城市交通大数据融合分析在交通控制系统中的应用

侯佳 过利超 于泳波 施敏

摘 要：论文讨论了面向公交优先的交通控制系统所需要的城市交通大数据融合分析，从应用角度梳理了交通大数据体系，提出了交通控制建模中数据分析方法的研究目标，给出了核心的研究方法。论文对交通大数据分析在交通控制平台的应用和发展进行了展望，明确了大数据分析的研究与应用价值。

关键词：城市交通大数据;融合分析;交通控制系统

中图分类号：U491.54 文献标识码：A

0 引言

随着人工智能科技和数据渠道的拓宽、数据体量的巨大增长，智能交通管理平台中越来越多的应用到大数据融合分析技术[1]。一方面，城市交通控制系统平台需要通过对城市交通体系的动态感知和精准调控来实现道路时空资源的最优分配，另一方面，平台的控制目标对于城市交通长期运行有价值导向的影响作用，如果无差别的保障机动车高效通行，长期而言，可能会带来城市机动交通的无序增长。当前构建城市交通控制系统，应以公交优先为核心价值导向，在系统设计中优先为公共交通系统分配时空路权，控制平台价值导向与城市交通政策相一致、相协调，交通管理信息中心与公交系统运营管理平台进行信息交互，设计顶层管控系统，统筹协调、综合优化公交管理系统和车流管理系统。作为支撑交通控制系统的底层数据分析引擎，既需要实现一定精度实时分析的效能，也需要有完备的数据体系和分析洞察能力，能够从交通需求发展态势和出行行为选择机理层面对城市交通运行进行剖析和监测，服务于系统优化目标，形成监测、预测、预警以及决策支撑的闭环，保障城市交通的绿色健康发展。需要达成上述目标，应当构建合理的城市交通大数据体系，应用融合分析方法，提取多尺度、多来源的数据的有效信息，在数据层面保障系统深入的洞察力和综合分析能力。

1 城市交通大數据体系

数据融合分析的前提是厘清数据体系，甄别哪些类型的数据符合交通控制平台的应用需求，在平台建设之初，就对数据进行采集和预处理，为平台需要的动态流数据预备接口。城市交通大数据按照数据来源、动静态、数据形式等有多种分类方法，且交通数据体系随着互联网和车联网技术的发展，仍在不断扩充过程中。论文面向交通控制系统平台建设中对数据的应用梳理了大数据体系，将数据主要分为四类：个体轨迹数据、车流运行数据、公交系统运行数据和调查数据。

1.1 个体轨迹数据

个体轨迹数据是探求城市交通运行机理、辨识个体出行行为特征的基础数据。典型的个体轨迹数据包括手机信令数据和手机应用软件的GPS数据。这两类数据的时空颗粒度存在一定差别，GPS数据的轨迹精度更高，但采样率少，且不易获取。手机信令数据已成为城市居民交通数据的常用数据。个体轨迹表征了个体出行链的所有环节，可以完整具体地体现出个体出行的路径选择、方式选择、出行时空分布等特征。是交通大数据技术发展中非常重要的一类数据源，可以极大程度解决传统居民出行取样率低、对通勤之外的交通出行统计不足等问题[2]。个体轨迹数据的主要缺点在于，出于隐私保护，无法获取用户任何个人属性信息，无法直接用来建立个体属性和出行选择的联系，需要和居民出行调查数据互为补充。

1.2 车流运行数据

交通控制系统的主要控制对象是道路网络上的机动车流，因此对车流数据须实现实时动态分析。车流数据的采集手段是多样化的，包括视频卡口采集、RFID牌照数据采集、线圈流量采集、浮动车GPS数据采集等。传统的交通流预测技术和控制优化建模通常采用流量数据作为输入数据，而现在的车联网监测、视频识别技术能够分析得到具体的车辆轨迹，可以获取车型、OD、车速、转向特征等具体信息，为驾驶行为分析提供了便利条件。对于车流运行数据，需要先期分析车流、OD分布和路段交通流的历史特征，标定预测和决策模型。特征的提取和模型的标定是优化建模的核心环节，主要依托的就是车流运行数据。

1.3 公交系统运行数据

对于公交系统运行数据的研究目的有两个，一是在出行客流层面，评估城市公交体系的运行服务水平，监测公共交通对客流的吸引力;二是在公交车辆运行层面，交通控制策略中实现为公交车辆优先配置通行权，具体的信号配时方案需要与车辆的运行乃至具体的调度方案相一致、相协调。

1.4 调查数据和调研信息

上述数据多产生于城市交通监测系统、互联网或通信系统，可以实时地反映系统运行状态，时空颗粒度较为精细，但往往数据仅能表征运行状态，不能挖掘与个体属性相关的、能够与人群、社会、经济等建立联系的信息。而且，把握城市交通的运行与发展特征，对于经济与产业发展、社会生活变迁趋势也是必须进行联系分析的。所以在多源数据分析中，不可或缺的是以居民出行调查为代表的交通类调查数据和作为建模重要信息补充的社会经济调研。

2 数据分析方法

根据交通控制系统开发、建模和动态监测的需求，对于交通大数据融合分析方法的研究目标主要包括以下几点：

2.1 分析方法的研究目标

2.1.1 多来源、多尺度数据的有效融合

城市交通不同来源数据的数据制式、时空颗粒度、统计维度都有较大差异，且没有任何一种数据形式可以完全的表征城市多系统的交通运行和居民出行数据，通过多源数据的互相补充、互相印证，可以提高对系统运行数据挖掘分析的精度，完善数据的校核方法。

2.1.2 支撑出行行为机理剖析

对城市交通多源大数据的挖掘分析应该以对城市居民出行行为机理剖析为核心目标，仅以某一个系统运行指标是无法洞悉城市交通运行的本质规律，也不能在宏观系统层面做出长期有效、引导健康发展的决策。出行行为机理的分析一方面依靠个体出行轨迹数据进行初步建模和标定，另一方面借助系统运行数据对个体轨迹的匹配情况进行校核，保证不同尺度的数据能够互相支撑。

2.1.3 实现个体行为和系统运行的闭环分析

通常的大数据分析中，由于数据来源和数据质量的局限性，只能从实时状态数据解析运行指标，而无论个体出行还是交通系统运行都是一个紧密联系的整体，在时空和不同系统的割离分析很可能造成系统整体无法闭环，例如城市内部人口分布、出入境流量之间的数据有大量缺口，职住分布与通勤出行不相符合，走廊流量与客流腹地不相匹配等。因此，分析方法需要保证系统闭环，分析所得成果对于城市交通管理才有支撑作用。

2.2 分析方法体系架构

2.2.1 数据清洗

有效的数据清洗在交通大数据实际应用中发挥了重要的作用，是后续分析的基础。采集方式的不同所造成误差的形式、范围不同，清洗的方法也需要面向建模的目标，基于用户出行行为机制的分析，从行为逻辑层面剔除不合理的数据，应用时空匹配方法，应用交通出行的设施空间特点、系统运行时间特点，提高数据预处理的精度。

2.2.2 行为分析方法

需要建模分析交通管理、交通控制的策略措施以及路段交通状态变化等对驾驶员的路径选择行为以及路网整体的运行影响，与管理控制方案形成反馈机制，构成交通控制优化模型的核心决策模块。行为分析模块需要海量历史数据长期分析作为建模基础和校核基础。出行行为本身也是交通科学研究的理论核心。在交通控制系统中，是管理控制平台与大量个体用户之间的博弈，实现了对系统的调控。而博弈行为的机制、个体选择是如何被影响的，都需要模型来表征，从而指导控制优化模型的建模和标定。

2.2.3 优化与决策支撑方法

交通控制系统的决策支撑模块是系统中对功能要求最高的模块，是实现有效控制的核心模块。模块中需要实现控制-仿真-反馈的流程机制，应用优化模型为系统配置动态交通控制的初始方案，模拟测试方案实行的效果，根据效果，在可选择方案集里面进一步选择优化方案，不断迭代优化，在可接受时间里配置最优的交通控制方案[3]。这其中，数据分析的核心，一是要实现公交优先控制，能够实时的将路网数据和公交运行数据结合分析，二是能够及时地反馈路网状态，对路网的需求变化、下一时段的流量狀态进行敏锐的监测，能够根据方案和需求预判交通运行状态。

3 应用前景与发展展望

未来交通系统的优化和公交服务水平的提升，都需要借助智能交通体系的大力建设。交通控制平台的计算能力、功能水平和建设规模将在人工智能时代实现腾飞。目前，通过城市交通大数据分析方法的研究深化和体系化，为交通控制平台的开发奠定基础。数据分析应当面向综合交通体系，而不仅仅是机动车的运行，交通控制平台建设也应立足长远，实现数据融合、平台整合、信息共享、服务提升。

参考文献：

[1]李瑞敏，史其信.基于多智能体系统的城市交通控制与诱导集成化研究[J].公路交通科技，2004，21（05）：109-112.

[2]于泳波，侯佳，程晓明.地铁客流来源分布特征研究——以南京地铁为例[C].2019年中国城市交通规划年会.

[3]马寿峰，李艳君，贺国光.城市交通控制与诱导协调模式的系统分析[J].管理科学学报，2003，12（03）：71-78.