论文部分内容阅读
研究并揭示交通拥堵传播的规律和模式对于大城市道路交通拥堵的有效管控具有重要且现实的意义。当前,针对城市道路交通拥堵传播的研究主要集中于两方面的工作,其一是交通拥堵瓶颈识别,其二是交通拥堵传播建模。尽管国内外学者在这两个研究领域展开了积极的探索,并取得了许多令人欣慰的研究成果,然而当前研究仍存在两个主要不足:（1）针对交通拥堵瓶颈识别问题,当前大多数研究以结构相对简单的小规模示例路网或真实路网中的小规模区域网络为分析对象,然而现实情形中的城市道路网络往往为拥堵空间分布不均匀或拥堵时间分布不一致的大规模异质性路网,这给现有方法和模型带来了较大的挑战性;（2）针对交通拥堵传播建模问题,现有研究大多为以单个路段或交叉口为控制单元的局部拥堵控制作决策支撑,缺乏针对路网宏观层面的全局拥堵控制的决策考量。同时,当前研究主要采用交通仿真作为建模与分析手段,而仿真模型的复杂性、对人工经验的依赖性以及在标定和校验方面的额外工作量给基于仿真的拥堵传播分析与建模方法带来了潜在的不可靠性以及在实际工程中的不易实施性等风险。考虑上述问题,结合当前交通大数据背景,本文以大规模异质性城市道路网络为研究对象,采用数据驱动方法论和人工智能技术手段,从路网道路交通状态表征与量化、路网交通拥堵瓶颈辨识、路网交通拥堵传播模式发现和路网交通拥堵时空关联关系推理四个主要环节着手,对城市道路交通拥堵的传播规律和模式进行了深入有效的挖掘分析及可视化。论文取得的研究成果和结论总结如下:（1）针对当前面向大规模城市路网建模获取全视角充足真实交通感知数据具备较大挑战性这一问题,探索了基于导航地图道路路况图像数据进行城市路网交通拥堵传播分析与建模的可行性。以导航地图提供的道路路况图像为挖掘分析对象,基于图像处理技术,研究提出了一种简单有效的路网道路对象分割方法。考虑到所构建数据集不提供详细道路位置信息,基于网格划分技术对道路网络进行区域划分。以前述两个环节为基础,研究提出了两类表征路网道路交通状态的数据指标,一类是表征连续交通状态的交通拥堵指数指标,另一类是表征离散交通状态的交通状态分类指标。依据所提出的数据指标,研究构建了路网交通拥堵指数热力图和路网交通拥堵状态分类热力图两类可视化组件。基于谷歌地图提供的洛杉矶城市路网道路路况图像构建了研究数据集,通过对比原始路况图像和生成的交通拥堵指数热力图和交通状态分类热力图发现,提出的路网道路交通状态表征和量化方法能够合理反映出路网道路交通状态的时空演化特征,为后续研究环节奠定了良好的数据基础。（2）针对现有交通拥堵瓶颈识别研究主要以小规模示例路网或真实路网中的小规模区域网络为研究对象这一不足,基于图论和机器学习理论与方法,研究提出了针对大规模异质性城市路网的交通拥堵瓶颈辨识方法。通过总结梳理交通拥堵瓶颈的相关概念,提出了适用于本研究的交通拥堵瓶颈定义。在此基础上,研究提出了基于图论的路网交通拥堵瓶颈区块及区域辨识方法。对洛杉矶城市路网一周七天的交通拥堵瓶颈进行了辨识和提取。结果显示:在一周七天持续拥堵时长排名前10位的拥堵瓶颈区块中,区块813是一个极其显著的瓶颈,其在一周中有6天时间排名居前2位,周一至周四从早上6:00一直拥堵至晚上20:00,持续时长超过13个小时,周六和周日的拥堵时长均超过9个小时。此外,区块911是路网中另外一个显著的瓶颈,其在一周中有5天排进前10位。通过仔细对比各个瓶颈的激活时间发现,路网交通拥堵在时间上和空间上具备显著的异质性特征。（3）针对基于解析和交通仿真技术手段进行路网交通拥堵传播建模复杂性高、对人工经验依赖性强以及在实际交通工程应用和部署时不易实施等不足,研究提出了基于数据驱动的交通拥堵传播建模方法,通过构建交通拥堵传播有向图,实现路网交通拥堵传播模式发现与可视化。考虑到异质性城市路网交通在一天中可能经历多个拥堵扩散和消散周期,研究提出了路网交通拥堵传播分析周期界定方法。考虑到异质性城市路网存在多个拥堵瓶颈并最终演化为多个独立拥堵传播分支,研究提出了基于时空聚类的独立拥堵传播分支研判方法。以前述两个环节为基础,研究构建了基于数据驱动的路网交通拥堵传播有向图建模方法,从定性角度对不同拥堵传播分析周期内的独立拥堵传播分支进行交通拥堵传播模式分析与可视化。基于所提出的方法提取了洛杉矶城市路网一周中的12个交通拥堵传播分析周期及在对应周期内出现的拥堵传播分支,对节点数大于25的典型交通拥堵传播分支的拥堵传播模式进行了挖掘分析与可视化。分析结果显示:周二、周三和周四这三天拥堵传播的时空规模相对其他天要更为显著。大多数传播分支的传播过程遵循“扩散→高峰→平稳→消散”的规律,少部分遵循“扩散→高峰→消散→扩散→高峰→平稳→消散”的拥堵传播规律。拥堵传播分支所涉及的拥堵传播时空规模越大,对应的拥堵合并和分化次数越多。对于工作日的拥堵传播分支而言,其关键拥堵合并行为主要发生在上午7:00至8:30的不同时间间隔,以及下午14:00至17:30的不同时间间隔。对于周六和周日的拥堵传播分支而言,其拥堵传播时空规模较小,关键拥堵合并行为很少发生。所选的大多数拥堵传播分支的拥堵类型为面拥堵,少数拥堵类型为线拥堵。（4）以提取的路网交通拥堵指数指标为数据支撑,基于深度学习理论与方法,研究提出了基于Attention机制的Encoder-Decoder路网交通拥堵时空关联关系推理模型,从定量角度对交通拥堵传播模式进行分析。以典型交通拥堵瓶颈区块及其周边区块的历史拥堵指数时间序列为输入,以瓶颈区块的当前拥堵指数为输出,通过在Encoder编码阶段引入空间Attention机制捕捉交通拥堵在空间维度上的关联关系,通过在Decoder解码阶段引入时间Attention机制捕捉交通拥堵在时间维度上的关联关系。研究提出了交通拥堵空间关联关系热力图和交通拥堵时间关联关系热力图两类可视化组件对捕捉的交通拥堵时空关联关系进行可视化呈现。基于所提出的方法对洛杉矶城市路网中的典型交通拥堵瓶颈区块与其周边区块的拥堵的时空关联关系进行了量化推理及可视化。结果表明,所提出的模型能够在最小化预测误差的前提下,通过空间Attention权重矩阵和时间Attention权重矩阵来合理反映出路网瓶颈处的交通拥堵在时空维度上的关联关系。