一种城市交通瓶颈的计算方法

摘 要： 城市交通瓶颈指的是常发性拥堵路段或位置。以往基于交警的巡查经验来确定交通瓶颈，虽可以部分地反映实际情况，但成本太高且无法做到动态跟踪。运用交通传感数据提出了一个简单的交通瓶颈计算方法，通过计算统计周期内的路段拥堵概率来反映交通瓶颈的严重程度。实验表明该方法是有效的。

关键词： 交通瓶颈; 拥堵概率; 微波雷达; 浮动车

中图分类号：TP391 文献标志码：A 文章编号：1006-8228（2015）07-53-04

Method for calculating urban traffic bottlenecks

Qiu Chunfeng1， Wen Xiaoyue2，3， Jin Minghao2，3， Li Jianyuan2，3

（1. Traffic Police Detachment of Public Security Bureau of Hangzhou， Hangzhou， Zhejiang 310000， China; 2. Enjoyor Co.， Ltd.;

3. Center for ITS Engineering and Technology in Zhejiang Province）

Abstract： Traffic bottlenecks refer to road segments or locations with frequent traffic jams. Traditional methods for evaluating traffic bottlenecks are mainly based on patrol experience， which could partly work but is costly and cannot dynamically track the change of bottlenecks. This paper proposed a simple method that evaluates bottlenecks by using the congestion probabilities of road segments obtained from the analysis of traffic sensing data. The experimental results show the effectiveness of the proposed method.

Key words： traffic bottlenecks; congestion probability; microwave radar; floating car

0 引言

随着我国城镇化建设和人口的增长，城市机动车保有量迅速增长，交通拥堵问题日益突出。交通拥堵降低了城市道路的利用率，增加了出行时间，并加重了空气污染。交通拥堵的主要原因是路与车之间的供需关系失衡，尤其在特定的时间段和特点的空间位置，车流分布的不均衡导致许多路段在时空上形成城市交通瓶颈，这些瓶颈是阻碍城市交通快速运转的主要矛盾。找出这些瓶颈并采取适当的交通管理措施，有助于缓解交通拥堵，并提高城市道路的利用率[3]。

文献[1]采用去现场观察快速公交线路上的交通状况，来分析交通瓶颈。这种方法工作量大且难以动态跟踪交通瓶颈的演变，不容易发现不同条件下的瓶颈路段。文献[2]应用粗糙集理论找出通行能力匹配度和饱和度是河谷型城市道路网瓶颈产生的重要因素。文献[3]运用基于位置的服务数据提出了一种三阶段交通瓶颈计算方法，但该方法设计较为复杂。

本文基于城市智能交通中的微波雷达和出租车数据，设计了一种简便的交通瓶颈计算方法，计算出频繁发生拥堵的路段即为交通瓶颈，交警就可以有针对性的提前部署警力，将拥堵遏制在萌芽阶段。

1 交通瓶颈计算方法

本文将城市交通瓶颈定义为：在一定统计周期内，频繁发生拥堵的路段集合。采用的数据是杭州市的微波雷达数据和浮动车数据，设计出交通瓶颈计算方法，用该算法找出交通瓶颈路段。

交通瓶颈的计算方法是读取数据库中微波和浮动车的历史数据，清洗微波数据和浮动车数据中不合理的速度值，然后将微波数据和浮动车数据进行融合，再计算出每天的历史拥堵率，对历史拥堵率进行排序，接下来选取TOP K，前K个路段就被认为是交通瓶颈。

基于微波雷达数据和浮动车数据的城市交通瓶颈计算整体流程图，如图1所示。

交通瓶颈计算包括以下七个步骤。

步骤1 从数据库读取微波点历史数据

从数据库中读取出5分钟时间间隔的微波数据和浮动车数据，微波数据包含有速度、流量、车道占有率、日期等信息，浮动车数据有速度、路段编号和日期等信息。

步骤2 原始微波数据和浮动车数据预处理

由于检测设备的机械故障或者通信问题，微波数据会出现错误信息，所以在数据分析前需要对微波数据进行数据预处理。

[从数据库中抽

取微波数据][清洗微波数据][微波速度按照

车道求平均][从数据库中抽取浮动车数据][清洗浮动车数据] [微波和浮动车

数据是否匹配] [是][微波速度和浮动车速度求平均][速度拥堵判断] [筛选出工作日数据][计算每个微波点的历史拥堵率][对历史拥堵率进行排序][按照阈值筛选出

交通瓶颈] [筛选出节假日数据][计算每个微波点的历史拥堵率][对历史拥堵率进行排序][按照阈值筛选出

交通瓶颈]

图1 城市交通瓶颈计算方法流程图

⑴ 微波数据预处理

微波数据包含有速度、流量和占有率，可以根据表1中的规则对微波数据进行错误值判定。

表1 微波错误数据判定规则

根据表1中的规则对微波数据进行对错判定，筛选出错误的数据，然后对错误的数据进行处理，用历史上该时间点上所有的数据的平均值来代替该错误的数据。具体计算公式如下：

⑴

其中：SPEED_WAVEi代表微波数据在历史上该时间点上的速度值，N代表微波速度历史数据的个数。

⑵ 浮动车数据预处理

浮动车数据主要有速度和日期等字段，当浮动车速度为0的时候有可能是特别堵，道路上车都停着不动了，也有可能是道路上没有车，所以要对浮动车速度为0的数据进行预处理。用历史上该时间点上所有的速度数据的平均值来代替该速度为0数据，这样就可以区分出是否是拥堵状态了。具体计算公式如下：

⑵

其中：SPEED_FCDi代表浮动车数据在历史上该时间点上的速度值，单位是KM/H，N代表浮动车速度历史数据的个数。

步骤3 微波数据和浮动车数据进行融合

微波数据是分车道的，而浮动车数据是不分车道的，所以对微波数据和浮动车数据进行融合前需要对微波数据按照车道求平均。

⑶

其中：SPEED_WAVEi代表微波数据在该时间点上的速度值，单位是KM/H，N（DEV_WAY_ID）代表该路段上车道的数量。

对微波数据按照车道求平均后，然后按照图2中的步骤对微波数据和浮动车数据进行融合，要是微波数据和浮动车数据的路段编号和日期一致，就将微波速度和浮动车速度求均值，要是不一致，就将微波的速度作为最终的速度。

[微波数据][浮动车数据] [路段编号匹配] [日期匹配] [微波速度和浮动

车速度求均值][输出速度] [是][否][是][否]

图2 微波数据和浮动车数据融合流程图

步骤4 对速度进行拥堵判断

每个路段都有对应的道路类型，总共有4个类型，快速路，主干路，支干路，支路，按照不同的道路类型对速度拥堵判断设置不同的阈值，对步骤3求得的速度进行拥堵判断，拥堵的话状态值LEVEL设定为1，不拥堵的话状态值LEVEL设定为0。

步骤5 按照工作日和节假日对数据进行筛选

由于工作日和节假日有不同的交通规律，呈现出的交通瓶颈也会有所差别，所以要按照日期将工作日和节假日的数据分离出来，这样最后计算出的交通瓶颈会能更真实的反应交通的实际状态。

步骤6 计算历史拥堵率并进行排序

步骤4中根据阈值对速度进行判断，得出了拥堵状态LEVEL，然后按照时间对LEVEL求均值。

从上午07：00到晚上的19：00，每五分钟一个时间槽，比如计算早上07：00到07：05时间段的某个路段的历史拥堵率P，将该路段的在这一时间槽的LEVEL求均值，计算公式如公式4，N代表LEVEL的个数。

⑷

将所有路段的历史拥堵率计算完后，进行排序。

步骤7 交通瓶颈判定

设定K值，将排序好的交通瓶颈路段，取其前K名即为交通瓶颈，然后按照日期分为早高峰，平峰和晚高峰，如表2，按照该时间区间筛选出早高峰的交通瓶颈和晚高峰的交通瓶颈。

表2 时间划分

[早高峰＼&07：00--09：00＼&平峰＼&09：00--17：00＼&晚高峰＼&17：00--19：00＼&]

2 实验

采用杭州市在2013年8月1号到2013年8月31号期间的微波数据和浮动车数据，微波数据有检测器编号、检测时间、流量、车道编号、车道占有率、速度等等，浮动车数据有路段编号，速度，检测时间等等，数据采样间隔为5分钟，具体应用过程如下：

用PLSQL Developer连接“杭州路况”数据库，由于所需要的信息分散在几个表里，所以要用SQL语句将几个表关联起来，然后将数据以文本文件的形式导出来，导入到R软件里。

图3 微波数据

微波数据中有以下字段信息：WAVE_ID为微波点位编号，标记记录该组数据的微波设备编号，与空间位置关联;DEV_WAY_ID是设备车道编号，标记该记录所测定的车道编号，以此区分各分道以及上下行;TOTAL_FLOW是车道流量，统计该记录观测时间内，总共通过的车辆数量;SPEED是车道平均速度，计算该记录观测时间内，车辆通过的平均速度，单位是KM/H;OCCUPANCY是车道占有率，即车流占据道路的时间比率，例如t1为轿车占路时间，t2为载货汽车占路时间，以此类推。记录观测时间为T，则时间占有率是∑ti/T，常以百分率表示;COLLECT_TIME是数据采集时间，格式为hh：min，COLLECT_DATE是数据采集日期，格式为yyyy/MM/dd;BLOCK_ID是路段编号，和WAVE_ID是一一对应的;BLOCK_NAME是路段名称，包含了路段的起始路段，BLOCK_DIRECTION是路段的方向，代表了该路段上车辆的行驶方向;PREV_BLOCK_ID是该路段的上游路段编号，比如如图3是微波的数据，BLOCK_ID为3的上游路段编号是2;ROAD_LEVEL是道路的类型信息，该字段包含了四个类型，分别是1代表快速路，2代表主干路，3代表次干路，4代表支路，从图3中可以看出3号路段的道路类型信息是3，也就是次干路。

浮动车数据中有以下字段信息：BLOCK_ID是路段编号，BLOCK_SPEED是速度，单位是KM/H，COLLECT_DATE是数据的采集日期，格式为yyyy/mm/dd，COLLECT_TIME是数据的采集时间，格式为hh：min，如图4所示。

图4 浮动车数据

然后利用本文给出的交通瓶颈计算方法进行计算，设定K值为10，即算出拥堵概率排名前十名的路段，其中表3为杭州市8月份工作日期间的早高峰的交通瓶颈信息，表4为杭州市8月份工作日期间的晚高峰的交通瓶颈信息，表5为杭州市8月份节假日期间的早高峰的交通瓶颈信息，表6为杭州市8月份节假日期间的晚高峰的交通瓶颈信息。

表3 工作日早高峰

表4 工作日晚高峰

表5 节假日早高峰

表6 节假日晚高峰

从表3和表4可以看出：交通瓶颈一是集中在进城出城的关键路段，比如上塘高架和中河高架，二是集中在市中心的凤起路和解放路上，另外可以查到凤起路在此期间是在修地铁，所以有一个路段被占用了。

从表4和表6上可以看出：节假日期间的交通瓶颈集中在一些景区附近的道路上，比如位于西溪湿地景区的紫金港路和位于西湖景区的西湖大道，其中解放路上一直都是拥堵概率比较高的路段，可以查到该解放路上是有一个解百新世纪大厦，其中环城北路（中河立交桥-中山北路）可以查到该路是位于武林广场地铁口的一条路。

3 结论

本文给出了交通瓶颈计算方法，通过该算法可以方便、快速的计算出交通瓶颈路段，针对工作日、节假日、早高峰和晚高峰条件下不同的拥堵特点，交警就可以在那些路段提前部署警力，将拥堵发生遏制在萌芽阶段，最大限度的减少拥堵发生的概率，并且使有限的交警警力得到最优化配置。本文的交通拥堵状态判别是依靠速度阈值，小于阈值就是拥堵，大于阈值就是不拥堵，这种拥堵状态判别还不够完善，以后可以综合考虑流量和占有率等因素来判别拥堵状态，以提高交通瓶颈计算的准确度。

参考文献：

[1] 姚岳林，陈刚，杨忠振，陈燕.快速公交线路上交通瓶颈分析及其改善[J].

大连海事大学学报，2007.33（2）：92-96

[2] 刘金霞，汪敏，宋岩.基于粗糙集的城市道路网络交通瓶颈特性研究[J].

交通工程，2014.87（10）：97-102

[3] Wei-Hsun Lee， Shian-Shyong Tseng， Jin-Lih Shieh， Hsiao-Han

Chen. Discovering Traffic Bottlenecks in an Urban Network by Spatiotemporal Data Mining on Location-Based Services[J]， IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS，2011.12（4）：1047-1056