基于行程时间比指数的街道级交通运行特征研究

张 溪，刘建军，周 天，孙建平，温慧敏

(1.北京交通发展研究院, 北京 100073； 2.城市交通运行仿真与决策支持北京市重点实验室, 北京 100073；3.北京市交通委员会, 北京 100073)

0 引言

随着社会经济持续、快速、高效的发展，北京市城市化与机动化水平不断提升，导致城市人口集聚膨胀、城市功能区集中，由此带来交通需求量的迅速增加，也带来了交通拥堵等一系列问题. 近年来北京市政府通过“规”“建”“管”“限”多项措施持续治理交通拥堵，在一定程度上遏制了城市道路拥堵的蔓延及恶化. 随着交通治理的精细化工作要求，2011年开始北京市中心城六区分别成立区交通委，建立市区两级治理交通拥堵工作机制，2016年交通拥堵治理的责任逐步下沉到街道，由此形成了市级—区级—街道级多个部门联合治堵的工作模式.

北京市自2007年开始建立路网交通指数评价机制，2011年分析细化到行政区，2015年开始逐步对重点功能区进行指数评价，多年的实际使用证明了该评价方法的成熟性、敏感性和准确性，实现了对日常交通运行状况的定量化评价. 在新的工作体制下，需要将交通拥堵分析的尺度进一步缩小到街道级，建立面向街道级的交通拥堵评价体系方法和评价标准，对街道进行交通运行特征研究，支持面向多部门联合治理交通拥堵的工作要求.

1 国内道路交通运行评价方法

随着智能交通技术的发展，近年来国内道路交通运行评价工作迅速发展，大城市普遍建立了各自的道路交通指数评价系统，用于交通管理部门定期监测和评价城市交通运行情况，为交通规划、治理拥堵等工作服务. 基于车辆实时卫星定位数据的浮动车技术是当前主流的实时路网运行状态辨识技术，互联网公司还可以通过用户出行数据获取车辆位置信息，从而计算路段运行速度. 路段运行速度是道路运行评价的最小计算单元，道路网交通指数是利用数学建模的方法从微观到宏观实现对整体道路网运行状态进行评测. 国内交通指数计算模型的方法主要分为2大类，一类以严重拥堵占比为指标[5-7]，以北京、广州、武汉、杭州为代表；另一类以路段的平均运行状况、计算行程时间比、延误时间等指标，以深圳、高德公司为代表[8-9].

1.1 基于严重拥堵里程比的交通指数模型

基于严重拥堵里程比的交通指数计算是指在一定的统计时间内首先通过路段运行速度判断处于拥堵状态的路段[10]，如城市快速路路段低于20 km/h判定为拥堵；其次分不同道路等级求出拥堵路段长度占到总路段长度的比例，进一步按照不同道路等级的VKT(车公里)进行加权，得到全路网的拥堵里程比例；最后按照一定的数学转换，计算出全路网交通指数，指数一般取值0～10，数值越高表明越拥堵. 北京、广州、杭州、武汉等城市采用此种模型方法，但是不同城市根据各自的运行特点，在拥堵路段阈值划分、拥堵里程比例与指数的转换关系、指数分级等方面存在不同.

1.2 基于行程时间比的交通指数模型

基于行程时间比的交通指数计算是指在一定的统计时间内计算每个路段实际行程时间与畅通状态下行程时间的比值，即TTI，如某路段行程时间比1.2，表示该时刻花费的时间比畅通状态多0.2倍，路网中每个路段均参与计算，加权得到全路网的行程时间比，有的转换成0～10的指数，有的直接用行程时间比作为指数. 路段畅通状态下的旅行时间通常采用累积速度排序，取85%分位数作为畅通流速度. 美国德州交通研究院最早提出TTI[1-3]，国内高德、滴滴等互联网企业在城市拥堵排名应用较多.

表1 两种道路交通拥堵评价方法

1.3 敏感性对比

大区域范围路网评价方面，基于严重拥堵比例的方法较基于行程时间比的方法对高峰道路拥堵变化更敏感，其原因是重点刻画了道路出行拥堵所占的比例[11-13]，而行程时间比的方法则计算了全部样本，属于均值类方法，评价范围越大，平滑的效果越明显. 图1对比了基于两种模型计算北京市中心城区周一和周五工作日的交通指数，严重拥堵里程比例方法更体现出周一早高峰通勤拥堵以及周五晚高峰交通拥堵特性. 在评价大范围路网区域时，应优先选用严重拥堵里程比例方法.

小区域路网评价方面，基于严重拥堵比例的方法存在波动性大的问题，其原因是由于路网范围变小，基于严重拥堵里程比例的方法会造成计算结果忽高忽低的情况，不能反映真实状态，见图2. 行程时间比的方法由于考虑了区域内所有样本，计算结果的稳定性较高. 因此在评价区域较小时，应选用基于行程时间比的交通指数计算方法.

图1 北京市全路网典型工作日交通指数对比

图2 北京市金融街地区典型工作日交通指数对比

2 基于出行时间比的街道级交通指数计算

2.1 计算方法

街道级交通指数的计算基于街道内每个路段的平均运行速度，来源于浮动车数据系统[4]. 区域平均TTI可由各路段的行驶里程(VMT)作权重对路段TTI进行加权求得，进一步把区域TTI折算成0～10的指数，计算公式如式(1)(2)：

(1)

(2)

式中，th为平均高峰出行时间；tf为自由流下出行时间；td为延误时间.

表2 行程时间比与路网交通指数转换关系

2.2 计算结果

按照2.1的方法，选用2017年9月份1周工作日对东城区、西城区共32个街道进行交通指数计算，按早高峰07:00—09：00，晚高峰17：00—19：00，得到每个街道的高峰指数情况，见图3. 选取9个典型街道绘制分时段的交通指数图，见图4.

图3 东、西城街道早、晚高峰运行状态图

图4 东、西城部分街道工作日交通指数变化趋势图

3 街道交通指数聚类

聚类是一种数据挖掘过程，即使用挖掘工具对已知数据隐藏的关系和模型进行辨识. 聚类是按照样本一定的相似性实现对样本进行分组，与分类不同，属于一种非监督类的分析方法，在商业上，多用于用户画像，分析不同客户群体的特征. 街道交通指数聚类，其目的是对大量数据进行分析挖掘，识别不同地区的拥堵模式，找出影响因素，为治理交通拥堵、引导交通出行奠定基础.

3.1 聚类算法

聚类分析的算法有多种，常用的有系统聚类法、K-means聚类法等. 本文选取系统聚类法对街道级交通指数进行聚类分析. 系统聚类是用一种类似树状结构的图形即聚类谱系图来表示. 聚类谱系图可清晰地看出全部样本的聚集过程，进而可做出对全部样本的分类. 系统聚类法的基本思路是先将聚类的样本或变量各自看成一群，然后确定类与类之间的相似统计量，并选择最接近的两类或若干个类合并成一个新类，计算新类与其他各类之间的相似性统计量，再选择最接近的两群或若干群合并成一个新群，直到所有的样本或变量都合并成一类为止.

3.2 聚类指标

样本的指标选择是聚类分析中最重要的一步，样本点的各个指标的值即是它在空间中各个维度的取值，它决定了样本点在空间中的分布特征，进而直接影响聚类分析的结果. 聚类指标可以选取交通指数变化曲线的一些几何特征，如峰值、高峰平均值、变化率等. 另外，交通指数也可以直接作为指标参与聚类分析过程.

本文将每个时段的交通指数直接作为指标，为排除夜间劣质数据的干扰，选用数据质量较好的06：00—21：00共16 h的每15 min粒度的交通指数数据作为计算样本，每个街道1 d有60个指数指标，每个指数都直接反应了该时刻的拥堵特征. 这样的指标选取，能够真正找到每条曲线的共性和差异性，并且符合实际交通意义. 每个时段的交通指数都作为指标的好处在于既能体现高峰期的交通拥堵特性，又能将平峰时的交通运行情况考虑在内，对于1 d的交通运行变化特性全面刻画. 通过选取以上聚类指标，使不同街道能够聚集成多种带有明显运行特征的类型街道，从而更好地分析不同类型街道的交通运行特征.

3.3 聚类结果

对各街道在早06：00—21：00的交通指数采用系统聚类方法聚类后得到图5所示聚类树. 聚类树图中各编号对应街道可见表3.

根据不同街道交通指数变化趋势，当系统聚类的结果分为5类时效果最佳. 得到的聚类分析结果见表4.

图5 聚类树

表3 街道编号表

表4 聚类结果

4 街道交通运行特征分析

对聚类出的5种类型交通模式曲线的变化趋势进行分析后，可对不同分类结果下街道的运行特征进行描述和分析并给出标准曲线.

1)类型一：早高峰明显拥堵的街道

图6 模式曲线一 (早高峰明显拥堵的街道)

该类型街道早高峰拥堵状况明显差于晚高峰. 根据早高峰模式曲线可知，早高峰开始于07:30并在10:00左右结束，持续时间2.5 h，最拥堵时段出现于07:30—08:00，基本到达严重拥堵，晚高峰运行状况优于早高峰. 此类模式下的街道多属于早高峰通学出行、通勤出行需求较大的街道，如东城区的和平里街道与天坛街道中小学分布密度大，西城区的白纸坊街道和牛街街道以住宅用地为主，商业用地较少使得早高峰时段产生大量的通勤交通量.

2)类型二：晚高峰明显拥堵的街道

该类型街道晚高峰拥堵状况明显差于早高峰，早高峰拥堵现象不显著，晚高峰开始较早且拥堵状态的持续时间较长，在14:30开始交通指数开始明显上升，晚高峰开始于16:00，结束于19:30，持续时间3.5 h，最拥堵时段出现于18:00—18:30. 此类模式下的街道用地类型多以办公、商场为主，集中在东城区，例如建国门街道、朝阳门街道、东四街道，区域内有工人体育馆、东单商圈、东直门商圈、朝阳门商圈等，晚高峰交通出行需求以休闲娱乐为主.

图7 模式曲线二 (晚高峰明显拥堵的街道)

3)类型三：早晚高峰均拥堵的街道

该类型街道特征为早、晚高峰时段均出现明显高峰，平峰时段交通拥堵水平稍低. 早高峰大致开始于07:30，并于10:30左右结束，持续时间3 h. 晚高峰大致开始于16:15并于19:00左右结束，持续时间2.75 h. 该类型的街道早晚高峰拥堵程度相当，分析原因可能受到街道用地类型多样化因素的影响. 如广安门内街道，其用地类型较多，包括有学校、医院、商业、景点和住宅，早高峰通勤时段住宅用地产生大量出行交通量，学校、医院、商业和景区用地作为早高峰交通的吸引点会有大量交通流涌入，因上班、上学、就医和休闲在时间上的差异使早高峰持续的时间较长. 晚高峰同样受到大量进出交通的影响，导致拥堵持续时间较长.

图8 模式曲线三 (早晚高峰均拥堵的街道)

4)类型四：白天持续拥堵的街道

该类型街道白天时段交通压力持续较大，未存在明显的高峰和非高峰，06:00—21:00交通运行状况一直处于中度偏严重拥堵的状态，交通需求持续较大，仅在中午12点左右交通状况微弱改善，总体上看晚高峰的拥堵情况较早高峰更差. 具有这一特征的街道多为全天交通发生和吸引强度均较大的区域，如东华门街道内有天安门广场、故宫博物院等历史遗址，还包括很多政府机构、医院、学校以及商业街，白天会持续发生和吸引大量的交通流，全天交通需求量居高不下，全天拥堵时间较长.

图9 模式曲线四(白天持续拥堵的街道)

5)类型五：其他

该类型街道与之前4种模式不同，虽然存在双峰特征，但是早晚高峰时段的拥堵程度均较低，晚高峰时段拥堵情况稍差. 辖区内没有大的交通发生与吸引点. 交通需求较低，交通拥堵状况较其他街道稍好.

图10 模式曲线五(其他)

5 结束语

本文对比了基于严重拥堵里程比例和基于行程时间比的交通指数计算模型，分析了两种模型在不同区域范围的适用性，确立了小区域更宜采用行程时间比的方法计算交通指数，对北京市东城区、西城区共32个街道进行了典型工作日的交通指数计算. 为分析不同街道的交通运行特征，利用系统聚类的方法对所有街道的工作日交通指数进行聚类分析，得出了5种典型特征的街道指数模式曲线，从出行特征、交通需求、用地类型等角度，对不同类型街道的模式曲线进行了分析，总结了交通运行特征. 该研究成果可服务于北京市精细化交通治理工作，在数据条件丰富的情况下，评价范围可从核心区扩展到全市，为不同类型的街道交通管理和拥堵治理提供决策支持.