基于网格划分的常发性拥堵区域识别及演化模式分析

裴玉龙; 李梦如

doi:10.16503/j.cnki.2095-9931.2024.02.009

交通运输研究 >

2024 , Vol. 10 >Issue 2: 73 - 84

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.02.009

理论与方法

基于网格划分的常发性拥堵区域识别及演化模式分析

裴玉龙 ,
李梦如

展开

东北林业大学土木与交通学院，黑龙江哈尔滨 150040

*裴玉龙（1961—），男，黑龙江桦川人，博士，教授/博导，研究方向为道路交通安全、交通规划、交通管理。E-mail: peiyulong@nefu.edu.cn

收稿日期: 2024-01-18

网络出版日期: 2024-06-24

基金资助

国家自然科学基金面上项目(51278158)

收起

Identification and Evolutionary Pattern of Recurrent Congestion Area Based on Grid Division

PEI Yulong ,
LI Mengru

Expand

School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, China

Received date: 2024-01-18

Online published: 2024-06-24

Fold

摘要

为准确识别常发性拥堵区域，分析其拥堵传播方向，疏通拥堵源头和阻断拥堵传播路径，提出一种基于网格模型和Fuzzy Core DBSCAN算法的常发性拥堵区域识别及演化模式分析方法。首先，对城市路网进行网格化处理，结合出租车GPS数据综合分析网格内车辆轨迹数量和轨迹加权平均速度，构建网格内部交通拥堵状态判别模型。然后，利用结合模糊集合论与DBSCAN算法扩展得到的Fuzzy Core DBSCAN算法识别常发性拥堵区域，选取拥堵规模、拥堵传播方向（即两个相邻网格之间的传播次数和传播概率）和关键网格3个指标来分析常发性拥堵的演化模式。最后，以黑龙江省哈尔滨市二环路范围内网格区域为例进行实证分析，结果表明：所识别出的常发性拥堵区域关键网格G（14, 13）一周内拥堵传播到相邻网格共85次，其中27次（以31.8%的概率）沿西大直街向北传播至网格G（15, 14）；与百度地图开放平台数据相比，基于网格模型的拥堵判别结果准确率达85%；基于Fuzzy Core DBSCAN算法识别分析出的常发性拥堵区域拥堵演化模式与百度地图开放平台路况时变过程吻合。这表明融合Fuzzy Core DBSCAN算法与网格模型可有效识别常发性拥堵区域中关键网格的拥堵传播方向，能为制定科学合理的缓堵方案提供支撑。

关键词： 城市交通; 常发性拥堵; 网格模型; Fuzzy Core DBSCAN算法; 出租车GPS数据

本文引用格式

裴玉龙 , 李梦如 . 基于网格划分的常发性拥堵区域识别及演化模式分析[J]. 交通运输研究, 2024 , 10(2) : 73 -84 . DOI: 10.16503/j.cnki.2095-9931.2024.02.009

Abstract

In order to accurately identify the recurrent congestion areas, analyze their congestion propagation directions, solve the congestion source and block the congestion propagation path, a method for identifying and analyzing the evolutionary pattern of recurrent congestion areas based on grid model and Fuzzy Core DBSCAN algorithm was proposed. Firstly, the urban road network was gridded and the number and weighted average speed of vehicle trajectories within grids were comprehensively analyzed combining taxi GPS data. A traffic congestion discrimination model was constructed to determine the congestion status within the grid. Then, the Fuzzy Core DBSCAN algorithm extended by combining fuzzy set theory and DBSCAN algorithm was used to identify the recurrent congestion areas. Three indicators, namely congestion scale, congestion propagation direction (i.e. the number and probability of propagation between two adjacent grids), and key grids, were selected to analyze the evolution pattern of recurrent congestion. Finally, an empirical analysis was carried out by taking the grid area within the second ring road of Harbin City, Heilongjiang Province as an example. The results showed that the congestion of the identified key grid G(14,13) in the recurrent congestion area was transmitted to the adjacent grids 85 times in a week, of which 27 times, or with 31.8% probability, spread northward along Xidazhi Street to grid G(15,14). Compared with the data of Baidu Map Open Platform, the accuracy of congestion discrimination results based on grid model was 85%, and the identification and analysis of congestion evolution patterns in recurrent congestion areas based on the Fuzzy Core DBSCAN algorithm was consistent with the time-varying process of traffic conditions on the Baidu Map Open Platform. It means that the fusion of Fuzzy Core DBSCAN algorithm and grid model can effectively identify the congestion propagation direction of key grids in recurrent congestion areas, which can provide support for the formulation of scientific and reasonable congestion mitigation schemes.

Key words： urban traffic; recurrent congestion; grid model; Fuzzy Core DBSCAN; taxi GPS data

0 引言

随着机动车保有量的持续增长，我国部分城市的交通拥堵问题日益严重，影响了居民的工作效率和生活质量。根据道路交通拥堵形成原因，学者们将交通拥堵分为常发性拥堵和偶发性拥堵两种类型^[1-2]。与偶发性拥堵的随机性不同，常发性拥堵多由交通需求过大、通行能力不足和信号配时不佳等原因造成，具有可预测性且难以根除。故有关常发性拥堵区域识别等的研究相继涌现，这些研究多基于将出租车GPS数据与实际路段关联，即地图匹配，但其具有一定的局限性，当研究区域较大、路网拓扑结构复杂时，识别任务变得尤为困难。为解决此问题，可考虑将出租车GPS数据与网格模型结合进行拥堵判别，通过算法识别常发性拥堵区域并分析其演化模式。

目前，国内外对拥堵识别的研究主要分为两类：一是基于轨迹分段的拥堵识别与检测；二是基于网格划分的拥堵区域识别。第一类研究主要通过模糊C均值算法^[3]、基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）^[4]和其他聚类算法^[5]等精细划分交通流状态，并通过对轨迹分段识别拥堵路段。第二类研究一般根据实际路网情况将研究区域划分为不同大小的网格，通过将车辆轨迹拆分到相应的网格中执行拥堵判别，其中冯强等^[6]基于网格模型和空间自相关理论，通过计算拥堵扩散范围内路段的时间相关系数，确定常发性拥堵路段和瓶颈；闫学东等^[7]基于网格模型识别常发拥堵区域和偶发拥堵事件，从“点-线-面”3个层级对交通拥堵进行评价研究；李甜等^[8]基于网格模型和K-Means算法将交通状态分为4种类型，从时空维度分析不同交通状态的演变特征；谢东繁等^[9]基于网格划分和高斯混合聚类算法，通过不同交通状态网格行驶时间联合概率密度分布的近似拟合推导出路径网格行程时间概率密度模型。对于拥堵演化模式的研究，学者们多从仿真模型和相关算法两方面着手。基于仿真模型的研究涉及改进SIS模型^[10]、SIR模型^[11]、元胞自动机模型^[12]等；基于相关算法的研究中，程小云等^[13]基于时空立方体模型识别常发性拥堵网格，利用STC算法构建拥堵传播树，并引入动态贝叶斯网络，计算常发性拥堵传播路径及相应传播概率；Saeedmanesh等^[14]基于动态聚类算法考虑拥堵传播的时空特征，捕捉时空增长和拥堵的形成过程。

综上，在常发性拥堵区域识别方面，采用传统的检测器获取数据，其空间覆盖范围有限，导致难以在大面积区域内进行深入研究；部分研究^[3⇓-5]基于GPS数据进行拥堵判别，但一般需先完成额外的地图匹配操作，此过程费时费力，增加了整个流程的复杂性和成本。在拥堵演化模式分析方面，传统的仿真模型很难准确体现路网拥堵的真实状态；部分研究^[13-14]基于密度聚类算法分析拥堵传播过程，但此算法聚类结果的好坏过于依赖输入参数的选取，不确定性较强。因此，为提高识别精度，有效规避繁琐的地图匹配过程和对输入参数的过度敏感问题，本研究结合出租车GPS数据，通过对路网进行网格化处理，综合考虑网格内车辆轨迹数量和轨迹加权平均速度两个指标构建网格内部交通拥堵判别模型，最后利用Fuzzy Core DBSCAN算法识别常发性拥堵区域，进一步确定关键网格，分析其拥堵传播方向（即两个相邻网格之间的传播次数和传播概率），以达到有效疏通拥堵源头和阻断拥堵传播路径的目的，为制定科学合理的缓堵方案提供理论依据。

1 问题描述与数据处理

1.1 问题描述

城市路网道路交通流运行情况复杂，易造成常发性拥堵，降低交通参与者出行质量。为解决上述问题，有必要识别常发性拥堵区域并分析其拥堵演化模式，对拥堵传播路径和内在机理进行深入探究。常发性拥堵区域识别多以地图匹配为前提，通过密度聚类方法进行研究，但此方法步骤繁琐且需人工输入参数阈值，不确定性较强。为提高精度，本研究一方面基于网格模型进行拥堵判别，另一方面利用结合模糊集合论与DBSCAN算法的Fuzzy Core DBSCAN算法识别常发性拥堵区域，同时分析其拥堵演化模式，以降低对人工输入参数的依赖。

1.2 数据来源

本研究选取黑龙江省哈尔滨市二环路2021年4月12日—4月18日7 d内的出租车GPS数据，共包含约2 472辆出租车的930万条记录，行驶轨迹覆盖哈尔滨市二环路区域内所有路段，其经纬度范围分别为：[126.582 505, 126.706 473]和[45.712 555, 45.799 049]。由于常发性拥堵一般发生在白天，故研究时段为07:00—19:00。以“黑A****5轨迹回放详情表”为例，原始数据采集样例如表1所示，每条记录表示1个轨迹点信息，具体包括出租车车牌号、车辆状态、速度、停车时长、经纬度等。

表1 黑A5原始数据采集样例

车牌号	车辆状态	速度/（km/h）	停车时长/s	GPS位置	上报位置纬度	上报位置经度	GPS时间
黑A****5	ACC开，空车	0	30	黑龙江省哈尔滨市南岗区新境街	45.697 6	126.604 6	2021-04-12 08:39:41
黑A****5	ACC开，空车	26.2	0	黑龙江省哈尔滨市南岗区复旦街	45.696 4	126.605 6	2021-04-12 08:40:11
黑A****5	ACC开，空车	0	0	黑龙江省哈尔滨市南岗区复旦街	45.695 5	126.605 9	2021-04-12 08:40:41
黑A****5	ACC开，重车	58.5	0	黑龙江省哈尔滨市南岗区复旦街	45.694 5	126.599 2	2021-04-12 08:42:11
黑A****5	ACC开，重车	22.0	0	黑龙江省哈尔滨市南岗区保健路	45.694 1	126.595 2	2021-04-12 08:42:41
黑A****5	ACC开，重车	46.3	0	黑龙江省哈尔滨市南岗区复旦街	45.695 8	126.594 0	2021-04-12 08:43:11

1.3 GPS数据预处理

由于设备本身、采集技术等客观因素的局限性，出租车GPS数据常呈现多种形式错误。虽然这些错误所占比例较小，但可能导致严重的计算偏差，从而影响结果的准确性。因此，有必要对出租车GPS原始数据进行预处理。首先，按研究范围进行数据筛选；然后，将GPS设备采集时间间隔设为30 s，对时间间隔大于30 s的相邻两数据采用线性插值法修复其缺失值；最后，为提高数据可靠性，剔除冗余数据、停滞数据（速度保持0 km/h超过30 min）、超限数据（速度超限和时间超限）和漂移数据（欧氏距离大于834 m）。本次出租车GPS数据经过预处理后减少至800万条，共删除异常数据130万条（占比14%），最终有效数据占比达86%。

出租车满载与空载状态下行驶速度的差异对比如图1所示，当出租车处于空载状态时，其行驶速度明显低于载客状态，主要原因是司机在寻找乘客时会刻意降低车速，其无法反映所行驶道路的真实交通状态。鉴于此，本研究选择出租车满载状态下车辆轨迹作为研究对象，以深入探讨城市区域的交通拥堵情况。

显示原图|下载原图ZIP|生成PPT

图1 出租车满载与空载行驶速度对比

2 网格模型与网格内部拥堵判别方法

2.1 网格模型

网格模型通过将出租车GPS数据与路网中划分出的网格进行匹配，提取网格交通运行指数^[15]，实现拥堵的识别和分析。相较于传统方法中复杂的地图匹配步骤，该数据模型简化了流程，有效提升了拥堵识别效率。

2.1.1 网格与时段划分

1）网格划分

目前网格划分方法主要有两种：一是基于城市已有建成环境、交通小区或行政区域等划分；二是创建尺度相同、形状一致的格网划分^[16]。以上两种方法各有优劣，具体如表2所示。本文旨在探讨宏观层面的城市区域拥堵状态及其演化模式，因此，选择正方形网格进行路网划分。

表2 现有网格划分方法比较

网格划分方法	划分粒度	划分难度	划分数量	缺点	适用范围
按行政区域	较粗	较容易	较少	难以从微观层面研究交通变化	宏观城市功能区域划分、土地利用、交通规划等
按道路网络	可粗可细	较难	可多可少	尺度大小较难确定	交通小区OD识别、人口分布分析等
正方形	可粗可细	较容易	可多可少	研究区域没有实际意义	常发性交通拥堵区域识别、交通宏观基本图、出租车数据研究等
五边形	可粗可细	较难	可多可少	研究区域没有实际意义	常发性交通拥堵区域识别、交通宏观基本图、出租车数据研究等

网格大小会影响常发性拥堵识别的准确性，以往研究所采用的网格尺度（单位：m×m）包括200×200、250×250等，本研究根据哈尔滨市二环路路网特征分别以50×50、100×100、150×150、200×200、250×250、300×300、350×350、400×400大小的正方形网格为例，计算统计每小时（如2021年4月12日07:00—08:00）内失效网格比例与有效网格内车辆轨迹数量，结果示例如表3所示。由表3可看出，若网格尺度过小，失效网格占比会较大，则无法获取足够的有效车辆行驶轨迹；若网格尺度过大，网格内车辆轨迹数量较多，则拥堵判别结果难以精准区分特定路段。因此，采用200 m×200 m的正方形网格

G

，将研究区域划分为2 500个网格，区域面积为67.2 km²。将划分出的每个网格记为

G (i, j)

，

i

为行号，

j

为列号。

表3 2021年4月12日07:00—08:00计算结果

空间步长l /m	网格数量	失效网格比例（%）	网格内车辆轨迹数量
50	40 000	58.8	50.8
100	10 000	30.2	84.9
150	4 489	22.9	156.3
200	2 500	17.4	200.9
250	1 600	14.8	438.2
300	1 156	11.6	789.1
350	841	10.7	1 321.7
400	625	9.4	1 765.9

2）时段划分

随着时间跨度的增大，时间步长对研究结果的影响与空间步长相似，也会发生变化。在目前的拥堵研究中，时间步长取值主要有5 min、10 min、30 min等。若时间步长过小，网格内车辆轨迹点过少，车辆轨迹数量和轨迹加权平均速度难以充分反映网格内拥堵情况，进而难以准确把握拥堵演变规律；若时间步长过大，则无法捕捉到拥堵状态的微小变化。根据车辆轨迹点数量与识别精度，本文时间步长取10 min，将第

i

个时间步长编号记为

T i

。

2.1.2 轨迹数据与网格关联

考虑到一条完整出租车行驶轨迹可能穿越多个网格，需将完整轨迹分解并匹配至相应网格中，以便后续计算各网格内的拥堵识别指标值。轨迹分解具体过程如下。

在特定的时间范围内，车辆轨迹数据集

t i = {p 1 → p 2 → ⋯ → p n}

与网格的关系如图2所示，

p n

表示时间步长编号为

T n

的轨迹点。分解后的轨迹定义如下：

（1）

t i - G k = {p 1 → p 2 → ⋯ → p n, G (i, j)}

式（1）中：

k

为网格数量；

t i - G k

为网格

G

内的轨迹段。

显示原图|下载原图ZIP|生成PPT

图2 轨迹与网格关联示例图

一条完整轨迹数据集

t i

由各个网格内不同时间段的轨迹组成：

（2）

t i = {t i - G 1, t i - G 2, ⋯, t i - G k}

2.2 网格内部拥堵判别

2.2.1 网格内部拥堵识别指标

因网格内部地理信息的差异性，网格存在失效网格（即网格内部无任何道路）、信号交叉口网格、无信号交叉口网格和无交叉口网格4种类型。尤其在信号交叉口网格内，车辆行驶速度可能会出现异常波动，个别过高或过低的速度会使识别结果出现偏差。因此，考虑行程速度的波动性，对速度进行分段统计，即统计各区间内的轨迹数，并将区间轨迹数在总轨迹数中的占比作为权重，用于反映不同速度区间内轨迹对行程速度平均值的影响程度。通过引入权重因子计算轨迹行驶速度的加权平均值，可有效减小识别误差。

本文参考已有研究^[17]，采用网格内车辆轨迹数量

N T i

和轨迹加权平均速度

V T i

作为网格内部拥堵判别指标。

1）网格内车辆轨迹数量

N T i

N T i

为在特定时间步长

T i

内途经此网格的所有车辆轨迹数量。

2）网格内轨迹加权平均速度

V T i

根据本研究所用GPS数据特征，以10 km/h为间隔对速度进行分段，将轨迹速度（单位：km/h）划分为

r

个区间，包括[0, 10）、[10, 20）等，统计每个速度区间内的轨迹数量（如第

f

个区间内包含了

m f

条轨迹），采用加权平均法计算该网格内所有轨迹的行程速度

V T i

，计算公式如下：

（3）

V T i = ∑ f = 1 r ∑ x = 1 m f φ f v x f ∑ f = 1 r m f φ f

（4）

∑ f = 1 r m f = N T i

（5）

φ f = m f s

（6）

v x f = ∑ i = 1 n - 1 d p i + 1 → p i T n - T 1

式（3）~式（6）中：

φ f

为第

f

个区间内车辆轨迹数量的权重值；

v x f

为第

f

个区间内第

x

条轨迹的行驶速度；

r

为所划分的速度区间总数量；

m f

为第

f

个区间内包含的车辆轨迹数量；

N T i

为在特定时间步长

T i

内途经此网格的所有车辆轨迹数量；

s

为所有区间内的车辆总轨迹数量；

d p i + 1 → p i

为出租车轨迹点

p i + 1

到

p i

的欧氏距离；

T n

、

T 1

为某辆出租车的第

n

个轨迹点与第1个轨迹点的时间步长。

网格拥堵模式由二元向量组

M (N T i, V T i)

表示，其中

N T i

为车辆轨迹数量，

V T i

为轨迹加权平均速度，

M

的大小由这两个参数共同决定。

2.2.2 网格内部拥堵判别

上述两个拥堵判别指标之间量纲不同，无法直接进行比较。定义欧氏距离

d E (M T i, M T i + 1)

以量化不同时间步长

T i

和

T i + 1

网格拥堵模式的差异，其计算公式如下：

（7）

d E (M T i, M T i + 1) = (N T i - N T i + 1) 2 + (V T i - V T i + 1) 2

特定时间步长

T i

内某一网格被识别为拥堵时，其网格拥堵模式

M T i

需满足式（8）：

（8）

d E (M T i, M a v g (T 1, T 2, ⋯, T n)) ≥ δ

式（8）中：

δ

为判断网格是否拥堵的阈值，其值越小，准确率越高，本研究的判定阈值

δ

设为0.5；

M a v g (T 1, T 2, ⋯, T n)

为从时间步长

T 1

到

T n

内所有单个网格拥堵指标的平均值，其计算公式如下：

（9）

M a v g (T 1, T 2, ⋯, T n) = 1 n (M T 1 + M T 2 + ⋯ + M T n)

式（9）中：n为总的轨迹点数量。

同时，网格内车辆轨迹数量

N T i

和轨迹加权平均速度

V T i

需满足式（10）、式（11）：

（10）

N T i ≥ 1 n ∑ i = 1 n N T i

（11）

V T i ≤ 1 n ∑ i = 1 n V T i

因此，当某网格同时满足式（8）、式（10）、式（11）时，即可判断在特定时间步长

T i

内该网格内部发生拥堵；否则，判定为非拥堵。

3 常发性拥堵区域识别及拥堵演化模式分析方法

3.1 常发性拥堵区域识别

第2节的网格模型已能够判断在特定时间步长

T i

内网格是否拥堵，本节需根据其判断结果，进一步识别常发性拥堵区域，因此在某一包含

q

个时间步长

T i

的特定时段内（可为1周、1月、1年等），为每个网格

G

定义一个拥堵频度参数

C

，该参数表示此特定时段内网格

G

发生拥堵的时间步长频数，取值范围为

0, q

。

在城市路网系统中，常发性拥堵区域往往呈现出非均匀分布和聚集性特征。对这些区域的识别，实际上是识别在空间和时间维度上虽不相邻，但内部却具有紧密关联性的网格集合的过程。拥堵区域具有复杂性和非连续性，可将如何识别这些不相连的网格集合抽象为一个聚类问题。由于无法提前获知城市范围内常发性拥堵的簇数及常发性拥堵区域簇的形状，一般会选取基于密度的聚类算法（DBSCAN算法）。但DBSCAN算法需要人工设置邻域半径

ε

和拥堵频度阈值

δ C

，聚类结果的好坏过于依赖输入参数的选取。为有效避免此弊端，结合模糊集合理论，将经典DBSCAN模糊扩展为Fuzzy Core DBSCAN算法，对拥堵频度阈值

δ C

进行软约束，允许生成具有模糊核心点的簇。该算法的核心思想是通过使用由

δ C m i n

和

δ C m a x

定义的软约束来替换具体的

δ C

值，该约束的隶属函数计算公式如下：

（12）

μ M i n p C = 1 C ≥ δ C m a x C - δ C m i n δ C m a x - δ C m i n δ C m i n ≤ C ≤ δ C m a x 0 C ≤ δ C m i n

当某点

ε

邻域的拥堵频度参数

C

大于

δ C m a x

时，隶属度函数值为1，该点为核心点；当

C

小于

δ C m i n

时，隶属度函数值为0，该点为噪声点；当

C

介于

δ C m i n

和

δ C m a x

之间时，隶属度函数值为

μ M i n p C

，即该点为核心点的概率为

μ M i n p C

。

3.2 拥堵演化模式分析

选取拥堵规模、拥堵传播方向和关键网格3个指标来反映常发性拥堵的演化模式。拥堵规模即常发性拥堵区域的规模，拥堵传播方向即每对两个相邻网格之间的传播次数和传播概率，关键网格即拥堵最常传播到其他相邻网格的特定网格。现定义两个术语：①拥堵事件

C T [G (i, j), T i]

：表示网格

G (i, j)

在时间步长

T i

处发生交通拥堵，拥堵事件发生值等于前文所定义的拥堵频度参数

C

；②拥堵传播事件

C P T [G 1 → G 2, T i]

：给定两个相邻网格

G 1 (i, j)

和

G 2 (i, j)

，如果在时间步长

T i - 1

内

G 1 (i, j)

发生了拥堵事件

C T [G 1 (i, j), T i - 1]

，

G 2 (i, j)

并未发生，但在时间步长

T i

内

G 2 (i, j)

发生了拥堵事件

C T [G 2 (i, j), T i]

，称为一个拥堵传播事件（即

C P T [G 1 → G 2, T i]

）发生在

G 1 (i, j)

和

G 2 (i, j)

之间，时间步长为

T i

。此外，

C C P T

是在研究时段内拥堵传播事件

C P T

的频数。

给定常发性拥堵区域中的特定网格

G (i, j)

，其与8个相邻的网格构成集合

D

。对于网格

G (i, j)

，拥堵传播可能会发生在集合

D

中的每个相邻网格之间。选取常发性拥堵区域内两个相邻网格

G 1 (i, j)

和

G 2 (i, j)

，将研究时段内从

G 1 (i, j)

到

G 2 (i, j)

的拥堵传播方向定义为二维向量，即（

C C P T (G 1 → G 2), p

），

p

的计算公式如下：

（13）

p = C C P T (G 1 → G 2) C C P T (G 1 → D) × 100 %

式（13）中：

C C P T (G 1 → D)

表示在研究时段内从

G 1 (i, j)

到其他相邻网格发生拥堵传播事件的频数，具有

C C P T (G 1 → D)

最大值的网格被定义为关键网格。

4 案例分析

4.1 基于网格模型的拥堵判别

根据前文，时间步长设置为固定值10 min，拥堵判定阈值

δ

为0.5，在哈尔滨市二环路范围内，选取编号为

G (15, 4)

、

G (14, 13)

、

G (9,16)

的3个网格作为拥堵判别实例。如图3所示，

G (15, 4)

属于信号交叉口网格，位于康安路与新阳路的交叉口内；

G (14, 13)

属于无信号交叉口网格，通达街与西大直街在此网格内交叉，通达街属于低等级道路，该交叉口无信号灯；

G (9, 16)

属于无交叉口网格，只包括一条路段。由1.2节可知，本文选取2021年4月12日—4月18日7d内07:00—19:00的出租车GPS数据进行算例验证。

显示原图|下载原图ZIP|生成PPT

图3 拥堵判别网格示例图

图4展示了途经网格

G (15, 4)

、

G (14, 13)

、

G (9, 16)

的车辆轨迹数量

N T i

和轨迹加权平均速度

V T i

一周变化情况。图中曲线呈现明显的规律性和反复性，与实际情况相符。3种类型网格拥堵模式呈现明显的差异性，若使用统一的拥堵判断标准（如网格内轨迹加权平均速度小于特定阈值），可能导致结果出现误差，因此采用2.2节中的判别模型进行拥堵判别。

显示原图|下载原图ZIP|生成PPT

图4 示例网格 $N T i$ 与 $V T i$ 一周变化示意图

由于数据样本量较大，选取网格

G (14,13)

的4月18日（即星期日）计算结果进行详细展示，车辆轨迹数量

N T i

与轨迹加权平均速度

V T i

变化情况如图5所示，网格内拥堵判别结果示例如表4所示。由结果可知，2021年4月18日07:00—19:00，网格

G (14,13)

有20个时间步长发生拥堵现象，这20个时间步长分属于7:20—7:40（包含2个时间步长）、9:30—9:50（包含2个时间步长）、10:10—10:50（包含4个时间步长）、12:10—13:20（包含7个时间步长）、14:10—14:50（包含4个时间步长）、17:10—17:20（包含1个时间步长）6个时间段。

显示原图|下载原图ZIP|生成PPT

图5 网格G（14, 13）4月18日 $N T i$ 与 $V T i$ 变化示意图

表4 网格 $G (14, 13)$ 4月18日拥堵判别结果示例

时间步长 $T i$	拥堵模式 $M (N T i, V T i)$	欧氏距离 $d$	是否满足式（8）	是否满足式（10）	是否满足式（11）	拥堵状态
$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$
8:40— 8:50	(16, 18.8)	0.64	是	否	否	不拥堵
8:50— 9:00	(7, 39.4)	1.32	是	否	否	不拥堵
$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$
12:30—12:40	(34, 13.7)	2.78	是	是	是	拥堵
12:40—12:50	(30, 7.4)	1.96	是	是	是	拥堵
12:50—13:00	(17,14.9)	0.45	否	是	是	拥堵
$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$	$⋯$

4.2 常发性拥堵区域识别及演化模式分析

以包含网格

G (14,13)

的5×5网格作为常发性拥堵区域识别分析算例，如图6所示，仅考虑与拥堵网格相邻的8个网格来反映拥堵传播方向，半径参数

ε

设置为$\sqrt{2}{l}$，即$\sqrt{2} \times 200 \approx 283(\mathrm{~m})$。根据式（8）、式（10）和式（11），计算获得每个网格在时段2021年4月12日—2021年4月18日内的拥堵频度参数

C

，结果如图7所示。

显示原图|下载原图ZIP|生成PPT

图6 网格区域示例

显示原图|下载原图ZIP|生成PPT

图7 拥堵频度参数计算结果

将Fuzzy Core DBSCAN算法应用于此网格区域获得一个常发性拥堵簇{

G (15, 11)

G (15, 12)

G (15, 13)

G (15, 14)

G (14, 13)

G (14, 14)

G (13, 12)

G (13, 13)

G (12, 12)

G (11, 11)

G (11, 12)

}（见图8），这些拥堵事件主要发生在西大直街与通达街、和兴路交织的路段。计算常发性拥堵区域内所有网格一周的拥堵频度参数

C

和拥堵传播事件的频数

C C P T

，结果如表5所示。其中，网格

G (14, 13)

拥堵频度参数C最大，为167，一周内共拥堵约1 670 min（时间步长

T i

为10 min），其在本区域中拥堵情况最为严重且一周内发生拥堵事件次数最多，说明此网格是该常发性拥堵簇中的关键网格。网格

G (14, 13)

的拥堵传播方向如图9所示，图中数字具体含义参考式（13）。由图可知，G（14, 13）一周内拥堵传播到相邻6个网格85次，其中31.8%的拥堵事件传播到网格

G (15, 14)

，其传播概率最高，说明网格

G (14, 13)

发生的交通拥堵常沿西大直街传播到网格

G (15, 4)

。

显示原图|下载原图ZIP|生成PPT

图8 常发性拥堵区域

表5 $C$ 与 $C C P T$ 计算结果

$G$	$C$	$C C P T$
$G (15, 11)$	136	$9 ⃗ G (15, 12)$
$G (15, 12)$	125	$10 ⃗ G (15, 11)$	$15 ⃗ G (15, 13)$	$16 ⃗ G (14, 13)$
$G (15, 13)$	118	$18 ⃗ G (15, 12)$	$12 ⃗ G (15, 14)$	$9 ⃗ G (14, 13)$	$8 ⃗ G (14, 14)$
$G (15, 14)$	151	$7 ⃗ G (15, 13)$	$11 ⃗ G (14, 13)$	$6 ⃗ G (14, 14)$
$G (14, 13)$	167	$10 ⃗ G (15, 13)$	$27 ⃗ G (15, 14)$	$7 ⃗ G (14, 14)$	$18 ⃗ G (13, 13)$	$8 ⃗ G (13, 12)$	$15 ⃗ G (15, 12)$
$G (14, 14)$	131	$7 ⃗ G (15, 14)$	$8 ⃗ G (15, 13)$	$10 ⃗ G (14, 13)$	$11 ⃗ G (13, 13)$
$G (13, 12)$	129	$16 ⃗ G (14, 13)$	$13 ⃗ G (13, 13)$	$8 ⃗ G (12, 12)$
$G (13, 13)$	120	$6 ⃗ G (14, 13)$	$11 ⃗ G (14, 14)$	$10 ⃗ G (13, 12)$	$9 ⃗ G (12, 12)$
$G (12, 12)$	115	$10 ⃗ G (13, 12)$	$5 ⃗ G (13, 13)$	$15 ⃗ G (11, 12)$	$12 ⃗ G (11, 11)$
$G (11, 11)$	147	$19 ⃗ G (11, 12)$	$17 ⃗ G (12, 12)$
$G (11, 12)$	112	$8 ⃗ G (12, 12)$	$15 ⃗ G (11, 11)$

注：“ $→$ ”表示拥堵传播事件发生于网格 $G 1 (i, j)$ 、 $G 2 (i, j)$ 之间，即由 $G 1 (i, j)$ 传播至 $G 2 (i, j)$ 。

显示原图|下载原图ZIP|生成PPT

图9 网格G(14, 13)拥堵传播方向

注： →表示拥堵传播方向；（C_CPT, p）内C_CPT表示拥堵传播事件频数；p表示拥堵传播事件概率。

4.3 实测对比

为验证所提方法对常发性拥堵识别及拥堵演化模式分析的有效性，以百度地图开放平台数据为基础进行对比分析。百度地图开放平台数据显示，2021年4月18日网格

G (14, 13)

于7:30、11:46、17:15发生拥堵事件，即本文模型所计算出的拥堵时间步长7:20—7:40和17:10—17:20与实际情况相符，将该拥堵命名为准确拥堵。另外，将开放平台显示的11:46发生的拥堵命名为遗漏拥堵；将剩余9:30—9:50、10:10—10:50、12:10—13:20、14:10—14:50等17个拥堵时间步长命名为偏差拥堵。参照上述方法，分别计算获得2021年4月12日—2021年4月18日一周内网格

G (15,4)

、

G (14,13)

和

G (9,16)

的准确率等一系列数据，结果如表6所示。由计算结果可知，基于网格模型的拥堵判别准确率达85%，且百度地图开放平台对此常发性拥堵区域（即西大直街、通达街与和兴路相交处）在该时段内分别记录15次、13次和10次拥堵信息数据，与本研究所提模型识别结果相符。

表6 $G (15, 4)$ 、 $G (14, 13)$ 和 $G (9, 16)$ 实验结果评价数据

	$G (15, 4)$	$G (14, 13)$	$G (9, 16)$	阈值 $δ$
实际拥堵数	21	23	18	0.5
计算拥堵数	24	27	21
准确率	18/21=85.7%	20/23=86.9%	15/18=83.3%
遗漏率	3/21=14.3%	3/23=13.1%	3/18=16.7%
偏差率	6/24=25%	7/27=25.9%	6/21=28.6%

计算关键网格

G (14, 13)

特定时段的具体拥堵传播概率，并对其进行可视化，如图10所示。图11所示为百度地图交通态势中该关键网格部分周边路况时变过程，可以看出拥堵主要从西大直街与通达街相交处（即网格

G (14, 13)

）开始向北沿西大直街、向西沿通达街等方向传播，与图9、图10所示的拥堵传播过程一致，说明研究结果与实际路况吻合，验证了方法的有效性。

显示原图|下载原图ZIP|生成PPT

图10 网格G（14, 13）拥堵传播可视化

显示原图|下载原图ZIP|生成PPT

图11 百度地图交通态势关键网格部分周边时变过程

5 结束语

为准确识别常发性拥堵区域并分析其拥堵传播方向，本文首先结合出租车GPS数据，基于网格模型进行拥堵判别，该方法避免了繁琐的地图匹配过程，综合分析网格内车辆轨迹数量和轨迹加权平均速度构建二维向量模型，判断网格内部是否产生拥堵。然后，利用Fuzzy Core DBSCAN算法识别常发性拥堵区域，选取3个指标来反映常发性拥堵的演化模式。最后，对黑龙江省哈尔滨市二环路范围内网格区域进行了实证分析，结果表明：基于网格模型的拥堵判别结果准确率达85%，利用Fuzzy Core DBSCAN算法识别的常发性拥堵区域和所确定关键网格的拥堵传播方向（即两个相邻网格之间的传播次数和传播概率）与百度地图实际路况时变过程吻合。本文基于真实的出租车GPS数据和城市道路进行网格划分，实现了对拥堵源头和拥堵传播路径的研究分析，可为制定科学的缓堵方案提供支撑。但由于仅利用出租车GPS数据，并未考虑私家车、公交车和环境等其他交通状态影响因素，未来可基于更加全面的城市交通流数据，进一步探讨拥堵演化模式中关键路径的精细化识别。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	ANBAROGLU B, HEYDECKER B, CHENG T. Spatio-temporal clustering for non-recurrent traffic congestion detection on urban road networks[J]. Transportation Research Part C: Emerging Technologies, 2014, 48: 47-65.

[2]	陈俞林. 基于H3网格时空索引方法的城市路网交通拥堵识别研究[D]. 西安: 长安大学, 2022.

[3]	付子圣, 李秋萍, 柳林, 等. 利用GPS轨迹二次聚类方法进行道路拥堵精细化识别[J]. 武汉大学学报(信息科学版), 2017, 42(9):1264-1270.

[4]	陈田, 刘根旺, 李健. 基于浮动车数据的快速路拥堵征兆识别方法[C]// 绿色·智慧·融合——2021/2022年中国城市交通规划年会论文集. 上海: 中国城市规划学会城市交通规划学术委员会,2022:276-295.

[5]	CHAURASIA B K, MANJORO W S, DHAKAR M. Traffic congestion identification and reduction[J]. Wireless Personal Communications: An International Journal, 2020, 114(2): 1-20.

[6]	冯强, 李丽, 赵训婷, 等. 基于网格划分的城市交通常发拥堵识别方法[J]. 交通工程, 2023, 23(5):1-6,25.

[7]	闫学东, 刘晓冰, 刘炀, 等. 基于浮动车大数据与网格模型的城市交通拥堵识别和评价研究[J]. 北京交通大学学报, 2019, 43(1):104-113.

[8]	李甜, 李瑞玲, 张萌萌, 等. 基于网格模型与K-Means算法的交通状态演变特征[J]. 山东交通学院学报, 2021, 29(1):15-20.

[9]	谢东繁, 贾惠迪, 李春艳, 等. 基于网格交通状态分类的行程时间规律挖掘与计算[J]. 交通运输系统工程与信息, 2022, 22(3):168-178.

[10]	YUTING C, JIANNAN M, ZHAO Z, et al. A quasi-contagion process modeling and characteristic analysis for real-world urban traffic network congestion patterns[J]. Physica A: Statistical Mechanics and Its Applications, 2022, 603: 127729.

[11]	SABERI M, HAMEDMOGHADAM H, ASHFAQ M, et al. A simple contagion process describes spreading of traffic jams in urban networks[J]. Nature Communications, 2020, 11(1): 1616.

[12]	蒋阳升, 刘纹滔, 姚志洪. 基于元胞自动机的轨道交通突发客流拥堵消散演化机理研究[J]. 交通运输系统工程与信息, 2020, 20(5):121-127.

[13]	程小云, 屈霞萍, 张学宇, 等. 基于动态贝叶斯网络的常发性拥堵传播机理分析[J]. 华南理工大学学报(自然科学版), 2022, 50(11):25-34.

[14]	SAEEDMANESH M, GEROLIMINIS N. Dynamic clustering and propagation of congestion in heterogeneously congested urban traffic networks[J]. Transportation Research Part B: Methodological, 2017, 105: 193-211.

[15]	刘炀. 基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D]. 北京: 北京交通大学, 2018.

[16]	荣朝和. 铁路/轨道交通在新型城镇化及大都市时空形态优化中的作用[J]. 北京交通大学学报(社会科学版), 2014, 13(2):20-28.

[17]	杨海强, 安实, 王健. 基于GPS数据的城市常发性拥堵区域识别方法[J]. 科学技术与工程, 2018, 18(13):156-160.

[18]	唐璐瑶. 基于出租车GPS数据的城市交通拥堵识别及预测研究[D]. 西安: 长安大学, 2020.

Options

文章导航

网格划分方法	划分粒度	划分难度	划分数量	缺点	适用范围
按行政区域	较粗	较容易	较少	难以从微观层面研究交通变化	宏观城市功能区域划分、土地利用、交通规划等
按道路网络	可粗可细	较难	可多可少	尺度大小较难确定	交通小区OD识别、人口分布分析等
正方形	可粗可细	较容易	可多可少	研究区域没有实际意义	常发性交通拥堵区域识别、交通宏观基本图、出租车数据研究等
五边形	可粗可细	较难	可多可少	研究区域没有实际意义	常发性交通拥堵区域识别、交通宏观基本图、出租车数据研究等

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引言

1 问题描述与数据处理

1.1 问题描述

1.2 数据来源

表1 黑A****5原始数据采集样例

1.3 GPS数据预处理

图1 出租车满载与空载行驶速度对比

2 网格模型与网格内部拥堵判别方法

2.1 网格模型

2.1.1 网格与时段划分

表2 现有网格划分方法比较

表3 2021年4月12日07:00—08:00计算结果

2.1.2 轨迹数据与网格关联

图2 轨迹与网格关联示例图

2.2 网格内部拥堵判别

2.2.1 网格内部拥堵识别指标

2.2.2 网格内部拥堵判别

3 常发性拥堵区域识别及拥堵演化模式分析方法

3.1 常发性拥堵区域识别

3.2 拥堵演化模式分析

4 案例分析

4.1 基于网格模型的拥堵判别

图3 拥堵判别网格示例图

图4 示例网格 N T i与 V T i一周变化示意图

图5 网格G（14, 13）4月18日 N T i与 V T i变化示意图

表4 网格 G ( 14 , 13 )4月18日拥堵判别结果示例

4.2 常发性拥堵区域识别及演化模式分析

图6 网格区域示例

图7 拥堵频度参数计算结果

图8 常发性拥堵区域

表5 C与 C C P T计算结果

图9 网格G(14, 13)拥堵传播方向

4.3 实测对比

表6 G ( 15 , 4 )、 G ( 14 , 13 )和 G ( 9 , 16 )实验结果评价数据

图10 网格G（14, 13）拥堵传播可视化

图11 百度地图交通态势关键网格部分周边时变过程

5 结束语

参考文献

表1 黑A5原始数据采集样例

图4 示例网格 $N T i$ 与 $V T i$ 一周变化示意图

图5 网格G（14, 13）4月18日 $N T i$ 与 $V T i$ 变化示意图

表4 网格 $G (14, 13)$ 4月18日拥堵判别结果示例

表5 $C$ 与 $C C P T$ 计算结果

表6 $G (15, 4)$ 、 $G (14, 13)$ 和 $G (9, 16)$ 实验结果评价数据