0 引言
目前，关于路网交通状态的研究主要聚焦于城市道路，包括基于路网交通状态监测数据的拥堵区域识别和交通流分析预测[4⇓-6]等，目的在于探索和解析影响交通网络运行效率的关键因素。如，Anwar等[4]基于墨尔本的SCATS数据集，对影响城市交通网络中关键区域的拥挤路段进行了研究，强调了部分路段瓶颈区域拥堵对其他路段的影响作用；Cui等[7]对拥挤路口延迟影响的研究发现，最优路网密度受路网交通流状态时间特性影响；在确定合理的路网密度时，高峰时段车辆的最优密度可以作为重要参考，但不是最终选择。因此，针对路网拥堵区域研究中，时间与空间维度上的细分方式尤为重要。在路网状态划分方面，相关方法主要包括遗传算法[5]、聚类分析[8]、马尔可夫链[9]、机器学习模型[10]、复杂网络[11]等。如：Potuzak等[5]应用图形粗细划分遗传算法（Imp-roved Dividing Genetic Algorithm with Graph Coarsening and Refining, IDGA-GCR），提出了动态网络加载道路交通网络划分方法（Road Traffic Network Division for Dynamic Network Loading, RTND-DNL）；Wang等[8]提出一种利用实时交通态势和城市道路网固有特征构建加权路网的方法，从结构、功能和流量特征等方面构建节点重要性指标，对城市道路网络的级联故障脆弱性进行了研究；Zhu等[9]通过利用马尔可夫模型表示交通状态动态跃迁过程，研究了交通信息作用下城市道路网动态转换规律；Zhang等[10]将城市路段视为一个微观的交通系统，通过模型驱动与机器学习相结合的方法，提出了基于TFSN交通因素状态网络框架的相关交通流预测框架，以识别路段的交通模式；Wang等[11]以厦门市为例，将复杂网络理论应用于城市道路交通网络拓扑学研究中，对城市道路网络特征进行了测度分析。
针对港内物流通道交通网的研究相对较少，主要集中在对港口港内物流通道路网整体交通流状态仿真[12⇓-14]和港口生产作业对周围区域的影响[15⇓⇓18]等静态交通流分析方面。交通流状态仿真主要针对区域路网交通运行状态和特定情况进行研究。如，梁辰[12]依据集装箱港区运输特征，建立了集装箱港区作业微观交通仿真模型；尤悦等[13]利用VISSIM仿真软件对港口集装箱堆场交通流进行模拟，对比分析了港区需求作业中不同交通量影响下的交通宏观特征；王更[14]通过综合分析港内交通流特性，构建了集装箱堆场突发事件交通流影响仿真模型，对突发事件影响下的港内路网交通状态进行预测分析。针对港内物流通道拥堵识别和缓解方面，现有研究主要涉及对港内机械作业调度状态[15]和港内物流通道交通流量预测[16]等。如，王灿[15]通过对转运集装箱进行堆场分配和装卸调度优化来缓解交通拥堵状况；肖矫矫[16]针对堆场和港口前沿的交通状况，提出了可能缓解堆场交通拥挤的方法；柯水平[17]基于吞吐量与交通分布矩阵的转换方法，提出了一种港内道路路网容量优化方法，并建立集疏港交通PA分布模型，对港内道路交通流量进行预测；吴君[18]在考虑社会货运量影响的基础上，对港口交通量与吞吐量的关系进行分析，利用组合预测模型对案例港口滚装港区的吞吐量及交通量进行预测。综上发现，现有港内物流通道路网交通的相关研究主要集中在基于港口静态运营数据的吞吐量和交通量关联性预测，缺乏对港内物流通道路网交通流运行特征解析和特定场景下港口生产运营状态的关联分析。
鉴于港口具有装卸作业活动频繁、交通流动性大、存在众多限制通行区域等特征，传统的拓扑路网模型难以精确地揭示和分析其路网实际运行状况。随着北斗、GPS等车载导航通信技术的发展与广泛应用，使得对港内物流通道区域交通状态的精细化识别成为可能。为精准识别和分析港内物流通道区域的交通状态，本研究基于国外某C港中转集装箱码头的内集卡GPS实测数据，综合考虑港口船舶装卸作业和内集卡调度运输作业时空特征，在优化H3网格系统的基础上，改进DBSCAN算法，识别港内路网的热点区域，探索分析物流通道的交通状态，为明确港内道路交通运行瓶颈、改善路网交通状态提供新思路。
1 数据预处理
本文研究数据来源为国外某C港5月24日—6月1日间的内集卡GPS实测数据，平均采集间隔为30 s，原始数据包含定位时间、定位类型、速度、经度、纬度、集卡编号等信息。码头平面布置如图1所示，共有4个泊位，采用柔性靠泊，从左到右依次为1~3号泊位，4号泊位位于码头右侧。港区岸桥下集装箱装卸道和堆场内车道为单向车道，集卡在其中仅可单向行驶；港区内主干道横、纵车道为双向车道。堆场平行于码头岸线布置，最左侧堆场编号依次为01A, 01B, 01C, 01D, 01E, 01F, 01G, 01H, 01J, 01K和01M，自左向右其他3个堆场依次编号为02, 03, 04。
GPS数据在获取过程中存在冗余、异常和缺失等问题，故需对集卡GPS原始数据进行预处理和清洗，主要包括以下操作。
1）时间戳转换。应用Python将原始轨迹数据中的时间戳格式转换成标准的日期和时间格式，即转换为：年-月-日 时:分:秒(YYYY-MM-DD HH:MM:SS)，以便进行后续分析。
2）待机数据处理。本文研究对象为繁忙中转的集装箱港口，而集卡在岸桥和场桥下装卸作业中处于静止状态，即待机状态（速度为0），在数据预处理过程中，需剔除这些作业待机数据，以免影响后续港口交通状态分析。
3）噪声数据处理。噪声数据指在数据搜集、加工或传递过程中引入的无关或无意义信息，它会对数据的真实性和精准度产生干扰。为增强数据分析的准确性和提升模型预测的可信度，需对噪声数据进行处理，具体采取以下处理措施：①地理信息筛选，剔除研究区域之外的数据；②时间戳筛选，限定数据时间范围在“2023-05-24 19:00:00 至 2020-06-01 20:59:59”区间内；③速度筛选，剔除集卡速度不在港区道路安全行驶速度限定范围（0~50 km/h）内的数据，以保证研究数据的有效性和安全性。
根据该港口集卡实测数据，在kepler平台进行可视化展示，并采用热力图分析集卡GPS数据在港口路网的空间分布规律，如图2所示。
由图2可知，集卡轨迹数据主要分布在物流通道港口前沿和港区主干道的相关区域，而后方堆场道路的轨迹点相对稀疏，说明堆场内部装卸道路数据量因堆场位置的不同而有所差异。此外高密度轨迹点区域主要分布在港区前沿装卸区域及道路，以纵向道路为骨架向后延伸。总体而言，该集装箱港口港区前沿与堆场后方的集卡轨迹分布差异显著，且越接近港区前沿，轨迹点密度越高。鉴于不同区域的港口物流通道路网交通压力存在显著差异，具有明显的空间分布特征，需进一步对港口物流通道路网交通状态的特征和差异展开研究。
2 基于时空特征的物流通道路网热点区域识别
2.1 港内物流通道路网区域识别方法
为深入了解港内物流通道路网的交通运行状态，并探索路网交通的热点区域，首先需要对集卡轨迹数据与港口路网的时空关联性进行解析。本文引入H3网格进行路网空间划分，具体选取12层级的H3网格（平均网格面积为30.71 m2，平均网格边长为9.416 m），匹配1 h时间切片，以实现区域的精准划分，进而识别分析港内路网交通状态的时空特征。
依据港内物流通道路网的交通运行状态，提取网格交通状态的判别指标如下：
1）网格-时空平均速度
为描述路网时空网格单元的交通状态，引入网格-时空平均速度的概念，即在特定时间段 内特定网格 内部集卡行驶的平均速度，以 表示，其计算公式如下：
式（1）中： 为网格-时空平均速度； 为特定时间段 内，特定网格 的内部轨迹点数量； 为轨迹点索引，即在一定时空范围内的第 个轨迹点。
2）网格-时间平均速度
为表征时空网格在时间维度上的交通状态，引入网格-时间平均速度概念，即在全部时间段 内特定网格 内部集卡行驶的平均速度，以 表示。不同于传统理论的时间平均速度，网格-时间平均速度是网格-时空平均速度在时间尺度上的聚合，计算公式如下：
式（2）中： 为网格-时间平均速度； 为全部时间段 内，特定网格 内轨迹点的数量； 为全部时间段 内，特定网格 内部第 个轨迹点的速度。
3）网格-空间平均速度
为表征时空网格在空间维度上的交通状态，引入网格-空间平均速度概念，即在特定时间段 内全体网格 内部集卡平均速度，以 表示。不同于传统理论中的空间平均速度，网格-空间平均速度是网格-时空平均速度在空间尺度上的聚合，计算公式如下：
式（3）中： 为网格-空间平均速度； 为特定时间段 内，全体网格 内部轨迹点数量； 为特定时间段 内，全体网格 内部第 个轨迹点的速度。
当港口路网出现区域交通混杂或拥堵排队现象时，该区域内会出现集卡速度降低和车辆密度增加的现象。本文通过对比分析网格平均速度和网格-时间平均速度、网格-空间平均速度特征，对路网交通状态出现显著变化（网格平均速度低于网格-时间平均速度和网格-空间平均速度的最小值）的港内路网重点区域进行识别，具体判别公式如下：
2.2 路网时空矩阵构建
对于时空网格 ，定义 表示网格 在时段 内的交通状态。若满足式（4），则 （低速域状态），否则 （常规状态）。基于时空网格交通状态定义和网格识别结果，将网格识别结果矩阵化。对网格时空矩阵按行求和，在时间维度上进行集计处理，可以得到全部时间 内各网格交通状态，以 表示。由 组成的矩阵称为网格状态矩阵，记为 。具体计算公式如下：
2.3 基于H3改进的DBSCAN算法
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的空间聚类算法，可用于对GPS数据进行密度判断和聚类分析。鉴于传统的DBSCAN算法在高维空间中表现不佳，邻域搜索计算复杂且耗时，并且在处理边界问题时可能会遇到困难。为实现对港内路网的时空网格聚类，本文基于H3网格对DBSCAN算法进行改进。H3网格将数据网格化，通过网格索引快速确定邻域，简化了邻域查询的复杂性，提高了查询效率，且六边形网格结构减弱了边界效应，使簇的边界定义更加准确。通过对网格交通状态进行聚类分析，可实现港内路网识别和划分。
基于H3网格，对DBSCAN算法的相关参数重新定义如下：
1）数据集：即网格交通状态矩阵，每一个路网网格都是一个样本点；
2）EPS领域：指给定网格周围半径为邻域半径的区域，领域半径EPS的定义为从给定网格中心点向各方向延伸至另一网格中心点的数量；
3）minPts：即领域密度阈值，指给定网格EPS领域内的网格交通状态参数之和的阈值；
4）核心网格：指以给定网格为中心，EPS领域内的网格交通状态参数值大于或等于minPts的网格；
5）边界网格：指以给定网格为中心，EPS领域内的网格交通状态参数小于minPts，但其中包括核心网格的网格；
6）噪声网格：指不满足核心网格和边界网格条件的任何网格。
本研究以网格领域半径之内的网格交通状态之和作为网格聚类指标F，其计算公式如下:
式（7）中： 为网格 领域内所有网格交通状态参数之和； 为网格 领域内第 个网格的交通状态； 为网格 领域内的网格数量。
若F≥minPts，则将该网格定义为核心网格，即路网热点区域；若F<minPts，则将该网格定义为边界网格，其中若边界网格不可由任何其他核心网格密度可达，则将其定义为噪声网格。
2.4 物流通道路网热点区域识别划分
利用改进的DBSCAN算法对港内路网进行识别划分，调整EPS和minPts参数，使用轮廓系数评估聚类结果，如图3所示。
轮廓系数的取值区间为[-1,1]，且越接近1说明聚类效果越好。本文选取轮廓系数大于0.5的3个极值拐点（minPts=180, minPts=210, minPts=240）对路网区域进行识别划分，可得出不同领域密度阈值取值条件下的热点区域。
1）领域密度阈值minPts=180（轮廓系数=0.622）下识别出物流通道路网热点区域有3簇（见图4）：第1簇区域集中在港内堆场左侧主干道区域；第2簇区域分布在港口前沿装卸区域和港内道路交界的复杂区域；第3簇从港区前沿的最右侧区域一直蔓延到岸线中部。可见，港内路网热点区域主要集中在港口前沿装卸区域跟堆场主干道交叉区域。
2）领域密度阈值minPts=210（轮廓系数=0.694）下识别出的路网热点区域见图5，其中港区最左侧主干道的繁忙区域依然存在，但是第2簇区域的范围明显缩小，且仅存在于集卡穿过道路前往港区前沿作业的区域；第3簇区域范围缩小，主要位于纵向主干道与横向道路的交叉区域，以及港区右侧岸桥下面的装卸道路。相较于minPts=180场景，本场景轮廓系数有所提高，热点区域主要集中在纵向主干道的部分区域、十字路口的交叉地带以及集卡装卸道路与纵向主干道的延伸区域。
3）领域密度阈值minPts=240（轮廓系数=0.833）下识别出的物流通道路网热点区域（见图6）共4簇。其中，左边两簇区域分布在堆场内部道路和纵向主干道的交叉区域，另两簇区域分布在港区前沿装卸线下方。港区前沿作为装卸作业频繁区域，集卡排队等待状况发生概率较高。案例港口码头前沿东侧，交通状况繁忙程度最高。
2.5 特定作业场景下的路网交通状态分析
为深入解析船舶靠泊作业场景对港内交通运行状态的影响，分别对单船、双船及多船舶（3艘船）装卸作业场景下的物流通道路网交通状态特征进行汇总分析，得到不同船舶装卸作业场景下路网交通状况对比分析结果（见表1）。
表1 多船舶装卸作业场景下路网交通状态对比分析表 |
| 作业场景 | 路网繁忙区域 | 热点区域 |
|---|---|---|
| 场景1-1： 单船舶装卸作业A | 装卸泊位和目标堆场区域 | 目标泊位岸桥 下装卸道路区域 |
| 场景1-2： 单船舶装卸作业B | 路网左侧部分区域 | 泊位附近装卸区域和堆场交叉口区域 |
| 场景1-3： 单船舶装卸作业C | 路网左侧部分区域 | 泊位附近装卸区域和堆场交叉口区域 |
| 场景1-4： 单船舶装卸作业D | 路网右侧部分区域 | 泊位附近装卸区域和堆场交叉口区域 |
| 场景2-1： 双船舶装卸作业A | 港区前沿和主干道 相关区域 | 港区前沿装卸线 区域 |
| 场景2-2： 双船舶装卸作业B | 路网大部分区域和 港区前沿区域 | 港内左侧和右侧装卸线附近区域 |
| 场景3-1： 多船舶装卸作业 | 港区纵向道路区域和港区前沿相关区域 | 港区纵向主干道部分区域 |
利用平均状态参数M来描述不同装卸场景下的路网交通状态，其计算公式为：
式（8）中：P·j为各装卸场景下全部时间段内的各网格交通状态；t为各装卸场景的持续时间。
以上结果表明，案例港口码头前沿的装卸区域、堆场道路及与主干道交叉区域的交通状况较为复杂，是影响港内运输效率的关键；在多船舶不同装卸作业场景下，同一装卸泊位对不同货运通道的制约力存在显著差异，是造成繁忙时期港内物流通道区域交通状态混杂的潜在原因之一。因此，在港内物流通道货运交通组织和调度中，应有效采集港口实时交通数据，开展基于港口时空特征算法的热点区域识别和特征解析，这为疏解港内混杂交通问题、提高港口总体生产作业效率提供了新思路。
3 结束语
为实现对港内物流通道交通状态的精细化识别和分析，本研究基于集卡GPS实测数据时空分布特征解析结果，提出了基于H3网格划分的改进DBSCAN算法，并以网格邻域内的交通状态为评价指标，构建了基于交通时空矩阵的物流通道时空网格交通状态识别模型，对港内物流通道区域交通状态进行识别划分。以某国外案例港区集卡运行轨迹和生产运营数据为例，研究发现其物流通道路网的繁忙区域主要集中在港区最左侧纵向道路、码头前沿右侧装卸道路及堆场主干线道路与码头前沿交叉区域；右侧码头前沿装卸道路和堆场主干线与码头前沿交叉区域的交通状态最为复杂，为案例港区物流通道交通瓶颈点，因此，未来港口规划及交通流调度决策过程中应当重点对上述区域的潜在交通压力进行解析和处理。
同时，对比分析不同泊位装卸作业特征场景下的港内路网交通状况，发现港内交通在单船舶、双船舶和多船舶装卸作业时刻的物流通道路网繁忙和热点区域存在不同的时空分布特征。同一泊位在不同（单船舶、双船舶和多船舶）的装卸场景下，其制约路网区域不同，主要分布在前沿目标泊位附近及邻近交叉口、路网中左侧纵向主干道与堆场道路交汇区域。
本研究成果可应用于实际生产作业中的港内交通路网瓶颈点的识别和改善，为针对性制定匹配船舶作业特征的港内交通调度与优化方法提供支撑。需要说明的是，本研究仅基于港内部分集卡数据，存在一定局限性，无法实现高精度的路网区域交通场景复现。后续研究可考虑组织设计对照组实验和数据采集，对瓶颈区域的识别方法进行进一步验证和分析，同时深度考虑船舶到港作业规律的影响，通过延长数据采集时间、区分内外集卡的GPS轨迹数据等手段，进一步深化港内交通流特征研究。
