NGSIM軌跡重構(gòu)研究綜述

李依，趙建有，葉云濤

NGSIM軌跡重構(gòu)研究綜述

李依，趙建有，葉云濤

（長安大學，陜西 西安 710064）

NGSIM在交通領(lǐng)域被公認為是最全面地公開數(shù)據(jù)庫，它在微觀交通仿真模型建立與驗證方面具有極其重要的地位。但是一直有學者對NGSIM數(shù)據(jù)可靠性提出質(zhì)疑，同時，也有很多學者為重構(gòu)NGSIM軌跡做出不懈努力。文章首先明確了NGSIM數(shù)據(jù)問題——異常值和觀測誤差表現(xiàn)形式以及產(chǎn)生原因，然后闡述了移動平均法、局部多項式法、小波分析、卡爾曼濾波法等車輛軌跡修正方法，對比發(fā)現(xiàn)一步軌跡重構(gòu)無法使各項質(zhì)量檢測指標達到最優(yōu)，因此通過明確軌跡重構(gòu)目的，總結(jié)多步軌跡重構(gòu)原理，使得軌跡重構(gòu)方法能夠滿足“內(nèi)部一致性”和“排一致性”。最后對NGSIM數(shù)據(jù)從數(shù)據(jù)獲取、數(shù)據(jù)質(zhì)量、數(shù)據(jù)過濾三方面提出建議，以期得到更可靠、通用的交通仿真數(shù)據(jù)。

交通工程；回顧與展望；綜述；NGSIM；軌跡重構(gòu)

引言

車輛軌跡是研究微觀交通模型必不可少的數(shù)據(jù)基礎(chǔ)，美國交通聯(lián)邦公路局在2002 年開始了下一代交通仿真（next generation simulation，NGSIM）項目，其目的旨在為微觀交通仿真模型的建立和驗證提供公開數(shù)據(jù)支持。在這個“數(shù)據(jù)爆炸”的時代，NGSIM以其廣泛適用性在交通研究領(lǐng)域發(fā)揮著不可替代的作用，應(yīng)用涵蓋了模型校準與訓練、模型驗證、演示駕駛行為或交通現(xiàn)象、作為分析樣本、建立模擬環(huán)境或測試平臺等[1]。

在廣泛應(yīng)用中，很多研究者忽略了數(shù)據(jù)異常值和誤差處理，導(dǎo)致目前很多研究成果不具備可重復(fù)性、可比性。實際上，測量誤差會在校準結(jié)果中產(chǎn)生很大偏差，降低校準對象靈敏度[2]。數(shù)據(jù)精確性不可靠，則模型參數(shù)標定、模型驗證結(jié)果的參考意義就存在爭議。

在過去十多年中，有少數(shù)學者意識到上述問題，提出不同的軌跡重構(gòu)方案，取得了富有重要意義的研究成果。

本文依次介紹了NGSIM數(shù)據(jù)問題、數(shù)據(jù)過濾技術(shù)、軌跡重構(gòu)方法，最后從數(shù)據(jù)獲取、數(shù)據(jù)質(zhì)量、數(shù)據(jù)處理三個方面提出展望，為NGSIM數(shù)據(jù)乃至其他軌跡數(shù)據(jù)重構(gòu)提供參考。

1 NGSIM數(shù)據(jù)問題

NGSIM數(shù)據(jù)問題主要是隨機誤差和異常值。隨機誤差是真實存在且不可避免、不可徹底消除的，只能最大程度削弱。異常值表現(xiàn)為位置、速度、加速度異常，必須通過一定手段盡可能去除。

1.1 異常值

異常值處理過程容易“牽一發(fā)而動全身”，導(dǎo)致內(nèi)部不一致。

位置異常主要表現(xiàn)為跟車對“碰撞”[3]，即軌跡重疊，見圖1[4]。NGSIM四個數(shù)據(jù)集中跟車對間距小于5m（包括負值）的數(shù)據(jù)占4%~12%不等[5]，經(jīng)人工校驗后發(fā)現(xiàn)I-80數(shù)據(jù)集中有13%跟車對存在“碰撞”[4]。

速度異常值主要表現(xiàn)為速度突變，見文獻[4]圖3。一種表現(xiàn)為速度于周圍速度值相差太大，這種容易識別；另一種為分段恒定速度，速度變化無漸變，瞬時完成，與實際駕駛行為不符[4]。

加速度異常值主要表現(xiàn)為不符合人體承受能力或物理特性，包括加速度超出[-8m/s2，5 m/s2][6]、加加速度超出±15m/s3和1s內(nèi)加加速度變號[5]。NGSIM每個數(shù)據(jù)集都有8%-15%的加速度超過3.048m/s2（10ft/s2）[4]。6.5%~17.4%的數(shù)據(jù)加加速度超過±15m/s3[5]。NGSIM將超出閾值的加速度直接截斷，是導(dǎo)致軌跡內(nèi)部不一致的主要原因[7]。

由于速度和加速度通過位置數(shù)據(jù)差分得到，因此位置數(shù)據(jù)錯誤是根源，主要原因如下：1）車輛識別錯誤；2）多元融合信息計算錯誤。

1.2 隨機噪聲

隨機噪聲在曲線圖中并不能顯而易見，但卻是真實存在的，可以用信號處理技術(shù)過濾掉。外界環(huán)境、觀測者的技術(shù)水平和儀器本身構(gòu)造的不完善以及理論公式的近似限制或測量方法等均會導(dǎo)致隨機噪聲。

NGSIM數(shù)據(jù)集的位置、速度和加速度數(shù)據(jù)均存在噪聲[3,7-8]。NGSIM的數(shù)據(jù)采集間隔為0.1s，位置數(shù)據(jù)的噪聲可忽略不計。但通過五點法求導(dǎo)公式得到速度和加速度值的誤差是四階的[9]。噪聲對微觀交通模型的負面影響程度取決于模型校準過程中應(yīng)用的計算方法。除了通過比較并選擇合適的計算方法盡可能減弱噪聲影響程度，還可以通過不同信號處理方法來降噪。

2 濾波技術(shù)

常用濾波技術(shù)如移動平均法、局部多項式法、小波分析和卡爾曼濾波。

2.1 移動平均法

平均能夠消除數(shù)據(jù)中的高頻擾動，本質(zhì)上是低通濾波器。移動平均法要選取合適的時間窗T，修正值取時間窗內(nèi)數(shù)據(jù)點的加權(quán)均值。

簡單移動平均（Simple Moving Average，SMA）各點權(quán)重系數(shù)相同，對NGSIM去噪處理多采用T=0.5s-1s，方法簡單，應(yīng)用廣泛[10-13]。處理后的數(shù)據(jù)能有效減小測量誤差對校正結(jié)果的影響[2]。但SMA存在滯后性且邊界不連續(xù)，數(shù)據(jù)點會以全部權(quán)重突然滑入或突然退出平滑窗口[3]。

加權(quán)移動平均（Weighted Moving Average，WMA）是對SMA的改進，距估計值近的點權(quán)重大，各數(shù)據(jù)點平滑進出窗口。為避免引入人工時間延遲，可以使用雙側(cè)加權(quán)移動平均法[14]。當權(quán)重函數(shù)為高斯函數(shù)，即一維高斯核移動平均法，可以消除位置和速度的不連續(xù)性[8]。

移動平均法常用來消除數(shù)據(jù)中的隨機噪聲，無法消除異常值。同時，過度平滑會刪除部分詳細信息。

2.2 局部多項式法

局部多項式法是將多項式函數(shù)用于在一個時間窗內(nèi)平滑數(shù)據(jù)，以保持其全局結(jié)構(gòu)的情況下消除誤差。

局部加權(quán)回歸散點平滑法（locally weighted scatterplot smoothing，LOESS）是一種非參數(shù)回歸方法，在交通領(lǐng)域多用于預(yù)測和數(shù)據(jù)平滑處理，可以將離散位置觀測值平滑為時間連續(xù)的軌跡，靈敏度分析表明該方法在對測量誤差和缺失值處理方面相當穩(wěn)健[15]。RLOESS[16]在局部回歸基礎(chǔ)上將殘差大于6的數(shù)據(jù)點權(quán)重設(shè)為0，能夠更有效地消除最小二乘法對異常值敏感的問題。

此外還有基于局部加權(quán)回歸的雙層優(yōu)化結(jié)構(gòu)[17]，可處理碰撞軌跡和軌跡內(nèi)部不一致。還有將軌跡用二次函數(shù)[18]、I樣條插值[9]擬合軌跡的方法。

2.3 小波分析

作為一種時頻分解工具，小波變換（WT）通過移動小波位置并擠壓或擴大小波窗口，對于從非平穩(wěn)時間序列中提取局部信息特別有效。選擇合適小波要重點考慮支撐尺寸和消失力矩。通過對比研究多種小波分析法，結(jié)果表明墨西哥帽小波識別NGSIM中異常值效果最佳[19]。小波變換可以識別和修正異常值，也可用小波濾波器消除軌跡中的噪聲[20]。

2.4 卡爾曼濾波

Kalman濾波器是一種可根據(jù)噪聲測量的時間序列生成未知變量的估計值算法，估計結(jié)果比單次測量更精確。

與Butterworth濾波器和局部回歸法相比，Kalman濾波器在軌跡內(nèi)部一致性方面效果更好[21]。Kalman濾波器的估計對速度測量誤差的標準偏差不敏感，同時，不會影響運行時間，因為在每個時間步長僅需要對卡爾曼方程進行一次迭代[22]。

對于部分數(shù)據(jù)缺失和損壞噪聲問題，一種基于壓縮感知理論的算法能夠恢復(fù)具有高斯測量噪聲、部分數(shù)據(jù)丟失和噪聲破壞的交通數(shù)據(jù)[23]。通過結(jié)合馬爾可夫隨機場（MRF）和總變分正則化來提高交通狀態(tài)估計的準確性，與基于卡爾曼理論的常用方法相比，效果更好。

3 車輛軌跡重構(gòu)

3.1 單步軌跡重構(gòu)

單步軌跡重構(gòu)即利用上述過濾技術(shù)處理數(shù)據(jù)，但在沒有統(tǒng)一評價指標下無法比較優(yōu)劣。Punzo等人[5]設(shè)計了包括加加速度分析，一致性分析和頻譜分析的數(shù)據(jù)質(zhì)量評價方法。該方法除了檢測原始數(shù)據(jù)質(zhì)量情況外，也可在處理數(shù)據(jù)后進行二次評估檢驗，確保過濾后數(shù)據(jù)達到使用的最低標準。

Maczak[9]對sEMA、局部加權(quán)回歸、Butterworth濾波器、卡爾曼濾波與I樣條法在相同評價指標下進行比較。結(jié)果表明，上述方法去噪效果均較好；I樣條法在減少速度分布尖峰，糾正缺失值，降低1s內(nèi)加加速度變號比例方面效果最優(yōu)；sEMA可以最大程度地減少加速度標準偏差和異常值的數(shù)量；卡爾曼濾波器最大程度地降低了高于15m/s3閾值的加加速度值比例。針對不同目的，最優(yōu)方法不同。

3.2 多步軌跡重構(gòu)

車輛軌跡重構(gòu)是指將離散位置數(shù)據(jù)擬合為行駛軌跡，要主動消除異常值，保證軌跡內(nèi)部一致性和跟車對排一致性[7]。

目前大多數(shù)應(yīng)用NGSIM數(shù)據(jù)進行仿真的研究中，都只進行簡單的噪聲處理，而未對異常值做單獨處理。但傳統(tǒng)濾波技術(shù)無法實現(xiàn)對存在異?；蝈e誤的數(shù)據(jù)進行妥善處理[19]。通常表現(xiàn)為去噪過度，除異常不足。

多步軌跡重構(gòu)中“多步”體現(xiàn)在分別對異常值和噪聲進行處理，避免了傳統(tǒng)濾波方法的上述問題。一般步驟是識別異常值、修正異常值、利用濾波器消除噪聲。

識別和修正異常值時，可通過篩查超出閾值的數(shù)據(jù)點，然后利用多次樣條插值法對異常值重新估計[6-7]，也可以通過RLOESS[16]或小波分析[20]消除異常值。去噪可根據(jù)需求選用低通濾波器[7]、小波濾波器[20]、卡爾曼濾波器[6]等。

修正異常值后要注意利用有關(guān)車輛運動學和交通動力學的信息對新位置數(shù)據(jù)進行局部重建來滿足內(nèi)部一致性和排一致性要求[7]。

4 討論與展望

NGSIM軌跡重構(gòu)的目的是為微觀交通仿真提供更可靠的數(shù)據(jù)支持，隨著新技術(shù)發(fā)展，圖像處理技術(shù)越發(fā)高效，因此如何獲取高精度視頻數(shù)據(jù)是關(guān)鍵，其次處理后的數(shù)據(jù)與真實軌跡的比對是驗證重構(gòu)軌跡質(zhì)量的必要步驟，軌跡重構(gòu)方法應(yīng)具有可重復(fù)性和可比性。因此從以下三個方面提出展望，這將是我國交通領(lǐng)域“新基建”下需要重點關(guān)注的問題。

4.1 數(shù)據(jù)獲取

NGSIM數(shù)據(jù)通過攝像提取，當時攝像機架設(shè)密度低、拍攝角度大，導(dǎo)致畫幅銜接處車輛位置識別錯誤，大車陰影遮擋跟隨車輛，扭曲車輛尺寸等。其次，視頻分辨率低，僅為640×480像素，因此很難通過圖像處理技術(shù)提升改變現(xiàn)狀。因此未來應(yīng)增加攝像設(shè)備密度、提高視頻分辨率，保證能清晰區(qū)分車輛與道路陰影，正確識別車輛位置。

我國可在已建試驗場地或智慧高速路段進行基礎(chǔ)設(shè)施布置，包括路面顏色、攝像機架設(shè)位置等特殊設(shè)計，甚至加設(shè)其他軌跡獲取方法如路面線圈、微波檢測等作為視頻數(shù)據(jù)的驗證和補充?；A(chǔ)設(shè)施投入帶來兩大益處：一是通過高保真數(shù)據(jù)得到的理論研究是可信可靠的，對未來無人駕駛等領(lǐng)域的研究提供支持，二是為全球交通領(lǐng)域研究提供通用且有效的實驗數(shù)據(jù)，數(shù)據(jù)共享使我國在經(jīng)濟與國際地位方面雙雙獲益。

4.2 數(shù)據(jù)質(zhì)量

軌跡數(shù)據(jù)質(zhì)量及其對相關(guān)研究可靠性的影響在已有交通領(lǐng)域文獻中是一個被低估甚至忽視的問題。數(shù)據(jù)質(zhì)量評估缺乏統(tǒng)一而全面的指標體系，使得相關(guān)研究結(jié)論可比性不強。未來應(yīng)構(gòu)建軌跡數(shù)據(jù)質(zhì)量評價體系，加強研究結(jié)果可比性。

軌跡重構(gòu)后缺乏與原始數(shù)據(jù)比對，無法直接驗證軌跡重構(gòu)效果。將修正后數(shù)據(jù)與手動提取的數(shù)據(jù)進行比對發(fā)現(xiàn)清洗后的數(shù)據(jù)仍存在較大誤差[1]。顯然，完全手動提取海量數(shù)據(jù)不具備可操作性，因此可借鑒無人駕駛識別，采用半人工半機器的方式核對存在異常的數(shù)據(jù)，而不是通過各種手段修正。人工核驗數(shù)據(jù)既可以直接使用，也可作為直接驗證的標準數(shù)據(jù)集。

4.3 數(shù)據(jù)過濾

從文獻對過濾方法的應(yīng)用發(fā)現(xiàn)，多數(shù)更傾向采用簡單方法，但第2節(jié)已表明目前沒有能使各項質(zhì)量檢測指標都達到最優(yōu)的方法。多步軌跡重構(gòu)文獻較少，盡管表明效果更優(yōu)，卻均無可重復(fù)性。未來應(yīng)設(shè)計步驟簡單、操作簡單、效果良好、可重復(fù)性強的方法，甚至編成軟件供研究者們公開使用，這樣的數(shù)據(jù)處理方法能夠為使用者提供便利的同時讓使用者來測試其可靠性，之后通過不斷反饋、修正、改進達到更好的效果。

5 結(jié)論

（1）位置數(shù)據(jù)異常是導(dǎo)致速度、加速度異常的根本，異常值通過分布曲線容易識別，使用前必須正確處理，隨機噪聲處理時把握程度；

（2）幾種常用濾波方法主要功能是去噪，各有優(yōu)劣，對于異常值處理建議采用多步軌跡重構(gòu)方法，先去除異常值再降噪效果更優(yōu)；

（3）目前數(shù)據(jù)質(zhì)量檢測指標尚未完善且不統(tǒng)一，需要進一步全面完善，提高研究成果可比性；

（4）未來為解決數(shù)據(jù)集“獲取難、可比難、處理難”問題，應(yīng)加強數(shù)據(jù)獲取設(shè)備設(shè)施投入、人工核驗投入、技術(shù)開發(fā)投入。

[1] Zhengbing He, Research based on high-?delity NGSIM vehicle trajectory datasets: A review,doi:10.13140/RG.2.2.11429. 60643,2017.

[2] Ossen,S.,and S.P.Hoogendoorn. Validity of Trajectory-Based Calibra -tion Approach of Car-Following Models in Presence of Measure -ment Errors. In Transportation Research Record: Journal of the Transportation Research Board, No. 2088, Transportation Research Board of the National Academies, Washington, D.C., 2008, pp. 117–125.

[3] Thiemann, C., M. Treiber, and A. Kesting. Estimating Acceleration and Lane-Changing Dynamics from Next Generation Simulation Trajectory Data. In Transportation Research Record: Journal of the Transportation Research Board, No. 2088, Transportation Research Board of the National Academies, Washington, D.C.,2008,pp. 90- 101.

[4] Coifman, B., Lizhe L., A critical evaluation of the Next Generation Simulation(NGSIM) vehicle trajectory dataset. Transportation Res -earch Part B: Methodological 2017, 105, 362-377.

[5] Punzo, V., M. T. Boracchiello, and B. Ciuffo. On the Assessment of Vehicle Trajectory Data Accuracy and Application to the Next Generation Simulation (NGSIM) Program Data. Transportation Research Part C,Vol.19,No.6,2011, pp.1243-1262.

[6] 石建軍,劉強晨.NGSIM車輛軌跡重構(gòu)[J].北京工業(yè)大學學報, 2019,45(6):601-609.

[7] Montanino,M.;Punzo,V.Trajectory data reconstruction and simulation -based validation against macroscopic tra?c patterns. Transporta -tion Research Part B: Methodological 2015, 80, 82-106.

[8] Hamdar,S.H.,and H. S.Mahmassani. Driver Car-Following Behavior: From a Discrete Event Process to Continuous Set of Episodes. Presented at 87th Annual Meeting of the Transportation Research Board, Washington, D.C., 2008.

[9] Marczak,F.,Buission, C.,2012. A new?ltering method for trajectories measurement errors and its comparison with existing method. Transp.Res. Rec.2315, 35-46.

[10] Przybyla, J.;Taylor, J.; Jupe, J.;Zhou, X. Estimating risk e?ects of driving distraction:A dynamic errorable car-following model. Tran -sportation Research Part C: Emerging Technologies 2015,50, 117-129.

[11] Zheng,J.;Suzuki,K.;Fujita, M.Car-following behavior with instan -taneous driver-vehicle reaction delay: A neural-network-based methodology.Transportation Research Part C:Emerging Technolo -gies 2013, 36, 339-351.

[12] He, Z.;Zheng, L.;Guan,W.A simple nonparametric car-following model driven by ?eld data. Transportation Research Part B: Metho -dological 2015, 80, 185–201.

[13] Balal,E.;Cheu, R.L.;Sarkodie-Gyan, T. A binary decision model for discretionary lane changing move based on fuzzy inference system. Transportation Research Part C: Emerging Technologies 2016, 67, 47-61.

[14] Zheng,Z.;Ahn, S.;Chen,D.; Laval, J. The e?ects of lane-changing on the immediate follower: Anticipation, relaxation, and change in driver characteristics. Transportation Research Part C: Emerging Technologies 2013, 26, 367-379.

[15] Koutsopoulos,H.N.;Farah,H.Latent class model for car following behavior.Transportation Research Part B: Methodological 2012, 46, 563-578.

[16] Piccoli,B.;Han,K.;Friesz,T.L.;Yao,T.; Tang, J. Second-order models and tra?c data from mobile sensors. Transportation Research Part C: Emerging Technologies 2015, 52, 32-56.

[17] Xin,W.,Hourdos,J.,Michalopoulos,P.,2008.A vehicle trajectory coll -ection and processing methodology and its implementation to crash data. Transport. Res. Rec. 2173, 25-34.

[18] Vieira da Rocha, T.; Leclercq,L.; Montanino, M.; Parzani, C.; Punzo, V.;Ciuffo, B.;Villegas, D. Does traffic-related calibration of car- following models provide accurate estimations of vehicle emissi -ons?Transportation Research Part D: Transport and Environment 2015,34, 267-280.

[19] Zheng,Z.;Washington,S.On selecting an optimal wavelet for detec -ting singularities in tra?c and vehicular data.Transportation Res -earch Part C: Emerging Technologies 2012,25,18-33.

[20] Fard,M.R.;Mohaymany,A.S.;Shahri, M.A new methodology for vehicle trajectory reconstruction based on wavelet analysis. Trans -portation Research Part C 2017, 74, 150-167.

[21] Punzo,V.,D.J.Formisano,and V.Torrieri.Nonstationary Kalman Filter for Estimation of Accurate and Consistent Car-Following Data. In Transportation Research Record:Journal of the Transportation Research Board,No. 1934, Transportation Research Board of the National Academies, Washington, D.C., 2005, pp. 3-12.

[22] Yang, K.; Guler, S.I.; Menendez, M. Isolated intersection control for various levels of vehicle technology: Conventional, connected, and automated vehicles.Transportation Research Part C:Emerging Tech -nologies 2016, 72, 109-129.

[23] Zheng,Z.;Su, D.Traffic state estimation through compressed sensing and Markov random ?eld. Transportation Research Part B: Metho -dological 2016, 91, 525-554.

A Review of NGSIM Trajectory Reconstruction

Li Yi, Zhao Jianyou, Ye Yuntao

( Chang’ an University, Shaanxi Xi’an 710064 )

NGSIM is recognized as the most comprehensive public database in the transportation field. It has an extremely important position in the establishment and verification of microscopic traffic simulation models. However, some scholars have always questioned the reliability of NGSIM data. At the same time, many scholars have made unremitting efforts to reconstruct the trajectory of NGSIM. This article first clarifies the manifestations and causes of NGSIM data problems (outliers and observation errors), and then explains the vehicle trajectory correction methods such as moving average method, local polynomial method, wavelet analysis and Kalman filter method. After comparison, it is found that the one-step trajectory reconstruction method cannot optimize all the quality inspection indicators. Therefore, by clarifying the purpose of trajectory reconstruction, the principle of multi-step trajectory reconstruction is summarized, so that the trajectory recons -truction method can satisfy "internal consistency"and"platoon consistency".Finally, this article puts forward suggestions for NGSIM data in terms of data acquisition, data quality, and data filtering, in order to obtain more reliable and general traffic simulation data.

Traffic Engineering; Review and Prospect; Review; NGSIM; Trajectory Reconstruction

10.16638/j.cnki.1671-7988.2021.04.063

U491

A

1671-7988(2021)04-204-05

U491

A

1671-7988(2021)04-204-05

李依，碩士，長安大學，研究方向：交通運輸規(guī)劃與管理。