用于探索，监视和预测道路交通拥堵的可视化分析系统(A Visual Analytics System for E...

拥堵是城市交通最普遍的现象，确定拥堵的原因是城市规划中的主要问题。由于交通数据量大且复杂，分析和监视拥塞很困难。 例如，监视大量的监视摄像机是困难的，并且可能会丢失可能影响不久的交通状况的重要信息（例如，非法停车，车辆事故）。 因此，需要一种系统可以监视来自多个源的各种流数据并集成此信息以进行实时拥塞监视，预测和回顾性分析。该工作[1]结合LSTM模型进行拥堵预测，对大面积区域进行实时拥堵监控，预测和分析。

该工作使用的数据包括交通闭路电视视频，以及两种更新频率不同的车辆传感器数据，数据的格式包括路段名称，起始和终止位置，方向，速度和流量。如下图1所示，首先就是对数据的预处理部分，包括路网的绑定等。接下来是构建LSTM模型的输入矩阵，以及构建拥堵传播的因果关系。最后在分析层面设计了流量速度河流视图(VSRivers)以及传播箭头视图(PropArrows)。

图1 工作流程图

对于LSTM输入矩阵的构建，首先是如图左下角所示的速度变化矩阵。R为由路口以及传感器截取的不同路段。首先构建路段的连接关系，在速度变化矩阵中，每一行代表一个路段，每一列为不同的时间序列。目标路段在第一行，如Rt。后面的每一行为与目标路段相连接的最短的四条路段。当前时间为最后一列。路网特征矩阵是从路网图中通过图嵌入模型学习得到。该工作采用DeepWalk[2] 模型。对于每条路段选取五个特征作为特征矩阵。最终的输入矩阵是速度矩阵，特征矩阵和高峰时刻矩阵(6-9am, 4-8pm)融合而成。其中特征矩阵在每个时刻都是相同的，因为路网结构被认为是不随着时间变化的。模型最后通过两个不同的激活函数从而产生对拥挤条件和速度的预测。

图2 LSTM训练过程

对拥堵有了历史，当前以及未来的预测之后，需要构建出拥堵的传播。该工作对于拥堵传播的估计如下图所示。第一行是不同时刻的拥堵路段，第二行是考虑路网链接结构以及时间关系，第三行是构建的拥堵传播图。传播图中会有不同的权重表示拥堵存在的时间。

图3 拥堵传播构建

视图部分如图4所示，其中A部分是选择部分，用户可以选择对历史数据分析，实时监控以及对未来的预测。B部分是显现估计的旅行时间，平均速度和流量的路段列表。C部分展现不同时间的速度和流量。D部分为地图部分，上面使用流量速度河流视图(VSRivers)展现了路段的拥堵状况。河流的厚度表示流量大小，颜色表示速度信息。E部分展现所关系的闭路电视视频。用户可以刷选感兴趣的区域形成快照视图在F中。

图4 视图界面

图5展现了一个实时播放拥堵路况的使用案例。其中图下部分为传播箭头视图(PropArrows)，a为实时的状态，b为预测状态。我们可以发现Rd2在未来变得拥堵。这样广播员可以通过传播箭头视图核实该状况。其中P2为该路口，可以发现拥堵在在P1到P2及P3传播的，这样播报员可以向司机预报Rd2即将拥堵的情况。

图5 使用案例

[1] Lee C, et al. A Visual Analytics System for Exploring, Monitoring, and Forecasting Road Traffic Congestion[J]. IEEE transactions on visualization and computer graphics, 2019.

[2] B. Perozzi, R. Al-Rfou, and S. Skiena, “Deepwalk: Online learning of social representations,” in Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2014, pp. 701–710.