基于众包数据的路网交通态势感知与信号控制优化

第1章 绪论 　　1.1 研究背景及意义 　　随着我国经济的飞速发展、人均 GDP逐年稳步提升，城镇化进程也在不断加快。自“七九一八”工程实施以来，我国道路基础设施建设取得了显著成效，截至2017年年底，我国公路总里程数突破477万公里，其中高速公路里程13.65万公里[1]。与此同时我国机动车保有量也在逐年攀升，据公安部统计，截至2017年年底，我国机动车保有量突破3亿辆，其中汽车2.17亿辆。交通需求的快速增长远大于交通供给的增加，由此带来的交通拥堵、交通事故频发、环境污染(雾霾、碳排放超标等)、能源短缺等问题严重制约了城市的深度发展。高德导航发布的《2019年度中国主要城市交通分析报告》显示，全国交通畅通城市占比仅为39%，19%的城市交通拥堵仍在加剧。美国交通信息服务公司 INRIX发布的报告显示，美国2019年由交通拥堵直接或间接导致的经济损失高达880亿美元。中国交通运输部统计的数据显示，交通拥堵每年造成我国经济损失更是高达2500亿人民币。由此可见，防治交通拥堵的紧迫性日益凸显。考虑到城市交通路网自身固有的复杂性和时变特征，建立科学有效的交通态势感知方法将对今后评判交通拥堵的治理效果、交通规划以及制定交通政策法规提供有力支持和保障。 　　大数据和万物互联时代的到来为众多科学和工程领域带来了革新，交通领域也不例外。随着移动互联网、物联网( Internet of Things，IOT)、云计算等技术的迅速崛起，智慧城市( Smart City)、智能交通系统( Intelligent Transportation Systems，ITS)等应用逐步推广，“互联网+”和大数据时代的智慧交通应运而生。大数据技术为智能交通系统的发展提供了技术支撑，也为交通管理与决策的范式革新带来了机遇和挑战。在大数据和万物互联的时代背景下，传统的管理决策逐渐从以管理流程为主的线性范式向以数据为中心的扁平化范式进行转变。作为 ITS的一个子系统，交通信息采集系统是其中的一个重要组成部分[2]，交通信息的采集是进行交通管理和交通规划的重要基础。现有的信息采集设备主要分为两类：传统的固定型检测器和基于移动传感的移动型检测器。传统的固定型检测器如环形线圈、红外线、雷达、超声波和视频检测器，在过去的几十年中得到了广泛的应用。固定型检测器能够连续地提供某一固定地点在一定时间间隔内的交通流信息(速度、流量、占有率等交通特征参数)，但是不能提供完整的空间检测信息。此外，由于我国多数城市路网密度较大，固定检测器不能完全覆盖全部路网节点，这也在某种程度上限制了交通信息的获取。据《中国交通信号控制系统及设备应用调查报告》[2]显示，国内一线城市控制系统检测器设备完好率不足50%，众多二三线城市甚至低于30%。不仅如此，由于种种原因(施工损坏、线路故障、处理失误等)，部分道路的交通数据存在大量缺失现象。 　　伴随移动互联等新一代信息技术的发展，交通信息的获取、交互与融合催生出新的业态[3]。由出行者通过智能终端设备(如车载导航、智能手机)以众包方式反馈时空位置信息，即高频时空连续位置数据(轨迹)，正成为一种新的交通信息获取手段。众包轨迹从时间和空间两个维度突破了定点检测数据采集的瓶颈，并且具有广域、持续、可靠、低成本等特点。如何充分挖掘众包轨迹数据、提取有效的交通信息，使其服务于城市道路交通管理与控制已成为目前智能交通领域研究的国际前沿科学问题[4]。众包轨迹数据不仅可以体现车辆在路网上的起讫点与行驶路径，而且可以反映瞬时速度随时间和空间的变化特征，蕴含丰富的交通流信息，是对交通运行状态的直观表达。相比定点检测数据，众包数据能否为交通管控提供决策支持，很大程度上取决于众包用户数量在整体交通流中的占比，即渗透率(Penetration Rate)。面向未来全息车联网环境的仿真研究显示，不同应用场景下基于众包轨迹数据的交通工程实践均对渗透率有较高要求：车道级速度估计(>20%)[5]、交通运行状态评价(20%～50%)[6]、交通信号控制(>20%)[7-9]。而据统计，以滴滴出行、高德导航为代表的互联网公司通过手机 APP采集的海量众包数据在城市干道的渗透率一般低于10%[10，11]。由于智能网联车辆及车车、车路协同基础设施的部署需要较长的时间周期，同时受隐私保护等条件限制，在未来相当长的一段时间内，众包用户渗透率仍将维持在较低的水平。因此，能否在低渗透率环境下精准评估、深度诊断交通运行状态，是现阶段基于众包轨迹数据优化交通控制策略的关键，亦是面向未来车联网环境探索和开发下一代交通控制系统的重要支撑。 　　时下，“互联网+信号灯”成为研究热点。阿里发布“城市大脑1.0”接管杭州市128个信号灯的配时优化；滴滴出行利用出租车、专快车等众包轨迹数据，构建“感知-评估-优化-实施”闭环的交通信号监控与优化系统，并在济南、武汉等城市落地1200多套路口配时优化方案，一定程度上缓解了交通拥堵问题。然而，以上实践仅实现了不分车道、不分流向的“粗粒度”交通状态评估与针对 TOD(Time-of-Day)划分的“多时段”定周期信号配时优化。优化控制大多被动响应交通需求变化，对排队从正常状态向溢流状态的演变过程及控制策略缺乏深入分析。此外，现阶段城市路网交通需求持续增长，交叉口、干道常处于发生排队溢流的高风险和高频率状态。因此，在当前交通环境下，基于低渗透率众包轨迹数据，分周期、分流向地“细粒度”评估交通状态，及时、准确地预测排队溢流风险，并对大规模路网交通瓶颈进行辨识，科学诊断拥堵致因，建立区域路网信号控制优化理论与方法体系，是交通控制领域亟待解决的关键理论问题。 　　1.2 国内外研究现状 　　1.2.1 车辆轨迹重构 　　在交通工程领域，车辆轨迹主要涉及两个层面：①车辆在路网行驶走过的完整路径，包含 OD(Origin Destination)信息；②车辆在某一路段上运行对应的时空物理轨迹，包含车辆的瞬时速度。车辆轨迹数据的采集方式主要包括视频检测、航拍、探测车等，存在以下缺陷：①依赖定点检测(如视频、航拍)采集的轨迹只能覆盖较小范围并且安装维护成本高，需要花费大量人力、物力；②移动检测设备的渗透率较低，基于移动检测(如探测车)采集的轨迹往往时空稀疏，并且包含大量误差。鉴于此，众多研究者提出轨迹重构方法，根据选取交通数据的类别，现有的轨迹重构方法可分为三大类，其研究脉络如图1-1所示。 　　图1-1 车辆轨迹重构研究脉络图 　　1)基于定点检测数据的车辆轨迹重构 　　2002年，Coifman等[12]基于交通流理论和基本图假设提出一种快速路旅行时间和车辆轨迹估计方法，利用某一位置的单个线圈检测器数据估计道路局部交通参数，之后将局部参数外推拓展至整个路段。但是，仅利用道路局部单个检测器数据并不够全面。2010年，Lint等[13]基于连续多个线圈检测器数据，提取车辆在上下游的位置信息重构车辆完整轨迹，该方法重构的实际上是一种理想化的分段平滑轨迹。随后，Lint等[14]融合快速路其他检测器数据估计旅行时间和车辆轨迹，避免对车辆速度进行平滑处理，提高了轨迹重构方法的鲁棒性。但由于线圈检测器覆盖率低、完好性差，检测数据自身包含大量原始误差，据此重构出的轨迹精确性较低。 　　车辆自动识别系统( Automatic Vehicle Identification，AVI)的广泛应用，为轨迹重构提供了另外的定点检测数据源。2015年，Yang等[15]使用 AVI数据构建轨迹重构综合框架，基于粒子滤波在微观层面确定单个车辆的路径选择，并将随机用户均衡原理与宏观层面的路径流量估计器相结合，生成更准确的车辆路径估计，并提出粒子滤波的三个测量准则标准，即路径一致性、 AVI可测性和路径吸引，通过更新状态空间模型修正流量估计结果，估计结果表明粒子滤波方法可以准确估计车辆路径。在此基础上，2018年，Rao等[16]进一步利用自动车牌识别( Automatic License Plate Recognition，ALPR)数据识别不同车辆，基于粒子滤波算法提出一种离线方法重构路网中的车辆路径。根据路径重构结果，进一步估计历史 OD模式，并在城市路网中进行了测试和验证。该方法在 ALPR检测器高覆盖率和高识别率的情况下，可以准确重构车辆路径，但当 ALPR检测器覆盖率和识别率较低的情况下，估计误差较大。 　　2)基于移动检测数据的车辆轨迹重构 　　2016年，Wan等[17]利用探测稀疏的历史更新数据估计交叉口的旅行时间和排队模式。根据排队和信号配时统计数据，将车辆轨迹划分为不同的类别，包括不停止轨迹、单次停车轨迹和多次停车轨迹。基于极大似然估计重构探测车 GPS稀疏更新之间*大可能性的缺失轨迹。2017年，Hao等[18]提出一种估计车辆 GPS稀疏更新点之间车辆行驶模式(加速、减速、巡航和空转)所有可能序列的概率模型。利用历史轨迹数据的先验分布校准模型，通过匹配行驶模式的*优序列，重构稀疏更新之间的轨迹缺失部分。2015年，Lint等[19]将研究道路区域离散为节点和连边组成的时空网格，采用一阶交通流理论和变分公式( Variational Formulation，VF)将节点间的速度(轨迹斜率)设置为离散时空网格中的分段常数(无加速度)，重构分段线性的全样本车辆轨迹。2015年，Sun等[20]发现当分段线性轨迹被用来评估车辆的能源消耗和排放时会产生较大误差。2016年，Shan等[21]考虑车辆的加\减速度行为，根据采集的部分轨迹数据，将车辆驾驶模式划分为不同的状态，并提出估计不同状态的概率模型，同时基于极大似然估计重构探测车连续采样位置之间缺失的轨迹。2018年， Li等[22]提出一种基于 k近邻算法的轨迹重构方法，根据不完整轨迹旅行时间估计完整轨迹，扩大样本数量。2021年，蒋阳升等[23]利用部分探测车数据基于智能驾驶跟驰模型(Intelligent Diver Model，IDM)对缺失车辆位置信息进行估计，据此实现快速路车辆轨迹重构。然而，单一类型检测器只能提供有限的交通信息，考虑到道路检测设备的多样性，另外一些学者融合多源数据进行车辆轨迹重构[24-26]。 　　3)基于多源数据融合的车辆轨迹重构 　　2011年，Mehran等[27]将出租车作为探测车，通过融合探测车数据、交叉口信号配时数据和 AVI数据，提出一种适用于城市信号控制交叉口的车辆轨迹重构方法。并以日本东京的道路交叉口为例，进行数据采集和方法验证，发现当探测车渗透率高于7%时，该方法可以准确重构大部分车辆轨迹。2012年，Habu等[28]在此基础上进一步融合定点线圈检测器数据，对道路上的车辆短时轨迹进行预测。随后， Sun等[29]同样基于探测车数据，融合上游 AVI数据和交叉口信号配时数据，构建适用于单点交叉口的车辆轨迹重构模型，并采集实际数据进行参数标定和方法验证。2016年，唐克双等[30]在缺少高质量探测车数据的情况下，对交通信号数据、定点线圈检测器数据和视频检测器数据进行融合，提出一种交通流全样本车辆轨迹重构方法。 　　以上方法均是针对交叉口车辆短时轨迹重构，并未拓展至连续干道层面。2019年，Jabari等[31]整合车辆跟驰模型和条件随机场算法( Conditional Random Fields Algorithm)，基于车辆 GPS数据和信号配时数据重构车辆轨迹。该方法属于数据驱动算法，研究过程需要采集大量检测数据，随着道路几何面积的增加，所需样本量将迅速增加，无法保证算法效率。2018年，Xie等[32]考虑到定点线圈检测器采集的数据存在大量漏检和错检，故利用信号配时数据、车辆通过时间和车辆旅行时间观测数据修正测量误差，将定点检测器数据与观测数据融合，并集成于同一微观交通仿真框架中，利用粒子滤波重构信号控制干道车辆轨迹，结果表明粒子滤波方法可以有效修正测量误