高速公路交通状态判别模型研究

于 泉 丰柱林 徐红领 任广丽

北京工业大学，交通工程重点实验室，北京 100124

0 引 言

高速公路是全封闭、全立交的道路，在高速公路上运行的车辆行驶速度快、车流量大。随着我国高速公路网的扩建和汽车保有量的增加，高速公路交通事故率居高不下，尤其是山区高速公路，交通安全形式严峻，如何准确、高效地判别高速公路交通状态，预测交通状态发展趋势，对高速公路智能化管理具有重要意义。

目前，国内外学者在道路交通状态判别方面从不同角度展开了大量的研究，这些交通状态判别的方法大致可以分为：① 传统算法，如指数平滑法、加利福尼亚法和 McMaster算法等；② 模式识别算法，如模糊方法等；③ 人工智能算法，如神经网络等[1]。国外对交通状态判别算法的研究起步较早，早期开发投入使用的道路交通状态判别算法主要围绕判别突发交通事件展开[2]。国内的学者在借鉴国外研究成果的基础上，针对中国道路交通的特点，提出了适用于我国道路交通实际的交通状态判别方法，如戴红等将模糊模式识别方法应用于城市主干道的交通状态判别上，使用速度、占有率、信号交叉口平均每车停车延误3个交通参数进行多因素模糊模式识别评判交通状态，同时将交通状态分为畅通、正常、拥挤、堵塞四个等级[3]；陈义华、晏承玲等将城市道路分为路段与交叉口两个基本单元，选取平均行程速度、时间占有率等评价指标，建立了基于层次分析法与模糊综合评判的交通状态判别模型[4]。采用模糊理论建立交通状态评判模型，难点在于评价指标选取，以及评价指标的权重、隶属函数的确定。有些评价指标具有一定的相关性或是不易测量，直接影响模型判别效果。另外，评价指标权重的确定多为专家打分法或实践经验法，具有一定的主观性。本文在前人研究的基础上，建立了基于变异系数法的交通状态模糊评判模型。

1 评价指标的选取

首先，本文参考交通运输部 2012年规范文件《公路网运行监测与服务暂行技术要求》，将高速公路交通状态分为畅通、基本畅通、轻度拥挤、中度拥挤、严重拥挤五个等级。对交通状态进行模糊综合判别需要根据交通流的宏观参数及其衍生参数来建立[5]。

交通流参数分为宏观参数和微观参数。其中，宏观参数用于描述交通流作为一个整体表现出来的运行状态特性，主要包括交通量、速度、交通密度、占有率、排队长度；微观参数用于描述交通流中彼此相关的车辆之间的运行状态特性，包括车头时距和车头间距[6]。其中流量、速度、密度是最基本的交通参数，而且三者之间具有一定的关系，得到三者中的任意两个参数都能通过计算得到第三个参数，而密度与占有率有一定的相似性。为避免评价指标之间的相关性，本文选择速度与占有率作为高速公路交通状态模糊判别的评价指标。

从宏观来看，交通流的平均速度有在特定地点的时间平均速度(平均地点速度)和在特定路段上的区间平均速度(平均行程速度)之分。前者体现了交通流在特定观测地点处的运行状况，后者体现了交通流在特定路段空间上的运行状况，当这两种速度值明显低于正常值时，表明观测地点的交通处于拥挤状态。

占有率包括空间占有率和时间占有率两个概念。空间占有率是指在单位长度车道上，汽车投影面积总和占车道面积的百分率，在实测中，一般是指测量路段上的车辆总长度与该路段长度的百分比。时间占有率是指在道路的观测断面上，车辆通过时间累计值与测定时间的比值。时间占有率与空间占有率均能体现交通运行的状态，但是空间占有率直接反映了交通密度的高低，更能表明道路被实际占用的情况。

综上所述，本文选择平均行程速度与空间占有率作为高速公路路段交通状态判别的指标。

2 模型的建立

2.1 建立评判因素集和判断集

2.2 指标分级阈值的确定

（1）平均行程速度的等级划分

本文参考交通运输部 2012年第 3号公告《公路网运行监测与服务暂行技术要求》，了解高速公路路段拥挤度等级划分标准中平均行程速度划分的阈值以确定平均行程速度指标的等级分界点。平均行程速度的划分阈值如表1所示。

表1 平均行程速度划分表Tab.1 Classification of average travel speeds

（2）空间占有率的等级划分

长安大学的李琳在高速公路网交通流运行态势评估技术研究中对高速公路网路段的通阻状态进行了等级划分及定性与定量的表述[8]，当设计车速为100 km/h时，文中对交通流状态的划分与《公路网运行监测与服务暂行技术要求》中对拥挤度状态的划分相对应。具体如表2与表3所示。

表2 通阻状态划分Tab.2 Classification of accessibility status

表3 路段交通流通阻状态特征参数阈值Tab.3 Characteristic parameter thresholds of road traffic accessibility

参考李琳对路段交通流通阻状态特征参数阈值划分结果，本文空间占有率的划分阈值如表4所示。

表4 空间占有率划分阈值Tab.4 The space occupancy thresholds

2.3 构造评价矩阵

首先对评判因素集中单因素作单因素评价，得出的单因素评判集 (ri1,ri2,ri3,ri4,ri5)，其中rij(j= 1 ,2,3,4,5)表示因素ui(i= 1 ,2)对判断集中的fi(i= 1 ,2,3,4,5)的隶属度。对各个指标进行单因素评判，就构造出一个总的评价矩阵R，也称为隶属度矩阵：

各单因素评判方法采用三角形隶属函数，计算公式如下：

假定某交通状态评价因子是 x，隶属函数为u(x)，则该因子对各级交通运行状态评价集的隶属度

2.4 变异系数法确定各因素的权重

变异系数法(Coefficient of variation method)是直接利用各项指标所包含的信息，通过计算得到指标的权重。该方法是一种客观赋权的方法，其基本思想是:在多指标综合评价中，如果某项指标在所有被评价对象上观测值的变异程度较大，说明该指标达到平均水平的难度较大。如果它能够明确地区分开各被评价对象在该方面的能力，则该指标应赋予较大的权重；反之，则应赋予较小的权重[9]。采用各个指标值的变异系数来确定其权重的方法，可以避免专家赋权所带来的主观偏好性。方法及求解步骤如下：

假设对评价的对象 X测量 m个指标 I1,I2,…,Im。设 P为X上某级属性空间， ( C1,C2,…,Ck)为属性空间P的有序分割级，且满足每个指标的分级标准已知，写成分级标准矩阵为：

式中，jδ为第j个评价指标的变异系数；D为第j个评价指标特征值的均差：

如本文中对设计速度为100 km/h的高速公路路段平均行程速度V、空间占有率O的分级标准矩阵为：

对路段不同断面的时间平均速度V、空间占有率O两个评价指标按照上述权重计算过程计算权重结果为ω=(0.4429,0.5571)T。

j

利用各指标的变异系数来确定其权重，一方面充分利用了各指标本身监测数据所提供的信息；另一方面通过变异系数的归一化处理可以防止指标之间因量纲不同而对权重的影响，这样更能反映指标的相对重要程度[10]。

2.5 模糊综合评判

对高速公路交通状态作模糊综合评判。将权重向量W与单因素评判矩阵R用模糊运算合成，得到综合评判集B，其元素bi(i= 1 ,2,3,4,5)表示待评价高速公路路段的交通流运行态势属于评价等级fi(i= 1 ,2,3,4,5)的隶属度：

这里采用的模糊运算是实数的加乘运算，因为在进行模糊综合评判时，实数的加乘运算比“∨，∧”运算更精细，且得到的综合评判集具有归一性。

2.6 确定评判结果

确定评判结果的常用方法是最大隶属度原则，B=(b1,b2,b3,b4,b5)为模糊综合评价的结果，由最大隶属度原则所对应的下标i即为评价对象的最终评价等级。但该原则只突出主要因素，缺乏全面考虑。本文采用既突出主要因素又兼顾其他信息的加权平均法，这里取综合评判集B的元素bi作为权系数。

设判断集 {f1,f2,f3,f4,f5} = { 1,2,3,4,5}，则根据加权平均法有：

其中Z表示综合考虑所有因素的影响时，待评路段交通流状态的最终评判得分。可定义它为交通状态拥挤指数，该指数表明交通状态的变化过程是连续的，而不是由一个状态立刻变到另一个状态，这使模型更加合理。表5为交通状态评估表。

表5 交通状态评估表Tab.5 Traffic state evaluation

3 实例分析

为了验证本文所建模型的可行性、实用性、合理性，采用实例来评价分析。本文利用该模型对 2014年某工作日北京市京哈高速公路四环至五环段（其中一段长度 150米的路段）早高峰的交通调查数据进行分析，验证该判别模型对京哈高速路段的交通状态判别效果。本次

调查时间段为早高峰 7:00－9:30，每5 min采集一次数据，得到调查路段30组平均行程速度与空间占有率的值，如表6所示。

表6 调查数据Tab.6 Survey data

按照模型计算步聚，对调查到的数据进行处理，计算该路段交通状态拥挤指数Z的值，如图1所示。

图1 交通状态变化曲线Fig.1 Traffic state change curve

由图 1可知，模型的判别结果能够有效地表征出道路实际运行结果，该路段的交通状态变化是连续渐变的，被调查路段的交通状态较为稳定，较长时间内处于轻度拥挤状态，与道路实际运行状况相符。

4 结束语

本文以变异系数法与模糊综合评判法为理论基础，选取了路段平均行程车速与空间占有率两个评价指标，建立了一种高速公路交通状态判别模型。该模型有效地避免了由专家依据个人经验进行打分的权重确定方法，具有较强的客观性。通过实例验证表明，模型具有一定的可行性与实用性。实际上，高速公路交通状态受到多种因素的影响，具有非常强的不确定性，对高速公路交通状态的判别要想得到实时、高效、精确的判别结果，还需要做进一步的研究。

[1] 顾超然. 基于模糊 c均值的城市道路交通状态判别研究[D]. 北京：北京交通大学，2012.

[2] 於 毅. 城市道路交通状态判别方法研究[D]. 北京：北京交通大学，2007.

[3] 戴 红．基于模糊模式识别的城市道路交通状态检测算法[J]．吉林工程技术师范学院学报，2005，21（3）：41-45．

[4] 陈义华、晏承玲. 基于 FAHP和模糊综合评判的交通状态判别模型[J]. 重庆理工大学学报（自然科学），2012年11月，26(11)：110-114.

[5] 交通运输部. 2012年第 3号公告．公路网运行监测与服务暂行技术要求[M]．北京：人民交通出版社，2012:25-26.

[6] 曹劲劲. 高速公路与城市快速路结合部交通状态判别及预测研究[D]. 北京：北京交通大学，2009年.

[7] 许伦辉，漆 娇. 基于数据驱动的道路交通状态评价[J]. 江西理工大学学报，2011年10月, 32(5): 33-35.[8] 李 琳. 高速公路网交通流运行态势评估技术研究[D]. 西安：长安大学，2011，4.

[9] 储 莎，陈 来. 基于变异系数法的安徽省节能减排评价研究[J]. 中国人口·资源与环境，2011, 21(3):513-515.

[10] 门宝辉，梁 川. 基于变异系数权重的水质评价属性识别模型[J]. 哈尔滨工业大学学报，2005, 37(10):1374-1375.