交通拥堵问题严重制约着城市的发展，而智能交通系统正逐步成为解决交通问题的有效方法。智能交通系统运行的前提是对城市交通状态进行有效评估，明确实时的交通运行情况。城市道路交通状态受时间因素和空间因素影响，因此，真实、准确地反映城市交通运行状态成为近几年研究的重点。城市道路交通运行状态以感应线圈采集的交通流率、占有率和地点速度等交通数据为基础，采用加州算法、决策树、统计分析、平滑滤波、模糊理论以及神经网络等技术方法进行判别[1-2]。姜东等[3]利用GPS数据与地理信息系统结合的方式对道路交通状态进行分析；邹亮[4]利用融合技术，提出浮动车与感应线圈的神经网络融合模型；董春娇等[5]依据自由流、拥挤流和阻塞流状态下占有率划分区间，结合道路网综合状态指数，构建了城市快速路网交通流状态判别方法；唐景嵩[6]利用RFID数据研究了交通流量、流速和密度等参数，通过构建交通参数计算方法，参照速度阈值进一步判断了道路实时交通运行状态。目前已有的交通运行状态判别，多集中于拥堵里程比例、交通拥堵持续时间以及路段车辆行程速度等指标，分析了交通流量、速度和密度等参数对道路通行状态造成的影响，缺少对道路路边停车、车道数以及信号灯等道路环境空间因素的研究。因此，文章提出了一种将道路静态空间因素（车道数、信号灯数、路边停车数）与浮动车所测大量动态交通样本数据融合处理的方法，在拥堵路段获得平均行驶速度动态参数和道路车道数、信号灯数和路边停车数静态数据，由模糊C均值聚类（FCM）模型对四维参数进行聚类分析，直观表现城市不同路段的道路交通状态。文章以重庆市中心城区为例，研究了道路交通运行状态，并验证了该判别方法的可行性。1城市道路交通状态1.1影响交通状态的道路空间因素城市交通运行状态受时间因素和空间因素的双重影响。时间因素主要表现为工作日、周末和节假日，交通流的状态随出行时间变化呈现出不同的趋势。空间因素主要体现在交通吸引源位置、道路设施、交通管理设备以及对道路的人为干扰等方面。交通吸引源主要影响区域或组团间居民的出行需求；车道数、信号灯和路边停车等道路设施和交通设备等空间因素对城市交通运行产生较大影响[7-9]。1.2状态判别参数的选取反映交通状态的参数主要包括行驶速度、占有率、交通量、车辆平均延误等变量[10]。路段的行程时间和行程速度是直观有效地表征交通拥挤状态的交通流参数。基于这种行程速度数据开发的算法具有较好的交通拥挤判别效果[11-13]。1.3交通状态划分城市道路交通状态估计前提是合理地对城市道路交通状态划分。交通状态划分应具有完整性和区分性，每个状态划分的跨度能够涵盖各交通状态。考虑城市道路等级，将交通状态定义为畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵等5级。2交通状态判别研究模型设计2.1基于GIS的空间数据处理地理信息系统（GIS）能够有效存储和输出道路空间数据。文章使用GIS收集、管理和更新城市路网信息。空间分析作为GIS的一个模块，可以对大量采样点集合形成的点状图中各项数据属性进行空间分析，可视化分析过程和结果。通过卫星地图、街景和实地勘察对城市道路基本信息进行采集。道路是由点、线组成的路网拓扑，道路信息包括长度、等级以及地理方向和位置信息等。结合道路空间因素选取车道数、信号灯数和路边停车数。车道数数据存储在道路线段的属性表格中，信号灯和路边停车以点元素表示，记录这些点元素对应在道路中的位置。以重庆市中心城区某路段为例，道路车道数为双向六车道，路边停车点和信号灯位置用点元素标在对应路段边沿位置，通过GIS平台记录路段长度，道路空间信息采集示意图如图1所示。10.19301/j.cnki.zncs.2023.05.014.F001图1道路空间信息采集示意图2.2基于GIS的浮动车数据处理应用浮动车信息采集技术对城市道路车辆数据进行采集，大规模的浮动车数据准确度较高，其计算相对简单。浮动车实时数据可导入GIS平台，利用GIS对时间和空间数据进行存储和分析，提取相应路段行程时间和行程速度，可以获取全网路段的交通信息[14]。对城市道路拥堵路段行程时间和行程速度进行获取，对单个车辆行程速度进行提取，单个车辆行程时间为Δt=t2-t1，路段长度为L，所以单个车辆行车速度为：vt=LΔt=Lt2-t1 （1）假设浮动车数量为n，路段行程速度分别为v1，v2，…，vn，则路段所有车辆行程速度为：v¯i=∑i=1nvin （2）初步判断道路拥堵路段，设vil为路段限制速度，设路段平均行程速度变化率为：Δvi(t)=vil-v¯i(t)v¯i(t)vil （3）设定阈值k，如果Δvi(t)k，则该路段发生拥堵，提取相应路段平均行程速度v¯i作为交通状态评估参数，k值为道路交通拥堵状态判别的决策阈值，结合美国道路通行能力手册，对拥堵状态作为城市道路交通状况进行初步判断，选取最低值k=0.44，筛选出可能拥堵的路段，为下一阶段交通状态评估提供数据支撑。2.3基于FCM算法的道路交通状态聚类基于交通参数与交通状态的映射关系，对交通参数的模糊分类进行交通状态估计。常用方法为聚类分析，对给出的数据集合进行合理分类，将具有相似性的数据归为一类，不具有相似性的数据划分为不同类别[15]。FCM算法已应用在较多的领域中，算法较为简单，运算速度快且收敛性较好[16]。FCM算法根据数据本身的相似性进行自适应聚类，找到多属性与对象的相似性之间的关系。FCM算法在处理模糊分类的不确定性问题方面具有一定优势。FCM原理为：设集合X=x1,x2,⋯,xn，是n个样本组成的样本集合，每个样本有s个特性，即xi=xi1,xi2,⋯,xis，通过FCM将X分为c类。FCM目标函数：J(U,V)=∑i=1c∑j=1n(uij)m(dij)2 （4）约束条件：∑i=1cuij=1,  0≤uij≤1 （5）式中：uij——第i个样本对第j类的隶属度函数。u={uij}为c×n阶聚类模糊分类矩阵，V=[v1,v2,…,vc]为p×c阶聚类中心矩阵，vk为每个聚类的中心特征向量，m为模糊加权指数(dij)2=xj-vi=(xj-v)TA(xj-vi)i样本到聚类中心的欧式距离，J(U,V)表示各类样本到聚类中心的加权值。根据聚类准则：minJ(U,V)=min∑i=1c∑j=1n(uij)m(dij)2 （6）采用拉格朗日数乘法，构造式：F=∑i=1c(uij)m(dij)2+λ(∑i=1cuij-1) （7）优化条件：∂F∂λ=(∑i=1cuij-1)=0∂F∂uij=m(uij)m-1(dij)2-λ （8）由式（5）可得，当Ik=φ：uij=1∑k=1c(dij/dkj)2m-2 （9）式（9）中uik=0,∀i∈Ik¯，且满足∑i∈1uik=1，则当Ik≠φ时：vi=∑k=1n(uik)mxk∑k=1n(uik)m （10）式中：Ik={1≤i≤c,dik=0},Ik¯={1,2,⋯,c}-Ik。3基于GIS和FCM算法的道路交通状态评估方法3.1基于GIS的数据采集对道路空间静态信息进行采集。通过卫星图和地图街景对道路的车道数、信号灯数、路边停车数三种信息进行采集。由于卫星图和地图街景存在更新延迟，需要在有城市和道路更新规划的位置进行实地勘察，以确保数据的时效性与准确性。以浮动车信息采集技术为基础，以GIS为平台，完成对城市路网交通运行状态的实时判别。车载终端通过接收GPS数据，在地理信息系统支持下，采用点到线的地图匹配算法进行地图匹配，获取浮动车在路段的具体位置和时间坐标。一般情况下，采集的原始数据会混入无效数据，由于信号通信和设备因素，数据会出现异常和丢失的情况。需要对原始数据进行清洗和预处理，包括剔除无效数据，使用阈值和行车轨迹进行检查，用插值和拟合的方法对丢失、错误数据进行恢复。3.2基于GIS的参数提取对GIS采集的原始数据进行参数提取。对浮动车数据，根据坐标位置和行程时间，计算各个路段平均行程速度v¯i，计算相应的平均行程速度变化率Δvi(t)，根据阈值k，判断Δvi(t)k是否成立，若成立，记录路段平均行程速度并提取对应路段车道数、信号灯和路边停车道路静态数据。对于不符合Δvi(t)k条件的路段，在各速度段分别提取相应数量参数，保证在各区间的样本数量。3.3基于FCM的交通状态估计基于GIS平台提取参数，将提取的速度、车道数、信号灯数、路边停车数四维参数进行初始化，确定模糊指数m、聚类数目c的取值并初始化ε，k，V(0)三个参数，计算隶属度矩阵U(k)和聚类中心V(k+1)，根据聚类中心和隶属度矩阵，对交通状态进行分类。将FCM分析后得到的聚类中心、隶属度矩阵和交通状态进行分类，分析合理性和规律性，算法流程如图2所示。10.19301/j.cnki.zncs.2023.05.014.F002图2算法流程4案例分析为了验证大数据驱动下的FCM模型的道路交通状态评估方法的实用性，文章以重庆市中心城区道路作为研究对象。重庆市作为山地城市，道路情况较为复杂，结合道路空间数据对重庆市中心城区道路状态进行评估更契合实际。2021年重庆市中心城区出租车数量达到1.556万辆，满足试验调查浮动车需要数量。试验选取了重庆市中心城区道路以及浮动车数据进行具体分析。基于GIS平台采集道路空间基本信息，包括道路车道数、路段信号灯数、路边停车数。通过浮动车信息采集技术获取车辆GPS数据，提取浮动车拥堵路段和非拥堵路段的行程时间和行程速度，确保城市交通状态的完整性。为保证样本精度和样本量，选取10 min作为状态分析时段，用该时间间隔内交通参数的平均值表示道路平均交通状态。对2023年2月8日8∶00至8∶10时段进行浮动车GPS数据信息分析。通过Matlab对研究道路的速度、车道数、信号灯数、路边停车点数四维参数进行FCM聚类分析。通常情况下，模糊指数m越大，分类的模糊性越大，取值区间为[1.5,2.5]，通常取m=2[16]，聚类数c=5。初始化分类矩阵V(0),取m=2,k=0，c=5。通过FCM计算，聚类中心为：V5=v1,v2,v3,v,4v5=  6.329 82.699 90.281 20.230 619.770 52.786 20.518 60.117 932.421 32.860 00.629 80.106 751.587 965.744 62.839 62.858 80.439 50.355 90.004 30.002 5 （11）根据FCM聚类中心分析结果，计算5个等级的边界值，可得到城市道路交通运行状态。交通运行状态等级如表1所示。10.19301/j.cnki.zncs.2023.05.014.T001表1交通运行状态等级运行状态等级取值范围畅通vkj70%vf基本畅通50%vf≤vkj≤70%vf轻度拥堵40%vf≤vkj≤50%vf中度拥堵30%vf≤vkj≤40%vf严重拥堵vkj≤30%vf注：vkj表示路段平均行程速度；vf表示路段自由流速度。根据评判结果，10 min分析时段内实际的道路交通状态按照最大隶属度原则，可判断各个路段所属的交通状态。样本FCM分析结果如表2所示。重庆市中心城区不同等级道路交通运行状态如图3所示。中心城区内环快速路以外区域道路交通运行状态较好，车辆运行通畅。在穿山隧道中，大学城隧道的交通运行状态等级为严重拥堵，华岩隧道的交通运行状态等级为中度拥堵，渝北区金渝大道以及双凤桥区域部分道路交通运行状态较差。其余道路交通运行状态等级为基本畅通和畅通，具有较好的道路通行条件。10.19301/j.cnki.zncs.2023.05.014.T002表2样本FCM分析结果编号车道数/条信号灯/个路边停车/个行程时间/s行程速度/(km/h)交通状态隶属度严重拥堵中度拥堵轻度拥堵基本畅通畅通13104547.340.009 80.021 70.034 30.074 00.894 522004454.090.003 10.005 90.015 80.014 80.976 233007852.160.000 30.000 50.007 60.001 40.997 842006054.110.003 10.006 00.004 30.015 10.975 854004463.390.034 20.058 50.003 50.116 00.791 2630111529.520.015 70.088 10.013 50.878 90.017 372106430.450.007 70.039 30.229 30.942 90.010 1831010030.890.004 00.019 70.054 70.970 50.005 793118433.860.003 90.014 70.011 70.972 20.009 3103005535.840.012 50.042 30.023 20.901 10.044 1注：交通状态隶属度取值越接近1表示该样本越属于对应的状态。10.19301/j.cnki.zncs.2023.05.014.F003图3重庆市中心城区部分道路交通状态相比之下，中心城区内环快速路以内区域道路交通运行状态良好，但部分道路的交通运行状态仍有待提高，这与中心城区通勤居民的居住地特征有关。随着城市发展规模日益增加，区域之间的联系越发密切，内环快速路以内区域，居民具有较大的跨江或跨组团出行需求。在内环快速路以内区域的14座跨江桥梁中，东水门大桥的交通运行状态等级为严重拥堵，黄花园大桥、千厮门大桥以及渝澳嘉陵江大桥的交通运行状态等级为中度拥堵。提高桥梁的道路运行状态，有利于缓解道路交通拥堵，实现跨组团或者跨区域客流的快速转换，重庆市中心城区内环快速路以内部分道路交通状态如图4所示。二郎、冉家坝、重庆北站以及五里店等区域部分道路通行状况相对较差，高峰时期会造成严重的交通拥堵现象。10.19301/j.cnki.zncs.2023.05.014.F004图4重庆市中心城区内环快速路以内部分道路交通状态经分析，车道数、信号灯数、路边停车数作为道路环境空间的3类参数，对模型聚类结果的影响较为显著。道路的车道数对车辆行驶速度具有一定影响，车道数越多，道路通行能力越高。有信号灯或者信号灯较多的路段交通状况比无红绿灯路段好，有信号灯的路段交通参与者能够以左转、直行和右转的方式有序高效地通过路段或交叉口，避免交通瓶颈的产生。有路边停车的路段由于占用部分行车道，容易形成交通瓶颈，对道路状况产生一定影响，停车处越多，影响越大。5结语文章从影响城市交通状态的空间因素着手，提出一种城市道路交通状态的评估方法。基于GIS平台，对重庆市中心城区部分城市道路车道数、信号灯以及路边停车信息进行采集与存储，对浮动车数据处理获得拥堵路段行程时间和行程速度及对应的道路空间信息，使用FCM进行聚类分析获得城市交通状态5个等级的速度阈值。研究发现，重庆市中心城区内环快速路以外区域道路交通运行状态较好，中心城区内环快速路以内区域道路交通运行状态良好，部分道路的交通运行状态有待提高。以速度、车道数、信号灯、路边停车位参数结合的方式，可以直观地反映城市道路空间信息对交通状态的影响，该方法为重庆市道路交通状态判别提供了有效依据，为相关的交通管理机构提供了GIS平台结合空间信息判别城市交通状态的思路。