城市道路交通状态判别方法研究 周期内单个车道上下游位置占有率的预测值，然后将其与阈值比较来确定下游事件的发生。后来，Bretherton 和 Bowen（1991）依托MONOICA（Monitoring Incidents and Congestion Automatically，MONICA）项目，在 Bell 算法的基础上，设计了一个改进算法。这种算法使用流量和占有率数据作为事件检测的指标值。由于交通流量在路段上的不守恒性，导致 ACI算法的效果并不是很理想[1]。
Ivan et al.（1993-1997）使用人工神经网络技术和数据融合技术处理来自固定检测器、移动检测器和人工报告三种数据源的数据来确定事件的发生。固定检测器算法处理 5 分钟和 7 分钟时间间隔内的平均占有率和平均流量数据，然后将当前值与历史值进行比较，最后利用判别函数确定每个检测区内的交通状态；移动检测器算法利用探测车来报告路段行程时间，计算行程时间比率和速度比率，最后仍利用判别函数确定事件是否发生；人工报告利用现场对事件的定性描述来提供影响交通流运行的某些事件信息。结果表明，虽然 7 分钟作为数据采样的时间间隔可以很好地减少交通参数受信号的周期性影响，算法得到了较好的效果，但却存在算法检测事件所需时间过长的问题[2,3,4]。
Khan and Ritchie (1998)提出了模块化的神经网络结构，该结构将复杂的任务分解成几个子模型，其中每个子模型就是一个神经网络，通常为一个多层前馈神经网络（Multi-Layer feedforward Perceptron，MLP）网络。每个子模型完成一项子任务，他们独立完成自己的训练过程和任务；子模型的匹配通过误差函数在模型之间进行竞争，每个子模型和整个网络有相同的输入和输出，最后的输出 Y 是各个 y 的线性加权。在这个网络的训练中，如果有一个网络训练出了最好的结果，则将这个网络的权重立即增大到 1，其他网络的权重立即减少到 0，用这样的方法选择合适的子模型。最后利用来自加州和洛杉矶两个城市主干道的实测数据和模拟数据对基于 MLP 的多模型算法、基于 MLP 的单模型算法、模式分析算法、贝叶斯算法进行比较分析，得出基于 MLP 的多模型算法效果要好于其他的算法。这个方法的优点是在现实世界中某种数据源数据缺乏的情况下，方法仍旧是适用的。但是这个模型使用 15 分钟间隔数据进行测试的，测试结果表明平均检测时间最好可达 1.63 个信号周期长度，对于实时的事件检测而言，这个算法的检测时间太长[5]。
Luk 和 Chung（2001）指出，高速公路交通流通常比较稳定，在发生交通事件时交通流会发生较大的变化，而这种变化一般能被检测器检测到并及时送到交通控制中心。而城市道路交通流比较复杂，因此文章对城市主干路与高速公路发生事件前后交通流的变化特性进行了研究，提出了一种条件概率算法用于判别城市主干路上交通事件的发
2
城市道路交通状态判别方法研究 生。最后通过验证得出，检测器位于事件发生地点上游位置比检测器位于事件发生地点下游位置更容易检测到事件的发生，其中占有率和速度最能反映交通状态的变化[6]。
Fang Yuan 和 Ruey Long Cheu（2003）将支持向量机（SVM）技术应用到交通事件检测中，分别运用主干路网的模拟数据和加利福尼亚的 I-880 高速公路实测数据进行测试，并与多层前反馈神经网络测试结果比较[7]。
Y. Li 和 M.McDonald（2004）提出一种基于浮动车的高速公路交通事件检测算法，该算法基于平均行程时间和相邻两时段平均行程时间差双变量分析模型而设计，模型建立的前提是当道路上发生交通事件时，其交通容量的改变所引发的路段行程时间急剧增加幅度要比正常交通需求情况下路段行程时间大许多。该算法的研究对象为高速公路，对城市道路的研究可以借鉴该思想[8]。
Yaser（2006）根据城市道路交通流的特点，提出在城市道路中交通流的动态不确定性（即为模糊性）更强，更适合用模糊数学法进行交通状态的判别。因此文章综合考虑了城市道路的几何因素和交通因素，采用模拟数据和模糊逻辑法，进行交通事件的判别。该方法消除了传统算法由于采用阈值而引起的临界决策问题，但是确定各个模糊集的隶属函数是一项至关重要的工作，隶属函数合适与否，直接影响到检测率和误报率[9]。
1.3国内研究现状
目前，对于城市道路交通状态判别算法的研究，国内还处于对国外研究思路和方法的介绍、研究、验证阶段。从20世纪70年代早期,关于道路实时交通状态判别算法的研究逐渐开展起来,截至目前,各个领域的专家学者对这些研究都表示了浓厚的兴趣。这些算法的研究包括比较算法、时间序列分析法、Mc-Master算法、人工智能方法、Macroscopic算法、参数标定方法等。在比较算法中,交通状态的判别是根据比较一对交通流状态数据得出的，这一对交通流状态数据可能是基础的占有率数据,它们分别来自上下游路段相邻的一组检测器。时间序列建模技术应用到交通状态自动判别中标志着时间序列分析算法的诞生,郭恒明（2001）根据城市道路交通流是间断流、交通流的波动性较大的特点，为了提高检测精度、降低误报率、缩短检测时间，要求在城市道路路段上、下游交叉口停车线附近及路段中间按一定间距分别布设环形线圈检测器，据此设计了交通异常累计占有率检测算法来判别城市道路上发生的交通异常。该方法指出如果该路段上所有相邻两检测器的累积占有率差的和超过一定的阈值，表明该路段发生了交通异常。但是该算法中阈值的选择关系到该算法的效果，同时该方法没有对检测器的布设
3
城市道路交通状态判别方法研究 间距进行研究。
周伟、罗石贵（2001）提出了一种基于模糊综合识别的交通事件检测算法，确定了流量、速度、上下游占有率各模糊集的隶属函数，并运用实际数据进行验证，该算法既可以检测拥挤，还能够确定拥挤成因[11]。
杨兆升等（2003）对传统不确定性推理融合算法进行了比较，提出应用模糊综合决策模型来进行多目标多传感器的信息融合，以解决交通事件中多传感器的交通事件识别问题，具有信息损失少、计算量少、实用性强等特点[12]。
戴红（2005）将模糊模式识别方法应用于城市主干道的交通状态判别上，使用速度、占有率、信号交叉口平均每车停车延误 3 个交通参数进行多因素模糊模式识别评判交通状态，同时将交通状态分为畅通、正常、拥挤、堵塞四个等级[13]；但是如何确定隶属函数仍是在进行交通状态判别时面临的一个难点。
皮晓亮、杨晓光等(2006)结合数据预备技术、交通工程技术对环形线圈采集的一个月的历史交通流数据(流量，速度，占有率)进行融合挖掘，最后给出畅通流、稳定流、拥挤流、堵塞流四种交通状态下的聚类矩阵，其中的每一列即代表每种交通状态的划分标准[14]；该文中没有明确指出检测器的位置，只是确定了交通状态的划分标准，并没有利用该标准进行道路交通状态的判别，这种交通状态标准的确定方法的有效性有待于进一步的研究。
姜桂艳等人（2006）为了从海量动态交通数据中快速识别路网中存在的交通拥挤，通过分析拥挤的特征模式和各种数据挖掘技术的特点后，设计了一种适用于城市道路的交通拥挤自动识别方法；该方法将占有率、速度和流量三个基础交通流参数进行组合得到新的特征变量作为多层前馈神经网络模型的输入向量，将交通拥挤指数（[0，1]）作为输出向量，最后用实测数据和模拟数据分别对基于不同阈值的神经网络算法进行了验证，拥挤识别率都在 85%以上，拥挤误识率在 2%以上[15]；然而对拥挤产生的原因仍需要人工观察交通参数的变化才能获得。
庄斌等（2006）针对中国城市道路中存在的交通拥挤现象，通过对城市道路路段上环形线圈采集到的交通流量和占有率数据进行对比性分析和统计推导，提出了交通拥挤现象出现与消散过程的相对增量判别准则。该准则指出，当流量的相对增量大于占有率相对增量时，车流趋于消散；当流量的相对增量小于占有率相对增量时，车流趋于拥挤。当然该准则成立的必要条件是车流在正常运行状态下，流量的相对增量等于占有率相对增量[16]，但是在该判别算法中要求在一个路段的上游和下游分别安有环形线圈检测器。
4
[10]
城市道路交通状态判别方法研究 肖永来（2006）针对现有城市道路中的信号控制系统主要以 SCATS（Sydney Co-ordinated Adaptive Traffic System，SCATS）为主，提出了基于路段车流密度、上游交叉口的平均占有率和下游交叉口的关键绿灯相位饱和度为指标的交通状态判别方法；由于基于 SCATS 系统的固定交通检测器都不能直接提供这些参数，因此需要根据相应的公式标定，其中涉及到的交通参数较多，有可能出现较大的误差，且此论文只是提供了一个判别的思路并没有对该方法进行实例验证[17]。
路加（2003）通过绘制速度（V）-地理位置（D）坐标图来体现不同地点的速度变化信息，并通过速度的变化判断交通拥挤的性质；常发性交通拥挤最显著的特点是车流速度变化缓慢；偶发性交通拥挤最显著的特点是由于事故等随机因素的影响，在城市道路某一个地点发生交通瓶颈后，上游车辆难以畅通通过，造成排队现象，在 V-D 坐标图中表现为事故以左的区域车辆行驶速度很低，而且车辆密度很大；而通过此瓶颈后车辆速度大幅提高，车流密度明显降低，在 D-V 坐标图中表现为在事故以右的区域，车辆速度大幅提升，同时车辆密度要比事故以左的区域小得多；最后利用道路上的流量比和行驶效率两个指标，利用模糊推理系统对拥挤度进行计算[18]。
姜桂艳（2004）提出在能够可靠地获得交通流平均行程时间（平均行程速度）数据的情况下，通过将其与阈值（预测值）进行比较，以实现对道路拥挤或非拥挤交通状态的判别，同时还能对常发性拥挤和偶发性拥挤进行区分[19]。但是该方法只适用于区分拥挤或非拥挤两种交通状态，如果将交通状态进行更细致的划分，该方法就需要进行改进；同时该方法中阈值的确定关系到交通状态判别结果的可靠性，也是该方法的一个难点。
1.4各种算法优缺点比较
各种算法优缺点比较见表1-1。
表1-1 各种ACI算法优缺点比较
判别算法 加 州 算 法 基本算法 加州#7算法 加州#8算法 综合算法 该算法既能判别拥挤的发生，也能判别拥挤发生的原因，但要想准确地确定三条临界曲线比较困难，可能会出现比较大的误报。 该算法使用简便，但单个采样周期内可能出现高频噪声，出现很高的误报；通过调5
优缺点 该算法已经应用，收到良好效果，此算法的不足之处是不能鉴别拥挤的性质，且误报率较高。 改进的 McMaster 算法 指数平滑法
