大连科技学院 辽宁大连 116052
摘要：随着经济的发展以及人民生活水平的不断提高，我国的机动车保有量日益增加，由此产生的交通拥堵现象也越发严重，如何有效地对于城市道路交通实时路况进行预测，进而引导交通流分散布置、缓解交通拥堵具有十分重要的意义。本文利用出租车GPS数据分析路况，提出对行车路线进行区间式划分的方法对部分路段未来时刻的路况进行预测；进而对如何解决交通拥堵问题进行了优化设计，为城市道路交通智能化发展提供思路及参考。
关键词：城市道路；路况预测；交通拥堵；优化设计
1 引言
交通运输是我国经济的重要组成部分，随着我国城市化进程的加快，我国机动车保有量迅猛增长，根据公安部交管局调查数据显示，截至2017年6月，我国机动车保有量已达3.04亿辆。随之而来的便是交通拥堵问题，这不仅仅影响着我们的日常出行，同时也制约了城市经济的发展。据测算[1]，北京市2008年因交通拥堵而造成的间接损失折合人民币约为239.2亿元，约占北京市2008年GDP的0.5-2.5%。因此，如何有效地解决交通拥堵问题具有十分重要的意义。
2城市道路交通路况预测
2.1交通路况预测方法
本文以出租车为主要研究对象，对比“两点一线”式行车路径的公交车或私家车，出租车可覆盖的范围要更大、行车路线更加随机，所得的数据量更加庞大。
将在一个周期内出租车通行某路段的车辆平均速度来衡量交通路况，以平均速度作为热力图的热力参量，即图中颜色越深则表示交通拥堵越严重，通行速度越小，绘制交通热图，来反映当前路况。如图1所示。
图1 交通热力图
通过已收集的不同日期、某一时间、某一路段的通行速度数据进行回归预测，首先输入不同日期，同一时间段，同一路段的通行速度设为vi（包括v1,v2?vn），画出当前时间段和通行速度的关系曲线，并进行数据拟合，构建回归方程，对未来的通行速度进行预测。
以大连的南松路为例总长约1公里，近7日交通拥堵指数平均值为2.1，16点-18点的晚高峰交通拥堵指数为3.5其中顶峰为5.1，折合平均通行时间为7分钟通行时速为11.2公里/时。我们通过采集实际数据得出四组晚高峰时期（16：00-18：00）其中将前三组作为样本来预测第四组的实验结果采样间隔为8分钟。
第一组通行速度为:11.5 km/h、 11.2km/h、10.5km/h、10.km/h、9.3 km/h、9.8 km/h、10.3 km/h、10.0 km/h、10.5 km/h 10.8 km/h、11.2 km/h、11.7 km/h、12.5、11.9km/h、11.7km/h。
第二组通行速度为:11.8km/h、11.1km/h、10.4km/h、10.2km/h、9.4km/h、9.3km/h、9.8km/h、10.1km/h、10.4km/h、10.7km/h、11.0km/h、11.6km/h、12.2km/h、11.6km/h、11.3km/h。
第三组通行速度为:13.2km/h、12.5km/h、11.8km/h、10.9km/h、10.3km/h、10.6km/h、10.8km/h、11.5km/h、12.1km/h、11.9km/h、12.2km/h、12.6km/h、12.7km/h、12.9km/h、13.0km/h。
第四组通行速度为:11.4km/h、11.1km/h、10.6km/h、9.9km/h、9.4km/h、9.8km/h、10.3km/h、9.9km/h、10.5km/h、10.8km/h、11.2km/h、11.6km/h、12.5km/h、11.8km/h、11.6km/h。
将数据导入MATLAB中，运用datenum函数将时间转化为数值得到在晚高峰时期时间与路面通行速度得关系图，对三组数据进行拟合，拟合后构建相应插值方程，三组分别为：
第一组：z=(x-mu)/sigma;mu=7.37143e+05;sigma=0.024845
第二组：z=(x-mu)/sigma;mu=7.37141e+05;sigma=0.024843
第三组：z=(x-mu)/sigma;mu=7.37147e+05;sigma=0.024833
通过构建的回归方程，并进行方程的系数整理得：
z=(x-mu)/sigma；mu=7.37144e+05；sigma=0.024836
预测下一天的交通拥堵情况如预测曲线所示，然后对比预测曲线与第四组拟合曲线可得出预测结果与实际结果较为类似。操作步骤如图2-9所示。
图8 第四组实测曲线
2.2GPS误差分析
GPS定位的误差信息来源来自多方面，提出可以通过在短时间内多次对出租车位置进行取样，并运用拉依达准则对横坐标及纵坐标进行误差处理[6]。
图12交通拥堵出租车行驶实际图
如图10所示，其中深色部分代表在晚高峰时期拥堵路段其中颜色越深表示交通拥堵情况越严重，我们可以看出交通拥堵主要聚集在西安路附近，而罗斯福大厦左侧交通相对通畅。若将路段进行合理的划分，将车流分流至左侧，则可减轻西安路主路段的行车压力。并可以通过如图11所示的区间划分方法即加入栅格对路线进行分块，通过替换掉西安路这样的高峰时期较为拥堵的主干线将客流引入相对通畅的小路来缓解交通拥堵。
3拥堵优化设计
图13 交通拥堵优化设计流程图
优化原理：调查发现交通拥堵主要发生在城市中的主干路，将主干路的车流疏导到支路从而达到缓解交通拥堵的目的。依据该原理完成拥堵优化设计：
1、用安装在出租车的GPS装置周期性的收集出租车的坐标位置，每隔一个周期后在短时间内取样多组数据。
2、对取样的数据进行横纵坐标的分离，分别对横纵坐标的取样结果分别运用拉依达准则判断是否存在影响坐标位置的坏值，加以剔除，后去均值，作为出租车当前所在位置坐标。
3、将修正过出租车位置坐标导入所在的城市地图中标记显示。
4、用出租车在地图中的标记，确定扩散范围，绘制城市交通热力图，通过交通热力图来反映当前城市路况。
5、根据出租车在地图上的位置标记的变化可以预测下一周期可能发生交通拥堵的路段。
6、出租车在一个周期内的坐标位置变化，根据比例尺，计算周期内所发生的直线位移，以及当前路段的通行速度，对存在多组数据的情况下考虑到城市车道的布置，去算数平均值。
7、对比附近相邻路段的通行速度，推荐行车路线。
8、完成主干路车辆引流缓解交通拥堵。
4结论
（1）本文通过对出租车GPS数据进行采集、分析以及误差处理，借助MATLAB软件进行拟合并得出预测方程，实现了对于城市道路交通路况的预测。利用平均速度来衡量交通拥堵状况十分具有前瞻性，此外还引入插值拟合等数学的统计方法可以有效的预测未来的交通路况。
（2）提出了一种城市道路交通拥堵优化设计方案，以预测数据为基础，对如何解决交通拥堵问题进行了优化设计，给出了相关对策和建议，能够很好地和目前的智能交通方式相结合，为城市道路交通智能化发展提供了思路及参考。
参考文献
[1]方蕾. 缓解交通拥堵视角下的城市路网优化研究[D].西北大学,2015.
[2]刘琳. 基于简化路网模型的城市路况预测与监控技术研究[D].重庆大学,2013.
[3]覃明贵. 城市道路交通数据挖掘研究与应用[D].复旦大学,2010.
[4]李明轩. 多源交通路况信息处理技术与应用研究[D].北京建筑大学,2014.
[5]韩敏.苏州古城交通拥堵问题研究及优化策略[J].建材与装饰,2018(04):277.
[6]林颖. 基于动态交通信息检测的干道交通拥堵预警方法研究[D].重庆交通大学,2014.
论文作者:李明远,边可
论文发表刊物:《建筑学研究前沿》2018年第5期
论文发表时间:2018/7/4
标签：交通论文; 路况论文; 出租车论文; 速度论文; 路段论文; 城市论文; 数据论文; 《建筑学研究前沿》2018年第5期论文;