从检测到决策:自动化交通提取与拥堵指标的结合框架

《Applied Sciences》:From Detection to Decision: Linking Automated Traffic Extraction with Congestion Indicators

【字体: 大 中 小 】 时间:2026年09月27日 来源:Applied Sciences 2.5

编辑推荐:

  交通拥堵是快速城市化地区(包括马来西亚槟城岛)面临的持续挑战,日益增长的车辆需求不断超出道路承载能力。因此,对交通动态的定量理解对于基于证据的交通管理和基础设施规划至关重要。尽管以往的研究通常分别关注交通检测、预测或拥堵评估,但对将这些组成部分整合到一个统一的

  
交通拥堵是快速城市化地区(包括马来西亚槟城岛)面临的持续挑战,日益增长的车辆需求不断超出道路承载能力。因此,对交通动态的定量理解对于基于证据的交通管理和基础设施规划至关重要。尽管以往的研究通常分别关注交通检测、预测或拥堵评估,但对将这些组成部分整合到一个统一的连续交通状况评估框架中的关注有限。本研究将基于计算机视觉的数据提取与统计建模相结合,以分析和预测交通行为。研究人员利用深度学习检测框架从视频流中自动获取交通量数据,随后进行时间序列建模。采用季节性自回归积分滑动平均模型(SARIMA)预测交通流,并使用普通最小二乘法(OLS)回归识别与拥堵相关的因素。道路性能通过流量-容量比(Volume-to-Capacity, V/C)和服务水平(Level of Service, LOS)指标进行评估。预测模型捕捉了日和周交通模式,在观测期间表现出稳定的预测性能。回归分析显示不同路段和车辆类型的交通计数存在显著差异,而时间交通分析则识别出重复的高峰期交通模式。高V/C比值一致对应退化的LOS条件,从而能够识别路网中反复出现的瓶颈路段。该组合框架展示了如何联合使用自动感知、统计预测和工程性能指标来监测和解释城市交通状况。该方法为中等规模城市路网的连续拥堵评估提供了可复现的方法论,并支持数据驱动的规划决策。
一、研究背景与问题
随着全球城市化进程加速,交通拥堵已成为世界各大城市的普遍难题,严重影响日常通勤、经济效率与环境质量。东南亚地区尤其突出,雅加达、曼谷、马尼拉等城市人口爆炸性增长,基础设施建设严重滞后。马来西亚槟城岛作为该国重要的旅游、制造和贸易中心,同样面临严峻的交通压力——其机动车保有量几乎与人口数量持平(3300万注册车辆对应3400万人口),加之岛屿地理限制,关键走廊如乔治市、峇六拜和槟威大桥在高峰时段频繁形成瓶颈。尽管已有大量研究分别探讨了自动车辆检测、交通流预测或拥堵分析,但这些环节往往被独立处理,缺乏一个将自动交通提取直接与运营性交通指标(如V/C比和LOS)相连接的实用框架。为此,研究人员开展本研究,旨在通过深度学习数据提取、SARIMA预测和OLS回归等方法的集成,系统分析槟城岛的交通流动态与拥堵模式,为数据驱动的交通管理与规划提供依据。
二、关键技术方法
研究人员采用了以下关键技术方法:(1)基于深度学习的自动车辆检测与跟踪:利用Majlis Bandaraya Pulau Pinang(MBPP)现有监控摄像头的视频数据,采用DeepSORT算法(结合YOLO目标检测与Kalman滤波轨迹预测)自动提取四种车辆类型(轿车、摩托车、公交车、卡车)的交通计数;(2)时间序列预测:应用季节性自回归积分滑动平均模型(SARIMA)对历史交通数据进行训练并生成7天外推预测;(3)线性回归分析:采用普通最小二乘法(OLS)回归,以路段名称和车辆类型为分类预测变量,量化它们对交通计数的影响;(4)通行能力评估:根据马来西亚公路通行能力手册(MHCM),将交通量转换为标准小客车当量单位(PCU),计算V/C比并据此划分LOS等级。
三、研究结果
3.1 交通计数:轿车是最主要的交通方式,进出方向分别记录到365,933辆和435,647辆;摩托车紧随其后,双向均超过25万辆。在各路段中,Stadium路总交通量最高,Jalan Perak路的摩托车计数尤为突出。公交车和卡车的占比相对较低,表明这些道路并非重型车辆的主要运输通道。
3.2 交通趋势:2023年9月至11月的日交通量呈现明显波动。9月波动最大,部分低值由视频记录损坏导致;10月趋于稳定;11月呈现逐步上升趋势。按车型看,轿车和摩托车的日交通量分别在8000至20000辆和8000至15000辆之间波动,而公交车和卡车始终低于1000辆/天。
3.3 起讫点分析:Jalan Sungai Pinang和Jalan P. Ramlee是交通流入和流出最密集的走廊,摩托车在其中占据主导地位。9月至11月间,Jalan P. Ramlee的摩托车入向计数从13,250增至16,420,而出向也从12,187增至14,763,反映出通勤需求的季节性或结构性增长。卡车运输在Jalan Perak和Stadium路上逐渐增多,暗示物流活动的扩张。
3.4 SARIMA预测:选定SARIMA(1,1,1)(1,1,1,7)模型,AIC=784.35,BIC=792.40。对2023年11月24日至30日的测试集进行7天外推预测,得到MAE=5,314.69,MAPE=17.95%。Ljung-Box检验(统计量8.3433,p=0.5953)确认残差为白噪声,模型充分捕获了时间依赖性和季节结构。预测值总体跟随实测趋势,但置信区间较宽,显示长期预测的不确定性较大。
3.5 OLS回归预测:Count To模型的R2=0.622,F=4262(p<0.001)。系数显示,Stadium路(+50.24)和Jalan Perak路(+19.33)显著增加交通计数,而Jalan Sungai Pinang(-3.20)略低;轿车(+91.40)和摩托车(+61.96)贡献最大,卡车(-1.96)贡献最低。Count From模型的R2=0.732,F=4047(p<0.001),Jalan Sungai Pinang(+2.26)和Stadium(+2.16)的离开计数较高,Jalan Perak(-3.53)较低。两个模型的所有系数均显著(p<0.05),经Newey-West稳健标准误校正后依然有效。VIF值均在1.38至1.50之间,无多重共线性问题。
3.6 交通流评估(V/C比与LOS):选取9月21日为典型日分析。Stadium路在下午5:00的V/C比超过1.0,即交通需求超过了采用的参考通行能力1700 PCU/h,对应LOS F(严重拥堵)。Jalan Perak路在傍晚接近0.97,逼近容量上限。Jalan P. Ramlee和Jalan Sungai Pinang虽在高峰时段也出现V/C比升高,但始终保持在容量以下。整体而言,午后和傍晚是拥堵最严重的时段,晚上6:00后逐步缓解。
四、总结与结论
研究人员指出,该分析框架能够基于实测拥堵水平对交通管理优先级进行排序。在本案例中,Stadium路和Jalan Perak路表现出最高的道路利用率和最受限的运行状态,而OLS分析进一步揭示了不同路段和车辆类型间的显著交通量差异,为确定最需要运营干预的位置提供了定量证据。研究的局限性包括:自动检测可能遗漏或重复计数;数据仅覆盖单个交叉口和三个月周期,限制了结果的泛化性;因缺乏信号配时、车道配置等详细几何信息,所采用的参考通行能力仅为统一基准而非精确的信号化进口道容量。未来研究应扩展到多交叉口走廊,纳入信号时序数据,并融合更先进的机器学习方法(如强化学习和深度神经网络)以提高预测精度,同时考虑环境和社会经济因素以获得更全面的城市机动性理解。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号