非常态下路段行程时间估计方法

杨兆升，莫祥伦，于 尧，张 彪

（1.吉林大学 汽车仿真与控制国家重点实验室，长春 130022；2.吉林大学 交通学院，长春 130022）

非常态事件发生后，为了确保救灾工作的顺利进行，需要根据实时道路交通状况预测路段行程时间，为疏散和救援车辆提供必要的引导。

现有车辆路段行程时间（以下简称行程时间）估计方法，主要是根据车载GPS发回的实时数据，或者根据交通路侧检测设备获得的数据进行行程时间估计［1－3］。但是，在非常态情况下，道路及其承载的交通流情况变化较大，并且伴随有路侧交通检测设备损毁和GPS数据不足的情况，现有的方法不足以准确估计路段行程时间。

本文针对各类非常态事件的特性，研究了各类非常态事件发生的通用行程时间估计流程和方法，并进行了试验验证。

1 非常态事件分类

根据非常态事件发生原因及其可预知性，可将非常态事件分为自然灾害、事故灾难、社会生产安全事件等。每种非常态事件对交通流会产生很大的影响和冲击，即使同类事件内不同子类的事件对交通流的影响也是不同的。交通流是路段行程时间估计的主要影响因素，根据不同非常态事件对交通流的影响，将所有非常态事件进行分类。

1.1 疏散型非常态事件

疏散型非常态事件是在事件发生时，区域路网呈现大规模的多D点疏散状态的非常态事件。该类事件多为洪水、地震、泥石流等恶劣自然灾害。其特点是事件发生会在短时间内造成局部地貌的巨大变化，产生道路损毁、房屋倒塌等恶劣后果。在此类事件发生前根据预测会进行人员疏散，也会在灾后组织救援行动。这种疏散状况下，交通流密度大、速度小，伴随有道路损毁引起的通行能力下降等特点。

1.2 避险型非常态事件

避险型非常态事件是在事件发生时，由于恶劣天气的影响，人们选择居家度过该时段，进而区域道路车辆稀少。该类事件多为暴风雪、冰冻、台风等自然灾害。其特点是具有一定的持续性，且不同灾害会引起道路通行能力不同程度的下降。此类事件发生时，大部分人员均选择居家避险，区域道路交通流稀疏，可是会有一定量的救援需求。由于灾害对能见度、道路摩擦因数的影响，致使交通流速度较低，并伴随有路测交通检测设备检测功能下降的情况。

1.3 即时消散型非常态事件

即时消散型非常态事件是在事件发生时，由于道路局部通行能力快速下降，导致小范围路网交通拥堵，当事件快速处理后，堵塞消散。该类事件多为交通事故。其特点是事件的发生不会对人民的生产生活产生重大影响，但也会有救援需求。此类事件发生时局部道路交通流流量大、速度低［4］。

2 非常态下路段行程时间估计流程

正常状态下路段行程时间估计主要根据实时获取的GPS数据为支持。在非常态情况下，道路交通流呈现拥挤或稀疏两种情况，路段上样本量会出现不足或者没有的情况。因此需要考虑与地基型检测器监测数据的融合。在洪水、地震等破坏地基型检测器的非常态事件中，可参考遥感检测结果进行行程时间估计。

2.1 路段行程时间估计的交通数据获取

目前用于交通信息获取的检测方式主要有地基型检测、车基型检测和空基型检测3种。用于路段行程时间估计的方式主要为车基型检测和地基型检测。随着GPS技术的发展，GPS数据行程时间检测精度不断提高，越来越多的城市交通信息获取系统中增加了GPS数据获取预处理［5］。由于车载GPS模块成本较高，模块一般强制搭载于出租车、客货运输车，少部分私家车出于安全考虑也会选择搭载车载GPS。遥感数据获取比较昂贵，且在正常情况下地基型和车基型检测完全可以满足路段行程时间估计的需求，不会采用遥感数据进行融合估计。

在非常态情况下，浮动车数据主要通过无线传输，只要道路上有搭载GPS车载机的车辆运行，就有检测数据。可是随着非常态下交通流变化的情况会有样本量的波动，从而导致检测结果失精，需要有其他类型检测数据进行融合才能完成行程时间估计。此时地基型检测设备可能因为非常态事件而产生功能上的下降或者完全失灵:在冰雪、大雾情况下某些检测设备会因为温度和能见度等因素的影响而导致检测功能下降；在地震、洪水等灾害情况下由于电力、通信线路损毁造成检测器直接破坏进而失灵。空基型检测可以在地基型检测设备失灵的情况下与GPS数据融合估计行程时间［6－9］。

2.2 路段行程时间估计流程

非常态下路段行程时间估计是以GPS数据为主，辅助以地基型检测数据和遥感数据。获得GPS数据首先要进行样本量的判定，样本量充足时直接基于GPS数据进行行程时间估计。当样本量不足时，采用样本量不足情况时的基于GPS数据的行程时间估计方法。同时启用地基检测数据，首先判断地基检测数据的可靠性，数据可靠时直接进行基于地基型数据的行程时间估计，并且与样本量不足情况下的行程时间估计结果进行融合；当数据不可靠时，启用遥感数据进行道路的密度提取，并与GPS数据进行联合估计，得到最终的行程时间估计结果。行程时间估计流程如图1所示。

图1 非常态下行程时间估计流程Fig.1 Process of estimation of travel time under abnormal state

3 非常态下路段行程时间估计的关键技术

3.1 基于GPS数据的路段行程时间估计的样本量判定

非常态情况下，交通流以大流量和小流量两种极端的形式出现。交通流总体的特性可以用GPS数据样本来反映，交通流速度和车辆行程时间及它们的变化有直接关系，估计结果精确性与其数量的大小有直接关系。路段行程时间估计的精确程度更依赖于GPS样本量的大小［10］。本研究采用统计学方法，从路段内车辆行程时间角度出发考虑样本量:

式中:t为GPS数据采样间隔；σ为行程时间方差；t∂／2为正态分布的双侧百分位点；ψ为路段浮动车行程时间估计允许的相对误差，%。

现实中cv值难以控制，本文采用Shawn M Turner给出的一个计算公式［11］:

实例计算:设置信区间为90%，系统的相对误差为5%，路段平均速度约为60km／h，通过计算得最小样本量应在400以上。

3.2 基于GPS数据的路段行程时间估计方法

3.2.1 样本量充足时路段行程时间估计方法

假设浮动车的车辆性能、型号完全一致，车辆的运行速度只与交通流有关系。

根据道路的特点，首先需要将路段划分为几个子路段，每个子段为500～700m。设第i路段上第j小区段的车辆数为，路段每个小区段的平均速度为

为了保证准确性，首先验证几个子段的速度是否在均值的置信区间内，如果在，则剔除噪声后进行均值计算，否则分别计算几个子段的平均速度后再进行累计计算。整个区段的平均速度为

假设浮动车速度是均值为v－i的正态分布，则方差为

式中:L为所估计路段的长度。

3.2.2 样本不足时路段行程时间估计方法

在样本量不足时，原始的平均行程时间计算方法的精度大大下降。主要是由于当样本量不足时会出现样本分布不均，从而导致局部的样本数量过少而不能反映路段上的交通情况，针对这种情况，提出了以下的解决方法。

当样本量不足时，根据路段上单个或几个浮动车的数据计算浮动车的平均行程时间。

设t时刻浮动车的瞬时速度为Vt，t＋1时刻浮动车的瞬时速度为Vt＋1，浮动车的数据提取周期为Δt。则浮动车的运行平均速度为

针对连续的几个时刻的Δv进行分析:

（1）当Δv全部大于0或者全部小于0时，说明浮动车在减速或加速行驶。此时理论的运行时间为

式中:Δa为平均加速度，Δa＝∑（vt＋1－vt）／（n－1）。

该方法用区域的速度估计整个路段的速度，具有一定的误差。速度变化是一个固定的函数f（x），而此方法将速度的变化看成是匀加速或者匀减速的过程，因此导致运行事件和实际的运行事件存在系统误差，比较T与tt－t1计算系统误差与随机误差之和为

式中:ε为系统误差；φ为随机误差。

在交通系统中，随机误差是不可避免的，误差的发生和大小不可控制。在此不考虑随机误差的发生，则:

整个路段的行程时间为

式中:L1为浮动车T时刻的位置到路段终点的距离；L2为浮动车起点时刻到路段起点的距离。

当路段上有几个速度采集点时，平均的行程时间为

（2）当Δv在0上下浮动时，认为此时车辆匀速行驶，其速度为

当路段上有几个速度采集点时车辆的平均速度为

车辆的路段的平均行程时间为

3.3 路段行程时间估计融合方法

本研究采用基于BP神经网络的融合模型。模型输入为基于GPS数据的行程时间估计、GPS样本量、基于地基检测的行程时间估计、交通量；输出为行程时间检测结果。神经网络由输入层、输出层和隐含层组成。隐含层可以为多层结构，隐含层越复杂，相对的融合结果越准确，计算速度也越低。行程时间估计需要保证其时效性，时滞过长，提供给驾驶员的信息误导性增强。本文采用只具有一个隐含层的BP神经网路。输入节点4个，输出节点1个，隐含节点15个。具体结构形式如图2所示。

图2 行程时间融合神经网络Fig.2 Neural network of travel time fusing

4 仿真验证及结果分析

非常态事件发生随机性强，很难把握事件的发生时间，即使采集到事件发生时影响区域内的交通信息，路段行程时间也无参照值。本文采用仿真的方式建立路网，模拟了交通事故和大雾天气两种非常态事件，并在此条件下对本文方法进行了验证。

采用Paramics仿真软件，以山东德州城区为模拟对象构建路网（如图3所示），设置地基型检测器，采集单车速度，保证信息检测源。Paramics可以改变道路通行能力、车流速度。在交通事故模拟过程中，设置某地点的道路通行能力在仿真3h时突然下降，经过1.5h后恢复，模拟交通事故对道路通行能力的短时影响。在大雾天气模拟过程中，设置在仿真3h时整个路网车辆运行速度缓慢减低，经过1h后车辆运行速度再缓慢恢复到原值。

图3 仿真路网图Fig.3 Simulation map

基于时间序列的自回归积分滑动平均模型（Auto－regressive integrated moving average，ARIMA）是一种应用最为广泛的时间序列模型。该模型不像其他时间序列方法一样需要固定的初始化模拟。它将某一时刻的交通流量看成是更为一般的非平稳随机序列。ARIMA模型行程时间估计方法是一种采用GPS实时数据的行程时间估计方法。它基于历史数据和实测数据，来预测各路段下一时段的路段行程时间。

最后，将采用本文行程时间估计方法和ARIMA模型行程时间估计方法估计的路段行程时间与路段实际行程时间作比较。

4.1 交通事故仿真验证

假定德州市德城区湖滨大道发生交通事故，事故等级为一般级（IV级），事故的持续时间大概是1.5h。发生交通事故导致天衡路、三八路、东方红西路和湖滨大道方向上发生拥堵，非常态事件影响区域示意图如图4所示。

图4 交通事故影响区域路网Fig.4 Road network of impact area of traffic accident

事故发生45min时，采用本文方法和ARIMA模型计算路段1～10的行程时间并进行对比，结果如表1所示。

由表1可知，ARIMA模型算法整体上低于参照的行程时间，是由于常用的方法适用于交通流顺畅稳定时的行程时间估计，当用于交通事故这种非常态事件下时，会导致常用方法估计的速度值偏高，进而导致行程时间的整体偏低。选用本文方法的估计值在参照值附近波动，且波动幅度不是很大，可见本文方法可以适用于道路交通拥挤时的非常态事件的行程时间估计。

表1 模拟交通事故45min时行程时间对比Table 1 Simulation of traffic accident 45minutes travel time contrast

4.2 大雾天气仿真验证

假定德州区禹城市中路和富华街发生大雾，这次非常态事件的持续时间大概为1h。机动车出行较少，行驶速度比较低。大雾事件影响区域示意图如图5所示。

图5 大雾影响区域路网Fig.5 Road network of fog－affected area

事故发生30min时，采用本文方法和ARIMA模型计算路段1～10的行程时间并进行对比，结果如表2所示。由表2可以看出:ARIMA模型算法的估计值在参照值附近波动，本文方法的估计值的波动比参照值要小，因此本文方法在流量小时可以准确地完成路段行程时间估计。

表2 模拟大雾30min时行程时间对比Table 2 Fog simulation 30minutes travel time comparison

5 结束语

针对非常态事件对道路交通运行和交通信息检测设备的影响，设计了一种新的适应于各类非常态事件的路段行程时间估计方法。该方法通过综合各类检测方式获取交通流信息，改变了以往估计方法不适于非常态事件的情况。最后通过仿真的方式对本文方法的可靠性进行了验证。结果表明，该方法可较为准确地估计各类非常态事件下的路段行程时间，为非常态事件下路段行程时间估计提供了一种有效的方法。

［1］Chen M，Chien S I J.Dynamic freeway travel－time prediction with probe vehicle data:link based versus path based［C］∥Transportation Research Board，Washington DC，USA，2001:157－161.

［2］Nath R P D，Hyun－Jo L，Nihad K C，et al.Modified k－means clustering for traveltime prediction based on historical trafic data［C］∥Proceedings of the 14th International Conference on Knowledge－based and Intelligent Information and Engineering Systems:Part I，Berlin，Heidelberg，2010:511－521.

［3］杨兆升.关于智能运输系统的关键理论——综合路段行程时间预测研究［J］.交通运输工程学报，2001，1（1）:64－66.Yang Zhao－sheng.Study on the synthetic link travel time prediction model of key theory of ITS［J］.Journal of Traffic and Transportation Engineering，2001，1（1）:64－66.

［4］姜桂艳，常安德，张玮.基于GPS浮动车的路段行程时间估计方法比较［J］.吉林大学学报:工学版，2009，39（2）:182－186.Jiang Gui－yan，Chang An－de，Zhang Wei.Comparison of link travel－time estimation methods based on GPS equipped floating car［J］.Journal of Jilin University（Engineering and Technology Edition），2009，39（2）:182－186.

［5］于德新，高学英，杨兆升.基于GPS数据及车辆运行特性分析的单车路段行程时间估计［J］.吉林大学学报:工学版，2010，40（4）:965－970.Yu De－xin，Gao Xue－ying，Yang Zhao－sheng.Individual vehicle travel－time estimation based on GPS data and analysis of vehicle running characteristics［J］.Journal of Jilin University（Engineering and Technology Edition），2010，40（4）:965－970.

［6］张和生，张毅，胡东成.路段平均行程时间估计方法［J］.交通运输工程学报，2008，8（1）:89－95.Zhang He－sheng，Zhang Yi，Hu Dong－cheng.Estimation method of average travel time f or road sections［J］.Journal of Traffic and Transportation Engineering，2008，8（1）:89－95.

［7］李筱菁，孟庆春，魏振钢，等.GPS技术在城市交通状况实时检测技术中的应用［J］.青岛海洋大学学报，2002，32（3）:475－481.Li Xiao－jing，Meng Qing－chun，Wei Zhen－gang，et al.The applications of GPS technology in the real－timedetection of city traffic condition to GPS［J］.Journal of O－cean University of Qingdao，2002，32（3）:475－481.

［8］朱中，杨兆升.基于卡尔曼滤波理论的实时行程时间预测模型［J］.系统工程理论与实践，1999，19（9）:74－78.Zhu Zhong，Yang Zhao－sheng.A real－time travel time estimation model based on the Kalman filtering theory for traffic flow guidance system［J］.Systems Engineering－Theory＆Practice，1999，19（9）:74－78.

［9］董红召，吴方国.基于FCM的路段平均行程时间估计［J］.科技交通，2011，27（3）:426－430.Dong Hong－zhao，Wu Fang－guo.Estimation of average link travel time using Fuzzy C－Mean［J］.Builetin of Science and Technology，2011，27（3）:426－430.

［10］王力，张海，余贵珍，等.移动交通流检测技术探测车样本比例模型研究［J］.交通运输系统工程与信息，2007，7（5）:31－36.Wang Li，Zhang Hai，Yu Gui－zhen，et al.The study of probe sample size model of the probe vehicle technology［J］.Journal of Transportation Systems Engineering and Information Technology，2007，7（5）:31－36.

［11］Jiang Gui－yan，Gang Long－hui，Cai Zhi－li.Impact of probe vehicles sample size on link travel time estimation［C］∥2006IEEE Intelligent Transportation Systems Conference，Toronto，Canada，2006:505－509.