Car-Truck Conflict Recognition Model of Urban Roads: A Case Study of Beijing

LIU An-ran; HAN Yuan; QIU Rong-hua; JIANG Yun; ZHANG Ze-yu; SONG Guo-hua

doi:10.16503/j.cnki.2095-9931.2023.01.008

Transport Research >

2023 , Vol. 9 >Issue 1: 74 - 85

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.01.008

Car-Truck Conflict Recognition Model of Urban Roads: A Case Study of Beijing

LIU An-ran ^,¹ ,
HAN Yuan ^,² ,
QIU Rong-hua ³ ,
JIANG Yun ¹ ,
ZHANG Ze-yu ¹ ,
SONG Guo-hua ¹

Expand

1. Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China
2. Beijing Key Laboratory of Transport Energy Conservation and Emission Reduction, Beijing Transport Institute, Beijing 100073, China
3. Beijing Municipal Commission of Transport, Beijing 100073, China

Received date: 2022-10-19

Online published: 2023-03-08

Fold

Abstract

The truck static traffic restriction management policy can′t meet the changes of freight space-time demand under the condition of mixed passenger and freight traffic on urban roads. Aiming at this problem, the impact of trucks on the running state of cars in mixed traffic flow was quantitatively evaluated by establishing a car-truck conflict recognition model. Taking the urban road network within the Fifth Ring Road of Beijing as the research object, firstly, according to the grading characteristics based on the road capacity occupied by truck flow, different scenarios were divided. Then, the car-truck conflict identification model based on truck flow, road speed and road capacity were established respectively, and the obtained car-truck conflict index 1~10 was divided into 5 levels on average. Finally, Fuzzy C-means Clustering was used to identify the road operation status of the East Fifth Ring Expressway and regional road networks of Xinfadi in Beijing. The results of the case study showed that the period of serious conflict in the East Fifth Ring Expressway was 7:00-9:00 and 14:00-20:00 with 88% of the time periods above mild conflict, and the difference between the highest and lowest conflict index was more than 3 times. With the decrease of grade, the conflict degree of roads in Xinfadi were gradually increasing, and roads of all grades had the conflict distribution characteristics of distinguishing up and down. The conflict identification results are consistent with the actual principle of car-truck conflicts, which means constructed model can objectively reflect the differences in the level of car-truck conflicts on different levels of roads, realize the dynamic identification of car-truck conflict level on road sections.

Key words： car-truck conflict; mixed traffic flow; traffic operation state; Fuzzy C-mean Clustering; urban traffic; road capacity

Cite this article

LIU An-ran , HAN Yuan , QIU Rong-hua , JIANG Yun , ZHANG Ze-yu , SONG Guo-hua . Car-Truck Conflict Recognition Model of Urban Roads: A Case Study of Beijing[J]. Transport Research, 2023 , 9(1) : 74 -85 . DOI: 10.16503/j.cnki.2095-9931.2023.01.008

0 引言

货运车辆承担着城市内外重要的货物运输任务，然而随着货运需求的快速增长，货运车辆和客运车辆之间对有限道路资源（道路通行能力）的占用产生了冲突和矛盾，造成城市交通拥堵加剧、交通污染物排放增加等问题^[1⇓-3]。为减轻货运车辆对城市交通的负面影响，目前国内城市多从时空、车型等方面限制货运车辆，导致货运时空需求不匹配，在一定程度上制约了城市物流业的发展，并造成交通资源的浪费。因此有必要对城市客货混行交通进行研究，为货运管理政策制定提供针对性依据。

针对货车通行管理，国外部分区域的政策强调了货运交通管理在城市交通管理中的重要性^[4-5]。纽约市交通运输管理局以路段流量、货车流量等为基础，创建了货运信息管理系统，实现了货车路径的动态调整，可提高货物运输效率^[6]。国内政策主要涉及货车限行管理，包括限制排放标准、通行时间与区域等^[7]。近十年北京市公路货运量在总货运量中的占比均达95%以上^[8]，但货运道路通行管理一直采用静态的时空限行政策^[9]。相关政策评估研究^{[6,9 -10]}显示，“重客抑货”的货运管理措施会造成货车违章行驶现象频发，实际交通拥堵并不能得到有效缓解。另外，诸多学者也针对客货混合交通流开展了研究，但多集中于货车在运行过程中造成的移动瓶颈^[11-12]，货车对交通流稳定性和交通流状态的影响^[13⇓-15]，以及货车对客车驾驶行为的干扰^[16-17]等方面，缺乏对混合交通流客货车辆之间相互影响的量化评估。

综上，目前货车通行管理措施和针对货车对交通运行状态影响的研究存在以下问题：①国内针对货运多采用静态管理的办法，难以应对货运需求的时空差异；②现有研究中缺少基于真实货车运行数据的城市道路客货运行相互影响程度定量评估。鉴于此，本研究基于城市道路客货混合交通流运行特征，将客货冲突定义为在混合交通流状态下，客货车辆相互抢占有限的道路通行能力，货车对客车运行状态产生影响的过程，并通过分析货车流量、路段速度及道路通行能力等交通流运行特征，建立客货冲突识别模型，实现城市道路客货混合交通流在运行过程中相互影响程度的量化分析。

1 数据收集及数据分布特征分析

鉴于北京市实行的静态货车限行政策，本研究以北京市五环内城市道路为例，选取2020年10月20日—22日（工作日）6:00—22:00的路段速度、货车流量等运行数据及道路特征数据进行客货冲突识别研究。

1.1 基础数据收集

本研究融合地理信息数据、车辆定位数据及道路运行速度数据3类数据进行客货冲突识别研究。

地理信息数据选取北京市五环内路网地理信息矢量图层，涵盖76 535条路段信息，字段包含路段编号、道路等级、车道数、路段长度等（示例见表1）。其中道路等级分为高速公路、快速路、主干路、次支路。

表1 地理信息数据示例

路段编号	路段长度/m	道路等级	所在区域	车道数
2894	85.46	次支路	四、五环之间	1
1724	39.28	次支路	四、五环之间	1
31821	65.31	主干路	四、五环之间	3
34133	398.71	快速路	三、四环之间	4
63067	469.90	高速公路	四、五环之间	3

车辆定位数据用于分析路段货车流量，涵盖以小时为间隔的8万辆重型货车和3万辆中轻型货车的定位数据，3d数据量可达27GB，数据字段包含路段编号、日期、时间、货车流量、道路名称等，示例见表2。

表2 车辆定位数据示例

路段编号	日期	时间	外埠重型货车流量 /（辆·h^-1）	本市重型货车流量 /（辆·h^-1）	中轻型货车流量 /（辆·h^-1）	道路名称	所在区域	行政区
21314	20201021	7:00	1	1	2	北二环	二环内	东城区
5083	20201021	7:00	1	1	4	西土城路	二、三环之间	海淀区
12244	20201021	7:00	1	1	1	万泉河路	三、四环之间	海淀区
63302	20201021	7:00	12	8	7	京开高速	四、五环之间	大兴区
23980	20201021	7:00	65	61	30	S50东五环	五、六环之间	朝阳区

道路运行速度数据为浮动车数据，来源于北京交通发展研究院于2005年建立的北京市浮动车交通信息采集系统。北京市超过60 000辆安装GPS的出租车可实时上传定位信息，将其匹配至地图后可计算得到路段平均速度。该系统能提供的数据分为3级：GPS原始点数据，1min时间间隔的一次处理数据，5min时间间隔的二次处理数据。本研究利用5min间隔的二次处理数据，计算以1h为粒度的路段平均行程速度，数据字段包含路段编号、时间、速度、路段长度、样本量等，浮动车数据（Floating Car Data, FCD）示例见表3。

表3 浮动车数据示例

路段编号	时间	路段长度 /m	速度 /（km·h^-1）	样本量
133714	2020/10/21 7:00	101.63	21.82	1
133721	2020/10/21 7:00	11.96	72.20	1
133720	2020/10/21 7:00	89.71	50.39	4
133722	2020/10/21 7:00	101.72	14.46	3

注：样本量指计算该条数据信息所利用的浮动车数量。

最终3类数据以路段编号为匹配项进行融合利用，匹配流程如图1所示。

显示原图|下载原图ZIP|生成PPT

图1 数据匹配流程图

1.2 路段货车流量占道路通行能力的百分比

基于路段货车流量数据，将北京市的各等级城市道路小时货车流量按照标准小客车换算成小时小客车当量，计算小时小客车当量占道路通行能力的百分比（以下简称为“货车占通行能力比”）。本研究中各等级道路的道路通行能力利用的是臧金蕊^[18]基于北京市不同道路类型的交通流速度-流量基本图的参数标定结果，快速路、主干路、次支路道路通行能力分别为1 580pcu/h, 1 020pcu/h, 460pcu/h。

利用北京市五环内货车流量数据，对北京市不同道路类型下6:00—22:00期间货车占通行能力比进行汇总统计分析，结果如图2所示。由图2可知，80%以上的快速路货车占通行能力比处于5%以下。主干路和次支路也有类似分布现象，80%以上的主干路和次支路货车占通行能力比分别处于1%和3%以下。本研究将该分布现象定义为货车流量占道路通行能力比的分级效应，以80%累计比例为分级点，将货车占通行能力比分为处于通常水平（即不超过80%分位数）和处于较高水平（即高于80%分位数）两类。本研究引入

β α

来表示道路等级为

α

的货车占通行能力比处于通常水平（80%以内分布）的最大阈值，快速路、主干路、次支路分别为5%, 1%, 3%。

显示原图|下载原图ZIP|生成PPT

图2 不同等级道路货车占通行能力比统计分布图

1.3 路段速度指数

根据《城市道路交通运行评价指标体系》（DB11/T 785—2011）^[19]，交通流状态被划分为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵5个运行等级，并分别用[8)和[8,10]的速度指数来表征。表4^[19]展示了不同道路类型的路段速度对应的速度指数分级。

表4 不同道路类型的路段速度对应的速度指数分级

运行等级	畅通	基本畅通	轻度拥堵	中度拥堵	严重拥堵
速度指数	[0, 2)	[2, 4)	[4, 6)	[6, 8)	[8, 10]
快速路/（km·h^-1）	$v$ >65	50< $v$ ≤65	35< $v$ ≤50	20< $v$ ≤35	$v$ ≤20
主干路/（km·h^-1）	$v$ >40	30< $v$ ≤40	20< $v$ ≤30	15< $v$ ≤20	$v$ ≤15
次支路/（km·h^-1）	$v$ >35	25< $v$ ≤35	15< $v$ ≤25	10< $v$ ≤15	$v$ ≤10

注： $v$ 表示路段平均行程速度（km/h）。

2 客货冲突识别模型的建立

客货冲突的发生与交通流的运行状态（畅通、稳定、拥堵）相关，产生原理如下：①当混合交通流在畅通状态下行驶时，道路资源充沛，车辆之间互不影响，均以期望速度行驶，客货之间无需抢占道路通行能力；②当混合交通流在稳定状态下行驶时，路段上车辆密度明显高于畅通状态的密度，接近但未达到道路通行能力，客货之间相互影响，互相抢占道路通行能力；③当混合交通流在拥堵状态下行驶时，路段车辆速度较低，达到或超过道路通行能力，此时道路资源紧缺，客货之间互相抢占道路通行能力的现象严重。

基于客货冲突原理，本研究选取路段货车流量占道路通行能力比来表征货车对道路资源的占用程度，选取路段速度指数来表征道路资源整体占用程度。综合路段货车占通行能力比和路段速度指数两参数均具有的分级效应，本研究将客货冲突识别模型划分为两个场景进行构建：①场景一：货车占通行能力比处于通常水平（即不超过80%分位数）；②场景二：货车占通行能力比处于较高水平（即高于80%分位数）。

2.1 分场景的客货冲突识别模型构建

（1）场景一：货车占通行能力比处于通常水平

场景一中，道路通行能力占用水平较低，交通流处于畅通和稳定状态，或交通流处于拥堵状态，但路段的货车占通行能力比不超过对应货车占通行能力比分布的80%分位数。该场景下路段的冲突等级主要受路段速度指数影响。

本研究利用幂函数进行场景一的客货冲突建模。模型以绝对值较大的路段速度指数为底，绝对值较小的货车占通行能力比为幂，保证冲突指数的计算结果对两种输入参数均保持一定的敏感性。相较于线性函数，幂函数更容易将冲突指数控制在不大于速度指数的区间内；相较于对数函数等其他常见函数形式，幂函数计算得到的冲突指数随输入参数量级增大的增长速度更合理。场景一的路段冲突指数

C I α

计算公式为：

（1）

C I α = C S α C R α β α

式（1）中：

C I α

为道路等级为α的路段客货冲突指数；

C S α

为道路等级为α的路段速度指数；

C R α

为道路等级为

α

的路段货车占通行能力比（%）；

α

为道路等级，包含：快速路、主干路、次支路；

β α

为道路等级为

α

的货车占通行能力比处于通常水平（80%以内分布）的最大阈值，快速路、主干路、次支路分别为5%, 1%, 3%。

（2）场景二：货车占通行能力比处于较高水平

场景二中，路段处于拥堵状态，且货车占通行能力比处于较高水平。为充分刻画较高的货车占通行能力比所带来的客货冲突作用，强调货车对拥堵状态交通流的影响比对畅通和稳定状态交通流的影响更大，并保证客货冲突指数不超过10，本研究引入补偿参数

γ

进行场景二建模。

γ

取值变化为0~9之间的整数，取值范围由速度指数决定，具体数值由货车流量决定。场景二的路段客货冲突识别模型计算公式见式（2）~式（4）。例如，当某快速路路段速度指数

C S α

为5.5时，对应的

C S 0

取值为5，

γ

的取值范围为[0,1,2,3,4]，若该路段的货车占通行能力比处于剩余20%区间内累计占比曲线的30%分位数，根据式（3）得到

30 % ∈ 100 % 10 - 5 γ, 100 % 10 - 5 (γ + 1)

，可以确定

γ

的取值为1，冲突指数

C I α

为6.5。图3反映了以货车占通行能力比处于较高水平的路段为整体，货车占通行能力比在较高水平区间的分布情况。

（2）

C I α = C S α + γ

（3）

γ ∈ 0, 1, 2, …, 9 - C S 0 C R α ∈ f 100 % 10 - C S 0 γ, f 100 % 10 - C S 0 (γ + 1) f = ∫ β α 100 % C R α_a l l

（4）

C S 0 ∈ C S α 拥, C S α 拥 + 1, ⋯, 9 C S α ∈ [C S 0, C S 0 + 1)

式（2）~式（4）中：

γ

为指数补偿参数；

C R α

为道路等级为

α

的路段货车占通行能力比（%）；

C S 0

为计算的中间参数，无实际意义；

f

为场景二货车占通行能力比的积分函数（图3中剩余20%区间内累计占比曲线）；

C R α_a l l

为道路等级为

α

的所有路段货车占通行能力比（%）；

C S α 拥

为道路等级为

α

的拥堵流路段速度指数的最小阈值（根据模糊C均值聚类确定）。

显示原图|下载原图ZIP|生成PPT

图3 货车占通行能力比处于较高水平分布图

指数为依据计算出来的衍生指数，场景一建模过程中控制其不大于速度指数，场景二中控制其不大于10，故其量级和数值意义与速度指数相对应，所以本研究依据速度指数分级方法对其进行量化分级，结果如表5所示。

表5 客货冲突指数对应的冲突等级划分

冲突等级	不冲突	轻度冲突	较为冲突	中度冲突	严重冲突
分级标号	1	2	3	4	5
冲突指数	[0, 2)	[2, 4)	[4, 6)	[6, 8)	[8, 10]

2.2 通过模糊C均值聚类确定交通运行状态

由于各路段所处的实际运行状态与道路等级设计运行状态存在差异，为准确描述不同道路等级下各路段运行状态所对应的速度区间，需依照路段实际运行数据进行评估。模糊C均值聚类算法（Fuzzy C-mean Clustering, FCM）是一种通过最小化目标函数来获得数据集模糊划分的方法^[20]，用于将高维空间分布的数据划分为特定的类别，适用于城市道路历史交通状态的评估^[21-22]，所以本研究选择FCM对路段交通状态进行评估划分。FCM的思想是将数据集

X = x 1, x 2, ⋯, x n

分成

k

个模糊簇

C = C 1, C 2, ⋯, C k

c = c 1, c 2, ⋯, c k

为模糊簇对应的中心点，然后目标函数

J

会得到每个样本点x_i对所有簇中心的隶属度

u i j (1 ≤ i ≤ n, 1 ≤ j ≤ k)

，最终最小化目标函数。目标函数J具体如下：

（5）

J m (U, X, C) = ∑ i = 1 n ∑ j = 1 k u i j m x i - c j 2

式（5）中：

m (1 < m < ∞)

为模糊指数，控制隶属度的影响；其余参数含义同前，其中

u i j

满足以下约束条件：

（6）

∑ j = 1 k u i j = 1 1 ≤ i ≤ n u i j ∈ [0,1] 1 ≤ i ≤ n, 1 ≤ j ≤ k 1 < ∑ i = 1 n u i j < n 1 ≤ j ≤ k

FCM具体的迭代过程如下：

步骤1：随机初始化聚类个数

k

，设置最大迭代次数

b m a x

及终止阈值

ε

；

步骤2：更新计算隶属度矩阵

U = [u i j] (1 ≤ i ≤ n, 1 ≤ j ≤ k)

：

（7）

u i j = ∑ t = 1 k d i j d t j 2 / (m - 1) - 1

式（7）中：

d i j

为

x i

到

c j

的距离。

步骤3：计算聚类中心

c

：

（8）

c j = ∑ i = 1 n u i j m ⋅ x i ∑ i = 1 n u i j m j = 1, 2, ⋯, k

步骤4：计算目标函数，若

U (b + 1) - U (b) ≤ ε

，迭代终止，否则返回步骤2，继续迭代。

算法流程如图4所示。

显示原图|下载原图ZIP|生成PPT

图4 交通流运行状态FCM算法流程图

根据图4所示流程对北京市新发地商圈各等级道路的日间交通运行状态进行分类，得到的结果如图5所示。

显示原图|下载原图ZIP|生成PPT

图5 路段运行状态FCM图——以北京市新发地为例

3 模型应用结果分析

北京市东五环承担着过境交通及区域交通的双重功能，新发地是北京南四环居住用地和批发市场集中的区域之一。为验证模型的有效性，本研究选取交通运行状态时变特征明显的东五环快速路（平房桥至远通桥段）及货运需求旺盛的新发地商圈（包含快速路、主干路、次支路）进行客货冲突场景识别结果分析，所选区域地理空间位置如图6所示。

显示原图|下载原图ZIP|生成PPT

图6 模型应用实例地理空间位置示意

3.1 冲突指数时变特性分析——以东五环快速路为例

通过FCM得到东五环快速路稳定状态最小阈值速度对应的路段速度指数为5.50，速度为38.73km·h^-1，如表6所示，此表展示了快速路各运行状态下速度和密度所在的范围。

表6 东五环快速路基于FCM的运行状态分类表

运行状态	速度/（km·h^-1）		密度/（pcu·km^-1）
运行状态	最小	最大	最小	最大
畅通	57.91	75.79	30.06	76.43
稳定	38.73	57.91	76.43	139.49
拥堵	20.85	38.73	139.49	227.89

对东五环快速路进行客货冲突识别，结果如图7所示。由识别结果可知，研究路段日间冲突水平有明显的早、晚高峰特征，整体冲突较为严重。严重冲突的时段为7:00—9:00和14:00—20:00，包含通勤早晚高峰。轻度冲突以上的时段占总时段的88%，日间最高冲突指数比最低冲突指数高3倍以上，分别出现在15:00和22:00。

显示原图|下载原图ZIP|生成PPT

图7 东五环快速路客货冲突识别时空图

为验证模型识别结果的有效性，对客货冲突识别结果的时变特性进行分析，并引入货车占通行能力比及路段速度指数的平均时变特性（见图8）进行对比分析。图8显示出各参数均具有高峰和平峰特征，东五环货车占通行能力比始终处于10%以上。根据平均冲突指数的高峰和平峰特征，分早高峰（6:00—9:00）、早平峰（9:00—14:00）、晚高峰（14:00—20:00）、晚平峰（20:00—22:00）4个时段进行如下分析。

显示原图|下载原图ZIP|生成PPT

. 图8 东五环快速路速度指数及冲突指数平均时变特征图

（1）早高峰（7:00—9:00）

此时段货车占通行能力比处于日间平峰（12%以下），但速度指数大于5，冲突指数大于5。经分析早高峰期间道路资源被客车占用较多，造成客货对道路通行能力抢占程度增加。

（2）早平峰（9:00—14:00）

货车占通行能力比处于高峰（16%以上），但冲突指数小于5。经分析此时段客运需求下降，路段运行处于稳定状态，货车占比虽较高，但对客车运行并未产生较大影响。由此可见客货冲突识别结果会受到速度指数的影响。

（3）晚高峰（14:00—20:00）

该时段内，速度指数逐渐上升，最终处于6以上数值，另外货车占通行能力比高于早高峰，最高可相差41%。9:00和15:00的速度指数相差小于2%，但9:00比15:00的冲突指数高11%左右，该现象说明冲突指数不仅会受道路交通运行状况的影响，还会受货车占通行能力比的影响。

（4）晚平峰（20:00—22:00）

20:00以后速度指数逐渐下降，货车占通行能力比逐渐上升，但客货冲突指数处于逐渐下降趋势，此种现象与客货冲突识别原理中“当路段处于畅通或者稳定状态下，客货冲突程度较小，交通运行状态是客货冲突水平主要衡量因素”相符。

3.2 不同道路等级冲突特征分析——以新发地商圈为例

新发地商圈有大型农贸批发市场，货运需求量大，所选研究区域含有快速路、主干路和次支路，通过FCM得到快速路、主干路、次支路稳定状态最小阈值速度对应的路段速度指数分别为5.50, 4.21, 5.89，速度分别为38.73km·h^-1, 28.95km·h^-1, 15.55km·h^-1，如表7~表9所示。

表7 新发地快速路基于FCM的运行状态分类表

运行状态	速度/（km·h^-1）		密度/（pcu·km^-1）
运行状态	最小	最大	最小	最大
畅通	57.91	75.79	30.06	76.43
稳定	38.73	57.91	76.43	139.49
拥堵	20.85	38.73	139.49	227.89

表8 新发地主干路基于FCM的运行状态分类表

运行状态	速度/（km·h^-1）		密度/（pcu·km^-1）
运行状态	最小	最大	最小	最大
畅通	42.20	57.28	8.80	20.70
稳定	28.95	42.20	20.70	35.50
拥堵	15.94	28.95	35.50	58.54

表9 新发地次支路基于FCM的运行状态分类表

运行状态	速度/（km·h^-1）		密度/（pcu·km^-1）
运行状态	最小	最大	最小	最大
畅通	38.32	51.23	0	3.96
稳定	15.55	38.32	3.96	14.55
拥堵	10.92	14.55	14.55	34.19

将模型用于新发地各等级道路的客货冲突识别，得到冲突时空分布如图9所示。利用冲突等级占比的时序变化情况（如图10所示）对新发地商圈的冲突结果进行分析，发现随着道路等级的降低，整体的冲突程度逐渐加剧。为验证模型对各等级道路的有效性，对识别结果进行分析。

显示原图|下载原图ZIP|生成PPT

图9 新发地商圈道路客货冲突识别时空图

显示原图|下载原图ZIP|生成PPT

图10 新发地商圈道路客货冲突等级占比时序图

（1）快速路

结合图9和图10得出快速路客货严重冲突发生在京开高速19:00—20:00的下行向。图11反映出该时段下行路段货车占通行能力比超过5%，并且时段处于通勤晚高峰，路段速度指数大于5，最终导致冲突等级为严重。

显示原图|下载原图ZIP|生成PPT

图11 新发地快速路上下行速度指数及货车占通行能力比平均时变特征图

（2）主干路

从冲突等级占比时序图（见图10）得出主干路客货冲突程度有早晚高峰现象，分别发生在6:00—9:00和18:00—22:00。其中较为严重的冲突8:00发生在上行方向，22:00发生在下行方向。主干路上下行速度指数及货车占通行能力比平均时变特征如图12所示，从该图可知，产生此现象的原因在于：①各时段货车占通行能力比均高于1%，处于较高水平；②早晚高峰期间上下行货车流量水平相差不多，但早高峰期间下行的速度指数平均高于上行方向3倍左右，晚高峰期间则表现出相反的结果。

显示原图|下载原图ZIP|生成PPT

图12 新发地主干路上下行速度指数及货车占通行能力比平均时变特征图

（3）次支路

次支路由于出入口较多，各路段间交通流特征连续性不高，选择冲突结果较为一致的无信号灯影响的长路段进行分析。通过新发地冲突识别时空图（见图9）得出，长路段较为严重的冲突发生在8:00京良路出社区方向和22:00南苑西路。表10显示了两路段的运行属性，两路段均处于拥堵状态，货车占通行能力比均超过3%，客货冲突水平较高，识别结果与模型原理表现出一致性。

表10 次支路发生较为严重客货冲突的长路段运行属性

路段名称	平均速度指数	平均货车占通行能力比（%）	平均冲突指数
京良路（8:00）	6.12	6.97	8.92
南苑西路（22:00）	6.19	3.53	7.69

3.3 应用结果讨论

上述两小节分析了客货冲突指数时变特征，并结合速度、通行能力特征进行了对比分析，各等级道路的识别结果均符合客货冲突发生原理。当速度指数不大于拥堵状态速度指数时，客货冲突指数不大于速度指数；当速度指数大于拥堵状态速度指数时，客货冲突指数与货车占通行能力比呈正相关。

研究过程中还出现了货车占通行能力比大小相似但运行状态不同，或运行状态一致但货车占通行能力比相差较多的对比案例，识别结果明显受到货车流量及交通运行状态的影响。以上说明本研究构建的模型有一定的适用性与合理性。

根据研究结果，本文提出以下政策建议：①对于处于拥堵状态的路段，若货车占通行能力比处于通常水平，则客货冲突的主要矛盾在于客车需求太大，应该优先管理客车；若货车占通行能比高于通常水平，则客货冲突的主要矛盾在于货车需求大，应该优先管理货车；②根据各路段冲突指数的时变特征，建议将冲突高峰时段的货车流量合理调配到平峰时段，以降低客货冲突水平，实现货车动态化管理。

4 结语

本研究定义并量化了客货冲突水平，基于货车流量分布特征、交通流运行特征及道路通行能力，建立了针对城市道路的客货冲突识别模型，实现了货车对客车运行影响的分级定量研究。模型在北京市东五环快速路和新发地路网的应用结果表明，东五环快速路客货严重冲突的时段为7:00—9:00和14:00—20:00，处于轻度冲突以上的时段占88%，最高的冲突指数比最低的冲突指数高3倍以上；新发地道路随着等级的降低，客货冲突程度呈逐渐增加的趋势，并且各等级道路有区分上下行的客货冲突分布特征。由于本模型基于路段小时货车流量建模，这一决定性参数对交通运行数据的质量及数量要求较高。另外，本模型只能对发生客货冲突的路段进行识别，研究过程中缺少用地及出行需求分析，不能对客货冲突原因进行准确判断。所以未来研究中需增加客货出行信息、货车行车路线信息以及货车易发事故点的数据收集，将现实路径选择影响因素融入模型中，有效实现货车路径动态优化调整。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	韩雪艳. 多车道高速公路客货分离设置技术研究[D]. 西安: 长安大学, 2020.

[2]	张宁. 城市快速路货车混入率对交通运行状态影响研究[D]. 北京: 中国人民公安大学, 2020.

[3]	蔡静. 货车交通需求预测模型及通行管理政策效果评价方法研究[D]. 北京: 北京工业大学, 2019.

[4]	KASZUBOWSKI D. Recommendations for urban freight policy development in Gdynia[J]. Transportation Research Procedia, 2016, 12: 886-899.

[5]	IWAN S. Adaptative approach to implementing good practices to support environmentally friendly urban freight transport management[J]. Procedia- Social and Behavioral Sciences, 2014, 151: 70-86.

[6]	闫星培, 杨念念. 部分国家和地区城市货运车辆管理研究[J]. 道路交通管理, 2019(7):28-29.

[7]	史新峰, 洪增林. 城市货运交通管理政策的评估、反思和重构[J]. 生产力研究, 2015(4):89-92.

[8]	中华人民共和国国家统计局. 中国统计年鉴2020[M]. 北京: 中国统计出版社, 2020.

[9]	李金丹. 货运限行类政策实施效果研究[D]. 北京: 北京工商大学, 2015.

[10]	王亚伟, 钱子航. 基于系统动力学的机动车限行政策效应研究——以北京市为例[J]. 河南科学, 2022, 40(2):179-191.

[11]	白瑜. 多车道高速公路货车屏障效应研究[D]. 西安: 长安大学, 2019.

[12]	LAVAL J A. Effects of geometric design on freeway capacity: Impacts of truck lane restrictions[J]. Transportation Research Part B: Methodological, 2009, 43(6): 720-728.

[13]	LYU Z, HU X J, ZHANG F, et al. Heterogeneous traffic flow characteristics on the highway with a climbing lane under different truck percentages: The framework of Kerner′s three-phase traffic theory[J]. Physica A: Statistical Mechanics and Its Applications, 2022, 587: 126471.

[14]	孔德文. 大型车辆对多车道高速公路交通运行影响研究[D]. 南京: 东南大学, 2018.

[15]	李维佳, 王建军, 白骅, 等. 路网环境下考虑大型车混入率的事故疏散诱导模型[J]. 中国公路学报, 2020, 33(11):275-284.

[16]	YANG D, QIU X, YU D, et al. A cellular automata model for car-truck heterogeneous traffic flow considering the car-truck following combination effect[J]. Physica A: Statistical Mechanics and Its Applications, 2015, 424: 62-72.

[17]	KONG D, SUN L, LI J, et al. Modeling cars and trucks in the heterogeneous traffic based on car-truck combination effect using cellular automata[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 562: 125329.

[18]	臧金蕊. 面向排放测算的城市路网全样流量测算方法研究[D]. 北京: 北京交通大学, 2020.

[19]	北京交通发展研究中心. 城市道路交通运行评价指标体系:DB11/T 785—2011[S]. 北京: 北京市质量技术监督局, 2011.

[20]	章军辉, 付宗杰, 郭晓满, 等. 基于HS-FCM模糊聚类的快速多目标车辆跟踪算法[J]. 汽车工程, 2021, 43(10):1419-1426,1471.

[21]	陈忠辉, 凌献尧, 冯心欣, 等. 基于模糊C均值聚类和随机森林的短时交通状态预测方法[J]. 电子与信息学报, 2018, 40(8):1879-1886.

[22]	苏飞. 城市道路路网交通运行状态分析方法及应用研究[D]. 北京: 北京交通大学, 2017.

Options

Outlines

模态框（Modal）标题

Abstract

Cite this article

0 引言

1 数据收集及数据分布特征分析

1.1 基础数据收集

表1 地理信息数据示例

表2 车辆定位数据示例

表3 浮动车数据示例

图1 数据匹配流程图

1.2 路段货车流量占道路通行能力的百分比

图2 不同等级道路货车占通行能力比统计分布图

1.3 路段速度指数

表4 不同道路类型的路段速度对应的速度指数分级

2 客货冲突识别模型的建立

2.1 分场景的客货冲突识别模型构建

图3 货车占通行能力比处于较高水平分布图

表5 客货冲突指数对应的冲突等级划分

2.2 通过模糊C均值聚类确定交通运行状态

图4 交通流运行状态FCM算法流程图

图5 路段运行状态FCM图——以北京市新发地为例

3 模型应用结果分析

图6 模型应用实例地理空间位置示意

3.1 冲突指数时变特性分析——以东五环快速路为例

表6 东五环快速路基于FCM的运行状态分类表

图7 东五环快速路客货冲突识别时空图

. 图8 东五环快速路速度指数及冲突指数平均时变特征图

3.2 不同道路等级冲突特征分析——以新发地商圈为例

表7 新发地快速路基于FCM的运行状态分类表

表8 新发地主干路基于FCM的运行状态分类表

表9 新发地次支路基于FCM的运行状态分类表

图9 新发地商圈道路客货冲突识别时空图

图10 新发地商圈道路客货冲突等级占比时序图

图11 新发地快速路上下行速度指数及货车占通行能力比平均时变特征图

图12 新发地主干路上下行速度指数及货车占通行能力比平均时变特征图

表10 次支路发生较为严重客货冲突的长路段运行属性

3.3 应用结果讨论

4 结语

References