基于大数据的交通流量模式分析

高忠文 牛孜飏

摘 要：针对城市道路交通系统汽车流量时空分布严重不均且难以预测，极易引发交通拥堵的问题，基于城市交通监控系统中采集到的海量视频数据，结合模式识别技术与大数据挖掘方法，提出建立城市道路交通中车辆日常出行模式的方法。为进一步优化交通信号配时、调控交通流量、提高交通管理效率和道路资源利用率进而改善交通拥堵状况，提供有效的数据支持。

关键词：大数据;交通流量;模式分析

DOI：10.15938/j.jhust.2018.06.022

中图分类号： TP273

文献标志码： A

文章编号： 1007-2683（2018）06-0124-04

Abstract：In view of the urban road traffic systems temporal and spatial distribution is severe unevenly，and we cannot predict the situation of the roads，it is easily to lead to traffic jam.In order to solve the problem，we could build the system of vehicle trips in urban road traffic，which combined with  pattern recognize technique nique and data mining method，and based on the massive video data collected by the urban traffic monitoring sysem.The system can offer effective data support to optimizing traffic signal timing furtherly ，regulating traffic flow improving traffic management efficiency and road traffic resource utilization eventually improve traffic congestion.

Keywords：big data; traffic flow; mode analysis

0 引 言

城市交通擁堵问题一直是一项世界性的难题。目前我国正处于城镇化爆炸式发展时期，大中城市居民私家车保有量大幅度增加，大量存在的交通拥堵问题亟待解决。然而城市道路交通所产生的交通拥堵是阶段性发生的，如果交通指挥系统能提前分析掌握交通流量起伏变化的时空规律并加以分析，这必将对缓解交通拥堵问题大有助益。而传统的OD调查方法代价极高、过程繁琐。大数据挖掘方法概念一经提出便已促进能源、医疗、服务等大量传统产业产生了巨大变革，推动了诸多行业的发展进步[1-5]。不少专家学者也在研究运用目前炙手可热的大数据分析方法来解决交通问题[6-8]。文献[9-10]中应用车型聚类分析对检测范围内的车流前进速度进行高效的检测。文献[11]提出借助Intergraph GeoMedia建立GIS平台，将道路交叉口车辆数据、交通设施数据、交通事故数据等结合起来，进行事故分析检测。然而由于手机GPS提供的数据信息并非直接数据来源，且其中包含着大量不具备研究价值且无用的数据，这将会浪费巨大的数据处

理资源。本文从一个全新角度结合路网中由完备的监控系统中拍摄到的车辆，进行照牌提取。分析整合车辆日常出行时间及路线，再通过模糊聚类分析算法进行智能优化计算，建立交通路网运行模式。这样数据来源更精准更直接有效减少了大量冗余无效的数据，因而能以更低的成本和更高的效率分析获取相关潜在规律。根据所得交通模式，可以进一步对未来时间段的交通状况进行预测和预调度，交通拥堵现象势必能得到大大改善。

1 运行模式建立

1.1 数据来源

随着现代智能交通系统（ITS）建设不断完善，网络通信技术、高清视频技术及大数据挖掘等技术广泛应用于交通领域[12]。人们可以方便的将大量的交通信息收集存储起来，并从中提取整合出大量富含价值的信息。文献[13-15]将视频图像处理技术与模式识别相结合，集成了城市交通的基础信息、存储了海量的交通数据、数据挖掘技术可以对交通数据进行微观和宏观的统计、分析、综合和推理。道路上的摄像头可以捕捉到车牌的号码信息并进行识别，因此我们可以得到关于车牌信息、时间、摄像头编号等有效信息，加以存储，并用以分析出车辆的行驶方向、时间。

1.2 时段划分

交通系统中的通行过程类似于一种供求关系。各交通道路提供车辆行驶的空间，对应的车辆通过路网提供的空间顺利通过。供应方面为需求方面服务，在运行方式部署的路网交通灯及指挥人员的安排下，车辆按照交通法则行驶在路网中。而具体的规则本身也随着特定时段的等待车辆多少来相应修整（如交通信号灯的等待时长等），体现适应车流量变化规律的要求，由此可见流量方面的重要性。城市固定车辆的运行习惯模式分析的重要性毋庸置疑，且交通路网的指挥调度与流量的变化规律有着密不可分的关系。因此我们第一步的工作就是根据交通流量的情况进行时段（模式时段）的划分。

在交通系统中，交通流量及跟踪流量变化的交通拥堵现象在一天的变化是有规律的，有时变化快，有时变化慢，有时负荷较大，有时又较小，为了反映交通流量的水平档次的变化，我们给出了如下的时段划分方法：

2.2.1 形成节气样本中心

在同一节气中，人们日常的出行时间是相似的，但又有缓变信息，如何找出一个能代表这个节气的样本中心是分析这一节气负荷特性的第一步。

1.2.2 最近样本中心日的选取

以上述方式形成的节气样本中心，实际上是求取某种平均值，当某一个时段车流量的上升率是相同的，而流量上升段出现的时刻不同时，所形成的节气样本中心，其流量上升率将变缓慢，这种情况如图1所示，其中实线为节气样本（K=1，2），虚线为节气样本中心，可见虚线上升率减缓，这不足已反映流量变化的真是情况，为此我们选取了最近样本中心的样本为节气样本代表，选取如下：

1.2.3 区域流量水平分档

一天的流量按流量大小分为n档，则第K日第i采样时间单元第j区域的流量水平档次nij为：

1.2.4 系统的流量所处的水平档次

至此就可以根据ni同档（数据相同）对运行模式的时段进行划分了。

1.3 模式更新

为了反映模式的缓变信息，当新的一天采样数据来到时，首先要判断是否属于正常日样本，如果是则参与样本类中心的更新然后计算新的最近样本中心日的运行模式，添加到数据库中。研究管理人员就可以从简单的对比分析中，立刻掌握局部交通系统的现行运行状态的梗概。

2 实例分析

本文以某市区拥堵情况多发的某主干道路段为例，使用上文中论述的实施步骤将检测结果在可视化原型上进行统计分析。

取一年中比较有代表性的夏冬两季节所包含的六个节气样本中心进行综合分析，夏至至立秋节气样本中心综合为夏季样本中心;冬至至立春节气样本中心综合为冬季样本中心。图中实线给出的是统计周期内得到的以20min为单位统计的总车流量日平均结果;虚线为相同统计条件下居民出行具备节气相关性的出行车流量。

由图4中可以看出夏季样本中心，深夜车流量季节相关性基本不存在，且早晚高峰流量具有明显的季节相关性，峰值时甚至高达74.8 %;午间小高峰季节相关性不低于35%;至于8：20～11：40及3：00～5：20平峰時段的季节相关性则只体现介于13%～19%的低相关性。图5冬季日间总车流量较之夏季相差不大，但相较于夜间能显示突出的日间出行倾向。比之夏季样本中心夜间相关出行量则出现了锐减。冬季样本中心和夏季相比，晚高峰出现时段则出现了40-50分钟的前移，且持续时间延长20-30分钟。

分析建立相关交通系统运行模式可带来如下好处：

1）相关运行模式的交通流量特征指标简明扼要，信息量并不繁杂，具有综合性，便于调度运行人员迅速掌握交通系统的发展态势。

2）相关运行模式注意反映总体、局部不同层次的关系，式样多级分层调节体制。

3）正常运行模式向人们提供正常化与否的参照系，便于运行调度人员及时发现异常问题及其所在。

3 结 论

本文借助监控系统结合车牌图像识别，以大数据挖掘的方法建立路网系统运行模式。完成了对固定交通流规律的分析统计，解决了以往对交通流规律无法预测的情况。有助于交通系统的分析和运行调度人员对系统运行状况的了解和掌握，方便优化交通组织方案。可作为智能交通优化调度的基础数据，为进一步的优化调控提供数据支持。

参 考 文 献：

[1] CHEN M MAO S LIU Y. Big Data： A Survey[J]. Mobile Networks and Applications 2014 19（2）：171-209.

[2] YADAV C WANG S KUMAR M. Algorithm and Approaches to Handle Large Data-A Survey[J]. International Journal of Computer Science & Network 2013 2（3）：1177-1181.

[3] 李建中 王宏志 高宏. 大数据可用性的研究进展[J]. 软件学报 2016 27（7）：1605-1625.

[4] 李国杰 程学旗. 大数据研究：未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J]. 中国科学院院刊 2012 27（6）：5-15.

[5] 李雨童 姚登举 李哲，等. 基于R的医学大数据挖掘系统研究[J]. 哈尔滨理工大学学报 2016 21（2）：38-43.

[6] LI De-ren CAO Jian-jun YAO Yuan. 智慧城市中的大数据[J]. Science China Information Sciences 2015 39（10）：631-640.

[7] 胡宇舟 范滨 顾学道，等. 基于Storm的云计算在自动清分系统中的实时数据处理应用[J]. 计算机应用 2014（S1）：96-99.

[8] 张和生 张毅 胡坚明，等. 面向ITS的GIS研究与设计[J]. 公路交通科技 2004 21（3）：71-74.

[9] 吴聪 李勃 董蓉，等. 基于车型聚类的交通流参数视频检测[J]. Acta Automatica Sinica 2011 37（5）：569-576.

[10]BALAJI P G SRINIVASAN D. Type-2 Fuzzy Logic Based Urban Traffic Management[J]. Engineering Applications of Artificial Intelligence 2011 24（1）：12-22.

[11]王冬蕾 刘富强 周凯. GIS在智能交通系统交叉口监控中的应用研究[J]. 计算机工程与设计 2008 29（20）：5330-5332.

[12]孙智源 陆化普. 考虑交通大数据的交通检测器优化布置模型[J]. 清华大学学报（自然科学版） 2016（7）：743-750.

[13]王洋 曾雪琴 范剑英. 汽车牌照字符识别系统设计[J]. 哈尔滨理工大学学报 2012 17（1）：90-95.

[14]呙润华 苏婷婷 马晓伟. BP神经网络联合模板匹配的车牌识别系统[J]. 清华大学学报（自然科学版） 2013（9）：1221-1226.

[15]陶泽明 裴玉龙 杜文刚. 基于MATLAB的车辆图像滤波[J]. 哈尔滨理工大学学报 2008 13（1）：18-20.

（编辑：关 毅）