杨飞¹、姚振兴²、金璟³、熊耀华^*1

1 西南交通大学 交通运输与物流学院

2 长安大学 公路学院

3 美国罗格斯大学 土木与环境工程学院

1 导言

我国快速城镇化和机动化发展给城市交通带来了巨大挑战，为应对日益增长的交通压力并实现可持续发展，交通管理者需要更加精准的交通出行信息来指导规划和管理。与传统交通调查相比，应用手机信令定位提取个体出行信息具有海样、大量、实时动态等优势，近年来成为了国际交通前沿的一大研究热点。

2 引言

路段行程时间采集是智能交通诱导系统构建的重要基础，也对居民出行模式和出行路径选择起到重要影响。当前路段行程时间主要利用线圈数据和GPS浮动车数据获取，前者受到覆盖范围和维护难度的困扰，后者受到浮动车渗透率的影响。手机切换技术作为行程时间预测的新数据来源，有利于弥补当前交通数据获取技术的不足，提高路段行程时间预测精度。

现有关于低频率定位获取路段行程时间分配方法大多没有考虑信号控制延误影响，少数研究考虑了信号控制方案，但其模型输入参数多且复杂，普适性较弱。本研究提出了一种考虑交通信号延误的主干道行程时间估算新方法，通过构建手机切换时间在多信号路段上的时间分配模型，考虑交叉口信号控制引起的停车延误及加减速延误等，能够有效提高干道行程时间估算准度。

3 研究方法

手机切换点间的道路路段称为手机切换路段，切换路段通常与交通信息发布路段（交叉口之间路段）不匹配，因此需要将切换时间分配给实际相关交通路段。本研究所述方法根据切换位置不同，将手机切换路段分配情况分为三种类型：两个连续切换点在同一路段、两个连续切换点跨越一个交叉口、两个连续切换点跨越多个交叉口。如图1所示为切换路段与信息发布路段关系图。本方法结合信号配时方案分析车辆通过交叉口的延误要素，提出了自由流行程时间、停车延误时间和加减速延误时间计算方法，进而将路段切换时间准确分配到各信息发布路段。

本研究搭建了城市干道路段行程时间仿真分析平台，以四川省成都市人民南路仿真为例，分别提取并分析了通畅和拥挤状态下手机切换样本，通过算法对比，评估了所述方法应用效果。

（a）两个连续的切换位置点在同一路段

（b）两个连续切换位置跨越一个交叉口

（c）两个连续切换位置跨越多个交叉口

图1 修正Hellinga切换时间分配模型示意图

4 结果与分析

图2为不同交通状态下所述算法与神经网络模型、Hellinga模型效果对比情况。可以看出，在畅通状态和拥堵状态下，本研究所提出模型估算的路段行程时间分配效果均优于已有的其他模型。此外，利用各模型的行程时间估算结果在拥堵状态下误差较大，这可能是交叉口排队溢出或车辆因为拥堵导致相互间干扰过强导致的。

图2 三种模型估计的行程时间与实际行程时间相关性分析

5 总结

本研究基于手机切换定位数据，提出了一种考虑信号控制干道路段行程时间分配方法，详细分析了手机切换时间于路段行程时间的关系和分配机理，融入交叉口信号配时，优化了路段行程车速分配模型。研究表明：在畅通和拥堵状态下，本文所述模型整体优于神经网络及Hellinga模型；交通量和拥堵程度影响模型计算效果呈。总体上，本模型提高了利用手机切换数据的城市主干道行程时间估计精度，有望提高城市交通管理效率。

未来研究将探讨完善以下问题:（1）借助多源数据融合，提高交叉口排队长度及到达分布拟合精度，进一步优化拥堵状态下的切换时间分配模型；（2）试验并评估技术对整体路网的应用效果。

参考文献

[1] Hellinga B, Izadpanah P, Takada H, et al. ‘Decomposing travel times measured by probe-based traffic monitoring systems to individual road segments’, Transportation Research Part C: Emerging Technologies, 2008, 16(6) , pp. 768-782.

[2] Kwon, J., Petty, K.: ‘Travel time prediction algorithm scalable to freeway networks with many nodes with arbitrary travel routes’, Transp. Res. Rec., J. Transp. Res. Board, 2005, 1935, pp. 147-153.

[3] Liu, H., Danczyk, A., Brewer, R., et al.: ‘Evaluation of cell phone traffic data in Minnesota’, Transp. Res. Rec., J. Transp. Res. Board, 2008, 2086, pp. 1-7.

[4] Ma, D., Luo, X., Li, W., et al.: ‘Traffic demand estimation for lane groups at signal-controlled intersections using travel times from video-imaging detectors’, IET Intell. Transp. Syst., 2017, 11, (4) , pp. 222-229.

[5] Van Lint, J.W.C., Hoogendoorn, S.P., Van Zuylen, H.J., et al.: ‘Accurate freeway travel time prediction with state-space neural networks under missing data’, Transp. Res. C, Emerg. Technol., 2005, 13, (5), pp. 347-369.

[6] Tang, J., Zhang, S., Chen, X., et al.: ‘Taxi trips distribution modeling based on entropy-maximizing theory: a case study in Harbin city-China’, Phys. A, Stat. Mech. Appl., 2018, 493, pp. 430-443.

[7] Yang, F., Yao, Z., Jin, P.J., et al.: ‘Performance evaluation of handoff-based cellular traffic monitoring systems using combined wireless and traffic simulation platform’, J. Intell. Transp. Syst. Technol. Plan. Oper., 2016, 20, (2) , pp. 113-124.