下载文档原格式
基于定点检测器的路段交通状态实时评价
方法
伴随着城市车辆拥堵的不断加剧，如何准确有效地评估路段的实
时交通状态变得异常重要。
近年来，基于定点检测器的路段交通状态
实时评价方法凭借其准确性、可行性迅速得到了发展和普及。
基于定点检测器的路段交通状态实时评价方法，主要采用激光雷
达技术来检测某路段机动车状态，测量路段空间上车辆数量和流量。
激光雷达作为路段实时评价的有效工具，能够实时监测检测的路
段的行程时间、行程空间位置、步态分散以及车辆能见度等信息，通
过设定的模型和算法，可实现路段的实时状态评价。
另外，采用基于定点检测器的路段交通状态实时评价方法，还可
以实现实时反馈和应用，检测感知到的路段交通状况可作为有效的参
考线，搭建实时交通预警机制和车辆缓行机制，确定有效的正向驱动力，以减少车流拥堵现象的发生。
同时，也可以监测机动车行使规则，提供车辆拥堵预警及拥堵线路排查，解决拥堵问题。
综上所述，基于定点检测器的路段交通状态实时评价方法，采用激光雷达技术监测路段的空间上的车流特征，通过数据分析判断路段的瞬间状态，从而实现实时反馈及应用，有助于改善路段的交通状况及拥堵现象。
用于居民区域性交通拥堵分析GIS空间统计学方法随着城市化的快速发展，居民区域性交通拥堵问题日益突显。
为了更好地了解交通拥堵的特征和原因，并采取相应的措施来改善交通状况，地理信息系统（Geographic Information System，简称GIS）空间统计学方法成为了一种重要的工具。
本文将探讨如何使用GIS空间统计学方法来分析居民区域性交通拥堵。
首先，GIS空间统计学方法可以用来分析居民区域内不同交通拥堵程度的空间分布。
通过收集交通数据，并在地图上进行可视化展示，可以清晰地看到不同区域的交通拥堵情况。
例如，通过热力图的方式可以显示出交通拥堵的热点区域和冷点区域，从而帮助决策者更好地了解哪些区域存在较为严重的交通拥堵问题。
其次，GIS空间统计学方法可以帮助识别影响交通拥堵的关键因素。
通过引入其他的空间和社会经济数据，如道路网络、人口密度、商业区等，可以对交通拥堵的原因进行分析。
通过空间回归分析、空间自相关性分析等方法，可以找出交通拥堵与其他因素的相关性，进而确定影响交通拥堵的主要因素。
例如，分析结果可能显示出道路密度与交通拥堵程度之间存在正相关关系，这说明道路密度越高，交通拥堵越严重。
此外，GIS空间统计学方法还可以用来预测未来的交通拥堵情况。
通过利用历史数据和模型的建立，可以对未来的交通拥堵进行预测。
例如，可以使用时间序列分析、回归分析等方法，基于过去的数据来构建模型，并利用该模型对未来的交通拥堵情况进行预测。
这对交通管理和规划部门来说非常重要，因为他们可以根据预测结果来制定相应的交通政策和规划措施，以应对未来可能出现的交通拥堵问题。
此外，GIS空间统计学方法可以帮助评估不同交通改善措施的效果。
当城市决策者针对某一具体区域采取一系列交通改善措施时，如建设新的道路、优化交通信号灯等，GIS空间统计学方法可以用来评估这些措施的效果。
通过与改善措施前后的数据进行对比分析，可以评估改善措施对交通拥堵的影响。
交通拥堵状况监测及分析
概述
本文档旨在介绍交通拥堵状况的监测和分析方法，以帮助城市规划者和交通管理部门有效应对交通拥堵问题。
交通拥堵监测方法
1. 传感器监测：通过在道路上设置传感器，收集车辆数量、速度和流量等数据，实时监测交通状况。
2. GPS数据分析：利用出租车、公交车等车辆上搭载的GPS 设备，收集位置和速度数据，分析交通拥堵情况。
3. 道路摄像头：通过安装在道路上的摄像头，观察道路车流情况和交通状况，进行交通拥堵监测。
交通拥堵分析方法
1. 数据挖掘：利用历史交通数据，通过数据挖掘技术，找出交通拥堵的规律和原因，以及预测未来可能出现的拥堵点。
2. 网络模拟模型：建立交通网络模拟模型，模拟不同情况下的交通流动，分析拥堵的原因和解决方案。
3. 空间分析：通过地理信息系统（GIS）等技术，对交通流动进行空间分析，找出拥堵点和瓶颈位置。
交通拥堵应对措施
1. 优化交通信号：根据交通拥堵情况，调整交通信号的时序，优化交通流动。
2. 建设交通基础设施：增设道路、修建高架桥等，扩大交通通道，缓解交通拥堵。
3. 提供公共交通工具：鼓励市民使用公共交通工具，减少私家车使用量，降低交通拥堵。
4. 推广交通拥堵信息共享：建立交通拥堵信息共享平台，及时向市民发布交通拥堵情况，引导出行路线选择。
结论
通过监测和分析交通拥堵状况，结合有效的应对措施，可以有效缓解交通拥堵问题，提高城市交通效率。
城市规划者和交通管理部门应加强数据收集和技术应用，以便更好地理解和处理交通拥堵现象。
Journal o f C om puter A p p lica tio n s计算机应用，2018, 38(7): 1916 - 1922,1928ISSN 1001-9081CODEN JYIIDU2018-07-10文章编号：1001-9081 (2018)07-1916-07 D O I:10.11772/j.issn.1001-9081.2018010090基于车辆行驶数据的驾驶人行为谱分析方法陈镜任U2,吴业福i p,吴冰i’2(1.武汉理工大学计算机科学与技术学院，武汉430063; 2.交通物联网湖北省重点实验室(武汉理工大学)，武汉430063)(*通信作者电子邮箱wuyefti@ whut. edu. cn)摘要:针对我国驾驶人行为谱的研究尚不完善，专业领域内没有相应的行为谱分析工具的问题,提出了一套针 对营运客车的完整的驾驶人驾驶行为谱体系并设计了一套分析工具。
首先，设计并定义了驾驶人行为谱的特征指标 和评价指标；其次，给出了驾驶人行为谱的特征指标分析、计算方法，采用基于马尔可夫链蒙特卡洛采样和离群点剔 除的/f-m e a n s算法对驾驶人的驾驶风格进行分析，采用回归学习对驾驶人的驾驶技能进行分析；然后，设计了基于车 联网、大数据的驾驶人行为谱的基础数据采集和预处理方法；最后，采用J a v a语言、S pring M V C架构开发出驾驶人行 为谱分析工具。
将机器学习中的数据挖掘、数据分析算法与交通安全领域相结合，对完善我国驾驶人行为谱框架体 系具有理论意义，为我国驾驶人行为谱的研究提供了一个科学、定量化分析的工具，对交管部门规范驾驶人驾驶行 为、提高道路安全指数、制定合理的交通安全管理策略具有指导意义。
关键词：驾驶人行为谱;驾驶人行为谱分析工具；车辆行驶数据；车联网；交通安全；大数据中图分类号：TP391.4 文献标志码:ADriver behavior spectrum analysis method based on vehicle driving dataCHEN Jingren1'2, WU Yefu1'2*, WU Bing1'2(1. School o f Computer Science and Technology, Wuhan University o f Technology, Wuhan Hubei430063, China;2. Hubei Key Laboratory o f Transportation Internet o f Things( Wuhan University o f Technology), Wuhan Hubei430063, China)Abstract: Focusing on the issue th a t ou r cou ntry’s d riv e r be havior spectrum research is s till not pe rfect,and there is no corresponding be havioral spectrum analysis too l in the professional fie ld,a set o f com plete d riv e r be havior spectrum system fo r com m ercial m otor veh icle o f passenger tra nspo rt was proposed and an analyzing too l was designed.F irs tly,the cha racte ristic indexes and the eva lu ation indexes o f d riv e r behavior spectrum were designed and d e fin e d.Secondly,the cha racte ristic indexes analysis m ethod and algo rithm o f d riv e r behavior spectrum were given,the im proved K-means a lgo rithm based on M arkov cha in M onte C arlo sam pling and o u tlie r re m oving was used to analyze d riv in g styles o f d riv e rs,and regression lea rn in g was used to analyze d riv in g s k ills o f d riv e rs.Th e n,the basic data a cq u isitio n scheme and preprocessing methods o f d riv e r behavior spectrum based on ca r ne tw orking and b ig data were designed and proposed.F in a lly,Java language and the Spring M V C(M o d e l V ie w C o n tro lle r)architectu re were used to develop the p ro filin g too l o f d riv e r behavior spectrum.Data m in in g and data analysis m ethods in m achine le a rn in g were com bined w ith tra ffic safety,w h ich has th e o re tica l significa nce fo r pe rfectin g the d riv e r behavior spectrum fra m ew ork.I t provides a s c ie n tific and q u a n tita tive analysis too l fo r ou r cou ntry’s d riv e r behavior spectrum analysis w o rk.I t also provides g u id in g significa nce fo r tra ffic management departm ent to standardize thed riv in g behaviors o f d rive rs,im proves the road safety inde x and makes reasonable tra ffic safety management strategies.Key words：d riv e r behavior spectrum;d riv e r behavior spectrum analysis to o l;ve h icle d riv in g data;car n e tw orking;tra ffic safety;b ig data〇引言我国交通事故连年高发，绝大部分与驾驶人自身紧密相 关。
面向智能交通的实时路况信息提取与分析研究现代社会交通的便捷性和普遍性为人们生活带来了很多便利，然而，随着城市出行方式多元化发展以及交通拥堵情况的日益严重，智能交通系统已成为实现精准管理和高效运行的必然需求。
而对于智能交通系统来说，实时路况信息的提取与分析则是其中至关重要的一环。
一、实时路况信息的提取方式实时路况信息一般可通过多个途径和数据源来获取，包括:1.传感器数据：如气象传感器、视频监控传感器、雷达传感器、车辆激光雷达等等，这些设备可以快速采集到道路的实时状态信息;2. 路牌、路标识别：如车道指示线、交通信号灯等，能够获取交通标识信息，从而判断道路流量、速度等;3. 车辆轨迹数据：通过汽车上安装的传感器设备，获取交通流量方向、速度、交通事故等现场数据，协助交通管理部门进行交通管理和预警;4. 社交媒体等：可通过社交平台、微博、微信等途径，获取到公众反映的交通问题和情况。
二、实时路况信息的分析方法路况信息的提取后，通常需要使用一些数据挖掘和分析的方法，来对这些信息进行处理和分析，以下面的方式来进行分析：1. 地理信息系统：利用GIS技术，将采集到的交通信息数据进行地理空间分析和可视化，根据采集到的数据，建立起交通地图，提供给公众或专门部门使用;2. 数据挖掘：对采集到的数据进行分析，提取有价值的信息，如:交通流量、道路流量、车流密度、道路速度等等;3. 预测模型：根据历史数据建立起路况情况预测模型，通过预测的方式，来促进交通流调度;4. 运用智能算法：包括神经网络、机器学习、模糊逻辑等等，利用这些算法模型，能够加强路况信息的分类、识别和预测能力，辅助交通和城市规划等决策。
三、实时路况信息在智能交通中的应用实时路况信息在智能交通中，其应用范围十分广泛，主要包括以下几个方面:1. 交通指挥：利用实时路况信息，进行智能交通指挥，协助交通管理部门进行交通管制、路段关闭、打开事故道路等决策;2. 路况导航：基于实时路况信息和导航算法，为司机提供准确的路况信息，辅助司机选择最佳路径和避免拥堵;3. 交通调度：根据实时路况信息，动态调整交通流量方向和车道划分，提高道路利用率，减少交通拥堵和交通事故的发生率，实现交通流的自动化运转;4. 告警预警：通过实时路况信息分析，能够对交通隐患和风险进行预测，并及时地向公众发布告警信息，提高公众的安全意识和交通意识。
道路驾驶行为谱与统计分析方法及其应用本文以道路驾驶行为的统计分析方法和技术作为研究目标，以安全驾驶心理学理论与研究成果作为指导，应用心理学的相关原理、方法与技术，分析研究人们驾驶道路车辆时的行为特点。
首先通过介绍人们在驾驶道路车辆时常见的错误认知，包括对行车环境的错误判断与盲目驾驶行为等进行分析，其次针对人们在不同行为阶段下的驾驶道路车辆特点进行研究，总结出主要的驾驶行为表现形式，并提出预防与减少这些错误驾驶行为的方法与技术，以期望能够通过本文的研究使交通事故降低，保障人们生命安全。
该文共有五个部分组成：第一部分是绪论，主要介绍本文的研究背景及意义、国内外研究现状、研究方法以及本文的创新点。
第二部分是本论，主要是对影响人们驾驶道路车辆时的各种因素进行分析研究，包括人们的错误认知及其驾驶行为，道路的基本情况，环境特征对人们驾驶行为的影响以及道路环境的交通心理因素等。
第三部分是正文，主要是对人们在驾驶道路车辆时的各种驾驶行为进行分析研究，从而得出各类型驾驶行为发生概率以及频繁程度。
具体来说，本章节将按照驾驶行为的主观性、客观性两大维度划分驾驶者所犯的错误，然后再根据不同的错误属于对驾驶员做出合理化建议。
最后，还会给出实际中可供参考的处罚措施。
第四部分是结束语，主要探讨了如何才能更好地开展道路驾驶行为谱与统计分析工作，希望能够引起政府管理机构、企业或社会公众对此问题的重视。
第五部分，即本文的研究结论，主要阐述了本文的研究结论，也就是本文的核心思想，希望读者能够借鉴本文的研究成果，运用到日常的道路驾驶活动当中去。
本文的研究结论主要有以下几点： 1.道路驾驶行为存在着多样性; 2.驾驶行为受多种因素影响;3.驾驶行为容易被忽略; 4.驾驶行为需要改善。
由上面的研究结论我们可以看出，驾驶行为谱与统计分析工作的顺利完成离不开每位司机自身的努力，但同时也依赖于科学手段的辅助。
只有掌握科学的数据采集方法，加强监督检查制度，才能让道路驾驶行为谱与统计分析工作落到实处，真正服务于民。
交通轨迹数据分析与应用研究一、引言随着智慧城市建设的发展，交通轨迹数据分析和应用越来越受到关注。
交通轨迹数据是通过GPS信号、车载传感器等技术获得的关于交通工具在空间和时间上的运动信息。
利用这些数据，我们可以在交通运输、城市规划、公共安全、商业等领域提供更为精准的决策。
本文将从交通轨迹数据的特征分析、数据处理方法、应用研究以及未来发展趋势等方面，探讨交通轨迹数据分析与应用的相关问题。
二、交通轨迹数据的特征分析1. 空间维度特征交通轨迹数据主要包括经度、纬度、高程等空间位置信息。
在城市道路网络中，行驶路径往往是连续、不规则的，同时也存在着堵塞、限制、障碍和环路等问题。
因此，研究交通轨迹数据的空间维度特征是非常重要的。
2. 时间维度特征交通轨迹数据还包括时间戳信息，描述了每个点的采集时间。
根据这些信息，我们可以推算出车辆的速度、停留时间以及行驶时间等关键时空特征。
3. 属性维度特征交通轨迹数据还包含车辆ID、速度、加速度、方向、分类等属性维度特征。
这些属性信息可以帮助我们对车辆的运动和行驶状态进行精细化分析。
三、数据处理方法1. 轨迹切分和过滤交通轨迹数据处理的第一步是轨迹切分和过滤。
利用时间戳信息，我们可以将轨迹按照一定时间间隔切分为许多小段，过滤掉异常数据和噪声数据。
2. 轨迹压缩为了提高数据效率和可读性，我们还需要进行轨迹压缩。
轨迹压缩可以采用多种算法，例如道格拉斯-普克算法、Ramer-Douglas-Peucker算法等。
3. 轨迹聚类轨迹聚类是对轨迹数据进行分类的一种常用方法。
我们可以利用聚类算法，将轨迹分成不同的群体，从而获得更加精细和准确的运动特征和状态信息。
四、交通轨迹数据的应用研究1. 交通运输领域在交通运输领域中，交通轨迹数据可以帮助交通管理部门进行交通拥堵分析、路况评估和交通规划。
同时还可以为出租车、快递配送等行业提供优化路线、提高效率的服务。
2. 城市规划领域利用交通轨迹数据，可以分析城市的出行模式、交通流量分布、人口密度等数据，为城市规划提供科学依据。
智能交通系统中的数据分析方法使用方法近年来，随着智能交通系统的迅猛发展，大量的交通数据被积累和储存。
这些数据对于提升交通管理效能、优化交通资源配置以及改善出行体验具有重要意义。
在智能交通系统中，数据分析方法的使用成为了关键因素之一，在提升智能交通系统性能和服务质量方面起到了重要作用。
本文将介绍智能交通系统中常用的数据分析方法，并探讨其使用方法。
一、数据采集与处理智能交通系统中的数据分析过程始于数据采集与处理。
数据采集可通过多种方式实现，如道路监控摄像头、传感器、移动应用程序等，这些设备可以采集交通流量、车速、车辆轨迹、停车信息等各种交通相关数据。
数据采集设备应被合理布局与布设，以确保采集到的数据具有较高的准确性和全面性。
数据处理是数据分析的前提环节。
数据处理涉及数据清洗、数据转换和数据存储等多个步骤。
数据清洗用于去除数据中的干扰和不完整的部分，确保数据的质量。
数据转换则是指将原始数据转化为结构化的形式，以便进行进一步的分析。
数据存储是为了方便后续数据分析的使用和共享，这可以包括使用数据库或云存储等方式来保存数据。
二、交通数据分析方法1. 轨迹分析轨迹分析是智能交通系统中常用的数据分析方法之一。
通过分析车辆的轨迹数据，可以获得车辆的行驶路线、速度、停留时间等信息。
在交通流量预测、交通管理和路径规划等方面具有重要应用价值。
轨迹分析方法涉及到轨迹表示和轨迹挖掘两个主要方面。
轨迹表示是将轨迹数据转换为计算机可处理的形式，通常使用空间数据结构，如线段、点集等表示。
轨迹挖掘是通过对轨迹数据的分析和挖掘，提取出有用的信息和知识，如频繁轨迹、轨迹聚类等。
这些信息可以用于交通行为分析、交通拥堵识别、异常事件检测等方面。
2. 流量预测流量预测是指通过对历史交通数据进行分析，预测未来的交通流量趋势。
流量预测在交通管理、交通规划和交通出行预测等方面具有重要作用。
常用的流量预测方法包括时间序列分析、回归分析和机器学习等。
如何进行道路交通事故现场测绘与数据分析道路交通事故是在日常生活中不可避免的事件，而对于交通事故的现场测绘与数据分析是非常重要的。
本文将探讨如何进行道路交通事故现场测绘与数据分析，并提供一些实用的方法和技巧。
首先，进行道路交通事故现场测绘时，需要用到测量工具和技术。
在现场测绘之前，我们需要准备一些必要的工具，如测量仪器、测绘工具等。
同时，还需要了解一些相关的测量技术，如使用测量仪器进行测距、测角等操作。
在现场测绘时，应该精确测量现场各个关键点的坐标位置，包括车辆的位置、行人的位置、交通信号灯等。
通过测量得到的数据，可以帮助我们更好地分析事故的发生原因和责任。
其次，进行道路交通事故数据分析时，我们需要使用一些统计分析方法和工具。
首先，我们可以对事故数据进行整理和分类，分析事故的类型、时间、地点等信息。
通过对数据的分类和整理，可以帮助我们发现事故的规律和趋势。
同时，我们还可以使用一些常见的统计分析方法，如频数分析、比例分析等，对事故数据进行统计和分析。
通过统计分析，可以更加深入地了解事故的发生机理和原因，并采取相应的措施来预防和减少交通事故的发生。
在进行道路交通事故现场测绘与数据分析时，还需要注意一些细节和技巧。
首先，现场测绘时要注意保持现场的完整性和真实性，不要破坏现场物证和蛛丝马迹。
其次，数据分析时要保持客观和科学的态度，不要有主观偏见和武断的判断。
同时，还要善于利用现代科技手段，如使用计算机辅助分析工具、三维重建技术等，来提高测绘和分析的效率和准确性。
在道路交通事故现场测绘与数据分析中，还需要加强多方合作和交流。
现场测绘和数据分析往往需要不同专业的人员协同合作，如交通、测绘、法医等领域的专家。
他们可以共同分析和判断事故的发生原因和责任，并提出相应的建议和措施。
此外，还可以通过与相关部门和机构的交流和合作，共享数据和经验，提高整体分析和解决问题的能力。
最后，要始终关注道路交通事故现场测绘与数据分析的实际应用。
基于区域道路实况数据的交通行为谱分析方法作者：黄丰雨吴业福陈镜任吴冰来源：《计算机应用》2019年第03期摘要：针对国内外有关交通行为谱研究的特征指标和评价指标不完善，且不能定量分析等问题，设计并定义了相应的特征指标和评价指标以建立完整的、能够定量化的分析区域交通行为数据的交通行为谱体系。
首先基于交通行为特征，采用改进的层次分析法（AHP）对交通秩序类型进行了分类;其次采用多数据融合的实时系统集成（RTSI）算法对某路段交通安全性进行综合评判。
最后开发了交通行为谱分析工具，该工具能根据交通实况数据计算区域路段的交通安全指数，较为完备地分析该路段内的交通行为。
关键词：交通行为谱;交通行为谱分析工具;区域道路实况数据;交通行为特征;多数据融合中图分类号： TP391.4文献标志码：A文章编号：1001-9081（2019）03-0907-06Abstract： Aiming at the problem that the characteristic and evaluation indexes for reasearch of traffic behavior spectrum are incompleted both at home and abroad and quantitative analysis cannot be performed in the research， the corresponding characteristic and evaluation indexes were defined to establish a complete traffic behavior spectrum system with quantitative analysis of regional traffic behavior data. Firstly， based on the characteristics of traffic behavior， an improved Analytic Hierarchy Process （AHP） was used to classify the traffic order types. Secondly， Real-Time System Integration （RTSI） algorithm with multi-data fusion was used to comprehensively evaluate the traffic safety of a certain road. Finally， a traffic behavior spectrum analysis tool was developed， calculating traffic safety index of a road section according to the traffic live data， and analyzing traffic behavior in the section more completely.Key words： traffic behavior spectrum; analysis tool of traffic behavior spectrum; regional road live data; traffic behavior characteristic; multi-data fusion0 引言我国汽车数量逐年上升，交通安全管理面临巨大的挑战。
为更好地提高人们的出行效率，提高人们的交通安全意识，根据实时路况进行交通安全预警，国家科技部、公安部、交通运输部组织实施了“国家道路科技行动计划（二期）”，以有效预防道路交通事故的发生、减少交通事故伤亡和损失。
交通行为由交通秩序和交通环境两部分构成。
现有的交通秩序评价指标主要包括车辆行驶速度、出行时间延误等[1]。
利用层次综合判断模型分析各项指标之间的联系，进而判定交通秩序的好坏[2]。
通过交通环境对交通安全的影响[3]，计算交叉口的交通运行能力和交通安全指数。
在构建交通行为谱体系前，需要进行数据采集和交通安全评价。
在数据采集方面，王坤峰等[4]提出了一种基于多特征融合的视觉交通数据采集的方法。
该方法在图像上配置多个虚拟环路（检测区域），通过识别像素变化来采集车辆数据。
Yu等[5]提出了基于无线传感器网络（Wireless Sensor Network， WSN）和浮動车辆技术的混合交通信息采集与通信算法，解决了数据包传递延迟长、延迟抖动大的问题。
Luo等[6]提出压缩数据采集（Compressed Data Gathering， CDG）方法，该方法可以降低通信成本，保持传感器数据保真度。
在交通安全评价研究方面：郭礼照等[7]构建了层次分析法（Analytic Hierarchy Process， AHP）和模糊综合评价法有机结合的评价模型，建立了相应的评价指标体系。
Wen等[8]利用模糊理论建立模糊综合评价模型，建立了交通安全评价指标体系。
李金花等[9]将微观仿真与交通冲突分析技术相结合，建立基于微观仿真的城市交叉口间接交通安全评价模型，确立城市交叉口交通安全评价流程。
罗强等[10]利用层次分析法，依次选取相应的二级和三级评价指标，进而建立城市道路交通安全评价的综合体系;然后基于此评价体系利用模糊算法建立城市交通状况的评价模型。
以上研究能够反映某路段、某时段的部分交通行为，但不全面。
本文所基于的课题提出了交通行为谱这一概念。
交通行为谱是全面记录区域交通的特征表现及其内在规律的数据体系，全面记录了交通参与者在交通过程中的共性特征，可以动态地分析相关的交通状况信息。
本研究就交通行为谱体系结构的评价方法和对应的应用分析工具展开研究，基于驾驶信息和卡口过车信息的基础数据，通过对基础数据信息的提炼分析，从中得出区域交通行为的内在规律。
通过深入研究交通行为特征指标和分析软件工具，客观评价交通行为类型，为交通行为谱分析系统提供有效的理论和工具支持。
1 交通行为谱指标设计1.1 交通行为特征指标交通行为谱通过对区域交通行为进行实时监测，从中提取出评价区域交通行为的特征参数。
交通行为谱体系结构如图1所示。
区域交通安全直接受交通秩序和交通环境的影响。
衡量道路交通秩序的好坏，与道路的车流量密度、车辆的违章情况以及车辆行驶速度等因素有关。
交通环境与道路上的交通指示牌、道路天气以及道路线形等因素有关。
从交通的特点出发，本研究将交通秩序主要分为好（A）、中（B）、差（C）三种类型，将交通环境分为好（a）、差（b）两种类型。
综合交通秩序、交通环境两者，将区域交通行为谱的描述指标及其安全等级规划如表1所示。
这些描述指标的表现如下：1）交通秩序好交通环境好（Aa）：超速的车辆比例低，交通违章率低，路段平均车速较高，低于限速比例的车辆少，交通环境良好，总体上此路段为行车安全路段。
建议：保持当前交通状态。
2）交通秩序好交通环境差（Ab）：超速的车辆比例低，交通违章率低，路段平均车速较高，车速差小，低于限速比例的车辆少，交通环境较差，总体上此路段行车较为安全。
建议：保持当前交通状态，需关注恶劣天气变化引起的交通状态改变。
3）交通秩序中交通环境好（Ba）：超速车辆及交通违章率适中，车速差较小，部分车辆车速低于限速比例，但交通环境良好，总体上此路段为行车较安全路段。
建议：加强交通管理，降低超速比例。
4）交通秩序中交通环境差（Bb）：超速的车辆及交通违章率适中，车速差较小，部分车辆车速会低于限速比例，加之，交通环境较差，总体上此路段行车较为危险。
建议：加强交通管理，采用可变信息板引导行车速度。
5）交通秩序差交通环境好（Ca）：超速的车辆及交通违章率较高，车辆车速低于限速的比例较高，超车现象较多，但交通环境良好，总体上此路段行车较为危险。
建议：加强执法力度，严惩违法行为。
6）交通秩序差交通环境差（Cb）：超速的车辆及交通违章率较高，车辆车速低于限速的比例较高，超车现象较多，加之，交通环境较差，总体上此路段行车很危险。
建议：加强现场执勤和执法力度，严惩违法行为。
1.2 交通行为评价指标交通行为一般根据道路车辆行驶速度、违章次数以及行车间距等因素来评判。
交通行为每5min计算一次，以下指标都是5min内采集的数据。
交通事故的产生往往与驾驶人超速的违章行为紧密相关，因此，交通行为中的违章率可由超速车辆比例来反映：其中：N0为5min内经过的车辆数，N>120%为5min内超过限速20%的车辆数，一般城市道路限速为60km/h，Α为超速车辆比例。
一般而言，在道路行驶时，在不超速的情况下，车辆行驶速度越大，车头时距越大，道路交通秩序越好，因此用路段平均车速和车头时距不足占比两个因素作为交通行为的评价指标，即：其中：vi表示车辆的行驶速度，N0为5min内经过的车辆数，V为平均车速，tn表示第n 车经过道路某一断面的时间，tn-1表示第n-1 辆车（即车辆n的前车，同一车道）经过道路某一断面的时间;N<2.5表示在限定时间段内，通过道路某一断面的、车头时距低于2.5s的车辆数，表示车头时距小于2.5s的车辆比例。
车辆在行驶过程中，如果车速过低，会降低卡口的效率甚至造成交通拥堵，严重影响卡口的交通秩序，因此将低速行驶作为交通秩序的评价指标，即：其中：Nles表示在5min内低速行驶的车辆数，N0表示在5min内经过的车辆的总和，B 表示低于限速车辆的比例，将车速低于40km/h的车辆定位低速行驶车辆。
2 交通行為谱特征指标计算2.1 交通秩序分析算法及步骤交通秩序由交通秩序评价指标决定，首先构造交通秩序分类层次模型，对各个交通秩序评价指标进行两两比较的运算分析;然后计算交通秩序分类层次模型中各个交通秩序评价指标的权重，综合各项评价指标的运算分析结果，将权重乘以各项指标运算结果得到最终交通秩序结果。
流程如下：步骤1 首先建立交通秩序分类层次结构模型，如图2所示。
步骤2 采用1-9标度法对交通秩序评价指标两两比较运算，将超速车辆比例（A1）、路段平均车速（A2）、低于限速车辆比例（A3）及车头时距不足占比（A4）两两对比，得到对应的判断矩阵D如下：步骤3 为保证交通秩序层次分类模型的一致性，对交通秩序分类单排序进行一致性检测。
一致性指标CI定义如下：其中：λmax为矩阵D的最大特征值，n为矩阵D的阶数即为4。
计算矩阵D的特征值，计算得到最大特征值λmax为4.0429，代入式（8）中得到一致性指标CI为0.0143，查表可得判断矩阵平均随机性一致性指标RI为0.9，随机一致性比率的定义如下：将CI和RI的值代入式（6）中，计算得到CR为0.0158<0.1，可以证明交通秩序分类单排序结果具有良好的一致性。
