基于微波数据的城市交通异常度计算方法

温晓岳　邱淳风　王浩　李建元

摘 要： 针对不确定因素导致城市道路出现异常拥堵的现象，提出道路异常度的概念。首先对微波检测器采集到的交通流速度和流量进行预处理，再根据实时微波数据结合近期历史数据分别构建关于速度和流量的异常指数，最后依据速度和流量数据源的可信度给出道路异常度概念。视频查询结果表明，该算法能直观、迅速地反应道路异常程度，证明了算法的有效性。

关键词： 微波检测器； 异常度； 速度异常指数； 流量异常指数

中图分类号：TP3 文献标志码：A 文章编号：1006-8228（2015）06-48-04

Abstract： In urban traffic system uncertain sectors lead to abnormal congestion phenomenon， to solve the problem this paper proposes the concept of road abnormal degree. Firstly， collect speed and flow data from microwave sensors for data preprocess， then establish abnormal degree model about speed and flow by collecting the real-time data combine with the recent history data， and finally， based on speed and flow credibility propose the concept of road abnormal degree. The results of video query indicated this method can quickly react to the road abnormal degree and proved the effectiveness of the method.

Key words： microwave sensor； abnormal degree； speed abnormal index； flow abnormal index

0 引言

对于交通拥堵情况的分析，邓卫等在确认交通拥挤出现的同时，将交通拥挤类型分为常发性拥堵与偶发性拥堵[1]，常发性拥堵主要发生在上下班时段，常发性拥堵通常是可以预测的，其重要特征是它会在某些固定时间和固定地点反复出现，交管部门可酌情做好预防工作。针对道路施工、恶劣天气、交通事故等不可控原因造成的偶发性道路拥堵情况[2-3]，需通过人工巡查各个路口的视频监控点确定道路交通状况，以进一步决定是否增派警力消除拥堵因素，保持道路畅通。人工视频巡查工作量大，且需要耗费交管部门大量精力。刘伟铭等利用决策树方法对高速公路事件持续时间预测问题进行研究[4]，用实时性的事件持续时间预测方法可以为事件管理人员确定最佳的紧急救援和交通控制策略提供在线帮助；罗小强等利用小波包变换可以有效识别结点能量分布的突变区间特性，判别交通拥挤事件的发生，可以有效辨识城市快速路交通拥挤事件程度[5]；张海军等研究了异常事件对高速公路通行能力的影响，将事发点通行能力的影响因素归为五类，并进行微观交通仿真[6]。上述大量研究针对异常事件的持续时间和影响展开，但从异常事件导致道路拥堵开始，到交通管理者发现警情并派遣警力疏导交通，需经历一段不确定的时间，因异常拥堵所带来的损失已无法避免。微波检测器可实时、全天候检测所在路段信息，目前以微波检测器为数据源的道路异常状况主动识别方法较少，不利于提高交管部门指挥效率。本文提出道路异常度的概念，通过定义道路速度异常指数和道路流量异常指数，计算出道路的异常度综合评价指标，反映出各个路段的异常程度，从而引导交警指挥部门通过视频手段实时核查道路路况。

1 数据预处理

原始微波数据有以下几个特点。

⑴ 每个微波检测的是同一方向的几个车道上的情况，包括速度、流量、车道占有率、车身特征等。

⑵ 每个微波以5分钟为时间间隔采集数据，中间存在数据缺失现象，比如某个5分钟没有记录，就变成了10分钟收集一次数据。

⑶ 对于每个微波每一天的数据，都能各自详细记录。

由于检测设备的机械故障、自身设计缺陷、安装规范程度或者通信终端等问题，微波雷达获取的交通数据质量难以保证，为了在数据处理之前得到更为可靠的数据，需要对采集到的原始微波数据进行数据清洗、数据恢复等。

1.1 数据清洗

首先把采集到的原始流量、速度数据与交通指挥部门根据历史数据得出的阈值进行比较，将阈值范围以外的数据定义为错误数据，表1给出了具体的错误数据判别规则示例。

根据判别规则得到错误数据后，需要对其进行修正，对于不满足理论阈值的数据，用阈值替代错误数据，对于不满足交通流理论的数据，采用历史数据平均的方法进行修正，比如可以采用当前时刻前三个时刻检测值的平均值进行填补。

微波雷达检测的是一个截面，即对微波雷达所处截面上的所有车道进行检测，并且按照时间顺序分别记录截面上各车道交通数据。在判断每条道路的拥堵点时，只需知道在哪个方向发生拥堵即可，本文将同一断面、同一时刻、不同车道的交通数据进行转换，具体转换公式如下。

1.2 速度、流量数据整理

本节以微波点速度数据为例加以说明，流量数据处理方法与之类似。经数据清洗后的（X1，X2，…，Xn）构成微波点X关于速度的一个样本空间，由n个样本点组成，其中可以计算出样本均值，为样本方差，当样本容量足够大时，样本均值趋近于总体期望，样本方差趋近于总体方差，故本文中令总体期望，总体方差σ2=S2。

对大量采集到的微波点历史数据分析表明，速度数据符合正态分布，某微波点的速度构成的正态分布如图1所示。

xv为微波点实时车速，μv、σv为根据相应微波点近期速度计算出的期望和方差，则该微波点的近期数据Xv服从μv、的正态分布，即，通过的线性变换，可以将一般正态分布变换为标准正态分布，即，此时表示标准正态分布下的车速。故各个微波点可由符合各自的正态分布线性变换为符合标准正态分布，由标准正态分布的概率密度函数，y∈（-∞，+∞）可知线性变换后各个微波点的概率密度函数相同，均被统一在同一尺度空间下。

2 速度、流量异常指数

下面对速度异常指数和流量异常指数进行具体阐述。

线性变换后标准正态分布下的车速可以反映当前微波点车速xv与平均车速即期望μv的偏离程度，线性变换后的概率密度函数相同，即为，只是车速yv不同。由标准正态分布的概率密度函数可知，车速yv越小于均值μv，概率密度越小，车速变小说明道路由于某种原因发生拥堵，需进行重点关注。

3 道路异常度

由于本方法高度依赖于对给定数据所做的统计模型是否成立，即速度数据源和流量数据源是否符合正态分布，数据源模型越接近正态分布，计算结果的可信度越高。偏度系数描述一个分布偏离正态分布的程度，即用来衡量分布是否对称。偏度系数为0说明分布左右对称，偏度系数大于0说明分布相比正态分布右偏，偏度系数小于0说明分布相比正态分布左偏。峰度系数反映了分布曲线相比正态分布在顶端高耸或扁平程度的不同，正态分布情况下，峰度系数为0。峰度系数大于0说明分布曲线顶端比正态分布尖峭，峰度系数小于0说明分布曲线顶端比正态分布扁平。故分别计算微波点在各自样本空间内的偏度系数和峰度系数，根据系数大小判定当前微波点数据是否符合正态分布，偏度系数和峰度系数的绝对值越小，证明数据源质量越好，接近正态分布的数据源应当给予更高的权重。

将速度的偏度系数和峰度系数的绝对值之和记为αv，流量的偏度系数和峰度系数的绝对值之和记为αf。如果αv<αf，说明速度数据源的质量比流量数据源的质量好，则速度数据源的可信度为（可信度越大越可信），流量数据源的可信度为；如果αv>αf说明流量数据源的质量比速度数据源的质量好，则流量数据源的可信度为（可信度越大越可信），速度数据源的可信度为。综上所述，速度数据源的可信度为，流量数据源的可信度为。

4 算例分析

本文中以杭州市内道路路段上的微波点检测器采集到的交通流基本数据为例，将全天24小时划分为若干个5分钟时间槽，假设当天数据库中最新的5分钟为12：20-12：25，经过数据清洗后的890号微波点当天实时数据如表3。

图5中大方框为异常度排名第五的路段，第一个数字133代表微波点编号，第二个数字0.8798103代表当前路段异常度，后面依次是当前微波点所在的路段名称和路段方向；小方框中标明当天14：45～14：50时间段内的实时平均车速为8km/h，总流量为70辆，前面分别为近10天14：45～14：50时段内的车速和流量，通过对比可以发现，当前车速和流量明显异常。

133号微波点所在路段为杭州石祥路（瓜山立交桥附近）自东向西方向，通过在视频查询14：50分实时视频路况如图5。

视频查询结果显示高架下匝道口处出现异常拥堵现象，为车辆抛锚事故，后方清障车辆已到达现场，事故占用一个车道导致高架下匝道拥堵，所有其余车辆均避让绕行，导致该路段车速明显下降。

5 结束语

针对道路施工、恶劣天气、交通事故等不可控原因造成的偶发性道路拥堵情况，通过对城市道路路段上微波检测器采集到的交通流流量和速度进行整理，清洗掉每个车道中不合理的数据，将每个路段每个方向上各个车道的信息整合为断面数据，结合近期历史数据分别构建出关于速度和流量的异常指数，进而计算出当前路段的道路异常度，实现对城市道路路段实时、自动监控。实验结果表明，该方法能够实时反馈城市道路交通异常状况，方法简捷、算法执行效率高，具有相当高的应用价值。下一步的研究工作将针对异常拥堵事件引发的区域性拥堵进行关联性分析。

参考文献：

[1] 邓卫，李峻利.高速公路常发性与偶发性交通挤的判别[J].东南大学

学报（自然科学版），1994.24（2）：60-65

[2] 彭春露，彭国雄.城市道路交通异常事件管理系统设计[J].交通与计

算机，2002.20（5）.

[3] 曾松，杨晓光.驾驶员异常交通信息响应特性的分析[J].同济大学学

报（自然科学版），2000.28（3）：301-305

[4] 刘伟铭，管丽萍，尹湘源.基于决策树的高速公路事件持续时间预测[J].

中国公路学报，2005.18（1）：99-103

[5] 罗小强，陈宽民，张同芬.城市快速路交通拥挤事件检测与程度辨识[J].

长安大学学报（自然科学版），2010.30（3）：71-75

[6] 张海军，张珏，杨晓光.异常事件下高速道路交通状态的分析与仿真[J].

交通运输工程学报，2008.8（2）：116-121