【摘 " "要】：針對現(xiàn)有交通流量采集手段的不足，利用多源數(shù)據(jù)從多個角度分析了交通走廊的流量變化規(guī)律。結(jié)果表明，客車和貨車的交通流量存在周變化和日變化趨勢，客車流量周五最高，貨車流量相對平均；客車交通流量具有明顯的早晚高峰，而貨車交通流量則全天比較均勻；不同省份和城市駛?cè)敫咚俟返能囕v占比存在差異；交通樞紐的交通流量具有明顯的方向性，主線方向的流量最大。

【關(guān)鍵詞】：多源數(shù)據(jù)融合；交通走廊；交通流量；多角度分析；高速公路

【中圖分類號】：U491 【文獻(xiàn)標(biāo)志碼】：C 【文章編號】：1008-3197（2024）04-01-04

【DOI編碼】：10.3969/j.issn.1008-3197.2024.04.001

Traffic Flow Analysis of Transportation Corridors from Multiple Perspectives Based on Multi-Source Data Fusion

CHEN Junjian1， LIU Chunsheng3， WANG Xiaohan3， HU Fengjiang2

（1. Shangdong Gezhouba Jushan Expressway Co. Ltd.， Jinan 250000，China; 2.Tianjin Municipal Engineering

Design amp; Research Institute Co. Ltd.， Tianjin 300392，China；3.Shandong Jianzhu University， School of Transportation Engineering，

Jinan， 250000，China）

【Abstract】：Taking into account the inadequacies of existing traffic flow collection methods， this study analyzed the traffic flow change patterns of traffic corridors from multiple perspectives using multi-source data. The results showed that there were weekly and daily trends in the traffic flow of passenger and freight vehicles， with passenger traffic peaking on Fridays and freight traffic being relatively consistent;passenger traffic showed obvious peak hours， while freight traffic remained relatively uniform throughout the day;the proportion of vehicles entering expressway from different provinces and cities varied;the traffic flow of transportation hubs showed obvious directionality， with traffic flowing in the main direction being the largest.

【Key words】：multi-source data fusion; traffic corridor; traffic flow; multi-perspective analysis; expressway

交通流量是道路交通運(yùn)行狀態(tài)的重要參數(shù)，準(zhǔn)確計算和分析交通流量可以更好地理解城市交通情況，改善交通擁堵問題，提高環(huán)境質(zhì)量，為城市的可持續(xù)發(fā)展提供支持。傳統(tǒng)交通流量的計算方法主要是人工實(shí)地觀測法[1]、OD推算法[2～3]。人工實(shí)地觀測法通過人工方法對車輛屬性等信息進(jìn)行細(xì)致的觀測，可以得出較為準(zhǔn)確的數(shù)據(jù)，符合實(shí)際需要；但也有一些缺點(diǎn)，如勞動強(qiáng)度大、費(fèi)時費(fèi)力、受人為因素影響較大。OD推算法能夠根據(jù)少量的觀測數(shù)據(jù)，精確地推算出未知的OD矩陣和交通流量，解決缺乏數(shù)據(jù)的問題；但該方法需要利用先前的數(shù)據(jù)建模，數(shù)據(jù)不準(zhǔn)確會影響推算的準(zhǔn)確性?，F(xiàn)階段隨著信息技術(shù)的快速發(fā)展，越來越多的檢測方法被用于交通流量的計算，如，交通監(jiān)控視頻[4]、路段感應(yīng)線圈[5～6]、收費(fèi)站數(shù)據(jù)[7]。交通監(jiān)控視頻處理成本高，不易于在高速路網(wǎng)中推廣；感應(yīng)線圈數(shù)據(jù)雖然可以獲得準(zhǔn)確的斷面交通流參數(shù)，但是難以反應(yīng)車輛的流向情況；收費(fèi)站數(shù)據(jù)僅記錄車輛進(jìn)出高速公路的信息，可以捕捉交通走廊中OD流向情況，但是難以捕捉車輛在某個具體路段的行車狀態(tài)。

針對當(dāng)前技術(shù)手段分析交通流量過程中的不足，引入了高速公路門架數(shù)據(jù)，利用收費(fèi)站數(shù)據(jù)和門架數(shù)據(jù)，從交通流量的時空變化、交通走廊OD分布、駛?cè)敕?wù)區(qū)車輛占比及交通樞紐分流特征4個角度對整個交通走廊的流量情況進(jìn)行分析和討論。

1 理論與方法

1.1 交通走廊多角度流量分析框架

為更好了解高速公路交通走廊中交通流量的規(guī)律，在門架數(shù)據(jù)和收費(fèi)站數(shù)據(jù)的基礎(chǔ)上設(shè)計多角度流量分析框架。首先門架數(shù)據(jù)經(jīng)過預(yù)處理刪除重復(fù)及缺失的記錄，然后根據(jù)門架數(shù)據(jù)計算出交通樞紐分流情況、交通流量時空變化特征，結(jié)合收費(fèi)站門架計算出駛?cè)敕?wù)區(qū)的車輛數(shù)目，根據(jù)收費(fèi)站數(shù)據(jù)可以得出交通走廊OD流向。見圖1。

1.2 駛?cè)敕?wù)區(qū)車輛識別算法

K-means聚類算法[8]是一種常用的無監(jiān)督學(xué)習(xí)算法，用于將數(shù)據(jù)集劃分為K個不同的類別。假設(shè)有n個車輛x1，x2，……，x3，選取的特征為時間和車輛平均行程，將這些數(shù)據(jù)點(diǎn)劃分為K個聚類，每個聚類的中心點(diǎn)分別為c1，c2，……，c3。由于利用K-means聚類算法來判定車輛是否駛?cè)敕?wù)區(qū)，所以K設(shè)置為2。針對不同車型采用不同的聚類中心，聚類時長為24 h，客車、貨車度分別為90、75 km/h。見表1。

表1 各個車型聚類中心選擇

[參數(shù)名稱 設(shè)置數(shù)值 聚類時間序列的長度 24 h K-means中針對客車的兩個

初始化聚類中心 （90 km/h，12 h） （10 km/h，12 h） K-means中針對貨車的兩個

初始化聚類中心 （75 km/h，12 h） （10 km/h，12 h） ]

首先，定義數(shù)據(jù)點(diǎn)xi與聚類中心點(diǎn)cj的距離dist（xi，cj），可以使用歐氏距離或其他距離度量方法；然后，將每個數(shù)據(jù)點(diǎn)xi分配給距離最近的聚類中心點(diǎn)；接著，更新每個聚類的中心點(diǎn)，計算每個聚類中所有數(shù)據(jù)點(diǎn)的均值。對于第j個聚類，其中心點(diǎn)cj的更新公式為

[cj=1 Sjxi∈Sjxi] （1）

式中：Sj為分配給第j個聚類的數(shù)據(jù)點(diǎn)集合；[Sj]為該集合中的數(shù)據(jù)點(diǎn)數(shù)量。

重復(fù)執(zhí)行上述分配和更新步驟，直到聚類中心點(diǎn)不再變化或達(dá)到預(yù)定的迭代次數(shù)。

K-means聚類算法的目標(biāo)函數(shù)是最小化所有數(shù)據(jù)點(diǎn)與其所屬聚類中心點(diǎn)之間的距離的平方和，即

[J=i=1nj=1Krij?dist（xi，cj）2] （2）

式中：[rij=1]表示數(shù)據(jù)點(diǎn)[xi]屬于聚類中心點(diǎn)；[rij=0]表示不屬于。

2 實(shí)例分析

2.1 數(shù)據(jù)來源

以山東省巨單高速公路作為研究對象。巨單高速公路（巨野—魯皖界段）為南北走向，全長 116.202 "km，沿線設(shè)置王官屯—巨野西、大田集—成武樞紐、單縣南—龍王廟等12個門架及3個服務(wù)區(qū)。見圖2。

數(shù)據(jù)時間范圍為2023年7月—9月，共3 802 235條數(shù)據(jù)。

2.2 交通流量時空變化特性

分析巨單高速公路所有門架的交通流量時空變化特性，對周變化趨勢和日變化趨勢進(jìn)行統(tǒng)計。在周變化中，周五的客車交通流量最高，平均為11 166輛；而貨車流量變化較為均勻。在日變化中，客車呈現(xiàn)出了明顯的早高峰趨勢，早高峰時間段為7：00—9：00，晚高峰時間段為16：00—18：00；而貨車全天沒有明顯的高峰趨勢。見圖3。

2.3 交通走廊OD流向

對各地車輛流入巨單高速公路的比例進(jìn)行分析，可以更好地了解當(dāng)?shù)氐慕煌顩r和未來交通規(guī)劃，對交通運(yùn)輸企業(yè)的業(yè)務(wù)決策和政府部門的交通規(guī)劃也有重要的參考價值，利用收費(fèi)站數(shù)據(jù)挖掘出各車型的OD流向情況。所有車型中從菏澤本地駛?cè)氲能囕v占比最高，為24.07%；貨車車型中從安徽流入的車輛占比排名第二，為13.76%。見圖4。

2.4 駛?cè)敕?wù)區(qū)流量

對駛?cè)敕?wù)區(qū)的流量進(jìn)行分析可以幫助優(yōu)化服務(wù)區(qū)的布局規(guī)劃和物資配送，提高服務(wù)質(zhì)量和效益。各類貨車駛?cè)敕?wù)區(qū)的比例最高，是客車的2.5倍左右；另外，西側(cè)單縣服務(wù)區(qū)駛?cè)敕?wù)區(qū)的占比最高，達(dá)到15.03%。見表2。

2.5 交通樞紐分流特征

高速公路交通樞紐是高速公路與其他交通方式的銜接點(diǎn)，也是高速公路的交通集散中心，如收費(fèi)站、服務(wù)區(qū)、匝道等，是高速公路通行能力和交通安全的重要組成部分，探究高速公路交通樞紐分流特征具有重要意義。各路段在主線方向的流量最大，其余方向占比較小。見圖5。

3 結(jié)論與展望

1）巨單高速公路客車與貨車的交通流量存在周變化和日變化趨勢。具體來說，客車交通流量在周五最高，貨車的交通流量則相對比較平均。另外，客車交通流量呈現(xiàn)明顯的早晚高峰趨勢，早高峰時間為7：00—9：00，晚高峰時間為16：00—18：00，而貨車的交通流量則全天較為均勻。

2）菏澤本地駛?cè)氲能囕v占比最高；從安徽流入的貨車占比排名第二，表明安徽地區(qū)與巨單高速公路的貨物貿(mào)易較為頻繁。

3）貨車車型駛?cè)敕?wù)區(qū)的比例最高，是客車車型的2.5倍左右，可能是由于貨車在長途運(yùn)輸中需頻繁駛?cè)敕?wù)區(qū)進(jìn)行休息、加油、維修等操作；可以進(jìn)一步分析服務(wù)區(qū)內(nèi)的貨車停車位、洗車和維修配套設(shè)施的數(shù)量和質(zhì)量，從而優(yōu)化和擴(kuò)展貨車服務(wù)區(qū)設(shè)施，以更好地滿足貨車司機(jī)和物流需求。

4）各服務(wù)區(qū)駛?cè)敕?wù)區(qū)的車流量中，西側(cè)單縣服務(wù)區(qū)的占比最高，達(dá)到15.03%。表明該站整體服務(wù)質(zhì)量和硬件設(shè)施較為優(yōu)秀，吸引了更多的駕駛員和乘客前來休息、加油等，可能與其地理位置、周邊道路條件和宣傳推廣等因素有關(guān)；因此，可以在其他服務(wù)區(qū)或站點(diǎn)中借鑒西側(cè)單縣服務(wù)區(qū)的優(yōu)秀經(jīng)驗(yàn)和做法，提升其他服務(wù)區(qū)的服務(wù)質(zhì)量和客流量。

5）從交通樞紐分流特征看出，各路段在主線方向交通流量最大，其他方向的占比較小，說明交通樞紐的交通流量具有明顯的方向性。

這些研究結(jié)果在交通運(yùn)輸企業(yè)的業(yè)務(wù)決策、政府部門的交通規(guī)劃及未來的交通建設(shè)中都有重要的參考價值；同時，未來的交通發(fā)展需要加強(qiáng)技術(shù)創(chuàng)新，推廣智能化和綠色運(yùn)輸，以實(shí)現(xiàn)可持續(xù)發(fā)展。

參考文獻(xiàn)：

[1]高 鵬，柯 磊，徐 倩，等.基于人工計數(shù)法的交通量調(diào)查與應(yīng)用研究[J].電子測試，2019，（16）：111-113.

[2]段進(jìn)宇，繆立新，江見鯨.由路段交通流量反估出行OD矩陣技術(shù)的應(yīng)用[J].清華大學(xué)學(xué)報（自然科學(xué)版），2000，（6）：123-126.

[3]鄭志鵬，盧守峰，王 杰.一種基于開源軟件的OD反推求解算法[J].交通科學(xué)與工程，2015，31（1）：98-102.

[4]Zhang X X， Zhao M， Appiah J， et al. Improving interstate freeway travel time reliability analysis by clustering travel time distributions[J]. Transportation research record，2021， 2675（10）：566-577.

[5]Sánchez C N，Pérez R M L，Benítez F， et al. Traffic Flow Estimation Models Using Cellular Phone Data.[J]. IEEE Trans. Intelligent Transportation Systems，2012，13（3）：1430-1441.

[6]Sun Z B ， Ban X G.Vehicle trajectory reconstruction for signalized intersections using mobile traffic sensors[J].Transportation Research Part C，2013，36（11）：268-283.

[7]賴見輝，齊 悅，王 揚(yáng)，等.基于收費(fèi)數(shù)據(jù)的交通運(yùn)行參數(shù)估計方法[J].中國公路學(xué)報，2022， 35（3）：205-215.

[8]楊俊闖，趙 超. K-Means聚類算法研究綜述[J].計算機(jī)工程與應(yīng)用，2019，55（23）：7-14+63.