基于多源异构数据的高速公路交通状况计算方法研究

庞星宇、成洪博、陈凌锋、胡郑雨、黄军

（1.深圳高速公路股份有限公司，广东 深圳 518038；2.北京北大千方科技有限公司，北京 100085）

0 引言

在高速公路交通状况监测工作中，高速公路管理部门能够采集到的信息通常为车辆通行数据，无法直接得到车辆的实时行驶速度信息。为了更好地开展高速公路交通状况监测工作，需要相关部门不断优化基于车辆通行数据的交通状况监测技术，做到实时、直观地监控下辖高速公路的交通运行状况。目前，根据我国相关建设规范可知，高速公路匝道收费站之间的距离一般为15km，城市周边的高速公路，收费站之间的距离不小于3km，因此从收费站的收费数据中提取相关交通参数进行计算，得到的交通状况空间粒度至少为3km，无法细致地反应高速公路较小路段内的交通状况及变化情况。同时，由于大部分收费站为匝道收费站，以收费站划分道路节点，会将车辆通行匝道的时间与通行高速公路主线的时间混合，无法准确地描述高速公路主线的路况。

1 高速公路路段划分

由于高速公路一般里程较长，对道路交通情况进行描述时需要对道路整体进行划分，便于对路况进行细致描述，同时可以对拥堵等异常事件进行精确定位，这样能够更好地满足高速公路管理需求。

在该研究中，以ETC 龙门架的里程桩号为节点，将高速公路划分为若干个基本路段，然后根据视频摄像头的桩号与方向，将细化后的更小的路段融入基本路段。

首先采用ETC 龙门架的里程桩号作为节点将高速公路划分为基本路段。单方向上，N 个龙门架可以将道路划分为N+1 个基本路段，双向则为N+2 个基本路段，如图1所示：

图1 基本路段划分示意图

2 高速公路交通状况模型

由于高速公路交通具有很明显的方向性、连续性以及有限的封闭性，结合前述的基本路段划分示意图图1可以发现，高速公路上不同设备采集到的多源异构数据在空间上具有明显的前后衔接关系。参考链式存储结构，提出构建交通数据链模型，对不同来源、不同结构的数据进行融合，便于进一步计算交通状况。

2.1 高速公路交通数据

该研究中所指的高速公路交通数据为：通过ETC龙门架以及摄像头等数据检测点采集到的、可以对交通流现状进行描述且能够用于计算交通状况的数据，具体包括宏观层面的车辆行驶速度、空间占有率、检测设备编号以及微观层面的车辆编号、车辆通行时间、检测设备编号等数据。

其中宏观信息主要源于视频摄像头AI 分析结果数据，微观信息主要源于ETC 龙门架统计的车辆通行数据，通过多源异构数据融合技术对这些数据进行处理，能够实现对数据的有效存储与调用，对计算高速公路交通状况有较大的现实意义。

2.2 多源异构数据融合

参考链式存储结构原理，通过构建交通数据链模型的方式，对高速公路多源异构交通数据进行融合。模型的构建包含以下几个步骤：

2.2.1 数据链接

参考链式存储结构，根据检测点的空间位置和先后衔接关系形成检测点数据链条，数据链条中包含代表高速公路起止位置的头尾结点，同时每个数据结点表示该位置存在一个数据检测设备。

2.2.2 数据填充

链条中的头结点代表高速公路的起始点，不包含数据域，在指针域填入该方向上第一个数据检测点的空间信息；在链条中数据节点的数据域，填入对应数据检测点采集到的属性信息，在链条中数据节点的指针域，填入下一个数据检测点的空间信息；链条中的尾结点代表高速公路的终止点，不包含数据域，且指针域为空值。数据填充模式见图2。

图2 检测点数据链条示意图

其中设备类型为E 的数据结点表示，该位置为通过ETC 龙门架检测的交通数据，设备类型为C 的数据结点则表示，该位置为通过视频摄像头检测的交通数据。考虑到视频摄像头采集到的数据为车辆通过当前道路断面的瞬时数据，从数据中提取出的交通状况信息只能说明附近较短距离内的道路交通状况，因此应在对应的数据结点上游补充一个虚拟结点，明确视频摄像头检测数据的覆盖范围，完整数据链条示意图如图3所示。

图3 完整检测点数据链条示意图

2.2.3 数据处理

不同来源的交通数据形成完整的交通数据之后，还需要进一步将各个数据结点中不同结构、不同量纲的交通数据转换成统一量纲，完成真正的数据融合。考虑到实时判别高速公路运行状况的目标，模型选取车辆行驶速度这一指标作为融合方向。

第一，针对通过视频摄像头采集数据的检测点A，通过对视频画面进行AI 分析可以直接得到车辆行驶速度，而对应的虚拟结点A′位于点A 上游100m处，根据前文所述的路段划分过程，两者之间为细化路段A′-A，可以通过下式计算车辆通过细化路段A′-A 的平均时间t。

式（1）中：

l

'为细化路段的长度，为固定值100m；

v

为车辆的平均通行速度。从数据链条的起始点依次向后检索数据结点中设备类型的值，当找到设备类型为C 的数据结点后，利用上式计算车辆平均通过时间t，并存入该数据结点的数据域，同时将细化路段长度

l

'存入该数据结点的数据域，并继续向后检索。

第二，针对通过ETC 龙门架采集数据的检测点C，可以采集到通过车辆的编号和通过时间，结合上游ETC 龙门架B 的统计数据，可以利用同一车辆通过的时间差得到车辆通行时间，根据前文所述的路段划分方法，两者之间为基本路段B-C。考虑到单一车辆可能出现临时停车等异常情况，导致通行时间过长等，所以可以采用单位时间内的平均通行速度作为指标，描述基本路段内的整体路况。平均通行速度vˉ通过下式计算。

式（2）中：

S

为ETC 龙门架B 的里程桩号；

S

为ETC龙门架C 的里程桩号；

t

为车辆通过ETC 龙门架B 的时间；

t

为车辆通过ETC 龙门架C 的时间。

考虑到车辆通过基本路段的同时，必定通过了基本路段内包含的细化路段。为了避免重复计算，需要按照以下计算方式，将细化路段的长度和对应的车辆通过时间从基本路段数据中去除。

式（3）中：

x

为该基本路段内包含的细化路段个数。式（4）中：

t

为第i 个细化路段的通过时间。

则基本路段的平均通行速度计算公式变形如下。

从数据链条的起始点依次向后检索数据结点中设备类型的值，当找到第一个设备类型为E 的数据结点A 时，将该数据结点标记为上游结点并继续向后检索，当找到第二个设备类型为E 的数据结点B 时，将该数据结点标记为下游结点，最近的上游结点与下游结点之间组成一个基本路段。按照上面的步骤，计算出基本路段A-B 的车辆平均通行速度vˉ，并将车辆平均通行速度vˉ存入该数据结点以及基本路段A-B 上所有虚拟结点的数据域。完成后将数据结点B 的下游结点标记改为上游结点并继续向后检索。

2.2.4 删除无效数据

数据处理完成后除头结点与尾结点外，所有节点数据域内均存有结点里程桩号数据以及上游对应路段的车辆通行速度数据，保留这些数据，删除其他无效数据，便于后续计算。

2.3 路段通行状况

经过多源异构数据融合过程后，数据链条中的所有数据结点的数据域都存有该结点对应的数据检测点的里程桩号数据，以及对应路段的平均通行速度数据。根据里程桩号数据可以显著区分各个不同的路段，而根据平均通行速度数据可以直观地判别路段的通行状态。

平均通行速度对应的路段通行状态为：＞75 表示畅通，＞55 表示一般，＞35 表示缓行，＜35 表示拥挤。

2.4 异常状况预警

通过上述步骤可以得到研究范围内高速公路各路段的实时路况信息，筛选车辆通行状况为拥堵的路段，认为该路段可能发生影响交通畅通性的事件，与对应时间段的交通事件数据进行对比，如果该路段没有上报交通事件，则上报预警信息，提醒管理人员注意。

3 实例验证

该实例验证过程采用的数据为2021年8月11日全日深圳某高速公路主线上的ETC 龙门架以及视频摄像头采集到的数据总数据集，同时通过互联网公开数据采集方法，采集高德地图路况信息数据，用于数据对比。总数据集中共有数据条目2124624 条，其中ETC 龙门架数据条目共计2115984 条，视频摄像头AI分析数据统计频率为5min，数据条目共计8640 条。结合数据检测点分布图，将路段通行状态表与互联网路况数据进行对比，发现细化路段10016′-10016，10015′-10015，10012′-10012，10011′-10011 处于缓行或拥挤的状态，其他基本路段均保持畅通状态，与互联网路况数据基本一致。其中存在部分误差，是由于前端检测设备的布设位置及密度引起的。对比结果表明，基于链式数据融合的路况计算模型可以正确反映道路的通行状况，有一定的实际意义。

4 结论

综上所述，根据高速公路通行数据的空间特征，采用数据链模型对多源异构的数据进行融合，并在融合的基础上进一步计算道路通行状态，经过与实际情况的对比，发现模型具有良好的适用性。同时，模型具有以下应用价值：

第一，在以往技术的基础上，提出用ETC 龙门架与摄像头代替收费站对高速公路路段进行划分，提高了道路交通状况的空间粒度，能够更好地满足管理人员对细节路段路况的管理需求。

第二，通过路况计算结果可以发现可能存在的交通事件，能有效弥补交通事件发现机制的不足，避免部分发生在监控盲区的交通事件难以被发现。