spatial distribution is severe unevenly，and we cannot predict the situation of the roads，it is easily to lead to traffic jam.In order to solve the problem，we could build the system of vehicle trips in urban road traffic，which combined with ?pattern recognize technique nique and data mining method，and based on the massive video data collected by the urban traffic monitoring sysem.The system can offer effective data support to optimizing traffic signal timing furtherly ，regulating traffic flow?improving traffic management efficiency and road traffic resource utilization?eventually improve traffic congestion.

Keywords：big data; traffic flow; mode analysis

0?引?言

城市交通擁堵問(wèn)題一直是一項(xiàng)世界性的難題。目前我國(guó)正處于城鎮(zhèn)化爆炸式發(fā)展時(shí)期，大中城市居民私家車(chē)保有量大幅度增加，大量存在的交通擁堵問(wèn)題亟待解決。然而城市道路交通所產(chǎn)生的交通擁堵是階段性發(fā)生的，如果交通指揮系統(tǒng)能提前分析掌握交通流量起伏變化的時(shí)空規(guī)律并加以分析，這必將對(duì)緩解交通擁堵問(wèn)題大有助益。而傳統(tǒng)的OD調(diào)查方法代價(jià)極高、過(guò)程繁瑣。大數(shù)據(jù)挖掘方法概念一經(jīng)提出便已促進(jìn)能源、醫(yī)療、服務(wù)等大量傳統(tǒng)產(chǎn)業(yè)產(chǎn)生了巨大變革，推動(dòng)了諸多行業(yè)的發(fā)展進(jìn)步[1-5]。不少專(zhuān)家學(xué)者也在研究運(yùn)用目前炙手可熱的大數(shù)據(jù)分析方法來(lái)解決交通問(wèn)題[6-8]。文獻(xiàn)[9-10]中應(yīng)用車(chē)型聚類(lèi)分析對(duì)檢測(cè)范圍內(nèi)的車(chē)流前進(jìn)速度進(jìn)行高效的檢測(cè)。文獻(xiàn)[11]提出借助Intergraph GeoMedia建立GIS平臺(tái)，將道路交叉口車(chē)輛數(shù)據(jù)、交通設(shè)施數(shù)據(jù)、交通事故數(shù)據(jù)等結(jié)合起來(lái)，進(jìn)行事故分析檢測(cè)。然而由于手機(jī)GPS提供的數(shù)據(jù)信息并非直接數(shù)據(jù)來(lái)源，且其中包含著大量不具備研究?jī)r(jià)值且無(wú)用的數(shù)據(jù)，這將會(huì)浪費(fèi)巨大的數(shù)據(jù)處

理資源。本文從一個(gè)全新角度結(jié)合路網(wǎng)中由完備的監(jiān)控系統(tǒng)中拍攝到的車(chē)輛，進(jìn)行照牌提取。分析整合車(chē)輛日常出行時(shí)間及路線(xiàn)，再通過(guò)模糊聚類(lèi)分析算法進(jìn)行智能優(yōu)化計(jì)算，建立交通路網(wǎng)運(yùn)行模式。這樣數(shù)據(jù)來(lái)源更精準(zhǔn)更直接有效減少了大量冗余無(wú)效的數(shù)據(jù)，因而能以更低的成本和更高的效率分析獲取相關(guān)潛在規(guī)律。根據(jù)所得交通模式，可以進(jìn)一步對(duì)未來(lái)時(shí)間段的交通狀況進(jìn)行預(yù)測(cè)和預(yù)調(diào)度，交通擁堵現(xiàn)象勢(shì)必能得到大大改善。

1?運(yùn)行模式建立

1.1?數(shù)據(jù)來(lái)源

隨著現(xiàn)代智能交通系統(tǒng)（ITS）建設(shè)不斷完善，網(wǎng)絡(luò)通信技術(shù)、高清視頻技術(shù)及大數(shù)據(jù)挖掘等技術(shù)廣泛應(yīng)用于交通領(lǐng)域[12]。人們可以方便的將大量的交通信息收集存儲(chǔ)起來(lái)，并從中提取整合出大量富含價(jià)值的信息。文獻(xiàn)[13-15]將視頻圖像處理技術(shù)與模式識(shí)別相結(jié)合，集成了城市交通的基礎(chǔ)信息、存儲(chǔ)了海量的交通數(shù)據(jù)、數(shù)據(jù)挖掘技術(shù)可以對(duì)交通數(shù)據(jù)進(jìn)行微觀(guān)和宏觀(guān)的統(tǒng)計(jì)、分析、綜合和推理。道路上的攝像頭可以捕捉到車(chē)牌的號(hào)碼信息并進(jìn)行識(shí)別，因此我們可以得到關(guān)于車(chē)牌信息、時(shí)間、攝像頭編號(hào)等有效信息，加以存儲(chǔ)，并用以分析出車(chē)輛的行駛方向、時(shí)間。

1.2?時(shí)段劃分

交通系統(tǒng)中的通行過(guò)程類(lèi)似于一種供求關(guān)系。各交通道路提供車(chē)輛行駛的空間，對(duì)應(yīng)的車(chē)輛通過(guò)路網(wǎng)提供的空間順利通過(guò)。供應(yīng)方面為需求方面服務(wù)，在運(yùn)行方式部署的路網(wǎng)交通燈及指揮人員的安排下，車(chē)輛按照交通法則行駛在路網(wǎng)中。而具體的規(guī)則本身也隨著特定時(shí)段的等待車(chē)輛多少來(lái)相應(yīng)修整（如交通信號(hào)燈的等待時(shí)長(zhǎng)等），體現(xiàn)適應(yīng)車(chē)流量變化規(guī)律的要求，由此可見(jiàn)流量方面的重要性。城市固定車(chē)輛的運(yùn)行習(xí)慣模式分析的重要性毋庸置疑，且交通路網(wǎng)的指揮調(diào)度與流量的變化規(guī)律有著密不可分的關(guān)系。因此我們第一步的工作就是根據(jù)交通流量的情況進(jìn)行時(shí)段（模式時(shí)段）的劃分。

在交通系統(tǒng)中，交通流量及跟蹤流量變化的交通擁堵現(xiàn)象在一天的變化是有規(guī)律的，有時(shí)變化快，有時(shí)變化慢，有時(shí)負(fù)荷較大，有時(shí)又較小，為了反映交通流量的水平檔次的變化，我們給出了如下的時(shí)段劃分方法：

2.2.1?形成節(jié)氣樣本中心

在同一節(jié)氣中，人們?nèi)粘５某鲂袝r(shí)間是相似的，但又有緩變信息，如何找出一個(gè)能代表這個(gè)節(jié)氣的樣本中心是分析這一節(jié)氣負(fù)荷特性的第一步。

1.2.2?最近樣本中心日的選取

以上述方式形成的節(jié)氣樣本中心，實(shí)際上是求取某種平均值，當(dāng)某一個(gè)時(shí)段車(chē)流量的上升率是相同的，而流量上升段出現(xiàn)的時(shí)刻不同時(shí)，所形成的節(jié)氣樣本中心，其流量上升率將變緩慢，這種情況如圖1所示，其中實(shí)線(xiàn)為節(jié)氣樣本（K=1，2），虛線(xiàn)為節(jié)氣樣本中心，可見(jiàn)虛線(xiàn)上升率減緩，這不足已反映流量變化的真是情況，為此我們選取了最近樣本中心的樣本為節(jié)氣樣本代表，選取如下：

1.2.3?區(qū)域流量水平分檔

一天的流量按流量大小分為n檔，則第K日第i采樣時(shí)間單元第j區(qū)域的流量水平檔次nij為：

1.2.4?系統(tǒng)的流量所處的水平檔次

至此就可以根據(jù)ni同檔（數(shù)據(jù)相同）對(duì)運(yùn)行模式的時(shí)段進(jìn)行劃分了。

1.3?模式更新

為了反映模式的緩變信息，當(dāng)新的一天采樣數(shù)據(jù)來(lái)到時(shí)，首先要判斷是否屬于正常日樣本，如果是則參與樣本類(lèi)中心的更新然后計(jì)算新的最近樣本中心日的運(yùn)行模式，添加到數(shù)據(jù)庫(kù)中。研究管理人員就可以從簡(jiǎn)單的對(duì)比分析中，立刻掌握局部交通系統(tǒng)的現(xiàn)行運(yùn)行狀態(tài)的梗概。

2?實(shí)例分析

本文以某市區(qū)擁堵情況多發(fā)的某主干道路段為例，使用上文中論述的實(shí)施步驟將檢測(cè)結(jié)果在可視化原型上進(jìn)行統(tǒng)計(jì)分析。

取一年中比較有代表性的夏冬兩季節(jié)所包含的六個(gè)節(jié)氣樣本中心進(jìn)行綜合分析，夏至至立秋節(jié)氣樣本中心綜合為夏季樣本中心;冬至至立春節(jié)氣樣本中心綜合為冬季樣本中心。圖中實(shí)線(xiàn)給出的是統(tǒng)計(jì)周期內(nèi)得到的以20min為單位統(tǒng)計(jì)的總車(chē)流量日平均結(jié)果;虛線(xiàn)為相同統(tǒng)計(jì)條件下居民出行具備節(jié)氣相關(guān)性的出行車(chē)流量。

由圖4中可以看出夏季樣本中心，深夜車(chē)流量季節(jié)相關(guān)性基本不存在，且早晚高峰流量具有明顯的季節(jié)相關(guān)性，峰值時(shí)甚至高達(dá)74.8 %;午間小高峰季節(jié)相關(guān)性不低于35%;至于8：20～11：40及3：00～5：20平峰時(shí)段的季節(jié)相關(guān)性則只體現(xiàn)介于13%～19%的低相關(guān)性。圖5冬季日間總車(chē)流量較之夏季相差不大，但相較于夜間能顯示突出的日間出行傾向。比之夏季樣本中心夜間相關(guān)出行量則出現(xiàn)了銳減。冬季樣本中心和夏季相比，晚高峰出現(xiàn)時(shí)段則出現(xiàn)了40-50分鐘的前移，且持續(xù)時(shí)間延長(zhǎng)20-30分鐘。

分析建立相關(guān)交通系統(tǒng)運(yùn)行模式可帶來(lái)如下好處：

1）相關(guān)運(yùn)行模式的交通流量特征指標(biāo)簡(jiǎn)明扼要，信息量并不繁雜，具有綜合性，便于調(diào)度運(yùn)行人員迅速掌握交通系統(tǒng)的發(fā)展態(tài)勢(shì)。

2）相關(guān)運(yùn)行模式注意反映總體、局部不同層次的關(guān)系，式樣多級(jí)分層調(diào)節(jié)體制。

3）正常運(yùn)行模式向人們提供正?；c否的參照系，便于運(yùn)行調(diào)度人員及時(shí)發(fā)現(xiàn)異常問(wèn)題及其所在。

3?結(jié)?論

本文借助監(jiān)控系統(tǒng)結(jié)合車(chē)牌圖像識(shí)別，以大數(shù)據(jù)挖掘的方法建立路網(wǎng)系統(tǒng)運(yùn)行模式。完成了對(duì)固定交通流規(guī)律的分析統(tǒng)計(jì)，解決了以往對(duì)交通流規(guī)律無(wú)法預(yù)測(cè)的情況。有助于交通系統(tǒng)的分析和運(yùn)行調(diào)度人員對(duì)系統(tǒng)運(yùn)行狀況的了解和掌握，方便優(yōu)化交通組織方案。可作為智能交通優(yōu)化調(diào)度的基礎(chǔ)數(shù)據(jù)，為進(jìn)一步的優(yōu)化調(diào)控提供數(shù)據(jù)支持。

參 考 文 獻(xiàn)：

[1]?CHEN M?MAO S?LIU Y.?Big Data： A Survey[J]. Mobile Networks and Applications?2014?19（2）：171-209.

[2]?YADAV C?WANG S?KUMAR M.?Algorithm and Approaches to Handle Large Data-A Survey[J]. International Journal of Computer Science & Network?2013?2（3）：1177-1181.

[3]?李建中?王宏志?高宏.?大數(shù)據(jù)可用性的研究進(jìn)展[J]. 軟件學(xué)報(bào)?2016?27（7）：1605-1625.

[4]?李國(guó)杰?程學(xué)旗.?大數(shù)據(jù)研究：未來(lái)科技及經(jīng)濟(jì)社會(huì)發(fā)展的重大戰(zhàn)略領(lǐng)域——大數(shù)據(jù)的研究現(xiàn)狀與科學(xué)思考[J]. 中國(guó)科學(xué)院院刊?2012?27（6）：5-15.

[5]?李雨童?姚登舉?李哲，等.?基于R的醫(yī)學(xué)大數(shù)據(jù)挖掘系統(tǒng)研究[J]. 哈爾濱理工大學(xué)學(xué)報(bào)?2016?21（2）：38-43.

[6]?LI De-ren?CAO Jian-jun?YAO Yuan.?智慧城市中的大數(shù)據(jù)[J]. Science China Information Sciences?2015?39（10）：631-640.

[7]?胡宇舟?范濱?顧學(xué)道，等.?基于Storm的云計(jì)算在自動(dòng)清分系統(tǒng)中的實(shí)時(shí)數(shù)據(jù)處理應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用?2014（S1）：96-99.

[8]?張和生?張毅?胡堅(jiān)明，等.?面向ITS的GIS研究與設(shè)計(jì)[J]. 公路交通科技?2004?21（3）：71-74.

[9]?吳聰?李勃?董蓉，等.?基于車(chē)型聚類(lèi)的交通流參數(shù)視頻檢測(cè)[J]. Acta Automatica Sinica?2011?37（5）：569-576.

[10]BALAJI P G?SRINIVASAN D.?Type-2 Fuzzy Logic Based Urban Traffic Management[J]. Engineering Applications of Artificial Intelligence?2011?24（1）：12-22.

[11]王冬蕾?劉富強(qiáng)?周凱.?GIS在智能交通系統(tǒng)交叉口監(jiān)控中的應(yīng)用研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)?2008?29（20）：5330-5332.

[12]孫智源?陸化普.?考慮交通大數(shù)據(jù)的交通檢測(cè)器優(yōu)化布置模型[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版）?2016（7）：743-750.

[13]王洋?曾雪琴?范劍英.?汽車(chē)牌照字符識(shí)別系統(tǒng)設(shè)計(jì)[J]. 哈爾濱理工大學(xué)學(xué)報(bào)?2012?17（1）：90-95.

[14]咼潤(rùn)華?蘇婷婷?馬曉偉.?BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車(chē)牌識(shí)別系統(tǒng)[J]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版）?2013（9）：1221-1226.

[15]陶澤明?裴玉龍?杜文剛.?基于MATLAB的車(chē)輛圖像濾波[J]. 哈爾濱理工大學(xué)學(xué)報(bào)?2008?13（1）：18-20.

（編輯：關(guān)?毅）