摘 要：為合理調(diào)配交通資源，提前預(yù)警交通擁堵，保障城市交通順暢運行，本文利用視頻監(jiān)控對城市道路交通流量預(yù)測方法進(jìn)行研究。安裝視頻監(jiān)控設(shè)備，基于視頻監(jiān)控采集道路車輛的詳細(xì)信息，收集車流數(shù)據(jù)。對城市道路視頻監(jiān)控幀圖像進(jìn)行預(yù)處理，監(jiān)測并跟蹤車輛。在這個基礎(chǔ)上，計算城市道路平均日交通量與年平均日交通量，建立時間序列分析模型，擬合歷史數(shù)據(jù)，預(yù)測未來時間點的交通流量。試驗結(jié)果表明，本文方法能夠更好地把握交通流量的復(fù)雜性和動態(tài)性，預(yù)測結(jié)果更準(zhǔn)確，可行性更高。

關(guān)鍵詞：視頻監(jiān)控；流量預(yù)測；城市道路；時間序列

中圖分類號：U 495 " " " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著機(jī)動車保有量增長和城市化進(jìn)程加速，交通擁堵已經(jīng)成為城市發(fā)展瓶頸。因此，精準(zhǔn)預(yù)測城市道路交通流量對緩解交通擁堵、優(yōu)化交通管理以及提高交通運行效率十分重要[1]。很多學(xué)者對城市道路交通流量預(yù)測方法進(jìn)行研究。例如，文獻(xiàn)[2]用數(shù)字孿生技術(shù)模擬交通系統(tǒng)，根據(jù)歷史數(shù)據(jù)提高預(yù)測精度，但是對新模式適應(yīng)性差。文獻(xiàn)[3]結(jié)合分布式梯度增強(qiáng)庫（XGBoost）與多源數(shù)據(jù)，提高模型泛化能力，但是不能精準(zhǔn)判斷交通擁堵的復(fù)雜性，預(yù)測精度有限。視頻監(jiān)控是智能交通系統(tǒng)的重要組成部分，能夠?qū)崟r檢測道路交通的運行狀態(tài)[4]。視頻監(jiān)控技術(shù)具有實時性，在智能交通系統(tǒng)中應(yīng)用廣泛。基于此，本文利用視頻監(jiān)控研究城市道路交通流量預(yù)測方法，輔助交通管理部門進(jìn)行科學(xué)決策，優(yōu)化資源配置，提升城市交通運行效率。

1 基于監(jiān)測視頻捕捉車流數(shù)據(jù)

為了有效監(jiān)測城市主要道路、交叉口和關(guān)鍵路段的交通情況，須在這些區(qū)域安裝具有高分辨率、夜間視力和廣角視野的高清攝像頭。根據(jù)道路布局和交通流量合理規(guī)劃攝像頭的安裝位置和角度，以保證全面覆蓋監(jiān)測區(qū)域。正確連接所有設(shè)備并使其在線，配置設(shè)備參數(shù)（例如分辨率1 920 ppi×

1 080 ppi、幀率50 幀/s和碼流類型H.264），以保證視頻數(shù)據(jù)的質(zhì)量和傳輸效率[5]。分析攝像頭拍攝的圖像或視頻，可以提取關(guān)鍵的車流參數(shù)，例如車輛數(shù)量、車速和車流密度等。

計算視頻中在特定時間段內(nèi)通過某個監(jiān)測點的車輛數(shù)N，如公式（1）所示。

（1）

式中：T為總時間間隔；ni為在第i個時間內(nèi)通過的車輛數(shù)。

計算所有車輛瞬時速度的平均值來得到平均車速vavg，如公式（2）所示。

（2）

式中：vj為第j輛車的瞬時速度。

計算車輛數(shù)量和路段長度來得到車流密度k，即單位長度路段的車輛數(shù)，如公式（3）所示。

（3）

式中：L為監(jiān)測路段的長度。

計算車輛數(shù)量和監(jiān)測時間來得到車流量q，即在單位時間內(nèi)通過某個監(jiān)測點的車輛數(shù)，如公式（4）所示。

（4）

式中：T0為監(jiān)測總時間。

配置視頻流地址并啟動視頻，利用無線網(wǎng)絡(luò)將實時視頻數(shù)據(jù)傳輸至后端服務(wù)器[6-8]。在接收端使用支持視頻流接收的軟件接收并解碼視頻數(shù)據(jù)，保存至本地文件?；谶@些數(shù)據(jù)計算車流量、車流速度和車輛密度等交通流參數(shù)，為交通流量預(yù)測提供數(shù)據(jù)支持。

2 車輛檢測與跟蹤

獲得城市道路車流數(shù)據(jù)后，對車輛進(jìn)行全方位監(jiān)測與跟蹤。去噪是預(yù)處理的關(guān)鍵步驟，其目的是減少或消除圖像噪聲，提高圖像質(zhì)量，使其更適合車輛檢測與跟蹤算法。去噪過程如公式（5）所示。

（5）

式中：g（x，y）為去噪后的像素值；m、n為鄰域的大小；f（i，j）為鄰域內(nèi)的像素值。圖像增強(qiáng)利用調(diào)整灰度級范圍來提升圖像對比度，突出細(xì)節(jié)，圖像分割利用邊緣檢測將圖像劃分為不同區(qū)域。

預(yù)處理后，利用特征描述符提取車輛形狀、顏色和紋理等特征，確定車輛區(qū)域及其位置、面積。設(shè)特征向量f為車輛特征，在檢測階段，使用分類器C來判斷圖像中的某個區(qū)域是否包括車輛[9]。C的輸出y如公式（6）所示。

y=C（ f ） " " " " " " " "（6）

式中：y為一個二值變量，其作用是判斷該區(qū)域是否包括車輛（1為包括車輛，0為不包括車輛）。

在跟蹤階段，使用運動模型來預(yù)測車輛在下一幀中的位置。設(shè)當(dāng)前幀中車輛的位置為pt=（xt，yt） ，速度為vt=（vx，t，vy，t），使用線性預(yù)測模型來估計下一幀的位置pt+1，如公式（7）所示。

pt+1=pt+vtΔt " " " " " " （7）

式中：Δt 為幀間時間間隔。

為了提高跟蹤的準(zhǔn)確性，計算在當(dāng)前幀中檢測的車輛與之前幀中跟蹤的車輛之間的相似S（f1，f2），如公式（8）所示。

（8）

式中：S（f1，f2）為車輛之間的相似度；f1、f2分別為當(dāng)前幀監(jiān)測到的車輛和之前幀監(jiān)測到的車輛。

相似度S的取值范圍為0～1，S越高，2個特征向量越相似。計算描述符之間的相似度來判斷2個目標(biāo)是否為同一個目標(biāo)。如果當(dāng)前幀中的目標(biāo)與之前幀中的目標(biāo)匹配成功，那么將其關(guān)聯(lián)，形成目標(biāo)的最終運動軌跡；如果匹配失敗，那么在當(dāng)前幀中重新搜索目標(biāo)。將車輛檢測與跟蹤的結(jié)果以可視化的形式輸出，例如在視頻中繪制邊界框、標(biāo)注車輛類型等。為驗證本文方法的跟蹤性能，將本文方法的跟蹤路徑與原路徑進(jìn)行對比，對比結(jié)果如圖1所示。

3 交通流量預(yù)測

基于車輛檢測與跟蹤結(jié)果統(tǒng)計城市道路交通流量并預(yù)測未來流量是交通管理的重要步驟。須收集歷史交通流量數(shù)據(jù)，分析其周期性和趨勢，為預(yù)測模型提供基礎(chǔ)。計算平均日交通量（Average Daily Traffic，ADT）和年平均日交通量（Annual Average Daily Traffic，AADT）得到道路日常使用和年度負(fù)荷數(shù)據(jù)。計算過程如公式（9）、公式（10）所示。

（9）

AADT=Qm/365 " " "（10）

式中：ADT為平均日交通量，即在觀測期間內(nèi)每天平均通過的車輛數(shù)；Qz為總交通量；Td為總天數(shù)；AADT為年平均日交通量，即1 a每天平均通過的車輛數(shù)；Qm為1 a觀測的交通量總和。在這個基礎(chǔ)上建立時間序列分析模型，如公式（11）所示。

（11）

式中：Xt為在時間t的交通流量預(yù)測值；p為自回歸部分的階數(shù)，表示模型根據(jù)過去p個時間點的交通流量數(shù)據(jù)來預(yù)測當(dāng)前時間點的交通流量；?i為自回歸部分的系數(shù)，i為1～p，這些系數(shù)表示過去時間點的交通流量對當(dāng)前時間點交通流量的影響程度；Xt-i為在t-i時間段的交通流量觀測值；q為移動平均部分的階數(shù)，表示模型根據(jù)過去q個時間點的誤差項來預(yù)測當(dāng)前時間點的交通流量；θj為移動平均部分的系數(shù)，j為1～q，這些系數(shù)表示過去時間點的誤差對當(dāng)前時間點交通流量的影響程度；et-j為在t-j時間段的誤差項，以白噪聲為主；et為在時間t的誤差項。時間序列分析模型能夠擬合歷史數(shù)據(jù)，預(yù)測未來時間點的交通流量。

4 試驗分析

4.1 試驗準(zhǔn)備

試驗選擇一個位于城市主干道與次干道交匯處的典型交通路口作為研究區(qū)域，該路口地理位置重要，交通流量大，車輛類型多樣，因此是研究城市交通流量的理想地點。試驗團(tuán)隊在路口安裝了高清視頻監(jiān)控設(shè)備，利用先進(jìn)圖像傳感器獲得高分辨率圖像，保證在復(fù)雜交通環(huán)境中清晰捕捉圖像。數(shù)據(jù)中心接收視頻流后，利用圖像處理和數(shù)據(jù)分析技術(shù)實時分析交通流量、車輛速度和密度等指標(biāo)，為交通管理和規(guī)劃提供科學(xué)依據(jù)。本文方法有效收集和分析交通數(shù)據(jù)，支持城市交通流量預(yù)測和管理，為智能交通系統(tǒng)發(fā)展提供實踐基礎(chǔ)，試驗數(shù)據(jù)見表1。

根據(jù)表1得到試驗對象概況，在該基礎(chǔ)上應(yīng)用上文提出的預(yù)測方法進(jìn)行試驗。

4.2 預(yù)測結(jié)果

選擇6個不同時間段城市道路的實際交通流量作為試驗參照，見表2。

根據(jù)表2收集并整理目標(biāo)路口的視頻監(jiān)控數(shù)據(jù)，提取每個時間段的交通流量數(shù)據(jù)。在現(xiàn)代城市交通管理方面，準(zhǔn)確預(yù)測交通流量能夠優(yōu)化交通系統(tǒng)、減少擁堵和提高出行效率。為了實現(xiàn)這個目標(biāo)，研究人員開發(fā)了多種交通流量預(yù)測方法。本文收集并整理目標(biāo)路口的視頻監(jiān)控數(shù)據(jù)，提取每個時間段的交通流量數(shù)據(jù)作為預(yù)測模型的輸入。為了評估不同交通流量預(yù)測方法的性能，本文選擇3種不同的預(yù)測方法進(jìn)行比較。1）方法A。本文提出了預(yù)測方法，該方法利用視頻監(jiān)控技術(shù)對車輛進(jìn)行監(jiān)測與跟蹤，可以收集車輛的詳細(xì)動態(tài)參數(shù)，包括車輛的速度、方向和密度等，在這個基礎(chǔ)上對交通流量進(jìn)行預(yù)測。2）方法B。文獻(xiàn)[2]提出的基于數(shù)字孿生的預(yù)測方法，該方法利用數(shù)字孿生技術(shù)模擬實際交通系統(tǒng)，利用實時數(shù)據(jù)反饋和模型更新來提高預(yù)測精度。3）方法C。文獻(xiàn)[3]提出的基于XGBoost融合模型的預(yù)測方法，該方法采用XGBoost算法，結(jié)合多種數(shù)據(jù)源和特征工程，提高預(yù)測模型的泛化能力和穩(wěn)定性。

本文采用3種方法在相同的6個時間段中進(jìn)行測試，并計算每個時間段的R方值（R-squared value），如公式（12）所示。

（12）

式中：Mq為實際交通流量；Ms為預(yù)測交通流量。

R方值表示預(yù)測值與實際值之間的誤差以及實際值自身的波動情況，因此能夠更全面地預(yù)測結(jié)果與實際數(shù)據(jù)之間的擬合程度，評價預(yù)測方法的性能。R方值對比結(jié)果如圖2所示。

由圖2可知，本文方法（方法A）在6個不同時間段的R方值均高于另外2種常規(guī)預(yù)測方法，說明方法A在不同時間段內(nèi)對交通流量變化具有敏感度和適應(yīng)性，在捕捉交通流量復(fù)雜性和動態(tài)性方面效果更好。方法A集成視頻監(jiān)控數(shù)據(jù)，能夠?qū)崟r分析交通流量的數(shù)據(jù)特征，例如車輛密度、速度和流量模式，使用傳統(tǒng)的預(yù)測方法通常不能準(zhǔn)確捕捉這些特征。因此，方法A能夠提供更精細(xì)和動態(tài)化的預(yù)測結(jié)果。在城市交通系統(tǒng)中，準(zhǔn)確預(yù)測交通流量能夠優(yōu)化信號控制，減少擁堵和環(huán)境污染情況，提高道路使用效率。使用方法A進(jìn)行預(yù)測，不僅能夠幫助交通管理部門及時調(diào)整交通策略，還能夠為城市規(guī)劃者提供數(shù)據(jù)支持，優(yōu)化道路網(wǎng)絡(luò)設(shè)計，完善停車設(shè)施，在城市交通管理和規(guī)劃領(lǐng)域發(fā)揮重要作用。方法A的R方值高，說明其預(yù)測結(jié)果具有穩(wěn)定性，有助于長期規(guī)劃并制定決策。

5 結(jié)語

綜上所述，基于視頻監(jiān)控的城市道路交通流量預(yù)測方法理論意義重要，應(yīng)用價值很高。本文方法可以準(zhǔn)確預(yù)測交通流量的變化趨勢，總結(jié)特征，提高預(yù)測精度和可靠性，幫助交通管理部門提前預(yù)判交通擁堵位置，合理調(diào)配交通資源，緩解交通壓力，提高交通運行效率。本文方法能夠為解決城市交通擁堵問題提供思路，推動智能交通系統(tǒng)的發(fā)展。未來將進(jìn)一步完善本文方法，推動智能交通系統(tǒng)的技術(shù)進(jìn)步，促進(jìn)城市交通的智能化、綠色化發(fā)展。

參考文獻(xiàn)

[1]蔣源，陳小鴻，胡松華.基于XGBoost模型的路段交通流量短時預(yù)測[J].武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2024，48（1）：25-30，36.

[2]廖熙雯，冷甦鵬，明昱君，等.基于數(shù)字孿生的城市交通流智能預(yù)測與導(dǎo)引策略[J].電信科學(xué)，2023， 39（3）：70-79.

[3]李青.基于XGBoost融合模型的交通流量預(yù)測技術(shù)研究[J].自動化儀表，2022，43（12）：123-128.

[4]蘭添賀，曲大義，陳昆，等.融合多因素的“時間齒輪”交通流預(yù)測模型[J].河北科技大學(xué)學(xué)報，2022，43（5）：550-559.

[5]張偉斌，張帥，郭海鋒，等.基于交通因子狀態(tài)網(wǎng)絡(luò)的城市交叉口交通流預(yù)測[J].中國公路學(xué)報， 2021，34（12）：217-228.

[6]李玉祺，王廣民，徐猛.隨機(jī)OD需求下城市道路交通網(wǎng)絡(luò)設(shè)計問題的BP神經(jīng)網(wǎng)絡(luò)算法研究[J].系統(tǒng)工程理論與實踐，2021，41（11）：3009-3019.

[7]王海起，李留珂，陳海波.基于圖結(jié)構(gòu)的城市道路短時交通流量時空預(yù)測模型[J].地理與地理信息科學(xué)，2021，37（4）：1-9.

[8]劉晶鑫，唐婕，曹瑾鑫.基于機(jī)器學(xué)習(xí)的城市交通態(tài)勢評估與預(yù)測方法研究[J].內(nèi)蒙古大學(xué)學(xué)報（自然科學(xué)版），2021，52（2）：198-205.

[9]李浩，張杉，曹斌，等.基于城市道路卡口數(shù)據(jù)的交通流量預(yù)測[J].重慶大學(xué)學(xué)報，2020，43（11）： 29-40.