摘" 要： 傳統(tǒng)的交通擁塞狀態(tài)識別方法往往需要手動選擇，提取特征，對于大規(guī)模和高維度的交通數(shù)據(jù)來說效率低下，難以動態(tài)地適應城市交通狀態(tài)的變化，導致城市道路交通擁塞狀態(tài)識別效果不佳。為此，提出一種基于機器學習的城市道路交通擁塞狀態(tài)識別方法。該方法以城市道路交通視頻圖像作為基礎數(shù)據(jù)，基于機器學習方法結(jié)合深度學習技術，自動從數(shù)據(jù)中學習特征，提高特征提取效率；通過設置交通參數(shù)與擁堵臨界點后，建立城市道路交通擁塞強度評價的Logistic回歸模型，通過該模型來評價當前城市道路交通視頻圖像內(nèi)交通擁塞強度，然后將城市道路交通擁塞強度評價結(jié)果輸入到機器學習算法的支持向量機模型內(nèi)，再使用麻雀算法對支持向量機模型進行改進，得到最佳的支持向量機模型參數(shù)，運用該最佳參數(shù)訓練支持向量機模型后，輸出城市道路交通擁塞狀態(tài)識別結(jié)果。實驗結(jié)果表明：該方法可有效評價不同類型城市道路交通擁塞強度，并可利用機器學習算法中的支持向量機模型輸出城市道路交通擁塞狀態(tài)，應用效果較佳。

關鍵詞： 機器學習； 城市道路； 交通擁塞； 狀態(tài)識別； Logistic回歸模型； 支持向量機模型； 麻雀算法

中圖分類號： TN919?34； TP311" " " " " " " " " "文獻標識碼： A" " " " " " " " " " " 文章編號： 1004?373X（2024）14?0142?05

Method of urban road traffic congestion state recognition based on machine learning

BIAN Chen

（Hefei University of Technology， Hefei 230009， China）

Abstract： Traditional methods often need to manually select and extract features， which is inefficient for large?scale and high?dimensional traffic data， and it is difficult to dynamically adapt to the changes of urban traffic state， resulting in poor recognition effect of urban road traffic congestion state. Therefore， an urban road traffic congestion state recognition method based on machine learning is proposed， which takes the urban road traffic video image as the basic data. Based on machine learning method and deep learning technology， features are automatically learned from data to improve the efficiency of feature extraction. After setting the traffic parameters and the congestion critical point， the Logistic regression model for the evaluation of urban road traffic congestion intensity is established. The traffic congestion intensity in the current urban road traffic video image is evaluated by the model. Then the evaluation results of urban road traffic congestion intensity are input into the support vector machine model of machine learning algorithm， and then the support vector machine model is improved by means of the sparrow algorithm to obtain the optimal parameters of the support vector machine model. After training the support vector machine model with the optimal parameters， the identification results of urban road traffic congestion state are output. The experimental results show that the method can effectively evaluate the traffic congestion intensity of different types of urban roads， and output the urban road traffic congestion state by means of the support vector machine model in the machine learning algorithm. Its application effect is better.

Keywords： machine learning; urban road; traffic congestion; state recognition; Logistic regression model; support vector machine model; sparrow algorithm

0" 引" 言

交通擁塞問題給人們的出行和城市的發(fā)展帶來了極大的困擾，因此城市道路交通擁塞狀態(tài)識別的研究具有重要的理論和實踐意義[1]。首先，準確識別交通擁塞狀態(tài)可以為交通管理部門提供決策支持，有助于提高城市交通運行效率和管理水平。其次，通過對交通擁塞狀態(tài)的研究，可以深入了解城市交通擁塞的形成機制和影響因素，為制定有效的交通規(guī)劃和政策提供科學依據(jù)。此外，城市道路交通擁塞狀態(tài)識別的研究還可以促進相關技術的發(fā)展和應用，推動智能交通系統(tǒng)的進步。然而，城市道路交通擁塞狀態(tài)識別是一個復雜的問題。目前也有很多學者研究城市道路交通擁塞狀態(tài)識別方法，如成衛(wèi)等人提出的浮動車速度波動特征的擁堵識別方法通過設置時間窗口，計算時間窗口內(nèi)車輛波動速度，獲取道路交通擁堵狀態(tài)特征；再利用隨機森林模型得到擁堵狀態(tài)識別結(jié)果[2]。李鵬程等人提出一種時間注意力交通狀態(tài)識別方法，該方法采集交通路口圖像，并將其輸出到長短期記憶神經(jīng)網(wǎng)絡模型內(nèi)，獲取交通道路圖像內(nèi)的擁堵注意力框后，再通過支持向量機模型獲得交通擁堵識別結(jié)果[3]。張立立等人依據(jù)浮動車數(shù)據(jù)，采用基于灰色關聯(lián)熵的路網(wǎng)宏微觀交通狀態(tài)評估方法，實現(xiàn)城市道路交通擁塞狀態(tài)的有效分析[4]。陳鼎等人基于車輛定位以及路網(wǎng)時空匹配數(shù)據(jù)，依據(jù)概率密度分段原理劃分城市道路車輛速度的距離段以及時間段后，構(gòu)建可進行自主調(diào)控的城市道路擁堵指數(shù)模型，采用該模型實現(xiàn)城市道路擁堵狀態(tài)識別[5]。

以上方法在實際應用中取得了一定的成果，但均需要依據(jù)大量的宏觀指標以及微觀指標進行分析，會大大提升分析過程的復雜度，存在一定的弊端。為此，本文將機器學習技術引入，提出一種新的城市道路交通擁塞狀態(tài)識別方法。

1" 城市道路交通擁塞狀態(tài)識別

1.1" 交通參數(shù)與擁堵臨界點設置

以城市道路交通視頻圖像作為識別城市道路交通擁塞狀態(tài)識別的基礎數(shù)據(jù)，利用機器學習法并結(jié)合深度學習技術，自動從數(shù)據(jù)中學習特征，提高特征提取效率。為描述城市道路交通擁塞狀態(tài)，設置一個交通參數(shù)[x（t）]，利用該函數(shù)描述隨著時間變化的交通運行狀態(tài)。交通參數(shù)[x（t）]定性變化表達公式如下：

[x（i）≠x（j）+x（t），" i∈U;j∈Ux（i）=x（j）-x（t），" i∈U;j∈U] （1）

式中：[i]、[j]均表示交通運行時間點；[U]、[U]均表示值域[R]上的區(qū)間，且[U≠U]。

當城市道路交通開始發(fā)生擁塞或者擁塞狀況時間消散時，交通參數(shù)[x（t）]定性變化較為明顯。通過深度學習技術獲取交通參數(shù)狀態(tài)發(fā)生躍遷狀態(tài)，此時，定義該時刻為城市道路交通擁塞形成或消散的臨界點。

使用穩(wěn)態(tài)評判指標值來評判城市道路交通不同時刻交通狀態(tài)的偏離穩(wěn)定態(tài)程度。令[S]和[N]分別表示城市道路交通運行狀態(tài)的穩(wěn)態(tài)集和非穩(wěn)態(tài)集，二者表達公式如下：

[S=x（t）sup（U）-x（t）≥?x（t）-inf（U）≥?] （2）

[N=x（t）sup（U）-x（t）lt;?x（t）-inf（U）lt;?] （3）

式中：[?]表示穩(wěn)態(tài)判定閾值；[sup（U）]、[inf（U）]分別表示值域區(qū)間的上確界和下確界。

通過式（2）和式（3）判定城市道路交通擁堵的臨界點位置，就此完成交通參數(shù)與擁堵臨界點設置。

1.2" 基于Logistic回歸的城市道路交通擁塞強度評價

城市道路交通堵塞是一個累積的過程，在此使用Logistic回歸模型對城市道路交通擁塞強度進行評價。設置城市道路交通擁塞強度等級分別為嚴重擁塞、中度擁塞、輕微擁塞、較為通暢、非常通暢。然后建立城市道路交通擁塞強度評價的Logistic回歸模型，根據(jù)1.1節(jié)獲取的交通參數(shù)與擁堵臨界點，將其作為交通擁塞強度評價模型參數(shù)進行訓練，該模型表達公式如下：

[y*=η+k=15βkxk（t）+εSN] （4）

式中：[k]為5種交通擁塞強度的觀測量，5種觀測量分別為城市道路交通形成速度、延誤比、停車次數(shù)、停車時間以及出入口密度；[y*]表示城市道路交通擁塞強度；[ε]表示誤差項；[η]、[βk]分別表示回歸截距和回歸系數(shù)；[xk（t）]為第[k]個交通擁塞強度觀測量的交通參數(shù)。

運用極大似然法求解公式（4），但由于城市道路交通擁塞程度具有5個，因此其交通參數(shù)臨界值存在4個，運用式（2）、式（3）判定當前城市交通狀態(tài)穩(wěn)態(tài)集和非穩(wěn)態(tài)集后，每種狀態(tài)的分界點為[μj]。則給定交通擁塞強度的觀測量時，城市道路交通擁塞強度累積概率表達公式如下：

[P（xk（t））=P（y*≤μj）] （5）

式中[P（xk（t））]表示第[k]個交通擁塞強度觀測量的交通參數(shù)[xk（t）]的累積概率。當該公式數(shù)值超過0.7，即可判斷當前城市道路交通擁塞強度。

1.3" 基于機器學習的交通擁塞狀態(tài)快速分類模型

經(jīng)過1.2小節(jié)分析，得到當前城市道路交通的擁塞強度后，使用機器學習算法中的支持向量機模型對交通擁塞狀態(tài)進行快速分類，輸出每個交通道路視頻圖像對應的交通擁塞狀態(tài)，獲取到區(qū)域內(nèi)每條城市道路交通擁塞狀態(tài)識別結(jié)果。其詳細過程如下。

機器學習算法中的支持向量機模型是在滿足線性可分條件下的最優(yōu)分類器[6]。將城市道路交通擁塞強度評價結(jié)果[y*]輸入到該分類器內(nèi)，該分類器分類函數(shù)表達公式如下：

[f（y*）=minw22] （6）

式中：[f（y*）]表示支持向量機模型輸出的交通擁塞狀態(tài)快速分類結(jié)果；[w]表示權(quán)重數(shù)值。

設置公式（6）約束條件，表達公式如下：

[y*i{w·φ（y*）+bP[xk（t）]}≥1] （7）

式中：[y*i]表示第[i]種交通擁塞強度；[φ（?）]表示映射函數(shù)；[b]表示常數(shù)。

由于城市道路交通擁塞狀態(tài)分類識別為凸二次規(guī)劃問題，需要使用拉格朗日將分類的原求解轉(zhuǎn)換成對偶性求解[7]，因此引入徑向基函數(shù)[K（hi，hj）]對支持向量機模型進行優(yōu)化處理，其中[hi]、[hj]均為拉格朗日乘子。徑向基函數(shù)表達公式如下：

[K（hi，hj）=exp-hi-hj?12σ2] （8）

式中[σ]表示核函數(shù)參數(shù)。

為獲取到最佳的支持向量機參數(shù)[8?9]，使用麻雀搜索算法選取最佳支持向量機參數(shù)，對支持向量機模型進行改進處理，其詳細過程如下。

將支持向量機的核函數(shù)參數(shù)與懲罰系數(shù)看做麻雀[10?13]，選擇[n]個核函數(shù)參數(shù)與懲罰系數(shù)，即[n]只麻雀組成位置信息矩陣[G=g1，g2，…，gn]，其中[gi=gi1，gi2，…，gim]，[m]表示支持向量機參數(shù)的維數(shù)。運用式（9）更新支持向量機參數(shù)發(fā)現(xiàn)者位置。

[gt+1ij=gtij-ieαTmaxK（hi，hj），" "R2lt;STgtij+αLK（hi，hj），" R2≥ST] （9）

式中：[t]、[Tmax]分別表示當前迭代次數(shù)和最大迭代次數(shù)閾值；[gij]表示在維度為[j]時、第[i]個支持向量機參數(shù)的位置信息；[α]表示隨機數(shù)；[R2]為位置預警值；[ST]表示位置安全值；[L]表示全1矩陣。

麻雀發(fā)現(xiàn)者位置更新表達公式如下：

[gt+1ij=αgtwj-αgtijei2，" " " " " " " " " " " "igt;n2gt+1pj+gtij-gt+1pjA+L， i≤n2] （10）

式中：[gtwj]表示在迭代次數(shù)為[t]時，全局范圍內(nèi)最差的位置；[gt+1pj]表示迭代次數(shù)為[t+1]時，發(fā)現(xiàn)者的最佳位置。

麻雀的偵查者位置更新表達公式如下：

[gt+1ij=gtij+ζgtij-ζgtbj，" " " zi≠zggtij+kgtij-kgtwj（zi-zw）+ε，" zi=zg] （11）

式中：[k]表示位于-1～1之間的隨機數(shù)；[gtbj]表示偵查者在迭代次數(shù)為[t]時的全局最佳位置；[ζ]表示麻雀行走步長控制參數(shù)；[zi]、[zw]、[zg]表示當前麻雀的適應度數(shù)值、全局最佳適應度數(shù)值和最差適應度數(shù)值。

將得到的最佳支持向量機懲罰系數(shù)和核函數(shù)參數(shù)代入到支持向量機模型內(nèi)，通過支持向量機模型輸出交通擁塞狀態(tài)快速分類結(jié)果，得到區(qū)域范圍內(nèi)所有道路交通擁塞狀態(tài)，就此完成基于機器學習的城市道路交通擁塞狀態(tài)識別。

2" 實驗分析

2.1" 實驗設計

以某城市作為實驗對象，該城市交通基礎設施相對滯后，無法滿足日益增長的交通需求。由于歷史形成或規(guī)劃不到位的原因，該市存在許多交通瓶頸路段，導致當?shù)氐缆泛吐房诘慕煌〒矶聡乐?。使用本文方法識別該市城市道路交通擁塞狀態(tài)，為提升該市交通能力提供數(shù)據(jù)支持。

2.2" 實驗結(jié)果

2.2.1" 交通擁塞強度評價結(jié)果

以該城市3條主干路、4條次干路和3條支路作為實驗對象，使用本文方法獲取以上城市道路交通視頻圖像后，評價以上道路交通擁塞強度。評價結(jié)果如表1所示。

分析表1中的數(shù)據(jù)，本文方法在城市道路交通擁塞強度的評價上表現(xiàn)優(yōu)秀，能夠準確區(qū)分不同類型的擁塞情況。結(jié)合支持向量機算法，可以準確識別當前的城市道路交通擁塞狀態(tài)。這表明本文方法具有較強的評價能力和實用性，為城市交通管理提供了有力支持。在未來，隨著數(shù)據(jù)和算法的進一步優(yōu)化，這種方法有望在更多城市得到應用，為解決交通擁堵問題提供更多幫助。

2.2.2" 道路擁塞狀態(tài)識別結(jié)果

以該城市6條道路作為實驗對象，使用本文方法識別6條道路擁塞狀態(tài)。6條道路實際擁塞狀態(tài)如圖1所示。本文方法對其擁塞狀態(tài)識別結(jié)果如圖2所示。

通過對比圖1和圖2可以清晰地看到，本文方法在識別城市道路交通擁塞狀態(tài)上的準確性。視頻圖像中的實際交通狀況與算法識別結(jié)果完全一致，這充分證明了該方法的強大識別能力。這種方法具有巨大的潛力，有望在未來為城市交通擁堵問題提供更有效的解決方案。

2.2.3" 高峰擁塞狀態(tài)識別結(jié)果

為進一步驗證本文方法的實際應用效果，以該城市5條主干路作為實驗對象，使用本文方法識別該主干路在早、中、晚高峰期間的擁塞狀態(tài)。識別結(jié)果如表2所示。

通過深入分析表2可以進一步了解不同時間段城市道路的交通狀況。以編碼4的主干路為例，數(shù)據(jù)顯示在早晚上下班高峰期，該道路的擁塞情況較為嚴重。與此相反，中午時段的路況相對較好。這一詳細的數(shù)據(jù)分析揭示了城市交通在不同時間段的動態(tài)特征。這也意味著，本文提出的方法不僅能夠在不同時間點準確識別交通擁塞狀況，而且可以為市民的出行提供有價值的參考信息。

2.2.4" 交通擁塞狀態(tài)時間復雜度結(jié)果

以識別城市道路交通擁塞狀態(tài)時間復雜度作為衡量指標，引入文獻[2]方法和文獻[3]方法同時展開測試，分析本文方法的時間復雜度，結(jié)果如圖3所示。

分析圖3可知，在三種方法中，識別樣本量相同情況下，本文方法識別城市道路交通擁塞時的時間開銷數(shù)值最小。該結(jié)果說明本文方法在實際應用過程中的時間復雜度較小，識別城市道路交通擁塞狀態(tài)較為迅速。

3" 結(jié)" 論

傳統(tǒng)的交通擁塞狀態(tài)識別方法往往需要手動選擇，提取特征，對于大規(guī)模和高維度的交通數(shù)據(jù)來說效率低下，難以動態(tài)地適應城市交通狀態(tài)的變化，導致城市道路交通擁塞狀態(tài)識別效果不佳。為此，提出一種基于機器學習的城市道路交通擁塞狀態(tài)識別方法。通過機器學習的方法對城市道路交通擁塞狀態(tài)進行識別，實現(xiàn)了高度準確性和實時性。

這種方法不僅提升了交通管理的智能化水平，也有效緩解了城市交通擁堵的問題。未來，隨著機器學習技術的進一步發(fā)展，城市交通擁塞狀態(tài)的識別將更為精確，為解決城市交通問題提供有力支持。

參考文獻

[1] 朱秋圳，鄔群勇，姚鋮鑫，等.基于DBI和稀疏軌跡數(shù)據(jù)的交通狀態(tài)精細劃分與識別[J].地球信息科學學報，2022，24（3）：458?468.

[2] 成衛(wèi)，黃金濤，陳昱光，等.基于浮動車速度波動特征的交通狀態(tài)識別[J].交通運輸系統(tǒng)工程與信息，2023，23（1）：67?76.

[3] 李鵬程，董寶田，李思賢.基于時間圖注意力的交叉口交通狀態(tài)識別及關聯(lián)度研究[J].交通運輸系統(tǒng)工程與信息，2023，23（5）：67?74.

[4] 張立立，王心哲，姚迪，等.基于浮動車數(shù)據(jù)的路網(wǎng)交通狀態(tài)宏微觀評價指標研究[J].南開大學學報（自然科學版），2023，56（3）：27?33.

[5] 陳鼎，周水庭，陳云，等.擁堵指數(shù)自適應調(diào)節(jié)的交通運行狀態(tài)識別方法及應用研究[J].交通運輸系統(tǒng)工程與信息，2022，22（2）：137?144.

[6] 胡明偉，施小龍，吳雯琳，等.城市軌道交通車站短時客流機器學習預測方法[J].深圳大學學報（理工版），2022，39（5）：593?599.

[7] 周楚昊，林培群.基于多通道Transformer的交通量預測方法[J].計算機應用研究，2023，40（2）：435?439.

[8] 相迎宵，李軼珂，劉吉強，等.面向降頻污染攻擊的智能交通擁堵態(tài)勢量化分析[J].軟件學報，2023，34（2）：833?848.

[9] 孫夢婷，魏海平，李星瀅，等.利用CART分類樹分類檢測交通擁堵點[J].武漢大學學報（信息科學版），2022，47（5）：683?692.

[10] 陳偉，李宗平.基于系統(tǒng)動力學的軌道交通客流擁堵傳播研究[J].計算機仿真，2022，39（12）：160?164.

[11] 胡立偉，趙雪亭.考慮邊界條件不確定性的城市交通擁塞風險分布遷移規(guī)律研究[J].交通運輸系統(tǒng)工程與信息，2022，22（3）：120?131.

[12] 岳文偉.城市交通擁塞控制策略研究[D].西安：西安電子科技大學，2022.

[13] 胡立偉，趙雪亭，楊錦青，等.基于雙層規(guī)劃的城市交通擁塞疏導優(yōu)化研究[J].交通運輸系統(tǒng)工程與信息，2021，21（5）：222?227.