基于大数据的交通组织优化 - 安防知识网

大数据服务平台能够对保留近两年深甚至更长时间的交通信息数据进行挖掘分析。

文/张姿杭州海康威视数字技术股份有限公司售前技术支持

　　一. 概述

　　基于交通大数据的数据分析和挖掘，进行交通组织优化的设计方案，在现阶段，以既有的信号系统、电子警察系统、卡口系统、道路监控系统以及道路固定源采集设备为主要数据来源，从违法数据、过车数据、车流量、车道占有率等交通数据入手，结合大数据，阐述了以数据和数字为依据的交通组织优化方法。

　　通过大数据平台分析和挖掘交通违法数据、交通参数数据、地理信息数据、交通基础设施数据等基础数据，从宏观和微观上把握交通路网运行状况、路网服务水平以及路网运行特征，通过构建交通信息采集系统和辅助决策支持系统，达到交通组织优化的目的，以便更好地实现决策的科学化和出行的智能化。

　　二. 基于大数据平台交通组织优化的思路

　　交通组织优化是一种能够将交通信号控制、交通路网规划设计、交通诱导贯通的综合路网管控方案，但是由于信息相对独立，存在信息孤岛，数据分析不够有效，已有的交通数据挖掘不充分，使得交通组织优化难以找到可靠的数据依据，既有的交通数据分析无法支撑交通组织优化。

　　做交通组织优化可以从既有的交通数据进行分析，如交通违法数据、交通流量数据、交通信息数据。分析处理后的数据结果可以用于交通仿真，区域协调式的交通信号控制;科学的路网规划设计;基于路网、交通车辆特征数据和交通流数据的交通诱导这三个目标去实现。

　　针对道路交通信号控制，目前已经实现了信号机的联网以及基于道路设计的信号控制配时预案，基于大数据的交通流量分析和交通特征挖掘，可以为信号机配时提供数据支撑。

　　针对路网设计和渠化管理，大数据平台可以提供交通流量分析、违法数据分析、道路交通设施的分析。根据大数据平台分析的结果做优化的路网设计和渠化方案，如单行车道、潮汐车道、分时段禁行路段、提前掉头路段等设计。

　　针对交通诱导和车流量管理，交通流采集设备的统一接入以及基于交通流数据的统计、分析、研判和预测，形成对交通流信息的服务体系。对于此部分数据基于大数据的分析，可以根据历史流量预测未来一段时间的流量、交通态势，给出交通指数评价。从而根据路网的实际配置和信号配时做更准确的交通诱导信息共享体系和多样化的交通诱导发布渠道体系。

　　所以，随着大数据的部署，对以上三项的推进和实施提供有力的数据支撑。围绕以上的工作，可以搭建交通路网管理数据的仿真应用平台，该平台需要考虑到交通路网数据的多样性和体量巨大的特点，因此是需要在交通大数据的基础上去实现。海康威视的大数据方案——HDH平台(Hikvision Division Hadoop)，可以提供在百亿级数据规模下的数据分析应用，同时对上层应用提供完整的算法分析容器，可以支持交通仿真中所需的类似于基于时空域分析的交通流分析算法等技术的集成。

　　三. 大数据平台处理数据类型

　　随着车辆增多、道路设施无法得到完善和优化，交通智能管控平台的车流量数据、违法数据、道路设施信息增长速度不断加快，利用传统的关系型数据库在数据存储或业务处理性能上已经无法满足庞大数据要求。此外关系型数据库在智能研判以及交通专项场景的数据规律分析时，无法在不同维度的数据类型之间建立较好的因果以及相关性联系，因此大数据平台就是为了将结构化和半结构化数据进行进一步的整合处理。

　　海康威视大数据平台能够处理以下数据：

　　1、过车数据：车辆通过卡口、智慧监控、电子警察等智慧型视频采集点时可以记录车辆所在车道数、车辆牌号、车身颜色、车型、车标等结构化的过车数据。

　　2、车辆违法数据：既有的前端采集设备可以采集路口车辆闯红灯、不按导向行驶、逆行、压线、违法掉头、违法停车等结构化的违法数据。

　　3、路口和路段的车流量数据：通过智慧型的视频采集点或者固定源(如微波雷达，地磁等)可以采集车速、车道占有率、车头间距等车流量数据。

　　4、道路路网信息数据：大数据平台能够接入道路路网信息数据，如道路名称、道路坐标数据、道路交通设施、道路车道数、道路渠化情况等。

　　5、信号控制系统配置数据：大数据平台可以与信号控制系统平添对接，获取信号控制系统的路口配时、相位控制等信息系统数据。

　　大数据平台能够对接智能交通管控平台、监控平台，提供过车信息数据、违法数据、流量数据、路网信息数据、信号控制系统配置数据接收、检索、研判、统计等业务功能。

　]　四. 大数据平台在交通组织优化方面的应用

　　1、大数据下的路口组织优化

　　对道路交叉口进行交通组织优化设计时，最重要的一点是要明确路口的问题所在及产生问题的原因，为了弄清楚优化对象存在的问题，如频繁发生交通堵塞或者经常发生交通事故等，需要收集必要的资料和数据，这些资料和数据包括交叉口交通量数据、交叉口现状图、交叉口事故数据、交叉口交通控制和交通管理现状。

　　基于大数据的数据分析和梳理，能够提供大量的数据样本，可以输出的数据包括空间维度和时间维度：

　　空间维度主要包括交叉口、路段、道路等级、行政区划等;

　　时间维度主要包括小时、天、周、月、季度、年、工作日、双休日、节假日等。

　　基于大数据交通数据分析的逻辑结构图如下：

　　根据大数据对城市道路的过车流量分析，可以得出城市功能区域的不同导致不同地点一天的高峰表现为不同的模式，如有些为单高峰，有些为双高峰。单高峰出现的时间有些在上午，有些在下午，那么，识别这些模式对于把握高峰出现的时间、协调交通管理资源有参考意义。下图的三种情况是比较典型的三个高峰模式。

　　利用大数据平台，根据历史数据确定早晚高峰时间段通过大量历史数据和智能算法，判断每个路段(或者交叉口、区域)早晚高峰出现的时间，对于把握整体和局部的交通分布、优化交通管理方案具有积极的意义。

　　2、大数据下的交通数据诊断

　　大数据能够统计并输出路网的拥堵情况、事故情况，并可以归纳成对用户决策有用的信息。

　　如通过大数据分析，某路口的闯红灯数量比平时少很多，由此异常的数据来源，我们可以设定报警规则，提示此异常信息。维护人员可以对现场道路交通设施进行排查，是否为设备故障。

　　3、大数据下的流量分析

　　不均指数

　　基于大数据对于各个路口/路段、各个方向的流量统计，分析出路网的不均指数。

　　不均指数包括路段分布不均指数、路口分布不均指数和车道分布不均指数。路段分布不均指数衡量路段两个方向车流量分布不均匀的程度。其计算方式为两个方向车流量的差值的绝对值除以路段的总流量，再将其映射到[0，10]的数值区间。路口分布不均指数衡量一个路口不同方向上车流量分布不均匀的程度。其计算方式为不同方向上的流量分别差值取绝对值最大后除以总流量，再将其映射到[0，10]的数值区间。车道分布不均指数衡量同一个方向上不同车道车流量分布不均匀的程度。其计算方式为同一方向、不同车道的车流量分别差值取绝对值最大后除以这一方向上的总流量，再将其映射到[0，10]的数值区间。

　　该图左侧向用户展示了选定日期和地点的不均指数示意图，移动水平滚动条，可查看各个时间段内的不均指数。右侧展示了车道、路口、路段等不同维度下相应地点的不均指数及排名。

　　交通拥堵指数，其计算方式为实际通过的时间/自由流通过的时间，再将其映射到[0，10]的数值区间。拥堵指数越大，表明拥堵越严重。

　　拥堵指数展示界面

　　该图左侧向用户展示了选定日期和地点的交通拥堵指数变化情况，移动水平滚动条，可查看各个时间段内的拥堵指数和等级。右侧展示了路口、路段、道路等级、行政区划等不同维度下相应地点的拥堵指数及排名。

　　通过大数据下直观的展示道路不均指数，推荐出合理的信号机配时/相位方案，供决策者使用。

　　延迟指数

　　基于大数据对于各个路口/路段的历史流量统计，分析出路网的延迟指数。

　　交通延迟指数，其计算方式为实际通过的旅行时间减去自由流通过的旅行时间(如果值为负数，则置为0，说明没有延迟)，再将其映射到[0，10]的数值区间。交通延迟指数越大，表明该地点越拥堵。

　　延迟指数展示界面

　　该图左侧向用户展示了选定日期和地点的交通延迟指数变化情况，移动水平滚动条，可查看各个时间段内的延迟指数。右侧展示了路口、路段、道路等级、行政区划等不同维度下相应地点的延迟指数及排名。

　　通过对道路的延迟指数分析，可以为决策者提供路面拓宽、新建道路规划等决策依据。

　　4、大数据下的交通组织专项分析

　　不同区域的交通特征差异较大，对于我们关注的一些特殊区域，比如旅游景区、进出城高速口、火车站、危化品运输线路等，基于大数据的专项分析模块将对这些区域附近的路段及路口进行专项重点分析。

　　图中是显示的选定区域附近有哪些路段和路口，以及这些路段、路口的相关参数，包括拥堵指数、拥堵延迟时间、平均车速、平均旅行时间、高峰平均速度、高峰延时时间、平峰平均速度等信息。

　　5、大数据下的交通仿真

　　交通仿真最关键一点是建立仿真模型，其次是仿真的结果是否符合实际情况。结合城市交通大数据，可以为交通仿真提供精确的模型数据，如车辆出行OD、节点描述、路段描述、车道描述、交通控制方案、事件反应、车辆路线选择、车辆转向选择等。

　　大数据平台提供多样化的数据量，能够为交通仿真提供支持，同时也可以根据历史数据信息反向验证交通仿真结果。

　　五. 结语

　　大数据服务平台能够对保留近两年深甚至更长时间的交通信息数据进行挖掘分析。以大数据平台为核心提出的大数据解决方案能够满足大规模数据量存储以及基于如此规模的数据快速检索、智能研判、快速统计等业务的性能要求。挖掘出具有路网和交通流特征的准确数据，为交通组织优化提供数据支撑。