基于车牌识别数据的交叉口服务水平分析

基于车牌识别数据的交叉口服务水平分析

段云峰 刘雨辰 黄帅

长沙市城市建设科学研究院

摘 要：信号交叉口是城市交通系统中的重要组成部分，其服务水平能够反映路网的运行状况。近年来，车牌识别系统近年来广泛布设于城市之中，为研究各项交通参数带来了新的可能性。通过分析实际路网情况，选取饱和度、延误和平均运行车速三项指标，基于车牌识别数据进行计算，并提出一套综合评价方法，更全面地描述了交叉口的运行状态。结合实际路网，将综合评价方法应用至拥堵交叉口的判别。结果表明，综合评价方法能够合理地量化交叉口的服务水平。

关键词：交通工程；道路交通；车牌识别数据；服务水平；信号交叉口

0 引言

信号交叉口是城市道路网的重要组成部分，它的畅通与否对整个路网的行车速度及运行效率起着关键作用[1]。交叉口服务水平是指驾驶员或对交叉口所提供的服务的满意程度[2]。为了描述和评价信号交叉口的服务水平，研究人员提出了许多指标，包括延误、饱和度、排队长度等。为了正确衡量交叉口的服务水平，需要运用系统工程的理论和方法，并选择恰当的评价指标来合理地对信号交叉口进行分级。通过对城市路网中交叉口的服务水平进行整体评价，可以帮助交通管理人员找出关键交通问题，从而对交叉口的信控方案和渠化情况进行改进和完善[3]。如何定量、直观地分析交叉口的服务水平及其变化情况，并且客观、有效地提出相应的改善建议是一个值得不断研究和探讨的问题[4]。

目前，用于交叉口服务水平评价的数据主要是线圈数据，这一检测器的布设存在维修费用高昂、布设范围小等限制，无法快速、有效地得到城市路网中交叉口的服务水平。车牌自动识别系统是智能交通系统中数据采集的关键手段之一，车牌识别摄像机在城市交叉口的普遍布设，为研究交叉口服务水平提供了海量的数据[5]。车牌识别摄像机能够更准确的记录车辆的车牌信息以及车辆的时空信息，包含过车时间戳、驶离停车线时所在的车道以及行驶方向等。因此，本文基于车牌识别数据展开城市路网中交叉口服务水平的分析，为交通管理人员改善交叉口的运行状况提供决策依据。

1数据组成与研究方法

1.1 车牌识别数据

车牌识别数据包含了三类主要信息，包括识别卡口的位置信息、车辆经过卡口时的时间与空间信息以及车辆的注册信息。根据研究需求，本文只从原始数据中保留了7个字段信息，表1解释了不同字段数据的具体含义。

表1 车牌识别信息表

1.2交叉口服务水平评价指标的选取

服务水平是衡量道路或交叉口为驾驶员和乘客所提供的服务质量的指标等级，可以从自由运行的快速、舒适的较高水平，到拥挤、阻塞、难以忍受的较低水平。在综合考虑了本文的研究对象和各项因素的影响后，拟用饱和度、延误、平均运行车速3个指标来对交叉口的服务水平进行综合评价。

1.2.1 饱和度

计算饱和度之前，先对通行能力进行计算，车道组的通行能力计算公式为[4]：

(1)

因此，整个交叉口的通行能力计算公式为：

(2)

其中，为车道组i或进口道i的通行能力，为车道组i或进口道i的饱和流率，为车道组i或进口道i的有效绿灯时间，为周期长度。

交叉口的饱和度计算公式如下：

(3)

其中，V表示交叉口的整体通行流量，C表示交叉口的通行能力。

1.2.2 延误

交叉口延误是指由于交叉口处信号控制引起交通流间断而损失的车辆行驶时间，主要包括停车延误、控制延误和引道延误等类型。单个车道延误时间计算方法如公式(4)-公式(6)所示：

(4)

(5)

(6)

其中，分别表示平均控制延误、累积延误以及初始排队延误。C表示信号配时周期，g表示一个信号配时周期内的绿灯时间，s表示车道饱和度，T表示统计时间间隔，k表示累计延误系数，c表示车道通行能力，l表示上游流量的调整系数。计算得到车道延误时间之后，可根据公式(7)、(8)计算得到交叉口延误时间。其中，v表示实际交通量，表示进口道A的延误，表示交叉口I的延误。

(7)

(8)

1.2.3 平均运行车速

通过匹配上游交叉口的LPR数据和下游交叉口的LPR数据，可以计算出车辆在两个相邻交叉口之间的行程时间为：

(9)

其中，和是车辆经过下游和上游交叉口时的离开时间戳，是链路行程时间。车辆的交通速度可以通过下式计算：

(10)

其中，代表链路L的长度，表示有效行程时间。一个交叉口的四个进口道对应着四条链路，首先将统计时间间隔T内行驶在四条链路上所有车辆的交通速度求平均，得到四条链路的平均速度值，然后将四条链路的平均交通速度再次求平均值，用来表征交叉口的平均运行车速。

1.3交叉口服务水平的综合评价方法

1.3.1 指标预处理及标准化

由于各评价指标的量纲不尽相同，因此在进行综合评价之前必须对其进行预处理，方便后续计算。在进行多指标综合评价计算前需要对指标进行一致化处理，将逆指标转换为正指标[4]。

1.3.2 评价指标权重的设置

综合评价的前提是确定各类指标的权重。考虑到本文所使用的评价指标数量不多，且相互之间的关系也较为清晰，因此考虑使用层次分析法对3种评价指标进行赋权。饱和度、延误和平均运行车速三个指标的权重之比设置为3:3:1。

1.3.3 综合评价指标的建立

采用线性加权综合法，用线性加权函数作为综合评价模型，对不同的交叉口分别进行综合评价。该方法的优点在于能使得各评价指标间作用得到线性补偿，保证综合评价指标的公平性且计算简便，可操作性强，便于推广使用。建立交叉口综合评价公式如下[4]：

(11)

其中，为交叉口综合评价指标，为饱和度的权重，为延误的权重，为平均运行车速的权重，X为饱和度指标的取值，Y为延误指标的取值，Z为平均运行车速指标的取值。

2案例分析

2.1 数据概况

选取长沙市岳麓大道及周边区域作为研究对象，分析该范围内19个信号交叉口的综合服务水平，具体的研究范围如图3所示，将2022年10月10日至10月14日共5个工作日的车牌识别数据作为原始数据集。为了方便后续的描述，将具体的交叉口名称用序号对应表示，如表2。

图1 研究范围

表2 交叉口名称简化方式

在得到研究基础数据集后，对19个交叉口的交通流量进行分析。以岳麓大道/金星路交叉口为例，该交叉口在5个研究工作日内的平均早、晚高峰交通量分别为13234pcu/h和14754pcu/h，高峰期交通量都非常大，但单从流量这一指标，无法获知该交叉口的具体服务水平，因此需要对该交叉口进行综合评价。

2.2区域交叉口综合评价结果

2.2.1 交叉口服务水平分析

（1）饱和度

分别计算研究区域内19个交叉口的设计通行能力，并统计得出早晚高峰小时车流量，根据公式(1)-(2)计算它们在工作日早晚高峰时段的饱和度，部分结果如表3所示。

表3 交叉口高峰期饱和度排名结果

从表中可以发现，早高峰时段的交叉口饱和度普遍高于晚高峰时段交叉口饱和度。出现这种现象的原因主要因为工作日早高峰通勤客流出行的时间较为集中，而晚高峰时段通勤客流的出行时间窗波动性较大，从而产生了早高峰饱和度高于晚高峰饱和度的情况。

（2）延误

通过延误的计算公式，计算得到工作日研究区域19个重要交叉口的平均延误时间，部分结果如表4所示。

表4 交叉口高峰期平均延误排名结果

观察表4可以发现，各交叉口的延误时间均小于60秒，处于相对可以接受状态。从早晚高峰的延误排名来看，晚高峰大部分交叉口的延误时间略高于早高峰，但排名相对稳定。

（3）服务水平

采用交叉口的平均延误来评价交叉口的服务水平，服务水平与延误数值之间的关系如表5所示。研究区域内19个重要交叉口在早晚高峰的一般服务水平情况如图2所示。

表5 交叉口服务水平定义

图2 交叉口服务水平示意图

由图可以得出如下结论：在早高峰，19个信号交叉口中，处于二级和三级服务水平状态的个数分别为14个和5个；在晚高峰，处于一至三级服务水平状态的个数分别为1个、15个和3个；岳麓大道-金星路交叉口属于快速路和主干路平交的交叉口，交通量过大导致延误偏高。

2.2.2 交叉口综合服务水平分析

为了具体分析研究区域内哪些交叉口处于拥堵状态，根据公式(11)计算综合评价指标数值，结果如表6所示。并且通过综合评价指标来判断信号交叉口所对应的交通状态，

表6 交叉口综合评价指数计算结果

从可以发现，综合评价指数大于0.7的交叉口共有4个，分别是岳麓大道/银杉路交叉口、岳麓大道/金星路交叉口、桐梓坡路/西二环交叉口、东方红路/麓松路交叉口。岳麓大道/银杉路交叉口的综合评价指数达到了0.903，服务水平极差，同时也说明该交叉口在早晚高峰处于拥堵状态，亟需对其进行交通配时方案优化或渠化设计优化。

3结语

信号交叉口由于运行状况复杂，不能使用单项交通指标对其服务水平进行评价。本文基于车牌识别数据，首先计算出交叉口的饱和度、延误和平均运行车速，并以此提出一套交叉口服务水平的综合评价方法。对长沙市局部路网中的19个信号交叉口分别进行服务水平的综合评价，并根据评价指标对交叉口的运行状态进行分析。结果表明，文中设计的方法能够快速有效地计算出综合评价指标，有助于全面地分析交叉口服务水平，帮助交通管理人员制定和完善相应的控制策略。

参考文献

[1] 王路曼, 王理民, 杨炜俊, 等. 基于路段速度的信号交叉口运行评价方法[J]. 计算机工程与应用, 2023, 59(1): 10.

[2] 李路遥, 韩智强, 晋民杰, 等. 基于速度连续性的平面交叉口服务水平评价[J]. 太原科技大学学报, 2021.

[3] 张鹏, 赵雨旸, 王勇. 基于层次分析法交叉口服务水平的综合评价[J]. 黑龙江工程学院学报, 2007(04): 35-38.

[4]陈啸, 王正. 交通影响评价中交叉口服务水平综合评价研究[J]. 现代交通技术, 2012, 9(2): 5.

[5]Zhan X, Li R, Ukkusuri S V. Link-based traffic state estimation and prediction for arterial networks using license-plate recognition data[J]. Transportation Research Part C: Emerging Technologies, 2020, 117: 102660.