高速公路区间交通态势预测系统设计

  • 199 浏览
  • 2022-04-15

作者:李丹华,秦涛,张为(交科院(北京)科技发展有限公司)) 来源:中国交通信息化

近年来,由于超流量设计、交通事故、节假日、施工养护、恶劣天气等因素,高速公路拥堵问题日益突出[1,2]。2019年起,全国陆续响应深化收费公路制度改革,落实封闭式高速公路收费站入口不停车称重检测政策以及取消高速公路省界收费站。此举从收费模式上彻底改变了高速公路的运营工作,提高了高速公路通行能力和服务水平。但是,新的问题也随之而来。通行能力的提高意味着高速公路能容纳更多的车辆同时通行,但失去了省界收费收费广场的缓冲,各省内部高速公路收费站乃至收费主线路面的通行压力也随之增大。在特殊事件甚至交通事故发生时,更加容易造成交通区间和主线路面异常停车过多,从而导致收费站匝道和广场拥堵乃至主线拥堵。此外,通行高速公路的货运车辆数量巨大,当发现超限超载运输车辆时,容易发生撞坏收费站设施、司机与管理人员发生争执、劝返调头时间过长等情况,会导致收费广场等重要路段发生拥堵。如果能够对高速公路重要路段未来即将发生的交通拥堵状态进行准确及时的预测和评估,将为高速公路管理者和出行居民带来极大便利。

交通拥堵预测方法包括自回归综合移动平均时间序列法[3]、卡尔曼滤波法[4]、小波分析预测方法[5]、人工智能模型[6]、混合模型[7]等。对于交通拥堵状态可用交通流量、平均速度、占有率、驾驶员体感参数、车辆排队长度等参数来评价。仅使用其中某一个参数进行评估的方法叫做单因素评价。李晨曦[8]采用基于交通流分模态的道路交通延误计算方法,进行道路延误水平评价,其中道路单位里程平均延误为评价指标。Lindley J[9]选取路段饱和度 对交通拥堵进行评估,将采集到的高峰小时车流量扩充为24小时的日车流量,并且与最大通行能力进行比较,确定路段饱和度大于0.77时为交通拥堵状态。实际应用中,单因素评价方法往往不能全面而准确地反应交通拥堵状态,为了提高交通拥堵预测的准确度,学者们提出了多因素评价方法,即同时选用几个交通流参数对交通状态进行评估。谭娟[10]等利用了多元基础数据构建综合的交通流特征向量作为数据支撑,包含了交通流参数、环境状态、时段等数据特征。同时提出了一种基于深度学习的预测模型,最后结合Softmax回归对交通拥堵状态进行了多态预测。黎符忠[11]选用交叉口、路段、区域3个因素作为交通拥堵评估的指标体系,利用信息熵权法计算各指标对交通拥堵的影响程度,最终构建出基于灰色关联度的交通拥堵评估模型,以此预测重庆市路段的拥堵水平。Zhang YY[12]等选择了车流速率、交通流密度、交通流量三个因素作为判断交通拥堵程度的指标,并利用灰色关联分析和粗糙集理论挖掘三维交通数据信息之间的关系,从而建立灰色关联聚类模型来判别聚类优先级,并进一步分析城市交通拥堵度。龙小强[13]等选择路段单位里程平均延误、路段平均行程速度和路段饱和度三个因素作为评价指标,并建立模糊综合评价模型,最后对广州市天河核心区的交通拥堵状态进行了评估。
对于多因素评价方法,有学者选用交通流平均速度或交通流密度作为评价指标,但是没有人提出过平均驶出时间这个评价指标。在应用算法方面,单独采用支持向量回归法[14](Support Vector Regression,SVR)方法预测精度较低。针对高速公路路况特点和拥堵特征,本文选取了交通流平均速度、交通流密度、平均驶出时间三个交通流参数作为因素指标对交通态势进行综合预测。通过多目标粒子群算法(Multi-Objective Particle Swarm Optimization ,MOPSO)对SVR方法进行优化,以此得到精度更为准确的评价指标。基于此模型算法提出了高速公路区间交通态势预测系统架构,针对不同的高速公路业务场景对系统预测精度进行了验证。
充分利用现有高速公路设备、设施所能提供的各类视频监控、收费管理、车流检测等数据,基于AI视频智能检测算法,对通行车辆等对象结构化识别分析,获取包括门架、匝道、收费站的广场和车道等场景下的车辆车牌号、车型、行人、抛洒物等数据。图像数据中的光线强度会对系统识别率造成影响,随着光线强度的减弱,识别率将急剧降低,使得系统难以满足真实应用场景的需求。结合高速公路各场景的实际情况,可借助原有的补光灯设备,加强成像设备的夜间适应能力,提高并维持AI图像识别场景的精准度。本系统算法需要的数据资源如表1所示。
本文采用通流平均速度、交通流密度、平均驶出时间3个交通流参数作为因素指标对交通态势进行综合预测。交通流平均速度指单位时间内某路段所有车辆行驶的平均距离。计算公式如下:
其中,为交通流平均速度;N为路段单位时间内所有车辆数;νi为第i辆车的瞬时速度。交通流密度是指某路段单位时间内单位长度上的车辆总数,计算公式如下:
其中,D为交通流密度,f为单位小时监测到的车辆总数,ν为平均速度。
平均驶出时间是指所有车辆通过某路段所耗时间的平均值,计算公式如下:
其中,为平均驶出时间,ti1为第i辆车的离开时刻,ti0为第i辆车的进入时刻。
美国交通研究委员会发行的《道路通信能力手册》[15]中将交通拥堵状态分为六个等级:1非常畅通、2畅通、3轻度拥堵、4中度拥堵、5严重拥堵、6锁死,数值越高表明交通拥堵情况越严重。结合本文具有的道路数据资源,确定3个因素指标对应交通拥堵状态的取值范围,如表2所示。
预测模型通过MOPSO对SVR进行优化,实现高速公路区间交通态势预测。已知条件为当前时刻t和历史时刻t-Δt的交通检测数据,以此预测未来时刻t+Δt的交通流平均速度、交通流密度、平均驶出时间3个交通流参数。
构建回归超平面,计算公式如下:
其中,xi为输入的交通流参数,ω为权重向量,为非线性核函数,b为偏差项,f(x)为交通流的预测值。转换SVR模型为:
通过构建拉格朗日方程,得到最终的预测函数为:
其中,K(xi,x)是核函数,辅助完成数据完成高维和线性转换,αi、αi*为为非负的拉格朗日乘子。
通过MOPSO算法对权重向量ω进行优化,提高算法的精准度及寻优能力。权重向量ω更新表达式如下:
基于上述算法,提出了高速公路区间交通态势预测系统架构,分为感知层、数据源层、支撑层、引擎层和应用层。每个层次根据不同的功能又分为不同的应用模块。系统架构如下图所示。各层分别执行以下功能。
(一)感知层
前端感知层主要接入两种数据,一是将各种高速公路路段和收费站原有的监控系统、路政系统、收费系统等监测数据资源或其他业务系统数据资源接入数据平台;二是将本系统算力终端结构化信息源产生各种不同类型的数据接入系统平台进行视频AR融合展示。
(二)数据源
系统可接入集成多种数据源,一是将前端各单位部门上报的计划性事件,如施工单位的施工申请上报;二是通过视频源检测到或人工发现的拥堵、异常停车等突发事件;三是通过视频源检测的断面车流量数据;四是视频源或从传感器监控源检测的车速数据;五是路面的空间或时间的车辆占有率;六是机电设备完好率,如车道的故障比例;七是通过现场通讯设备连接上报的用户反馈建议或投诉等上报内容。将各种高速公路路段和收费站原有的监测数据资源或其他系统数据资源接入数据平台。
(三)数据支撑层
数据传输的网络支撑层,包括云存储、云计算等,以及通过算力终端以及其他IT配套设施来进行基础支撑层的数据运用。主要将接入的数据进行数据清洗、转化、存储和计算,为上层的业务应用提供有效的数据。
(四)引擎层
平台的应用基于几大模块引擎进行组合启动,与使用的功能模块相应层次对应,包括AR引擎、地图引擎、大数据计算引擎、三维仿真引擎、交通预测引擎、可视化报表引擎等。
(五)应用层
实现平台各个功能模块的具体功能,是系统功能的综合体现应用。包括融合监控、事件报警、交通仿真、态势预测、交通诱导(辅助决策)、统计报表、用户上报、应急联动等。
基于某省部分高速公路路段已有数据,进行了高速公路区间交通态势预测系统开发和算法精度验证。针对高速公路门架通行压力检测、高速公路匝道通行压力检测、收费车道压力检测、收费广场容量监测、收费广场处理速度检测、收费站态势预测预警、路面态势预测预警、拥堵实时告警等场景,进行检测结果及预警精度的验证和应用分析。
(一)门架通行压力检测
通过车辆结构化智能识别对门架抓拍的通行车辆进行分析,根据车辆类型(大/小客车、大/小货车),计算通行的总车流量,分类型车流量(小/大的客/货车车型数量统计)、位置、方向、速度、时间、离收费站距离,通过历史数据对前方收费匝道、收费站甚至前方路面主线所要承担的通行压力进行预测。利用AR实景可视化监控平台,对检测和预测数据进行实时展示。
(二)匝道通行压力检测
通过车辆结构化智能识别对匝道视频抓拍分析,根据不同车辆类型(大/小客车、大/小货车),计算即将进入广场的总车流量、分类型车流量、断面车流量,然后通过历史数据对收费站所要承担的通行压力进行预测。
(三)收费车道压力检测
通过车辆结构化智能识别对收费站收费车道通行情况视频抓拍进行分析,根据不同车辆类型(大/小客车、大/小货车)获取预测数据来源,计算即将进入广场的总车辆数、分类型车辆数、ETC/人工车道数量和长度,以及货车通行时间和ETC正常通行时间(经验值),然后通过历史数据对收费车道所要承担的压力进行预测。
(四)收费广场容量监测
系统可以通过AI视频智能检测,对收费广场的容量实现单位时间加权变动量追踪和短期预计,实现收费广场的容量监测。如对收费广场的高点监控范围内的车辆总数、车辆排队长度、视频范围内车辆总数、平均通行时间、预计耗时通行等数据进行统计分析,形成数据看板并支持数据导出,为用户决策提供依据。
(五)收费广场处理速度检测
通过对收费广场内的所有车辆都进行实时跟踪,记录车辆进入到离开的检测所需要时间,平均进出收费广场时间、视频范围内车辆总数,同时计算收费广场的处理速率。
(六)收费站态势预测预警
通过多维度的历史数据融合,数学模型对变量权重分配调整模型参数,预测5分钟、半小时甚至一个小时的未来一段时间内的区间收费站交通态势,实现对收费站所要承担的通行压力进行预测,如总车流量压力、分车型压力、车道分配压力、耗时压力等预测。加强收费站服务质量,提高收费站服务效率。
(七)路面态势预测预警
通过将ETC门架、高清卡口、服务区、匝道、收费站广场及车道等多维度的历史数据融合,可预测某路段路面的5分钟、半小时甚至一个小时的未来一段时间内的交通区间态势情况,实现对主干线通车区间所要承担的压力进行预测,如总车流量压力、分车型压力、车道分配压力、车间距、耗时压力等预测等。
(八)拥堵实时告警
通过智能AI拥堵检测技术,检测视频范围内车辆排队长度、数量。实时统计范围内车辆总数以及拥堵状况,当车辆数量超过区域内设定的容量阈值时将发出实时告警。同时可结合利用车道视频监控,对不同收费车道进行车流总数识别计算,当车辆数量超过收费车道的设定容量阈值时发出实时告警。
本文提出了以交通流平均速度、交通流密度、平均驶出时间3个交通流参数作为因素指标对高速公路交通态势进行综合预测的多因素评价方法。通过MOPSO对SVR方法进行优化,得到精度更高的算法模型。实验结果表明,本文设计的高速公路区间交通态势预测系统能够对高速公路门架通行压力、收费广场处理速度、路面拥堵态势等进行较为准确的预测和预警,能够减少人工巡查的工作量,显著提高高速公路管理工作的效率,在实际应用中具有重要意义。
参考文献
[1] 毕仕昌,林水生,耿洁.常虎高速公路路段拥堵治理对策探析[J].中国交通信息化,2019(9):41-43.
[2] 刘晓娟.广州机场高速公路交通拥堵原因分析及改善对策[J].交通与运输,2019(2):10-13.
[3] C.Chatfield.时间序列分析引论[M].骆振华,译.厦门:厦门大学出版社,1987.
[4] 钱伟,杨慧慧,孙玉娟.相空间重构的卡尔曼滤波交通流预测研究[J].计算机工程与应用, 2016,52(14): 37-41.
[5] 程正兴.小波分析算法与应用[M].西安:西安交通大学出版社,1998.
[6] Chen X B, Yang J, Liang J. A flexible support vector machine for regression[J]. Neural Computing and Applications,2012,21(8):2005-2013.
[7] 乔德华,张开禾,范耀祖.多模型交通流预测优化[J].交通标准化, 2007(4):207-209.
[8] 李晨曦.基于交通延误的路网交通状态评价分析[D].北京:北京交通大学,2010.
[9] Lindley J. Urban Freeway Congestion:Quantification of the problem and effectiveness of potential solution[J]. ITE Journal, 1987: 27-32.
[10] 谭娟,王胜春.基于深度学习的交通拥堵预测模型研究[J].计算机应用研究,2015(10):2951-2954.
[11] 黎符忠.基于灰色关联模型的城市道路交通拥堵评价研究[J].重庆建筑,2018(17):38-40.
[12] Zhang YY, Ye N, Wang RCA et al. Method for Traffic Congestion Clustering Judgment Based on Grey Relational Analysis[J]. Isprs International Journal of Geographical Information. 2016, 5(5): 1-15.
[13] 龙小强,谭 云龙.基于模糊综合评价的城市道路交通拥堵评价研究[J].交通标准化, 2011(11):114-117.
[14] Hong W C, Dong Yucheng,Zheng Feifeng,et al. Forecasting urban traffic flow by SVR with continuous ACO[J]. Applied Mathematical Modelling, 2011, 35(3): 1282-1291.
[15] 美国交通研究委员会.道路通行能力手册[M].任福田,刘小明,荣建,等译.北京:人民交通出版社,2007:116-189.