用可视推理方法评估城市道路交通状况
Fei Wang, Wei Chen, Feiran Wu, Ye Zhao, Han Hong, Tianyu Gu, Long Wang, Ronghua Liang and Hujun Bao
A Visual Reasoning Approach for Data-driven Transport Assessment on Urban Roads. IEEE VAST 2014. Email: wolflyecn@gmail.com
城市建设过程中道路评估是非常重要的，很多道路由于设置年代久远已经无法满足现代交通需求。传统的评估方法较为费时费力，需要专业的设备采集数据，即使有了数据也需要专业人员试验多种模型检验结果。城市出租车轨迹数据记录了车辆在道路上的行驶过程，由于其数据真实可靠而且覆盖了城市大部分道路，因此在城市规划、交通管理等领域都有广泛应用。例如，根据人类移动模式和POI发现城市不同功能区域，利用历史出租车轨迹预测车辆的行驶路径等。
将出租车数据直接应用于道路评估较为困难。首先，道路评估需要分析特定街道上的数据，分析师可能会任意选择街道和查询时间。其次，道路评估过程应该是交互式的，如何快速从大量的轨迹数据中得到需要的结果具有较大的挑战。针对上述两点，我们实现了一个可视化分析框架帮助分析师评估城市道路中各种现象和可能存在的问题。我们首先提出了一种基于道路的查询模型，该模型以道路和时间段为约束范围，查询该范围内具有特定语义的轨迹。我们将地图划分为均匀网格，相邻的几个网格单元相互连接形成道路的近似表示。如图1所示，直线之间为道路。
图 1 道路网格结构
道路上的车辆轨迹（车流）与道路之间可能存在多种不同的拓扑关系，如直通（cover）、穿插（cross）、进入（enter）和离开（leave），关系如图2所示。这些拓扑语义将在分析路口车流时非常有用。按照上述定义，我们制定了两种轨迹查询模式：一种用于查询完全在指定道路范围内的轨迹，另一种则放宽条件查询经过指定范围的轨迹。对于前者，可以确定特定街道和时间段内车流数量多少；对于后者，则可以看到车流的轨迹长度和平均速度。
图 2车流拓扑关系图
为了提高查询速度，我们设计了一种双向哈希链表作为轨迹索引，如图3所示。首先地图上的每个网格单元均表示为一个哈希结构。当轨迹经过某个网格单元时，在该单元的哈希结构中存储轨迹点，包括轨迹编号、时间戳以及前后相邻的单元格坐标。哈希结构内部则按照时间先后按B+树组织。查询时，只要知道当前的轨迹编号和时间戳便能以此为键值快速找到后续的节点。
图 3 双向链接哈希索引结构图
为了便于交互，我们还设计了一种刷选工具，分析师利用该工具刷选待分析的道路即可指定查询的空间范围。使用刷选工具时，只有工具处于道路上才被激活，任何在道路外的刷选操作都视为无效。另外，刷选的范围我们也做了优化，我们取最大道路宽度（55米）作为标准，而且该数值也作为地图网格划分的标准。可视化上，我们设计了几个视图用于查看交通状况，整体界面如图4所示。
图 4 可视化界面
1. 车流对比图（图4-a）。该视图用于对比同一道路上两个不同方向上的车流量和车辆速度。横向为时间，纵向为车流量，不同的颜色表示车流速度区间。
2. 速度-距离图（图4-b）。用于表示车辆的行驶速度与行驶距离的关系。在该视图中靠左下的点多则表示交通状况差，而靠右上的点多则表示车辆行驶速度快且行驶距离远。
3. 拓扑图（图4-d）。用于表示不同模式的车流所占比例。
4. 车流密度图（图4-e）。表示车流在地图空间上的分布状况。
在上述模型和工具的基础上，领域专家得出了一些有价值的模式。
**模式一、岔路口分流模式**
庆春路是杭州市主城区的主干路，连接着东部城区主要进出城道路。在庆春路与中河高架的岔路口，专家发现这个路口具有较明显的车流分流模式。首先，选中岔路口左侧路段，发现直通车流占到34%，当再次选择岔路口左右路段时，发现穿插车流升至37%，而直通车流将为4%。这说明大量的车量在此路口处选择了分流。
图 5 岔路口分流模式
**模式二、潮汐车道车流模式**
潮汐车道是为了解决早晚高峰期道路拥挤而设置的，在高峰期将车流量少的车道改为相反方向以此缓解交通压力。对比曙光路和天目山路，尽管两条路段相邻，但是由于曙光路设置了潮汐车道所以双向道路车流较为平衡（对比视图b和视图e），而且从视图c和视图f中也能看出，潮汐车道上的车流速度更快。
图6 普通车道与潮汐车道车流模式对比
