基于大规模浮动车数据的城市快速道路车速离散辨识方法与流程

本发明属于城市快速路交通安全预测和管理领域，具体来说，涉及一种基于大规模浮动车数据的城市快速道路车速离散辨识方法。

背景技术：

随着国民经济的蓬勃发展，出行需求的不断提高，近几年机动车持有量稳步上升。车辆数量有所增加，而道路交通设施、交通管理手段等并未有类似的爆发式更新或增长。

速度离散性可以反映不同车辆间的速度差异或同一车辆的速度变化，已有的研究表明它与交通安全有着密切的联系，故选用速度离散性作为交通安全的衡量标准。

此外，先前对速度离散性的研究通常采用实验的方法，雇佣一定数量的机动车在特定的道路上进行数据的采集，时间和空间的覆盖性都不完善。gps的应用普及为解决这一问题提供了极大的便利。已有研究表明出租车数量占交通流量的4％-6％时，即可通过出租车获取其所在路段的交通状况，而出租车的出行一般没有时间限制，覆盖的空间范围可达整个路网，因此可以把出租车作为浮动车，将浮动车的gps数据作为可靠的数据来源。

技术实现要素：

技术问题：本发明所要解决的技术问题是：提供一种基于大规模浮动车数据的城市快速道路车速离散辨识方法。该速度离散分布特征分析方法利用浮动车数据计算平均速度和速度离散性，分析道路设施特征中对速度离散性的影响因素，提出基于平均速度和速度离散性的快速路交通安全服务水平评价方法。

技术方案：为解决上述技术问题，本发明采用的一种基于大规模浮动车数据的城市快速道路车速离散辨识方法，该城市快速道路车速离散辨识方法包括以下步骤：

步骤10)获取快速路附近的浮动车数据：将快速路划分为多个路段，划分原则为各路段性质相近且所属长度区间为[x1,x2]米；取得所述快速路所在地区的浮动车数据，与划分后的快速路路段数据导入同一gis图中；建立快速路路段缓冲区，将空间上落于缓冲区范围内的浮动车数据判定为在快速路附近行驶的车辆产生的gps点，按路段分别存储筛选出的浮动车数据，以备后续计算；

步骤20)划分速度计算单位：在每一路段上，以gps点的车辆id这一属性来判断该点所属的车辆，同时，以相邻轨迹点间相隔t分钟为临界时间，将同一车辆轨迹划分为多条轨迹链，以消除同一车辆多次驶入同一路段却只判定为一次出行的可能；

步骤30)区分快速路和辅路数据：由于交通流在高峰与平峰时期呈现不同的特征，将研究时间段分为3个部分，分别是早高峰7:00-9:00，晚高峰16:30-19:30和平峰12:00-14:00；计算各条轨迹链的平均速度，即所有相邻点间隔的速度和除以间隔数量，将该平均速度赋予该轨迹链中的每一个轨迹点，以此为依据统计出轨迹点速度的高峰和平峰分布图；理论上快速路和辅路的速度分布均呈单峰状的正态分布，那么所述速度分布图应呈“双峰”的形态，双峰的低谷便是两者速度交汇的临界位置，选取此作为区分快速路和辅路数据的临界速度，得到结果后同样按路段进行存储；

步骤40)计算快速路速度离散性：所述速度离散性分以路段为单位和以车辆为单位两种，以路段为单位的指标采用标准差，以车辆为单位的采用“加速噪声”；

步骤50)建模分析道路设施特征对速度离散空间分布特征的影响：进行实地调查或参照电子地图，统计各路段的道路设施特征；对因变量——速度离散性的成因进行解释；所述的两种速度离散性指标中，“加速噪声”的取值积压在0附近，需要对其取对数，展开可进一步利用的信息；路段车速标准差则直接采用，不作进一步处理；分别建立线性模型和对数-线性模型，在两者中选取出较优模型，进而分析快速路速度离散性的影响因素；

步骤60)提出基于速度离散性的快速路交通安全服务水平评价方法：速度离散性可以反映车辆间的速度差异或同一车辆行驶过程中的速度变化，提供关于快速路安全水平的关键信息，选取其与平均车速作为服务水平评价指标，采用二维k-means聚类实现服务水平评价，根据聚类结果中平均速度和速度离散性的相对取值，将路段交通安全服务水平划分为n级。

其中，

所述的步骤10)中，所述的浮动车数据必须包含车辆id、gps点产生时间和所处的经纬度等字段。

所述的步骤10)中，所述的划分路段长度的区间，x1取值为500，x2取值为1000。

所述的步骤10)中，所述的快速路路段缓冲区的缓冲半径为100米。

所述的步骤20)中，所述的划分轨迹链的临界时间选取为5分钟。

所述的步骤50)中，选取较优模型的依据为模型拟合度，即r方，f值和各变量的t值。

所述的步骤50)中，选取的道路设施特征包括道路线型、分隔条件和周边环境三大类。

所述的步骤40)计算快速路速度离散性中，标准差的计算公式即为统计学中的公式：

std表示标准差，m为路段上轨迹链数量，vi为各条轨迹链的速度，为该路段上轨迹链的平均速度。

所述的步骤40)计算快速路速度离散性中，所述的“加速噪声”定义为交通流中某一车辆所经历的加速度变化：假设g1、g2、g3……gn为构成该轨迹链的n个点，v12、v23、v34……v(n-1)n为两点间的速度，t12、t23、t34……t(n-1)n为两点间的时间，t为这一轨迹链延续的总时间，那么delv123、delv234、delv345……delv(n-2)(n-1)n表示两个gps点间隔之间的速度变化，产生这一变化所需的时间同样用delt123、delt234、delt345……delt(n-2)(n-1)n来表示，其值由前后两个时间间隔求平均取得，即：

由于速度不是连续记录的，该轨迹链的“加速噪声”并不能通过积分方式求得，需要作近似的累加处理，公式如下，符号意义同前：

有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：

1、原始数据易于获取。速度和速度离散性通过浮动车数据获取，免除了采用静态侦测法或传统的动态侦测法所需要的人力和物力；交通安全采用速度离散性为指标，免去了不完全的交通事故数据所隐含的样本偏差等问题。

2、快速路数据筛选方法便捷有效。理论上快速路和辅路的速度分布均呈单峰状的正态分布，那么两组数据混合后的速度分布图应呈“双峰”的形态，双峰的低谷便是两者速度交汇的临界位置。利用这一特点，通过车速分布图判断区分快速路和辅路车辆的临界速度，以该速度为标准建立快速路gps点筛选方法。

3、快速路交通安全服务水平评价方法简明易实施。在没有交通流数据的情况下，以速度离散性来衡量快速路交通安全服务水平，建立两者的关系，采用二维k-means聚类完成，结果可视性强。

附图说明

图1是本发明的早晚高峰速度分布图。

图2是本发明的平峰速度分布图。

图3是平峰聚类结果图。

图4是本发明的流程图。

具体实施方式

下面结合附图和实施例，对本发明的技术方案作进一步详细说明。

如图1、图2和图3所示，本发明的一种基于大规模浮动车数据的城市快速道路车速离散辨识方法，包括以下步骤：

步骤10)获取快速路附近的浮动车数据：将快速路划分为多个路段，划分原则为各路段性质相近且所属长度区间为[x1,x2]米。取得所述快速路所在地区的浮动车数据，与划分后的快速路路网数据导入同一gis图中。建立快速路路段缓冲区，将空间上落于缓冲区范围内的浮动车数据判定为快速路附近行驶的车辆产生的gps点。按路段分别存储筛选出的浮动车数据，以备后续计算。

步骤10)中，划分路段的长度区间为[500,1000]米，路段缓冲区半径选用100米。浮动车数据必须包含车辆id、gps点产生时间和所处的经纬度等字段，以获得运行路程和时间，计算速度。快速路路网数据需要通过删除整体路网中的其他不相干道路取得，同时，因车辆在隧道内部行驶时不能正常产生gps数据点，隧道部分不纳入研究范围。

步骤20)划分速度计算单位：在每一路段上，以gps点的车辆id这一属性来判断该点所属的车辆。同时，以相邻轨迹点间相隔t分钟为临界时间，将同一车辆轨迹划分为多条轨迹链，以消除同一车辆多次驶入同一路段却只判定为一次出行的可能。

步骤20)中，划分轨迹链的临界时间选取为5分钟。若不采用临界时间的限制，同一车辆多次驶入同一路段，其间的间隔时间将被算作运行时间，速度将过低。临界时间选取标准根据路段长度和快速路限速制定，确保在临界时间限制内车辆可以驶过该路段长度的路程。

步骤30)区分快速路和辅路数据：由于交通流在高峰与平峰时期呈现不同的特征，将研究时间段分为3个部分，分别是早高峰(7:00-9:00)，晚高峰(16:30-19:30)和平峰(12:00-14:00)。计算各条轨迹链的平均速度，即所有相邻点间隔的速度和除以间隔数量，将该平均速度赋予该轨迹链中的每一个轨迹点。以此为依据统计出轨迹点速度分布图(分高峰和平峰)。理论上快速路和辅路的速度分布均呈单峰状的正态分布，那么所述速度分布图应呈“双峰”的形态，双峰的低谷便是两者速度交汇的临界位置，选取此作为筛选快速路数据的临界速度，得到结果后同样按路段进行存储。

步骤40)计算快速路速度离散性：所述速度离散性分以路段为单位和以车辆为单位两种。以路段为单位的指标采用标准差，以车辆为单位的指标采用“加速噪声”。

标准差的计算公式即为统计学中的公式：

std表示标准差，m为路段上轨迹链数量，vi为各条轨迹链的速度，为该路段上轨迹链的平均速度。

“加速噪声”定义为交通流中某一车辆所经历的加速度变化：假设g1、g2、g3……gn为构成该轨迹链的n个点，v12、v23、v34……v(n-1)n为两点间的速度，t12、t23、t34……t(n-1)n为两点间的时间，t为这一轨迹链延续的总时间，那么delv123、delv234、delv345……delv(n-2)(n-1)n表示两个gps点间隔之间的速度变化，产生这一变化所需的时间同样用delt123、delt234、delt345……delt(n-2)(n-1)n来表示，其值由前后两个时间间隔求平均取得，即：

由于速度不是连续记录的，该轨迹链的“加速噪声”并不能通过积分方式求得，需要作近似的累加处理，公式如下，符号意义同前：

步骤40)中，“加速噪声”计算公式的推导过程，参见文献《trafficdynamics:analysisofstabilityincarfollowing》hermanr,montrolle,et.al.,1959.operationresearch。

步骤50)建模分析道路设施特征对速度离散空间分布特征的影响：进行实地调查或参照电子地图，统计各路段的道路设施特征。对因变量——速度离散性的成因进行解释。所述的两种速度离散性指标中，“加速噪声”的取值积压在0附近，需要对其取对数，展开可进一步利用的信息；路段车速标准差则直接采用，不作进一步处理。分别建立线型模型和对数-线性模型，在两者中选取出较优模型，进而分析快速路速度离散性的影响因素。

步骤50)中，道路设施特征包括道路线型、分隔条件和周边环境三大类。道路线型包括路段长度、路段车道数、是否为平曲线等；分隔条件包括中分带类型等；周边环境包括用地性质、进出口道数量、辅道接入点数量等。其中，路段长度通过gis读取，其他特征需要通过实地调查或者电子地图取得。

步骤60)提出基于速度离散性的路网交通安全服务水平评价方法：速度离散性可以反映车辆间的速度差异或同一车辆行驶过程中的速度变化，提供关于快速路安全水平的关键信息，选取其与平均车速作为服务水平评价指标，采用二维k-means聚类实现服务水平评价，根据聚类结果中平均速度和速度离散性的相对取值，将路段交通安全服务水平划分为n级。n优选为4，即4级服务水平：级别1，平均速度和速度标准差均较高，车辆行驶较为自由，相互之间几乎不产生影响，驾驶员可以在满足限速的基础上自由选择速度。级别2，平均速度降低，车辆间的相互影响逐渐增强，速度比较接近，交通流很稳定。级别3，平均速度进一步降低，但车辆之间的速度不太均衡，交通流仍然较稳定。级别4，平均速度和速度标准差均较低，车流运行不太顺畅，交通流可能失稳。

本发明的基于大规模浮动车数据的城市快速道路车速离散辨识方法分为两大部分：分析道路设施特征对速度离散空间分布特征的影响，和提出基于速度离散性的路网交通安全服务水平评价方法。这两部分以快速路速度和速度离散性的计算为前提。

速度计算以轨迹链为单位。获取轨迹链上所有gps点的平均速度后，统计出所有gps点的速度分布图，用以确定临界速度，筛选出快速路上的点。速度离散性采用了两种指标：以路段为单位和以车辆为单位，即路段车速标准差和单车“加速噪声”。在后续建模分析中选用拟合度较好的一种。

分析道路设施特征对速度离散空间分布特征的影响，对前述两个速度离散性指标分别采用线性模型和对数-线性模型，以充分利用其中的信息。

基于速度离散性的快速路交通安全服务水平评价以两类模型中拟合度较优者的因变量和平均速度为指标，采用k-means二维聚类进行交通安全服务水平划分。

实施例

以南京内环快速路为研究载体，结合南京市内出租车的浮动车数据，对本发明做进一步说明。

内环西线在研究时段内处于“高架改隧道”施工期，不属于正常通车状态，与隧道部分一并排除在研究范围外。按照划分标准，将正常路段分为15段，以100米为半径建立缓冲区。

在gis中利用缓冲区提取出67126条数据。通过速度分布图(图1、图2)确定筛选快速路数据的临界速度为20km/h。筛选后，得到15个路段早高峰时段快速路轨迹点1744例，平峰3067例，晚高峰5276例。

通过建模发现，路段车速标准差的拟合度较“加速噪声”更优。以平峰模型为例，各变量均较显著，变量中辅道公交车站的存在(bus_stop)对速度离散性的影响最大。

表1

基于此，基于大规模浮动车数据的城市快速道路车速离散辨识方法中，在平均速度之外，选用路段车速标准差作为另一指标。道路的服务水平是动态变化的，考虑缩小研究的时间跨度，尽可能精准地描述每一个时间段的道路交通安全服务水平：在原来的研究基础上，以15分钟为间隔进行研究时间段的划分，产生120(15×8)条样本。进行k-means聚类分析，得到各路段的交通安全服务水平。

从图3中可以看到各路段的评价结果，图中的数字标号即为对应的等级。有50％以上的情况交通流处于稳定状态(处于级别1、2和3)，道路交通安全服务水平较优，与实际吻合。本发明的方法具有实际的工程运用价值。