大数据背景下道路交通应急警力资源科学配置的路径与方法

缪明月, 曹玉锋, 李 强, 张 军

(1.首都经济贸易大学管理工程学院,北京 100070;2.滴滴智慧交通科技有限公车载设备事业部,北京 100621;3.城市群系统演化与可持续发展的决策模拟北京市重点实验室,北京 100070)

0 引言

道路上执法巡逻的交通警察,在确保处理交通事件的效率及减少交通违规和事故方面发挥着重要作用。在过去的几十年里,研究人员从未停止过寻找一种有效的方法去合理科学地部署交通应急警力,以使路段区域畅通,从而遏制交通违法行为,减少交通事故的发生。

国外的警力资源优化配置研究始于上世纪之初,此后几十年研究人员和实务部门制定并报告了大量有效分配和部署警察巡逻队的新方法。20世纪80年代初,Green和Kolesar(1984,1989)[1-2]研究开发了多车调度(MCD)模型,这是一种多优先级排队模型,明确反映了多辆汽车调度。Todovic(2015)[3]、Basu和Ghosh(1997)[4]和Mustapar等(2017)[5]致力于使用目标规划来发展警察巡逻队。Pal B等人(2009)[6]使用模糊目标规划(FGP)程序来建模和解决大都市城市的巡逻人力部署问题,以阻止交通违规和事故,从而降低交通控制规划范围内的事故率。Kou和Liu(1995)[7]、Dai,et al.(2012)[8]以及Nag(2014)[9]研究通过机器学习,遗传算法等在特定区域或情况下部署警察人力,并没有涉及具体警种,也没有研究将交通条件作为警察部署的考虑因素。在我国,交通警察是一个独立警种,在道路交通管理警力资源配置方面,彭怀军运用复杂网络、综合评价方法、线性规划、人工智能算法等研究了交通警力资源的岗位识别和责任区划分,以及在交通应急处置中警力动态调度的问题和解决方法(彭怀军,2018)[10]。马威以北京市122交通事故报警台海量数据为基础,对其中事故、拥堵以及问题反映类数据进行分析,并应用遗传算法理论以及GIS技术,提出基于GIS的动态警力资源调度方法(马威,2015)[11]。交警警力的外勤任务通常包括处理事故、缓解拥堵、执法以及安全警卫,在上述两项研究中,没有覆盖足够的交通事件数据种类,或者仅仅从路网结构和流量判断,或者只是考虑122报警数据,没有建立交通警情评价模型,也没有考虑非现场执法设备在警力岗位设置中的作用等。近年来,学者利用先进的计算机手段,结合传统成熟的数学模型,对警力资源的优化配置开展了一些有益研究[12-14]。

综上,因为大多西方国家的交通警察并非独立警种,所以很少有论文专门研究在不同的交通情况下如何按区域配置交通警察及岗位优化的问题。国内的学者受限于数据的获取途径,这方面研究不多。当然,基于风险的应急警力分配模型可以广泛用于各种类型的警察。对此,Mclaren和Wilson(1977)[15]强调“巡逻人员应按警察服务的实际需求按比例分配……分配问题的实质在于衡量比例需求”。对于传统的风险模型,由于没有指导原则,风险模型的计算公式受到决策者的极大影响(Chaiken和Larson,1977)[16]。本源上,交通警情评价模型也是从风险模型发展而来的。王世华等人(2017)[17]基于不同的交通事件,应用主成分分析法处理这些标准化处理后的事件数据,建立了第一个TCI模型。然而,使用主成分分析进行综合评价存在的问题是显而易见的,有学者指出“主成分的价值就在于它的信息量(可用方差来度量)达到最大化,即使少数几个主成分能使累计贡献率达到一个较大的百分数,这几个主成分能不能用还得看它们是否都能得到符合实际意义的解释”(王学民,2007)[18]。王世华的研究并没有涉及用TCI指导巡更点设置、排班轮岗优化以及预测TCI值等内容。关于巡逻路线规划、优化的研究很多,但利用TCI设定的巡逻点使巡逻警察不再受固定路线约束,从而便于更广泛、更自由地执行巡逻任务。此外,根据历史及实时数据,预测未来的警情评价指标值将有利于适当决定提前增加警力或减少警力,从而达到优化警力的目的。TCI模型主要应用于量化警情评价、确定关键巡逻点、优化岗位设置以及预测未来的警情状况。

1 模型与方法

1.1 TCI模型

建立TCI模型是为了确定反映整个区域内不同地点的各种交通突发事件引起的交警警力部署的频率和强度,也可以成为警情状况的测度。TCI值的大小将确定一线交通应急警力资源分配的重点地区。在空间上每个点都有自己的TCI综合值,然后可以通过事件点的数量和TCI的值获得网格区域形成的质心。在整个区域中,质心上的TCI值之和被认为是TCI的总值。从时间段的角度,通过对相关影响因素的分析,可以得到TCI的变化规律,为交通警察定量预测提供了可靠的方法。本研究考虑通过传统的FTA方法来研究和构建TCI模型。

FTA方法使用逻辑门(或称为运算符)作为基本符号来描述和相互关联事件之间的关系,这通常对于确定系统的哪些部分是顶事件发生的最大贡献者很有用。

通过突发事件的故障树图(如图1),结合关键重要度系数的算法,可以得到:

图1 应急事件的故障树图

公式(1)到(4)中,pT表示引发交警应急响应的顶事件发生的概率,p1c、p1e为中间事件的发生概率,pa、pc、pe分别是交通事故、交通拥堵和交通违法的发生概率。prc,pre是基本事件的发生概率,分别为交通拥堵和交通违法引发交警应急响应的概率。ga、gc、ge被用于进行重要性测量,分别表示为引发交警应急响应的交通事故、交通拥堵和交通违法的关键重要度系数。

接下来,分别对交通事故、交通拥堵和交通违法发生起数Naij,Ncij和Neij,结合FAT进行分析,假设Iij表示i区域,j小时的TCI值的大小,可以建立如下反映突发事件发生强度(需要派遣交警处置)的TCI模型:

公式中,go和Noij分别表示特勤警卫的关键重要度系数与发生起数。

TCI模型形式简单,直观地反映了警情状况,且易于计算出任意分区的I值。实际应用中,应当根据变化情况,建立ga等关键重要度系数实时调节机制。

1.2 多维排队论模型

在优化一线交通应急警力资源之前,需要定量测算交通警察巡逻岗和备勤岗需要的最小人数,基本思路见图2。首先将处置交通突发事件的过程看作一个M/M/c/m排队过程。基于排队论和出生/死亡过程的分析,区分不同事件需要不同的警力数量和值勤、备勤岗位的差异,建立了一个多维的M/M/c/m排队模型,在需要等待的排队时间一定的情况下,可以得到最小的一线巡逻警力数量。对于备勤交警的数量,我们考虑了突发事件的CDF,选择第99百分位数减去第95百分位数作为备勤警察的最小数目,以尽可能满足处理所有紧急情况的需要。

图2 一线交警处突人数测算思路与方法

M/M/c/m排队系统中,S1(t)是系统中时间t时刻发生的突发拥堵和轻微事故的次数;S2(t)是系统中在t时刻发生的伤亡事故数。X(t)={S1(t),S2(t)}是系统在时间t及其状态空间中的状态:Ω={(i,j)|0≤i≤m1,0≤j≤m2}。X(t)在一小段时间内只能在相邻的可能状态下发生,到达区间和服务事件都服从负指数分布,是一个二维出生(到达)和死亡(服务)过程。由于状态空间是有限的和不可约的,所以存在唯一的平稳分布。

这里定义两个向量:

对每一个pa,b,

在排队论和生死过程分析的基础上,建立了一个二维M/M/c/m排队模型。其中,P0.和P.0的计算方法如下:

c1表示处理突发性交通拥堵及轻微交通事故的一线交通警察巡逻次数,c2表示处理人员伤亡交通事故的一线交警巡逻次数,及k=0,1……n。

Pa.和P.b可以通过(24)、(25)和P0.、P.0来计算:

如果Wq1表示处理突发性交通拥堵和轻微事故的平均等待时间,Wq2表示处理伤亡事故的平均等待时间,则可以获得:

tw表示最短的等待时间。

在所需等待排队时间最小条件的约束下,可以对一线应急警力最小人数进行测算。如果以小时为单位来衡量最小警力,则可以使用规划模型进行优化计算。

此外,本文还应用了深度学习中的LSTM模型,该模型最早由Sepp Hochreiter和Jurgen Schmidhuber[19]于1997年提出,用来解决RNN模型中梯度消失或梯度膨胀的一种特定变形。通过在RNN(Recurrent Neural Network)中引入多个门限,使得在模型参数固定的情况下,不同时刻积分可以改变,从而避免梯度消失或膨胀问题。LSTM模型基于RNN模型发展而来,区别在于中间重复模块不同。在LSTM模型重复模型(又称存储单元)中包括由4个相关作用的激活函数(其中3个是sigmoid函数,1个是tanh函数)构成的3种门限结构,分别是遗忘门、输入门和输出门,通过这种门限结构来模拟开关控制信息的输入和输出,实现训练误差可以正向和反向传播,以达到训练模型至收敛的目的。

2 实证分析

2.1 交通应急警力的关键巡逻点

目前北京首都国际机场(BCIA)是世界第二大机场,年旅客承载量超过1亿人次。研究收集了2018~2019年机场路侧部分发生的交通突发事件数据,包括交通事故、突发交通拥挤和严重交通违法数据。除了来自公安交通管理系统的数据,研究也收集了高德导航的拥堵数据,整体数据量超过百万条。通过对海量大数据的处理之后,应用GIS地理分析结果如图3所示。

图3 交通突发事件分布GIS图

进一步分析中,根据图1和(1)~(4)式,Prc是由交通拥挤总数与其中导致交警响应的突发拥堵数量的比例决定的。由于越来越多的非现场执法设备被应用于交通执法中,交通巡警罚单的比例每年都在下降,这将影响Pre的取值大小。通过统计分析和计算,现状Prc等于0.2,Pre等于0.26。在不考虑特勤警卫的情况下,go和N*oij都等于0。由式(11)可得:

人们走路的速度大概在3.75~5.43 km/h之间。一般情况下,交通巡警必须在10~15 min内赶到现场。如果交警的车被交通堵塞所阻,步行距离在10~15 min内约等于1 km。另外,因为圆形边界不易连接,并且考虑到BCIA的面积不是很大,本研究以1乘1 km的方格作为地理分析的基本格网单位。对于23个有效的基本网格区域,应用式(16)计算Ihj值(如表1所示)和这些关键巡逻点的坐标。图5是根据工作日巡逻点的坐标绘制的。由图4可以看出,关键的巡逻点主要分布在车流量较大的航站楼、集中生活区、三号航站楼南侧和东侧、一号航站楼北侧等地点。

表1 工作日交通指挥指数情况(100Ihj)

图4 关键巡逻点GIS图(用五角星表示,大小与Ihj值匹配)

2.2 巡逻值勤与备勤应急警力的岗位优化

对交通拥堵、交通事故以及严重违法数据按小时进行分析,结合公式(14)和(15)及图2,可以获得一线应急警力岗位最小人数如表2。

表2 一线应急警力岗位最小人数值

考虑到一线应急处突交警工作的实际情况和习惯,有如下约束条件。

s1:工作时间可分为两部分。日间值班时间为8:30~17:30,夜班时间为17:30~8:30。

s2:对于巡逻岗位,第一天开始工作,第二天工作24小时(白班和夜班),然后连续两天休假。

s3:备勤岗位警力每周定期休假两天。

s4:所有备勤岗位警力每周上一次夜班。

从表2可看出,无论是工作日或周末,白天和夜间巡逻岗位的最小人数都等于4人,因此,最少需要16名路面巡逻警员,每2人一组,根据约束条件s2,他们每周的工作时间表展示在表3。

表3 巡逻岗位每周工作时间表

对于备勤岗位的警力,参照约束条件s1~s4,在表3的基础上,可将模型写成如下:

当minG是备勤岗所需应急警力最小人数,xdn(n=1…7)分别表示周一至周日的备勤警力人数。

表4 应用Lingo计算的模型结果

代入式(17),可求得目标值为38。由此可知,不考虑特勤等因素,BCIA至少需要54名一线交通应急处突警力,其中巡逻岗16人,备勤岗位38人。

2.3 TCI预测

为了预测未来的交通指挥指数,首先通过ADF检验来测度TCI时间序列的稳定性,得到的结果如表5所示。

表5 ADF值

根据表5,考虑到按天变化时的ADF值最小以及实际工作的需要,接下来通过Pytorch搭建LSTM神经网络,对未来30天的交通指挥指数变化情况进行预测(如图5),误差下降情况见表6。

表6 误差随迭代次数变化

图5 TCI预测

3 结语

本文从公安交通管理实际工作出发,应用故障树原理,建立TCI模型,实现了多源交通数据的整合,特别是将交通事故、交通执法(现场执法、非现场执法)、交通拥堵等公安交通业务数据与网约车、导航大数据结合起来,更为直接地反映了交通应急警力需求水平,据此寻找关键巡逻点,优化巡逻路线及警力分配,同时为进一步评价和预测未来交通事件频发态势提供了定量分析的工具。

由于处理简单事故和伤亡事故所需的交警人数不同,很难应用单维M/M/c/m排队模型,在原有分布之和的基础上建立新的分布。从多维M/M/c/m排队模型模型推导过程来看,突发事件的分布并不局限于泊松分布,但柏松分布无疑是最优选择。突发事件之间的独立性是必要的。

在多维排队模型的基础上,科学确定巡逻与备勤岗位所需的最小警力人数,优化巡逻分组与岗位排班;通过构建LSTM神经网络,预测未来日TCI数值的变化,为提前安排警力提供决策辅助,共同构建了交通应急警力资源优化配置的具体路径,见图6。由图6可见,输入数据包括各类交通事故数据与基本事件发生概率,输出是I的现状值与预测值。

图6 一线交通应急警力资源优化方法与路径

目前研究存在的不足主要有:虽然算法模型与演算路径已经清晰,但只在较小的局部区域进行过测试,需要进行不同区域范围的应用,以进一步调优算法模型;没有形成系统化的算法集成平台,限制了应用场景,降低了应用效率。

展望未来,随着智能网联车、路侧感知设备增加,互联网技术和人工智能的发展,使得利用交通大数据进行一线交通应急警力资源优化成为可能。通过在车上安装GPS或者北斗定位系统获取海量轨迹数据,以及在车前部安装具有人工智能算法的摄像装置,将更准确和快捷地收集到各类交通意外事件及发生的位置信息,对于未来研究交通应急警力资源的优化具有重要意义。对于一线交通应急处突的警力,除了面对交通事故、拥堵和严重违法之外,还可能有特勤警卫、大型活动、火灾、自然灾害以及其他突发事件,需要建立机遇交通指挥指数模型的一个开放的一线值勤警力分析平台,较长时间跟踪和完善各种约束条件和优化方法。