李 甜，段修輝，宋欣航，張萌萌，于 悅

（1.山東交通學院 交通與物流工程學院，山東 濟南 250357；2.西南交通大學 利茲學院，四川 成都 611756）

引言

城市交通狀態(tài)的準確判別是科學地制定管控策略的重要基礎。早期對交通判別的研究主要集中在對交通事件的自動檢測，21 世紀以來，交通狀態(tài)判別發(fā)展為常發(fā)性擁堵、偶發(fā)性擁堵的識別研究。為了更加全面的梳理交通狀態(tài)判別的理論方法和應用，運用文獻計量學的方法對知網(wǎng)和Web of Science 核心數(shù)據(jù)庫中近20 年的交通狀態(tài)判別相關的文獻進行統(tǒng)計分析，以追蹤交通狀態(tài)判別領域的發(fā)展趨勢、研究熱點及前沿。

1 數(shù)據(jù)來源

所使用的數(shù)據(jù)來源于兩大數(shù)據(jù)庫，其中國內文獻以中國知網(wǎng)（CNKI）為檢索來源，檢索主題設為：主題=“交通擁堵”或“交通狀態(tài)”并且主題=“識別”或“判別”，檢索時間跨度為2000—2018年；國外文獻以Web of Science 為檢索來源，檢索主題為：主題=“traffic congestion” or “traffic state/condition”and“identification” or “discrimination”。經(jīng)過篩選得到325 篇CNKI 的分析樣本與980 篇Web of Science 分析樣本。

2 結果與討論

2.1 發(fā)文年度分析

國家/地區(qū)發(fā)表文獻數(shù)量統(tǒng)計見圖1。可以看出：（1）每年發(fā)表文章數(shù)量前三名的國家包括美國、中國、英國、印度等國。2016 年之后印度發(fā)文數(shù)量增勢明顯，均位于第三位。（2）篇均引用次數(shù)整體呈下降趨勢，與發(fā)表論文總量的大幅增長有關。（3）年度總引用量在2008 年達到峰值，近兩年呈大幅下降趨勢。可能由于近兩年發(fā)表的文獻缺少時間累積被其他論文引用，也可能由于學者對交通狀態(tài)識別的關注度下降。

圖 1 國家/地區(qū)發(fā)表文獻數(shù)量統(tǒng)計

由圖2 可以看出整體趨勢與WOS 數(shù)據(jù)庫類似，整體波動增長。年總引用量在2006 年達到峰值，隨后波動下降。

圖2 知網(wǎng)相關文獻發(fā)表概況

2.2 國家發(fā)文數(shù)量及合作關系分析

文獻質量和文獻影響力可以通過篇均引用次數(shù)反映。由圖2 可知，篇引用次數(shù)最高的分別為德國、加拿大、澳大利亞，中國的篇均引用次數(shù)雖然相對較低，但與前三位的差距不大。

國家間的學術合作有利于促進科學研究的發(fā)展融合，國家間合作關系見圖3?？梢钥闯觯c其他國家合作較多的國家有中國、美國、澳大利亞、英國、韓國、法國等國，與發(fā)表文章較多的國家基本吻合。中國與其他國家的合作較為廣泛，與日本、美國、英國、等國學者均有合作。

圖3 國家間合作關系分析

2.3 期刊的表現(xiàn)

科技期刊的影響力主要指它在自己專業(yè)學術領域期刊利用的廣度和深度。由表1 可知，影響力較大的期刊有《交通信息與安全》與《交通運輸系統(tǒng)工程與信息》。由表2 可知，英文期刊表現(xiàn)較為突出的是《TRANSPORTATION RESEARCH RECORD》。

表1 基于CNKI 數(shù)據(jù)庫發(fā)表文獻數(shù)目排名前5 期刊的表現(xiàn)

表2 基于Web of Science 數(shù)據(jù)庫發(fā)表文獻數(shù)目排名前5 期刊的表現(xiàn)

2.4 文章被引與共被引分析

2.4.1 文獻被引次數(shù)分析

2000—2018 年CNKI 數(shù)據(jù)庫總被引前5 的文獻見表3，2000—2018 年Web of Science 數(shù)據(jù)庫總被引前5 的文獻見表4。

表3 CNKI 前10 高被引文獻

（1）《中國交通工程學術研究綜述·2016》[1]的總被引次數(shù)最高，系統(tǒng)梳理了交通流理論、交通規(guī)劃、道路交通安全等11 個領域的國內外研究進展及前沿熱點。（2）總被引第二位是《交通狀態(tài)模式識別研究》[2]，較早地利用仿真數(shù)據(jù)，通過監(jiān)督分類的機器學習算法對網(wǎng)絡交通狀態(tài)識別，為后期交通狀態(tài)判別研究提供了一個方向。（3）總被引第三位是《基于環(huán)形線圈檢測器采集信息的交通狀態(tài)分類方法應用研究》[3]，較早地利用固定交通檢測器及聚類算法對交通狀態(tài)判別，為交通狀態(tài)自動識別奠定了一定的研究基礎。

表4 Web of Science 數(shù)據(jù)庫前10 高被引文獻

（1）《Onset of traffic congestion in complex networks》[4]總被引次數(shù)最高，研究了不同網(wǎng)絡拓撲結構對交通流狀態(tài)的影響。（2）總被引次數(shù)第二的是《Congestion and centrality in traffic flow on complex networks》[5]，研究了交通無標度網(wǎng)絡上幾種模型的中心度與流量密度之間的關系，對未來通過交通網(wǎng)絡結構研究交通擁堵領域的學者有重要的參考價值。（3）BAUZA R[6-7]在被引頻次較高的文獻中出現(xiàn)了兩次，提出并評價了基于V2V 通信的COTEC 交通擁堵檢測技術。

2.4.2 文獻共被引分析

文獻共被引[8]是指兩篇文獻共同出現(xiàn)在第三篇施引文獻的參考目錄中，則這兩篇文獻形成共被引關系。表5 顯示了兩個不同作者之間的共被引強度。

表5 作者共被引頻次

在交通狀態(tài)判別領域有影響力的作者可以在圖4 清晰地顯示，并且可以發(fā)現(xiàn)排名前5 的高被引文章作者都可以在共被引網(wǎng)絡圖體現(xiàn)，其中ARNOTT R網(wǎng)絡節(jié)點較大且與其他3 位作者共現(xiàn)頻次較高。

2.5 關鍵詞研究

關鍵詞可以突出一篇文章的主題和研究重點，讀者可以利用關鍵詞來快速確定該文章的研究方向。對收集的325 篇文章中的1 292 個關鍵詞進行分析，并將所有的關鍵詞劃分為七大類，CNKI 關鍵詞分析見圖4。

圖4 CNKI 關鍵詞分析

可以看出，交通事故、交通控制和交通誘導主題研究較多，聚類算法、神經(jīng)網(wǎng)絡、模式識別、分類算法的占比較高，交通狀態(tài)的分析多集中在城市道路與高速路，基于固定檢測器與移動式采集設備的數(shù)據(jù)對于該領域的研究占比相差不大。

2.6 未來研究方向預測

引文分析可以直觀的顯示出研究領域的智能結構。對2016—2018 年的中英文文獻所提取的關鍵詞進行聚類分析，結果見圖5、圖6。

圖 5 CNKI 數(shù)據(jù)庫關鍵詞聚類

圖 6 Web of Science 數(shù)據(jù)庫關鍵詞聚類

隨著大數(shù)據(jù)和先進設備的發(fā)展，更精確的數(shù)據(jù)開始成為研究交通問題的有力工具，越來越多的研究開始關注神經(jīng)網(wǎng)絡與機器學習。

3 結語

對數(shù)據(jù)庫的文獻作者、國家/地區(qū)等進行統(tǒng)計，發(fā)現(xiàn)中國發(fā)文量較高，與其他國家關系密切，期刊中《交通信息與安全》和《交通運輸系統(tǒng)工程與信息》對交通狀態(tài)更加關注，聚類算法應用較多。未來復雜多變的交通環(huán)境下如何實時、精確地識別交通狀態(tài)仍是該領域研究的重點。