2. 武汉大学城市设计学院, 湖北 武汉 430072;
3. 深圳大学空间信息智能感知与服务深圳市重点实验室, 广东 深圳 518060
2. School of Urban Design, Wuhan University, Wuhan 430072, China;
3. Shenzhen Key Laboratory of Spatial Smart Sensing and Services, College of Civil Engineering, Shenzhen University, Shenzhen 518060, China
随着机动车保有量的逐年增加，交通环境日益恶化，交通拥堵现象日益严重。据统计，交通拥堵带来的经济损失占城市人口可支配收入的20%，相当于每年国内生产总值(GDP)损失的5%~8%[1]。如何实时感知交通状态、探测拥堵事件对公众高效出行、交通管理乃至智慧城市的建设具有重要意义。
已有文献中拥堵事件的研究可以分为3个尺度：区域/路网尺度、道路/路段尺度和车道/转向尺度。在区域/路网尺度上，主要从宏观的角度研究交通拥堵与城市格局、土地利用、路网形态的关系[2-3]。在道路/路段尺度上，大部分已有文献通过车辆平均速度和通行时间来探测交通拥堵，如早期主要通过线圈[4-5]或视频技术[6]来检测拥堵，但是这两种数据源都需要固定传感器来获取，价格昂贵且覆盖率低。近年来，有研究利用车辆之间的通信来探测交通状态和拥堵事件[7]，但是车辆之间的通信只能在小范围内进行，不能获取大范围的城市交通动态；从社交媒体文本中挖掘实时交通信息是一种新兴的城市交通感知方法[8]，但在大规模交通事件探测方面应用有限。较高的路网覆盖率和采样频率使得GPS数据成为交通信息采集的重要数据源，海量GPS轨迹所蕴含的交通流信息为交通拥堵的探测提供了基础[9]。
目前，利用车辆GPS轨迹探测和预测交通拥堵的研究主要分为3类，第1类研究拥堵事件的探测与时空分布特征[10-13]，如文献[10-11]从历史GPS轨迹中探测出周期性交通拥堵的时空分布模式；文献[12]基于GPS轨迹分析了奥运期间北京路网运行状态；文献[13]基于GPS轨迹数据挖掘交通拥堵时间分布特征。第2类研究在探测拥堵事件的基础上，分析拥堵区域之间的关联性和演化传播规律，例如文献[14]探索了武汉市不同拥堵区域之间的时间依赖性；文献[15]利用出租车GPS轨迹分析了交通状态的自相关模式；文献[16]在探测交通拥堵事件的基础上，对道路交通拥堵的传播模式进行了可视化。第3类研究基于历史GPS轨迹预测交通拥堵，如文献[17]通过建立拥堵转移矩阵实现拥堵路段预测；文献[18]基于马尔可夫模型进行道路拥堵的时空分布预测。以上研究基于GPS轨迹对道路交通状态进行了不同层次的感知，但分析结果受GPS定位误差与频率的制约，在拥堵的精细识别方面有所不足。文献[19]通GPS轨迹的二次聚类实现一条试验路段上的拥堵范围精细探测，但是仍不能感知不同转向与不同车道上的拥堵特征。除车载GPS以外，国外也有研究利用手机中的GPS接收机、加速计等传感器探测道路状态和交通状态，例如文献[20-21]分别用手机数据探测高速公路和市内道路路段级交通状态。但是以上方法只能在路段或者道路尺度上实现拥堵事件的探测，无法在更精细的尺度上进行拥堵的精细感知。目前在车道/转向级尺度上的交通拥堵状态研究较少，极大程度上依赖于车道级高精度交通数据，例如文献[22]利用车道级线圈与交通信号灯数据探测车道级拥堵路段，文献[23]采用车-车通信数据和车道定位数据来探测车道级拥堵和道路级拥堵。
出租车GPS轨迹数据具有覆盖率高、成本低、实时性强、连续性好的优点，在交通状态估计中发挥重要的作用。针对目前基于GPS轨迹只能探测道路级交通拥堵，无法感知不同行驶方向上交通拥堵排队的问题，本文提出一种基于出租车GPS轨迹的转向级交通拥堵事件探测方法，该方法在顾及出租车运营行为特征的有效轨迹段滤选基础上，探测城市路网轻度、中度、重度3种不同强度的交通拥堵事件，并实现了交叉口不同转向的拥堵时间、拥堵强度和排队长度等转向级交通拥堵状态精细分析。
1 转向级交通拥堵探测及精细分析 1.1 有效轨迹滤选出租车GPS轨迹中蕴含大量的出租车本身的行为，如休息、就餐、加油等导致的不同时长的停留行为以及寻客、上下客等造成的人为低速行驶行为。为了从出租车GPS轨迹中挖掘出真实的交通状态，需要对蕴含自身行为少、能够反映真实交通状态的有效轨迹和不能反映真实交通状态的无效轨迹进行区分。
本文首先对出租车轨迹进行分割。在进行GPS轨迹数据路网匹配[24]的基础上，本文采用停留时间和速度变化两个指标对轨迹进行分割：首先在车辆停留3 min以上处分割轨迹；然后根据移动目标在短时间内运动状态一致的思想，在前后相邻轨迹点对之间的速度变化超过一定阈值δ处分割轨迹，得到运动状态一致的轨迹段。如图 1所示，一条轨迹由P1-P7组成，P1-P2之间的速度v12与P2-P3之间的速度v23差值大于阈值δ，即说明车辆发生了较明显的运动状态变化，因此将轨迹在P2处断开，同理，P4-P5之间的速度与P5-P6之间的速度差值大于阈值，应该在P5处分割轨迹。因此，轨迹P1-P7被分割成为TS1(P1-P2)、TS2(P2-P5)和TS3(P5-P7)。由此本文在不损失轨迹点之间速度信息的基础上完成轨迹的分割，得到运动状态一致性较好的轨迹段集合。
|
| 图 1 轨迹速度变化分割原理 Fig. 1 Principle of trace segmentation based on speed changes |
在进行轨迹分割的基础上，本文同时利用匹配前GPS轨迹和匹配后GPS轨迹来分析有效轨迹段和无效轨迹段在位置、图形、属性等方面的特征，从而进行有效轨迹段的滤选。典型有效轨迹段与无效轨迹段的原始轨迹图形和位置差异如图 2所示。
|
| 图 2 有效轨迹段与无效轨迹段示例 Fig. 2 Example of valid trace segments and invalid trace segments |
由图 2可知，在图形方面，有效轨迹段沿路网呈线状分布，与路网图形一致性较好，而无效轨迹段较多呈迂回分布，与路网图形一致性差；在位置方面，由于有效轨迹为出租车在路网上正常行驶产生的轨迹，因此有效轨迹段整体与道路距离更近；而无效轨迹段多为出租车等客、暂停运营或GPS定位异常产生的轨迹，导致无效GPS轨迹距离道路较远。此外，在载客状态方面，载客状态发生改变的轨迹段包含上下客行为，为无效轨迹段；在行驶状态方面，通过行驶速度和载客状态联合分析，空载情况下行驶速度接近于0(停车)的轨迹段大多为无效轨迹段。在分析典型有效轨迹段与无效轨迹段的图形、位置、属性特征基础上，本文定义4个特征指标来描述有效轨迹段与无效轨迹段：
(1) 曲折度C：表示原始轨迹段长度l与匹配后轨迹段长度l′的比值，C=l/l′, C越接近于1，说明轨迹段与路网的图形一致性越好。
(2) 道路距离D：表示原始轨迹段上的轨迹点与道路距离的平均值，若轨迹段由k个轨迹点组成，则
(3) 载客状态S：出租车GPS轨迹数据中记录空载状态为0，满载状态为1。换乘情况为无效轨迹段，一般情况下满载情况下自身行为较少，更能够反映真实的交通状态，然而满载轨迹段数量较少，不能大规模覆盖路网，因此需要将载客状态和其他特征共同分析确定有效轨迹段。
(4) 平均速度V：平均速度能够在一定程度上反映出轨迹段的质量，一般情况下，速度越低无效轨迹段的可能性越大，需要结合其他特征共同分析。
图 3为2015年5月6日4:00-6:00时段内出租车真实GPS轨迹段的上述4个特征的分布模式。图 3(a)反映出满载轨迹段具有较低的曲折度，曲折度、道路距离大的轨迹段多数为空载轨迹，而从图 3(b)可以看出在该时段内空载轨迹段数量远大于满载轨迹段数量；满载轨迹段速度呈正态分布，而大量空载轨迹段速度在5 km/h以下，说明这部分轨迹段很可能为非正常运营状态下的低速行为。
|
| 图 3 2015年5月6日4:00-6:00真实轨迹段特征分布 Fig. 3 Feature distribution of trace segments on May 6th, 2015 |
基于上述轨迹段的4个特征采用K均值聚类方法[25]在特征空间上对轨迹段进行聚类。本文首先计算每个轨迹段的4个特征值并标准化；然后设定聚类个数K=2，即将原始GPS轨迹段分成两类，有效轨迹段类和无效轨迹段类，得到初始的两个聚类中心；再逐个将轨迹段的特征值按照最小距离分配给两个聚类中心，得到两个轨迹段类，并重新计算聚类中心；最后判断聚类中心是否发生变化，若不再变化，则输出两个轨迹段类，若有变化，则重复计算输出聚类中心，直到聚类中心不再变化或迭代次数达到上限，输出有效轨迹段类和无效轨迹段类，并将有效轨迹段用于后续拥堵探测。
1.2 路段级不同强度拥堵探测本文首先基于获取的有效轨迹段计算每条路段一天的速度分布。由于有些路段上GPS轨迹数量过少，不能真实反映路段的速度分布情况，因此统计路段速度需要设定最少记录条数Nmin=20。在获取每条路段的速度分布基础上，根据文献[16]中的方法，将每条路段的速度从小到大进行排序，取得位于速度序列85%处的速度值作为该路段的自由交通流速度Vfree。基于每条路段的自由交通流速度，本文采用北京市交通发展研究中心提出的城市路网交通运行指数(traffic performance index，TPI)[26]来推算路段拥堵速度阈值。TPI取值范围为[0, 10]，其值0~2、2~4、4~6、6~8、8~10分别对应交通状态“畅通”“基本畅通”“轻度拥堵”“中度拥堵”“严重拥堵”5个级别，数值越高，表明交通拥堵状况越严重。TPI的量化方式为道路的实际通行时间比自由交通流下通行时间多耗时的倍数，其中“轻度拥堵”“中度拥堵”“重度拥堵”情况表示实际通行时间比自由流通行时间多耗时0.5~0.8倍、0.8~1.1倍、1.1倍以上。据此可以推算出，在上述3个拥堵强度下道路的实际通行速度应分别为自由流速度Vfree的0.66~0.56倍、0.56~0.47倍和0.47倍以下。因此，本文根据有效轨迹段匹配后相邻两GPS点之间的速度v分别探测轻度、中度、重度3个级别的交通拥堵轨迹(congestion trace, CT)，如式(1)所示
(1)
交叉口处同一路段的不同车道具有左转、直行、右转等不同转向功能，不同转向车道的交通流具有不同的特性。本文首先定义拥堵转向为交叉口一定时间段内只存在拥堵轨迹的转向方向。在路段级拥堵轨迹探测的基础上，采用轨迹追踪的方法识别出交叉口进口路段上的拥堵转向，并进一步分析不同转向的拥堵模式。如图 4(a)所示，以由南向北进入交叉口的路段R1为例，探测出该进口路段上有拥堵轨迹段CT1、CT2和非拥堵轨迹段RT1、RT2。首先从原始轨迹中对CT1、CT2、RT1、RT2进行轨迹跟踪，得到其原始轨迹的匹配路段和转向方向为：CT1：R1→R2(左转)，CT2：R1→R3(直行)，RT1：R1→R3(直行)，RT2：R1→R4(右转)，如图 4(b)所示；由于直行和右转方向都存在非拥堵轨迹，只有左转方向只存在拥堵轨迹，因此得到该交叉口该进口路段的拥堵转向为左转方向，如图 4(c)所示。
|
| 图 4 拥堵事件转向分类 Fig. 4 Classification method for congestion directions |
在对拥堵轨迹进行转向分类的基础上，对交叉口进口路段每一个转向的交通状态进行以下方面的分析：①交通流速度；②拥堵时长；③拥堵距离。
交通拥堵事件(congestion event, CE)随时间逐渐形成、逐渐消散，因此CE可以看作是时间t上连续变化的函数。在每一个时间点上，CE具有确定的起点S、终点E和中间过程L，因此，交通拥堵事件CE是时间t到起点位置S、终点位置E和中间位置L的映射
图 5描述了交叉口某转向上的拥堵事件CE随时间的演化过程以及探测的拥堵轨迹CT和拥堵事件的关系。横轴下方、上方两曲线分别为拥堵事件起点S和终点E的位置，由CE起、终点与交叉口的距离表示。本文中探测的拥堵轨迹CT可以看作是实际拥堵事件CE在一定时间采样下的快照，通过对拥堵轨迹的分析可以得到不同转向方向的交通流速度、拥堵时间和拥堵距离。
|
| 图 5 交叉口转向级拥堵分析 Fig. 5 Turning-level analysis of congestion directions at intersection |
(1) 交通流速度v(t, t+Δt)：在时间段[t0, t0+Δt]内不同转向方向的交通流速度如式(2)所示，其中，N为该转向轨迹段数量，length(TSi)为该转向方向第i个轨迹段TSi的长度，T(TSi)为TSi的持续时间，N为该时段该转向方向上的轨迹段数量
(2)
(2) 拥堵时间[ts, te]：本文将拥堵时间定义为连续拥堵轨迹覆盖的最长时间，拥堵事件CE开始时间SCE和结束时间ECE分别如式(3)、式(4)所示。因此拥堵时间为连续拥堵轨迹集合中起点时间的最小值和终点时间的最大值构成的区间，如图 5中的区间[t1, t2]
(3)
(4)
(3) 拥堵距离D(ts, te)：在得到拥堵时间[ts, te]的基础上，将拥堵距离定义为拥堵轨迹起点与交叉口距离在该时段内的最大值，如式(5)所示，其中，Loc0为交叉口的位置，CTi(LocS)为第i个拥堵轨迹CTi的起点位置，如图 5中D(t1, t2)所示
(5)
试验采用武汉市2015年5月6658辆出租车GPS轨迹数据，GPS数据采样时间间隔为60 s，定位精度为10~15 m。由于交通拥堵是具体到某路段某天某时段，因此本文试验选择了5月6日武昌区范围约8×5 km的区域道路网作为试验区域(如图 6所示)。首先按照上文方法将原始轨迹进行地图匹配和轨迹段分割，将得到的轨迹段按照时间0:00-2:00, 2:00-4:00，…，22:00-24:00分成12个时段，对每一时间段内分割后的轨迹段进行有效轨迹段滤选和拥堵探测。
|
| 图 6 试验区路网与主要道路名称 Fig. 6 Road network and names of main roads in the study area |
2.1 有效轨迹段滤选
对每时段内的轨迹段分别计算曲折度、道路距离、载客状态和速度4个特征，进行特征聚类，得到有效轨迹段类和无效轨迹段类。为了验证聚类提取有效轨迹段的准确率，试验中对4:00-6:00时段内的轨迹段进行了人工标记，将标记结果和聚类结果进行比较，结果如表 1所示。
| 轨迹段总数 | 人工标记有效轨迹段数 | 聚类结果有效轨迹段数 | 正确提取有效轨迹段数 | 有效轨迹段准确率 |
| 11 712 | 7944 | 7208 | 6727 | 93.3% |
表 1说明，以4:00-6:00时段的轨迹段为例，提出的基于轨迹段特征聚类方法能够提取出可真实反映交通状态的有效轨迹段，准确率达到为93.3%。对时段4:00-6:00有效轨迹段提取的可视化结果如图 7所示，可以看出，通过本文提出的特征聚类方法滤选出的有效轨迹段相比无效轨迹段具有更好的图形和位置性质，能够有效剔除包含在轨迹中的出租车本身的行为，从而能更好地挖掘和感知真实交通状态。
|
| 图 7 4:00-6:00有效轨迹聚类结果 Fig. 7 Clustered valid traces during 4:00-6:00 |
将12个时段的轨迹段分别进行特征聚类，得到每个时段内的轨迹段总数和滤选出的有效轨迹段数如图 8所示，条形上方数值为有效轨迹段滤选比例。可以看出高峰时段如6:00-12:00以及16:00-22:00有效轨迹段滤选比例较高，说明在出行高峰时段内车辆的自身行为较少，轨迹更能反映交通状态；在非高峰时段如2:00-6:00以及22:00以后，由于出租车需求量下降，出租车的自身行为增加，因此滤选比例降低。
|
| 图 8 不同时段有效轨迹滤选比例 Fig. 8 Filtering ratio of valid trace segments |
2.2 拥堵事件探测与精细粒度分析 2.2.1 拥堵轨迹探测
在滤选出有效轨迹段的基础上，首先按照1.2节所述分别提取试验区域路网“轻度拥堵”、“中度拥堵”和“重度拥堵”的速度阈值分布，然后基于相邻两GPS轨迹点的平均速度和匹配路段的拥堵阈值，探测出2015年5月6日一天不同强度的拥堵轨迹和非拥堵轨迹，如图 9所示；3个时段7:00-7:05、12:00-12:05、17:30-17:35的不同强度拥堵轨迹的空间分布结果如图 10所示。
|
| 图 9 不同强度交通拥堵事件数和比例分布 Fig. 9 Number and ratio distribution of congestion events of different intensities |
|
| 图 10 3个时段不同强度拥堵事件探测结果 Fig. 10 Visualizing results of congestion detection in three time periods |
图 9中条形图表示不同强度拥堵轨迹数和非拥堵轨迹数，其值为相邻两GPS点速度小于该路段拥堵阈值的个数；折线图为不同强度拥堵轨迹占拥堵与非拥堵轨迹总数的比值。可以看出拥堵轨迹的数量和比例在出行高峰时间6:00-10:00和16:00-20:00明显提高，形成两个峰值，即这两个时段内试验区域拥堵车辆最多，范围最大；试验区内不同强度的拥堵事件比值呈现规律变化，即轻度拥堵事件比值>中度拥堵事件比值>重度拥堵事件比值。若以“轻度拥堵”速度作为拥堵评价指标，则在早晚高峰时段，试验区域拥堵比例可达50%以上。
图 10反映出试验区域整体晚高峰时段拥堵情况最严重、重度拥堵道路最多；中午时段重度拥堵道路相比最少。早高峰前段7:00-7:05，试验区一些主干路发生了重度拥堵，如中山路、珞狮北路、珞狮南路以及丁字桥路与武珞路交叉口；在中午时段12：00-12:05，珞狮北路、珞狮南路的拥堵情况有所好转，但是雄楚大道、中南路发生了严重拥堵，并且一些低等级道路如民主路开始出现严重拥堵；在晚高峰时段17:30-17:35，重度拥堵的道路进一步增加，远多于轻度拥堵、中度拥堵，如包括东湖南路、珞狮南路、珞狮北路，说明该时段内试验区域整体通行滞缓。整体来看，试验区域位于武汉市的市中心，整体车流量大、交通拥堵范围广、持续时间长，但对比图 10中早、中、晚3个时段的拥堵事件探测结果可以发现，不同强度的拥堵事件在中午时段与早晚高峰时段内的分布有很大不同。例如，早晚高峰时段，试验区域主干路(如中山路武珞路、珞喻路、珞狮北路与珞狮南路)均大面积路段发生严重拥堵，表示车流严重阻滞，而在中午时段这些路段的重度拥堵范围显著缩小，仅有交叉口区域会发生严重拥堵，为车辆排队等候信号灯现象。本文参考了武汉市国土资源和规划局、武汉市交通发展战略研究院的2015年5月的交通运行周报[27]，周报显示，试验区域内雄楚大道、珞狮北路、珞狮南路、武珞路等路段为常发拥堵路段，与本文探测结果较为吻合。
2.2.2 交叉口拥堵事件转向分析本节选取武汉市中南路与武珞路交叉口作为典型案例，分析不同转向的交通流特征及拥堵情况。中南路交叉口位于武汉市市区的中南商圈(如图 6所示)，车流量大、交通流变化复杂。该交叉口是一个典型的T字形交叉口，共有6个转向方向，如图 11所示。该交叉口除了转向2、5为右转方向，无信号灯控制，其他转向均有信号灯分别控制。经过滤选，共有1025辆车的GPS轨迹覆盖在该交叉口的6个转向方向上。基于此本文进行6个转向方向上的交通流速度、拥堵时间和拥堵距离的精细分析。
|
| 图 11 中南路与武珞路交叉口 Fig. 11 The intersection of Zhongnan Road and Wuluo Road |
2.2.2.1 不同转向交通流速度分析
图 12(a)、(b)、(c)表示以15 min为时间间隔，按照式(1)计算得到的一天内中南交叉口不同转向交通流速度变化。可以看出，不同转向整体上在早晚高峰时段交通流速度较低，非高峰时段交通流速度高，但是同一路段不同转向之间交通流具有差异。图 12(a)中转向1、2分别为东南方向进入该交叉口路段的直行、右转方向(转向1、2)，可以看出右转速度整体高于直行速度，但是早晚高峰时段两个转向上的交通流速度彼此接近；图 12(c)中，由东北方向进入该交叉口路段的左转和右转两个方向(转向5、6)也具有类似特征，原因很可能是右转方向交通流不受信号灯控制导致在非拥堵时间段内保持速度较高，而在高峰时段由于车流量显著增加使交通流速度急剧降低，导致速度接近于同路段的左转或直行交通流。图 12(b)为西北方向进入该交叉口的左转和直行两个方向(转向3、4)，该路段左转方向交通流更加不稳定，特别是在17:00-18:00，交通流速度急剧降低，速度在10 km/h以下，说明在晚高峰时间段，该路段左转方向通行滞缓，拥堵严重。
|
| 图 12 不同转向交通流速度变化 Fig. 12 Changes of traffic flow speed of each direction |
2.2.2.2 不同转向拥堵时间特征分析
图 13为由式(3)、式(4)得到的中南路交叉口6个转向方向一天内不同强度拥堵的时间分布，具有以下特征：①对于东南方向进入交叉口的两个转向，直行(转向1)方向形成拥堵时间较早，并且该方向整体拥堵时间较长且重度拥堵比例较大；而右转(转向2)方向在白天无拥堵，只在早晚高峰时段(8:00左右和18:00左右)形成短时重度拥堵，这与图 12中的交通流速度分析结果相符；②对于西北方向进入交叉口的左转(转向3)、直行(转向4)两个转向，可以看出左转方向拥堵的持续时间较直行方向长，但白天基本不发生拥堵；而直行方向上拥堵时间短，但白天间歇发生拥堵，且早晚高峰期间重度拥堵比例较高；③东北方向进入交叉口的两个方向在早高峰时段均发生了重度拥堵，而在9:00之后右转(转向5)方向从轻度拥堵逐渐转为畅通，而左转方向(转向6)仍然间歇发生重度拥堵且一天内的重度拥堵比例较大。
|
| 图 13 不同转向拥堵时间 Fig. 13 Congestion time for each turning direction |
2.2.2.3 不同转向拥堵距离分析
在分析交叉口不同转向方向上拥堵的时间特征的基础上，根据式(5)分别探测交叉口不同转向方向、不同强度的拥堵轨迹的拥堵距离。对于每个进口路段，拥堵轨迹的最大值为该进口路段的长度，分别为：292 m(转向1、2)、512 m(转向3、4)、423 m(转向5、6)，由图中虚线表示，拥堵距离达到所在路段长度说明该转向交通流已经达到饱和。不同转向、不同强度拥堵的拥堵距离如图 14所示。
|
| 图 14 不同转向拥堵距离 Fig. 14 Congestion distance for each turning direction |
图 14(a)、(b)、(c)反映出该交叉口整体上拥堵距离与拥堵强度有关，即重度拥堵距离最大，中度拥堵次之，轻度拥堵距离最小。不同转向上拥堵距离具有以下特征：①转向1(直行方向)拥堵发生较早(6:30)，并在白天间歇发生100 m以内的拥堵，但在早晚高峰拥堵距离显著增加，而同一路段的右转方向(转向2)全天拥堵排队情况较少，且拥堵距离整体均低于直行方向；②转向3、4所在路段是该交叉口拥堵距离最长的路段，可以看出转向3(左转)重度拥堵距离高于中、轻度拥堵，而转向4(直行)方向上，重度、中度、轻度拥堵的拥堵距离较为平均且略低于转向3，说明直行方向虽然拥堵更加频繁，但是交通流仍然缓慢运行，而左转方向多发生拥堵距离大的重度拥堵，交通流更加阻滞、拥堵更为严重；③转向5(右转)和转向6(右转)的拥堵峰值(400 m左右)均出现在早高峰。转向5白天无拥堵排队情况出现，而转向6(左转)在一天当中均有大于200 m的中度或重度拥堵出现，说明该方向全天交通流缓慢。
以上分析反映交叉口同一路段不同转向之间的交通流速度、拥堵强度、拥堵距离都具有差异，这些差异可以为交通流控制提供依据。例如，通过探测转向3、4(左转、直行)交通拥堵强度和时间，可以看出转向3(左转方向)早高峰时段出现拥堵的时间比转向4(直行方向)早，而转向4在白天发生拥堵比转向3更为频繁，因此可以动态调整车道转向方向来缓解该路段的通行压力，如在早高峰时段8:00以前增加左转方向的绿灯通行时间或增加可变车道、白天时间增加直行方向的绿灯通行时间或车道数。同理，也可以减少转向2和转向5的右转车道，增加转向1(直行)、转向6(左转)车道。
2.3 结果与比较本文的研究揭示了交叉口同一路段不同转向之间的交通流速度、拥堵强度、拥堵距离都具有差异，而以往路段级的拥堵探测忽略了不同转向方向交通状态的差异。通过理解不同转向方向的交通状态动态变化，能够帮助不同转向方向的交通流控制，从而提高路网的运行效率。表 2为本文与目前几种典型探测交通拥堵和感知交通状态研究的比较。可以看出，首先利用固定传感器如感应线圈[5]、摄像机[6]等进行交通状态感知具有采集成本高、覆盖率低和实施范围小的缺点，不适用于大范围城市交通拥堵实时监测。与之相比，利用浮动车、手机的GPS定位数据[15, 17]可以在大范围上进行交通状态感知，采集成本低、可实施性较高。但是目前利用的GPS数据还只能进行道路级的交通状态探测，因此本文进行了更精确的转向级的拥堵探测。在精细的车道级状态感知和拥堵探测方面，已有文献[21-22]依赖于高精度的定位数据，采集成本高，或仅作为试验系统，不能大范围实施。因此，本文的主要贡献在于利用低成本、覆盖率高、大范围实施的GPS轨迹在已有的路段级尺度上进行更加精细的转向级拥堵探测。
3 结论
本文提出一种基于出租车GPS轨迹的转向级交通拥堵事件探测方法。该方法首先分析出租车GPS轨迹的行为特征，采用特征聚类方法滤选出能够反映真实交通状态的有效轨迹段；然后基于滤选后的有效轨迹段分析当前道路交通运行状态，探测城市路网中轻度、中度、重度3种不同强度的交通拥堵事件；最后基于拥堵轨迹分析交叉口不同转向的交通流速度、拥堵时间、拥堵距离等转向级精细交通拥堵状态。试验结果表明，本文能够准确滤选出反映交通状态的有效轨迹段，滤选的准确率达到93.3%；提出的方法能够有效探测路网中不同强度的拥堵轨迹，并且能实现交叉口转向级拥堵事件交通流速度、拥堵时间、排队长度的精细分析。通过与现有典型基于GPS轨迹探测交通拥堵研究的比较，本文方法能够达到更为精细的转向级拥堵探测，并且数据更易获得、能够大范围实施。本文后续将结合车道级GPS轨迹提取与分类方法，分别分析工作日、双休日、节假日等不同时间、不同转向和车道的拥堵情况，进行更精细的拥堵探测，为灵活精细的交通流控制提供支撑。
| [1] |
中国安防展览网.交通拥堵造成经济损失——ITS快速成长方向明确[EB/OL]. (2014-09-11)[2017-05-22]. http://security.asmag.com.cn/news/201409/72772.html. AFZHAN. Traffic congestion has led to economic losses: the tendecy of ITS's growth is deffinite[EB/OL]. (2014-09-11)[2017-05-22]. http://security.asmag.com.cn/news/201409/72772.html. |
| [2] |
刘有军, 田聪.
不同路网形态下城市交通拥堵特性分析[J]. 中国公路学报, 2013, 26(1): 163–169, 190.
LIU Youjun, TIAN Cong. Analysis of dynamic characteristics of urban traffic congestion based on specificity of network configuration[J]. China Journal of Highway and Transport, 2013, 26(1): 163–169, 190. DOI:10.3969/j.issn.1001-7372.2013.01.022 |
| [3] | TSEKERIS T, GEROLIMINIS N. City size, network structure and traffic congestion[J]. Journal of Urban Economics, 2013, 76(1): 1–14. |
| [4] | KRAUSE B, VON ALTROCK C, POZYBILL M. Intelligent highway by fuzzy logic: congestion detection and traffic control on multi-lane roads with variable road signs[C]//Proceedings of IEEE 5th International Conference on Fuzzy Systems. New Orleans, LA, USA: IEEE, 1996: 1832-1837. |
| [5] | COIFMAN B. Identifying the onset of congestion rapidly with existing traffic detectors[J]. Transportation Research Part A:Policy and Practice, 2003, 37(3): 277–291. DOI:10.1016/S0965-8564(02)00016-2 |
| [6] | CHO Y, RICE J. Estimating velocity fields on a freeway from low-resolution videos[J]. IEEE Transactions on Intelligent Transportation Systems, 2006, 7(4): 463–469. DOI:10.1109/TITS.2006.883934 |
| [7] | BAUZA R, GOZALVEZ J, SANCHEZ-SORIANO J, et al. Road traffic congestion detection through cooperative vehicle-to-vehicle communications[C]//Proceedings of IEEE Local Computer Networks Conference. Denver, CO, USA: IEEE, 2010: 606-612. |
| [8] |
仇培元, 张恒才, 余丽, 等.
微博客蕴含交通事件信息抽取的自动标注方法[J]. 中文信息学报, 2017, 31(2): 107–116.
QIU Peiyuan, ZHANG Hengcai, YU Li, et al. Automatic event labeling for traffic information extraction from microblogs[J]. Journal of Chinese Information Processing, 2017, 31(2): 107–116. |
| [9] |
王晓蒙, 彭玲, 池天河.
基于稀疏浮动车数据的城市路网交通流速度估计[J]. 测绘学报, 2016, 45(7): 866–873.
WANG Xiaomeng, PENG Ling, CHI Tianhe. A method of urban traffic flow speed estimation using sparse floating car data[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(7): 866–873. DOI:10.11947/j.AGCS.2016.20150472 |
| [10] | XU Lin, YUE Yang, LI Qingquan. Identifying urban traffic congestion pattern from historical floating car data[J]. Procedia-Social and Behavioral Sciences, 2013, 96(11): 2084–2095. |
| [11] | D'ANDREA E, MARCELLONI F. Detection of traffic congestion and incidents from GPS trace analysis[J]. Expert Systems with Applications, 2017, 73(1): 43–56. |
| [12] |
温慧敏, 扈中伟, 郭继孚, 等.
奥运期间北京市道路网运行分析[J]. 交通运输系统工程与信息, 2008, 8(6): 32–37.
WEN Huimin, HU Zhongwei, GUO Jifu, et al. Operational analysis on Beijing road network during the Olympic Games[J]. Journal of Transportation Systems Engineering and Information Technology, 2008, 8(6): 32–37. DOI:10.3969/j.issn.1009-6744.2008.06.004 |
| [13] |
朱琳, 于雷, 宋国华, 等.
基于浮动车数据的交通拥堵时间维度特征[J]. 北京交通大学学报, 2011, 35(6): 7–12.
ZHU Lin, YU Lei, SONG Guohua, et al. Temporal characteristics of traffic congestion duration based on floating car data[J]. Journal of Beijing Jiaotong University, 2011, 35(6): 7–12. DOI:10.3969/j.issn.1673-0291.2011.06.002 |
| [14] | LIU Chengkun, QIN Kun, KANG Chaogui. Exploring time-dependent traffic congestion patterns from taxi trajectory data[C]//Proceedings of the 20152nd IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services (ICSDM). Fuzhou: IEEE, 2015: 39-44. |
| [15] |
段滢滢, 陆锋.
基于道路结构特征识别的城市交通状态空间自相关分析[J]. 地球信息科学学报, 2013, 14(6): 768–774.
DUAN Yingying, LU Feng. Spatial autocorrelation of urban road traffic based on road network characterization[J]. Journal of Geo-information Science, 2013, 14(6): 768–774. |
| [16] | WANG Zuchao, LU Min, YUAN Xiaoru, et al. Visual traffic jam analysis based on trajectory data[J]. IEEE Transactions on Visualization and Computer Graphics, 2013, 19(12): 2159–2168. DOI:10.1109/TVCG.2013.228 |
| [17] |
林树宽, 于伶姿, 乔建忠, 等.
基于GPS轨迹数据的拥堵路段预测[J]. 东北大学学报(自然科学版), 2015, 36(11): 1530–1534.
LIN Shukuan, YU Lingzi, QIAO Jianzhong, et al. The congestion road segment prediction based on GPS trajectory data[J]. Journal of Northeastern University (Natural Science), 2015, 36(11): 1530–1534. |
| [18] | CASTRO P S, ZHANG Daqing, LI Shijian. Urban traffic modelling and prediction using large scale taxi GPS traces[C]//Proceedings of the 10th International Conference on Pervasive Computing. Newcastle: Springer, 2012: 57-72. |
| [19] |
付子圣, 李秋萍, 柳林, 等.
利用GPS轨迹二次聚类方法进行道路拥堵精细化识别[J]. 武汉大学学报(信息科学版), 2017, 42(9): 1264–1270.
FU Zisheng, LI Qiuping, LIU Lin, et al. Identification of urban network congested segments using GPS trajectories double-clustering method[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9): 1264–1270. |
| [20] | MOHAN P, PADMANABHAN V N, RAMJEE R. Nericell: rich monitoring of road and traffic conditions using mobile smartphones[C]//Proceedings of the 6th ACM Conference on Embedded Network Sensor Systems. Raleigh, NC, USA: ACM, 2009: 323-336. |
| [21] | HERRERA J C, WORK D B, HERRING R, et al. Evaluation of traffic data obtained via GPS-enabled mobile phones:the mobile century field experiment[J]. Transportation Research Part C:Emerging Technologies, 2010, 18(4): 568–583. DOI:10.1016/j.trc.2009.10.006 |
| [22] | NOLLE T, SCHWEIZER I, JANSSEN F. Data-driven detection of congestion-affected roads[R]. (2014-11-25)[2017-02-14]. http://www.ke.tu-darmstadt.de/publications/reports/TUD-KE-2014-02.pdf. |
| [23] | TERROSO-SAENZ F, VALDES-VELA M, SOTOMAYOR-MARTINEZ C, et al. A cooperative approach to traffic congestion detection with complex event processing and VANET[J]. IEEE Transactions on Intelligent Transportation Systems, 2012, 13(2): 914–929. DOI:10.1109/TITS.2012.2186127 |
| [24] | CHEN Biyu, YUAN Hui, LI Qingquan, et al. Map-matching algorithm for large-scale low-frequency floating car data[J]. International Journal of Geographical Information Science, 2014, 28(1): 22–38. DOI:10.1080/13658816.2013.816427 |
| [25] | LIKAS A, VLASSIS N, VERBEEK J J. The global k-means clustering algorithm[J]. Pattern Recognition, 2003, 36(2): 451–461. DOI:10.1016/S0031-3203(02)00060-2 |
| [26] |
北京市质量技术监督局.城市道路交通运行评价指标体系: DB11/T 785-2011[S].北京: 北京市质量技术监督局, 2011. Beijing Municipal Bureau of Quality and Technical Supervision. Urban road traffic performance index: DB11/T 785-2011[S]. Beijing: Beijing Municipal Bureau of Quality and Technical Supervision, 2011. |
| [27] |
武汉市交通规划网.武汉市交通运行周报[EB/OL]. (2015-07-27)[2017-03-15]. http://www.whtpi.com/News/11-9.html Website of Wuhan Transportation Planning. Weekly reports of traffic performance in Wuhan[EB/OL]. (2015-07-27)[2017-03-15]. http://www.whtpi.com/News/11-9.html. |