动态交通信息应用实践——以深圳市为例

丘建栋 段仲渊

（深圳市城市交通规划设计研究中心交通信息与交通工程重点实验室 广东 深圳518021）

0 引 言

交通信息是发现、分析、解决交通问题的基础。传统的交通信息主要来源于人工问卷或观测调查，受调查资金与人力制约，调查通常采用抽样方法，且调查时间一般集中于某一特定的时间周期内。受主观因素影响，传统的人工调查方法获得数据存在一定的误差。以城市居民出行抽样调查为例，国内外采用的抽样率一般为1.5%～5%，样本的选取一般采用等距抽样。受调查员素质及被调查者配合程度影响，漏报出行情况较严重。如果没有对应有效信息加以辅助校正，调查结果将不可信。

对于特定群体特征的统计分析，传统调查方法，抽样率更低，往往不能满足精度要求。如深圳市2005年居民出行调查中，全市抽样率为1.8%，但轨道乘客出行抽样率仅为0.6%，即在整体均衡抽样调查的情况下，并不能保证特定群体的抽样率达到同等精度要求。

在快速城市化和机动化迅猛发展背景下，交通变化日趋复杂，交通管理面临巨大挑战，各类传统的调查方法，不能及时把握交通增长与拥堵分布的变化趋势。如何把握全市交通运行状态，为决策者提供可靠的交通信息，进而提出有效的缓解拥堵对策，日益倍受关注。

交通信息化技术在近些年得到广泛应用，挖掘交通信息数据，发现隐含的有效交通信息，提高信息化利用率，可避免重复调查造成资源浪费。基于此，动态交通信息应用研究成为当前交通信息发展的一个重要方向。深圳市是国内较早开展动态交通信息采集与应用研究的城市，搭建了城市交通仿真平台和交通规划决策支持系统，在轨道客流预测、常规公交模型、道路运行仿真、主动交通拥堵管理等领域做了有益探索与实践，获得了良好示范效果。

1 深圳市动态交通信息总体情况

为配合深圳市综合交通与轨道交通规划，1999年建立了基于EMME／2的CTS／RDS模型：综合交通模型（CTS）是策略性模型，用于全市整体的交通需求预测，包括出行生成、分布、划分、道路分配等。RDS模型是轨道公交发展模型，用于研究公交客流的情况，如各公交线路的客流量，公交方式的选择（轨道或常规公交）等。

深圳市CTS／RDS模型为典型的四阶段模型，2005年根据居民出行抽样调查对模型进行了重新标定。在随后的仿真一期建设及国家“十一五”科技支撑项目“新型城市轨道交通技术”课题二“城市综合交通与轨道交通规划关键技术研究与示范”的研究过程中，根据研究成果，对模型进行了技术流程改造，提出应用动态交通信息，改变原有5年1次的更新机制，转为按照实际需求滚动更新交通模型，有效缩短了模型更新时间，并显著节省调查费用。

作为深圳市智能交通核心工程的深圳市城市交通仿真系统在一期工程中就深圳原特区范围内的动态交通信息采集作了有益的尝试与应用，采集内容包括［1－3］：5 000辆出租 车的 FCD 信息，车速每5 min内覆盖原特区80%以上的道路，67套定点流量采集覆盖原特区境界线及二线关主要路段和中心城区重要路段，公交乘客刷卡率超过70%，轨道乘客信息采集率达到100%。其信息采集率、采集持续时间、数据可靠性远远高于传统的人工调查方法。

目前，在城市交通仿真系统在一期工程的基础上，利用深圳全市14 000余辆出租车（包括红的、绿的）的实时GPS数据（间隔约20 s），每5 min处理前15 min数据，可实现中心城区主要道路（次干路及以上道路）的样本覆盖率达到80%以上。通过持续开展实地跟车调查进行校核，路段车速算法误差基本控制在10%以内（约±5 km／h），较好地满足道路交通运行指数计算和应用发布的需求［4］。

图1展示了深圳市动态交通信息数据的来源及在深圳市交通模型建设、交通规划决策支持、交通运行管理、交通信息发布等方面的实践应用。

图1 动态交通信息数据的来源与应用Fig.1 Dynamic traffic information source and application

2 动态交通信息在轨道客流预测中应用实践

2.1 现状轨道客流模型局限

轨道客流模型是客运模型的重要组成部分。从国内外轨道客流模型技术构架来看，一般有2种方法，一种是在宏观综合交通规划模型中的方式划分模型中，通过概率选择模型计算各种交通方式的需求量（轨道交通方式作为公共交通的一部分），并通过对公交的网络流量分配得到轨道网络的流量（轨道客运量是在客流分配模块中按客流选择路径来区分）；另外一种方法是在宏观综合交通规划模型中只作主方式划分，轨道方式作为公交方式的一种特定方式包含于公交主方式中，并通过轨道交通规划模型的子方式划分将轨道客运需求从公交主方式中分离开，再进行网络客流分配。比较常见的技术构架是基于综合交通规划模型主方式划分之上的轨道交通规划模型。

受数据质量的影响，传统模型在详细技术处理流程及校核内容上往往难以精细化。目前国内轨道交通规划模型的校核主要是根据境界线观测值、各站上下客量、客运总量来作为校核依据，且采用的公交子方式划分模型无法满足站点接驳客流的分布校核。

2.2 基于动态交通信息的轨道客流预测改进示例

结合深圳市动态信息采集系统，对轨道客流模型的改进主要有：

1）轨道站小区划分。在进行轨道客流测试时，为了提高站点上下客流预试精度，通常对CTS模型的交通小区（见图2左的“CTS小区边界”）进行细分。实践证明，传统的交通小区细分方法可以提高轨道站点的客流测试精度，但小区连接线自由度对轨道客流仍存在较大的影响。深圳市利用公用信息平台GIS功能以及详细的土地利用信息，提出基于轨道站步行范围的轨道站小区划分方法（见图2右的“轨道站影响区”），其主要优点有：

图2 交通小区划分改进示意图Fig.2 Traffic analysis zoning method

（1）轨道站影响区域定义的一致性。轨道站影响区以轨道站点为中心，半径750 m的覆盖范围，有效克服了轨道沿线小区划分大小对轨道站影响人口与岗位计算范围的不一致性。

（2）轨道站步行接驳距离定义的一致性。通过对轨道站小区步行距离的一致性定义，可有效克服了传统方法沿线交通小区轨道步行接驳距离定义的随机性。

（3）轨道站影响区出行特征统计与校核。通过对轨道站影响区可统计轨道站有效步行范围内客运出行的各项特征指标，并与实际轨道客流进行印证，还可以为轨道客流预测结果提供更多的论据，如图3所示。

图3 轨道出行分类示意图Fig.3 Transit trips category

（4）有效反映轨道站周边用地开发调整对客流结果的影响。可结合轨道沿线土地利用详规方便地调整各轨道站的规划人口、岗位，并反映到客流测试结果中，能进行土地利用开发时序对客流的敏感性测试分析。

2）基于轨道站小区的公交子方式划分模型。在传统的公交子方式划分模型中，通过不同公交方式的综合费用差函数来计算出行方式的概率，实际测试表明，受公交线路与公交车速的影响，计算的各站上下客流量及公交换乘比重与真实值相比较离散性较大，表明综合费用函数并不能真实反映居民出行行为选择的真实意愿。深圳市结合站点小区划分方法，提出3类不同分布状况下的公交子方式划分曲线模型（图4所示），并与既有分段模型相结合，从而有效改善模型拟合精度。

深圳市轨道站影响区之间及与非影响区之间的轨道方式选择概率见图4、图5，其中轨道乘距按＜5 km、5～10 km、10～15 km、＞15 km 4种距离进行分段拟合。图中横坐标为常规公交与轨道的综合费用差（min），纵坐标为选择轨道方式的概率。

图4 轨道站影响区之间轨道方式选择概率Fig.4 Rail stations zone mode choice probabilities

图5 轨道站影响区与非影响区之间轨道方式选择概率Fig.5 Rail／no rail stations zone mode choice probabilities

可以看出，不同区域的公交出行在综合费用差相同的情况下选择轨道的概率差异很大，而传统公交子方式划分模型很难加以区分。

3）对轨道客流分布与公交接驳方式的校核。传统的轨道客流模型校核主要侧重于轨道客运总量及各站上下客量。基于公用信息平台的轨道乘客票务和公交IC信息，可以获得准确的轨道客流分布以及高采样集的公交换乘信息，从而在总客运量及各站点上下客量校核的基础上，结合改进的公交子方式划分模型，从分布及公交接驳方式上对轨道客运状态进行深度校核。

4）对轨道站上下客量及轨道客运总量的校核。在对传统轨道客流模型改进的基础上，对轨道各站点上下客量及轨道客运总量进行校核，以保障模型基本的拟合精度要求。图6是深圳轨道1号线首期工程各站工作日上下客量及轨道总量拟合结果，总体误差仅1.4%。

图6 深圳市轨道1号线工作日现状各站上下客量拟合Fig.6 Shenzhen Metro Line 1，each station on ＆off ridership comparison during workday

3 动态交通信息在常规公交模型中应用实践

目前，IC卡已在我国很多城市得到应用，持卡使用公共交通出行的居民数量不断增多，很多大中城市持公交卡出行消费的乘客比例达到60%以上（深圳市与北京市接近80%、广州市接近70%），并且有不断增长的趋势［6－7］，公交IC 卡的使用率完全可以达到数据分析的抽样率要求。相对于公交跟车调查小于10%抽样率、居民出行调查小于3%抽样率，使用IC卡来推算OD矩阵的抽样率远高于传统方法。

利用视频监控、IC卡收费、GPS定位信息等，无需外业跟车调查，分析乘客出行链，推算公交OD［8］。持卡人在刷卡瞬间，POS设备将记录刷卡时间，并发送数据到公交运营数据中心。POS设备与车辆ID有一一对应关系，车辆ID和车载GPS与设备有一一对应关系，查找刷卡时间一定范围内车载GPS的坐标信息，结合公交模型中线网GIS站点坐标，匹配到某线路的站点位置，最终返回持卡人的上车位置。乘客上车站点逻辑推理过程见图7。

获得的OD矩阵为抽样矩阵，需要通过全样本的客流量进行扩样成完整的OD矩阵。由于视频监控系统能识别前后门乘客的上下车情况，利用视频录像文件，在内业即可完成乘客上下客流量调查。OD扩样分2步进行。第一步：根据获得监测视频上客量全样本的数据，通过各个站点的上客量可以进行初次扩样；第二步：根据线路客流量进行二次系数调整扩样。

图7 IC卡与GPS相结合的逻辑推理过程Fig.7 IC card combination with GPS process of logical reasoning

通过以上方法可以获取完整的现状公交OD矩阵，结合模型软件［9］中的公交线路和站点，建立公交模型，在模型软件中把公交OD分配到线网中，选取若干核查线，对比模型分配流量与实际调查流量的差异，若误差大于10%，需要调整公交分配参数或者检查获取公交OD计算过程。若误差精度在10%以内，模型基本可以用于各类的规划分析。

建立公交模型的主要目的是计算现状公交线网或规划公交线网的各种评估指标，如客运量、满载率、断面客流量等数据，图8解释公交模型整体分析过程。运用IC卡等动态信息辅助交通模型建设，已经成功用于深圳市公交线网管理与规划决策系统。

4 动态交通信息在道路运行评估中应用实践

深圳市交通运行评估必要满足以下原则：体现深圳多中心、二线关、跨境交通的特点、有利于交通决策的需要、有利于市民了解、动态数据便于获得且技术成熟。为满足以上原则，选取全市14 000余辆出租车（浮动车）的实时GPS数据，计算行程车速指标。基于浮动车的动态交通信息，具有覆盖面广、投资省、数据采集准确多样等优点。以浮动车车速为基础，换算成交通指数，能够以最简单的方式反映道路交通运行在强度、时间、空间等方面的“三维”特征，应用中选择简单直观图表形式来进行表现，方便市民和决策者认读和理解。

图8 公交模型分析流程Fig.8 Public Transit Model Constructed Processing

4.1 动态交通信息，实时反映拥堵强度

交通运行指数的实时数值及其变化情况，能够描述评估范围内（如全市、中心城区、重点片区或路段等）的拥堵状况及趋势。采取曲线图、片区拥堵图等形式，见图9、图10。

图9 交通拥堵强度曲线图表现形式Fig.9 Traffic congestion intensity graph form

图10 交通拥堵片区分布图Fig.10 Area distribution of traffic congestion

4.2 动态交通信息，实时反馈拥堵的时空特征

利用交通运行指数的实时变化情况，能够统计评估范围内各拥堵等级的持续时间和空间分布。通过分析轻度拥堵和拥堵等级的时长和频率，识别拥堵路段。见图11、图12。

图11 各道路等级持续时间（单位：min）Fig.11 Duration of each road class（unit：minute）

5 动态交通信息在主动交通管理中应用实践

区别于传统的交通拥堵改善，交通拥堵主动管理是一种以跟踪、定量化评估交通运行状况为基础，以定量化评估交通拥堵为手段，强调提前预防、主动响应的管理策略。一方面通过跟踪开展定量化评估，及时识别现状交通拥堵和未来潜在交通拥堵，作为开展交通拥堵主动管理工作的基础；另一方面强调构建科学的响应机制作为交通拥堵管理的关键环节，更具“主动性”地选择交通拥堵管理响应的对象、时机及对策，以实现对当前拥堵问题的及时响应与处理，以及对潜在拥堵问题的预防性改善。交通拥堵主动管理流程见图13。

交通拥堵主动管理流程的基础是识别拥堵状态。利用交通指数分析路段及区域的拥堵程度，识别常发拥堵路段和小区，为确定近期交通改善的重点（由片区到路段）提供参考。常发拥堵具有规律性和常态性特点，是对正常出行造成长期影响、最受公众关注的一类拥堵。一般将在一定时间周期内，高频率、较长时间处于拥堵的路段或片区，称为常发拥堵路段或片区。

图12 滨河路典型日晚高峰拥堵时空图Fig.12 Binhe Road PM peak congestion temporal map

图13 交通拥堵主动管理流程图Fig.13 Traffic congestion active management flowchart

在时间－空间坐标系上，将特定时空上的交通运行状态用不同颜色表示，得到交通拥堵时空分布图。通过时空分布图可以分析不同类型的交通拥堵在时间、空间的分布及扩散等特征，能够辅助识别拥堵类型。通过挖掘动态交通信息背后的根源，把拥堵进行详细分类，有力地指导深圳市近几年的交通管理对策实施。

6 动态交通数据的改进方向

根据目前常见动态交通数据采集内容，交通模型改进方向包括：

1）结合定点采集数据和手机定位信息，严格划分轨道沿线各站的交通小区，并精确计算轨道站点影响区的现状及规划人口与岗位，克服传统轨道沿线交通小区细分方法对站点客流的影响。

2）根据公交刷卡记录，结合公交GPS数据，以及乘客票务信息，推算各站点的公交接驳比重以及公交、轨道客流分布，从而校核模型中的接驳换乘比重、公交及轨道客流分布等，克服以往仅校核轨道站点上下客流量和断面量的作法，提高模型的客运分布精度。

3）扩大动态交通信息的数据来源，采用多源数据融合技术，不断提高信息精度，提升动态交通信息对道路运行评估，交通规划与管理的应用支持。

7 结束语

国内城市出行信息化应用快速提升，依托各智能交通系统的信息化数据，将促进城市交通规划决策变革。论文系统地探讨了交通信息化在深圳市交通规划中的实践应用，尤其是动态交通信息的引入，有力地支撑了近些年的深圳交通规划和道路运营管理。希望本文能给其它城市带来借鉴，同时吸引更多的同行学者，对信息化数据的应用与融合进行更深层次的研究探讨。

展望未来，深圳市将在交通仿真系统续建工程中继续加强动态信息对交通规划决策支持以及模型改进相关研究，同时建议国内有条件的城市共同努力，推动动态交通信息在交通规划方面的应用，提高交通规划、决策支持的技术水平，改善交通模型的准确性和可靠性。

［1］ 深圳市城市交通规划设计研究中心有限公司.基于城市智能交通公用信息平台的城市轨道交通系统规划支持研究［R］.深圳：深圳市城市交通规划设计研究中心有限公司，2008.

［2］ 深圳市新产业投资咨询有限公司.深圳市交通仿真系统信息采集及服务扩展可行性研究报告［R］.深圳：深圳市规划局，2008.

［3］ 深圳市城市交通规划设计研究中心有限公司，同济大学，上海宝信软件股份有限公司.深圳市城市交通仿真系统［R］.深圳：深圳市城市交通规划设计研究中心有限公司，2006.

［4］ 陈 蔚，段仲渊，周子益，等.基于出行时间的道路交通运行指数算法与应用研究［C］∥中国城市交通规划年会会议论文集，福州：中国城市规划协会，2012：1703－1711.

［5］ 段仲渊.深圳市轨道网络规划［R］.深圳：深圳市城市交通规划设计研究中心有限公司，2006：216.

［6］ 戴 霄，陈学武，李文勇.公交IC卡信息处理的数据挖掘技术研究［J］.交通与计算机，2006，24（1）：40－42.

［7］ 袁 勇.公交IC卡数据挖掘技术及应用研究［D］.长春：吉林大学，2009：8－9.

［8］ 丘建栋，葛 华，邵 源，等.运用智能公交技术快速构建公交模型的新方法［C］∥中国城市交通规划年会会议论文集，福州：中国城市规划协会，2012：1573－1580.

［9］ Caliper Corporation.TransCAD Transportation GIS Software（Travel Demand Modeling with TransCAD 5.0）［M］.America：Caliper Corporation，2010：417－421.

［10］ 张晓春，罗丽梅，陈 蔚，等.从“被动改善”到“主动管理”的交通拥堵管理策略转变［C］∥中国城市交通规划年会会议论文集，福州：中国城市规划协会，2012：1437－1442.