基于穷举法的主干路视频检测器优化布设分析

贾刚刚　王兵　赵越

摘要：城市主干路承担了城市主要的交通压力，对城市交通的运行起着关键的作用。为了准确采集主干路交通流信息，通过分析视频交通流检测器在城市主干路的布设数量和间距，依据排队论与穷举法对视频检测器在主干路的优化布设建立数学模型，得出基于主干路的视频检测器最优布设，通过Matlab求解模型，使用Vissim仿真验证。仿真结果显示：主干路长度在1 000 m左右的路段，相邻视频检测器的布设间距在200～350 m，检测器布设5组，每组布设3～4个检测器检测路段交通流，检测精度将达到97.76%左右。

关键词：主干路；视频检测器；交通流；穷举法；Vissim仿真

中图分类号：TP301.6文献标志码：A文献标识码

Analysis of optimal deployment of video detectors for trunk roads based on exhaustive method

JIA  Ganggang1，WANG  Bing2*，ZHAO  Yue1

（1 College of Mechanical Engineering， Xinjiang University，Urumqi，Xinjiang 830017， China;

2 School of Traffic and Transportation Engineering， Xinjiang University， Urumqi，Xinjiang 830017， China）

Abstract：  The city trunk road carries the main traffic operation of the city and plays a key role in the reasonable operation of the city traffic， in order to ensure the accuracy of the collected traffic flow information on the trunk road. By analyzing the number and spacing of video traffic flow detectors deployed on the main roads in the city， a mathematical model is established for the optimal deployment of video detectors on the main roads based on the queuing theory and exhaustive method， and the optimal deployment of video detectors based on the main roads is derived， and the model is solved by Matlab and verified using Vissim simulation. Simulation results show that： the length of the trunk road in about 1 000 m， adjacent video detector deployment spacing in 200～350 m， the detector should be deployed in 5 groups， each group of 3～4 detectors to detect the road traffic flow， detection accuracy will reach about 97.76%， greatly improving the detection accuracy.

Key words： trunk roads;video detector;traffic flow;the exhaustive method;Vissim simulation

0 引言

主干路作為城市道路的主要支架，是城市交通流的主要承担者，起到缓解城市交通拥堵，提高城市道路利用率的作用，因此，对主干路交通信息的采集研究至关重要。目前，视频检测器因安装方便，不破坏路面，能直观体现被检测车辆信息等优点，在交通信息检测中被广泛使用。通过研究视频检测器在城市道路主干路不同位置的选址布设，以更全面的检测主干路交通信息，从而对围绕主干路行驶的交通流进行调节，以此来缓解城市道路的交通拥堵问题。

目前，国内外相关学者针对城市道路研究，主要集中于城市快速路交通流预测以及检测器布设研究，对于城市主干路研究方面，张铭坤等［1］针对交通旅行时间序列数据，构建城市主干道交通旅行时间预测模型。严亚丹等［2］为了定量评价城市主干路交通功能的实现程度，建立了城市主干路交通功能可靠度的计算方法。Vitvitskii等［3］依据乘幂律建立了交通流模型，确定车辆在路段的行驶速度以及相互行驶车辆间的距离。李佳等［4］研究了交叉口间距和道路两侧路网形态对城市主干路事故的影响。Tenny等［5］将专属车道分配到城市主要道路，对于压力很大的城市交通系统，城市道路容量的扩张可能会适得其反，因为它们会导致交通流量增加，并最终导致更多的人陷入拥堵。Muhammad［6］研究确定了影响道路交通事故的城市设计因素。这些因素按土地利用、街道设施、建筑和景观等维度分类。牟海波等［7］建立了包括交叉口交通信号显示模块与信号相位转换模块的时延Petri网模型与基于变速度连续Petri网的交通流模型。对于城市快速路检测器布设研究，雷宁等［8］对快速路交通状态进行有效分类，选取分类指标时，在传统分类指标流量、速度、占有率的基础上引入了1个宏观分类指标——路网宽裕度。张辉等［9］通过对城市快速路车辆速度、密度、流量关系模型对道路通行能力和交通运行状况研究，提出了1种聚类最小二乘方法估计车辆速度。董春肖等［10］探究交通检测器的布设方案对短时交通流量预测的影响。孙娓娓［11］基于复杂环境下OD 需求和旅行时间估计的不同目的，分别研究了计数、车辆自动识别（AVI）、移动及固定和移动组合等多种交通检测器的布设优化问题。张航等［12］运用基于数据融合的统计分析技术——聚类分析方法和逐步回归方法，对城市道路交通检测器优化配置的方法进行了研究。朱宁等［13］考虑了不确定的检测器故障因素，建立了新的两阶段交通检测器随机布设优化模型。刘辉等［14］提出了1种新的交通流量混合预测模型VMD-ICA-GMDH-BILSTM-ELMAN。相关研究［17-20］根据城市道路不同精度的车辆检测器以及驱动信号控制方案，分析和比较队列长度、平均车辆延误时间和交叉路口停车次数的评估指标。

由此可见，以城市主干路作为研究对象，对视频检测器进行优化布设，以采集精确的交通流信息，使得交通管理部门根据交通流信息宏观调控城市交通流，对于缓解城市交通拥堵与减少城市交通事故具有重要的意义。

1 资料与方法

1.1 城市主干路描述

城市主干路是城市道路交通网的骨架，是连接城市各主要分区的交通干道［15］，具有速度快、流量大、出行距离较长等主要特点［2］（图1）。主干路是集观光、购物、休闲、创业功能为一体的主要交通干线，途径此路段的交通流非常密集，交通流量较大。

1.2 视频交通流检测器描述

视频交通流检测器采用视频图像处理技术和计算机图形识别技术对道路上的交通流进行动态信息采集、处理，一般由前端采集设备、中间数据传输设备和后端处理设备组成［16］。

其用于检测并输出目标区域的机动车车型、车流量、平均车速、车头时距、时间占有率及空间占有率数据。目前，视频交通流检测器布设于十字路口时，用于采集车辆闯红绿灯、不按路线行驶以及逆行等交通违章行为；布设于道路中间时，用于检测车辆速度以及驾驶人异常驾驶行为（图2）。

1.3 视频交通流检测器检测模型

1.3.1 问题分析

通过建立排队论模型，对于车辆行驶时存在的2种决策模式分别进行分析，得到其影响因素。车辆在道路上可能会出现行驶和停车2种状态，如果车辆在道路上正常行驶，那么需要通过检测其通过时间、距离长度、速度等来确定车流量；如果车辆在道路上存在停车，那么就需要根据通过时间、停车时间等来确定车流量，使得其计算是较为合理的。同时，建立穷举法模型，在路口位置确定的情况下，对于车辆的移动分布进行模拟，同时观察分析视频交通流检测器数量、位置与效率的关系，从而得到效率最大化的最佳检测点数量与位置。

1.3.2 穷举法模型建立

符号变量说明：

将T1和T2进行相加，即可计算得到其较为合理的车流量计算总数。

1.3.3 模型分析

通过分析车辆在城市主干道上行驶和等待2种情况，依据排队论和穷举法模型，分别对车辆行驶状态建立对应的数学模型，并用Matlab分析，得到行驶时的模拟情况（图3）和等待时的模拟情况（图4）。

通过Matlab对模拟分析后，可以发现，其预测与实际的决策非常接近，能够根据该模型数据得到最终的车流量，因而可以利用车流量来确定视频检测器的布设位置。

1.3.4 模型求解

依据开始时车辆在系统运行时通过的平均速率、车辆到达时的平均速率以及城市主干道各类基本的属性参数，将初始的车辆总量假定。计算出在稳定状态下，全部系统在各个状态时的概率，由此结合具体位置，得到其检测效率。

以长度为1 km的城市主干道为例，假定其车流量每小时约为2 000輛，使用Matlab对车辆行驶中的行为进行模拟，依据穷举法可以计算得到，主干路应当布设视频交通流检测器的位置、数量和检测精度如表1所示，检测精度平均值为97.76%。

2 结果与分析

2.1 仿真数据采集

通过Vissim 8.0创建模拟场景，如图5所示，创建1条1 km的双向4车道主干道。依次在0.15 km处布设3个检测器，0.25 km处布设4个检测器，0.45 km处布设3个检测器，0.65 km处布设3个检测器，0.90 km处布设4个检测器，采集经过的车流量。

车流量总输入为2 000辆，西进口和东进口各1 000辆，包含各类车型，仿真总时间为0～600 s，因刚开始仿真交通流没有完全形成，故从100 s后开始仿真，每50 s记录1次仿真数据，采集数据如表2所示。

通过调整Vissim中视频检测器在主干道布设的位置及数量，对行驶的车辆进行检测。图5A、B、C分别表示不同位置和数量的视频检测器检测通过的车辆信息，对检测的车辆信息进行对比，从而确定最优的视频检测器在主干路布设的位置与数量。

2.2 仿真数据分析

通过Vissim软件对主干路东西进口交通流依次仿真8次后，西进口、东进口检测精度与穷举法检测精度对比如图6所示。

对仿真结果做平均值计算，并分别进行Vissim仿真西进口、Vissim仿真东进口与穷举法模型相对误差分析，结果如表3所示。由表可知，穷举法布设视频检测器的检测精度与仿真软件的检测精度误差较小。

3 结论

城市主干路交通流检测不仅涉及交通工程方面，还与计算机信息分析密切相关。建立主干路视频检测器布设模型，进行数据处理与仿真，得出如下结论：

（1）城市主干路对于城市的交通起着至关重要的作用，对视频检测器在主干路检测交通流建立数学模型，通过Matlab求解模型，再使用Vissim仿真以验证模型结果。仿真结果与模型结果相对误差相差约0.4%。

（2）依据排队论与穷举法对视频检测器在主干路的布设建立数学模型，分析后得出每组视频检测器在主干路上布设的间距在200～350m，该范围可为主干路交通流检测下视频检测器的布设提供参考。

（3）针对主干路长度在1 km左右的路段，根据穷举优化法对视频检测器的布设数量计算，检测器的应布设5组，每组3～4个检测器检测路段交通流，检测精度在97.76%。

参考文献（References）

［1］张铭坤，王昕.基于GRU-RNN模型的城市主干道交通时间预测［J］.北京信息科技大学学报（自然科学版），2019，34（4）：30-35.

ZHANG M K， WANG X. Traffic time prediction of urban main road based on GRU-RNN model［J］. Journal of Beijing Information Science & Technology University， 2019， 34（4）：30-35.

［2］严亚丹，仝佩，宁佐强，等.城市主干路交通功能可靠度量化评价方法［J］.交通运输工程学报，2018，18（3）：157-166.

YAN Y D， TONG P， NING Z Q， et al. Quantitative evaluation method of traffic function reliability for urban arterial roads［J］. Journal of Traffic and Transportation Engineering， 2018， 18（3）：157-166.

［3］VITVITSKII E， SIMUL M， PORKHACHEVA S. Innovative technology for evaluation of capacity of thoroughfares［J］. Transportation Research Procedia， 2017， 20： 671-675.

［4］李佳，王雪松.密集路網中城市主干路中观安全分析模型［J］.重庆交通大学学报（自然科学版），2021， 40（8）： 34- 41.

LI J， WANG X S. Meso-level safety analysis model of urban arterials in dense road network［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（8）：34-41.

［5］TENNY A， HAGEN O H. Urban main road capacity reduction： Adaptations， effects and consequences［J］. Transportation Research Part D： transport and environment，2021，96：102848.

［6］UMAIR M， RANA I A， LODHI R H. The impact of urban design and the built environment on road traffic crashes： A case study of Rawalpindi， Pakistan［J］. Case Studies on Transport Policy， 2022， 10（1）： 417-426.

［7］牟海波，俞建宁，刘林忠.基于Petri网的城市主干道交通信号协调优化［J］.交通运输工程学报，2013，13（2）：106-113.

MOU H B， YU J N， LIU L Z. Traffic signal coordinated optimization of urban arterial road based on Petri net［J］. Journal of Traffic and Transportation Engineering， 2013， 13（2）：106-113.

［8］雷宁，张光德，陈玲娟.基于改进模糊聚类算法的城市快速路交通状态分类［J］.广西大学学报（自然科学版），2017， 42（5）：1723-1729.

LEI N， ZHANG G D， CHEN L J. Traffic state classification of urban freeways based on improved fuzzy clustering algorithm［J］. Journal of Guangxi University （Natural Science）， 2017， 42（5）：1723-1729.

［9］张辉，江竹，李树彬，等.城市快速路交通流参数估计方法研究［J］.控制工程，2020，27（3）：507-512.

ZHANG H， JIANG Z， LI S B， et al. Research on estimation method of traffic flow parameters for urban expressway［J］. Control Engineering of China， 2020， 27（3）： 507-512.

［10］董春肖，张立涛，孙洪运，等.固定交通检测器布设对快速路交通流量预测影响的实证研究［J］.铁道科学与工程学报，2022，19（2）：359-366.

DONG C X， ZHANG L T， SUN H Y， et al. Empirical investigation of the effects of fixed traffic detector deployment on expressway traffic flow forecasting［J］. Journal of Railway Science and Engineering， 2022， 19（2）： 359-366.

［11］孙娓娓. 复杂环境下多种交通检测器最优布设研究［D］.徐州：中国矿业大学，2021.

［12］张航，田冬军，曾宪宝，等.城市道路交通检测器优化配置方法研究［J］.武汉理工大学学报（交通科学与工程版），2008，32（6）：1161-1164.

ZHANG H， TIAN D J， ZENG X B， et al. Study on the method of optimizing the allocation of city traffic detector［J］. Journal of Wuhan University of Technology （Transportation Science & Engineering）， 2008， 32（6）： 1161-1164.

［13］朱宁，马寿峰，贾宁.考虑故障因素的交通检测器布设优化问题研究［J］.系统工程理论与实践，2014，34（4）：997-1002.

ZHU N， MA S F， JIA N. Traffic detector placement optimization problem considering failure［J］. Systems Engineering—Theory & Practice， 2014， 34（4）：997-1002.

［14］LIU H， ZHANG X Y， YANG Y X， et al. Hourly traffic flow forecasting using a new hybrid modelling method［J］. Journal of Central South University， 2022， 29（4）： 1389-1402.

［15］王京京，楊友林，李辉，等.基于功能分析的城市道路网络衔接评价研究［J］.交通运输系统工程与信息，2015，15 （1）：212-217.

WANG J J， YANG Y L， LI H， et al. Urban road network junction evaluation method based on the functional analysis［J］. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（1）：212- 217.

［16］杜树樱. 高速公路交通检测器布设优化方法研究［D］.南京：东南大学，2019.

［17］赵禹乔. 城市道路交通数据检测器优化综合布设方法研究［D］.西安：长安大学，2011.

［18］胡月. 在成本约束下的基于OD估计的多目标检测器优化布设研究［D］.北京：北京交通大学，2014.

［19］祁剑锋. 城市交通信息检测器布设方法研究［D］.南京：东南大学， 2015.

［20］周敬龙，傅立平，钟鸣，等.检测器数据的精确度对全感应控制的影响分析［J］.交通信息与安全，2019，37（4）：96-101.

ZHOU J L， FU L P， ZHONG M， et al. Impacts of accuracy of traffic detector on fully-actuated signal control［J］. Journal of Transport Information and Safety， 2019， 37（4）：96-101.

（责任编辑：编辑郭芸婕）

收稿日期：2022-11-01

基金项目：新疆维吾尔自治区重大科技专项（2020A03003），新疆维吾尔自治区交通运输厅科技项目（201804071295）

作者简介：贾刚刚（1996—），男，硕士研究生，专业方向为城市道路交通流改善。

*通信作者：王兵（1967—），男，教授，从事智能交通管控技术与装备方向的研究，e-mail：451619037@qq.com。