0 引言

在交通强国的大背景下，中国高速公路路网结构日趋完善。截至2021年底，中国高速公路总里程已超160 000 km，高速公路已成为居民城际出行及货物运输的主要选择方式。高速公路完成货物周转量占整个公路的40%以上，完成营业性客车的旅客周转量占全社会的50%^[1]。然而，随着车辆保有量的迅速增加，部分路段通行能力与交通需求难以匹配，造成高速公路路网面临巨大的交通拥堵，引发道路安全性能降低、运行效力迟滞、CO₂排放增加等一系列危害^[2-3]。因此，准确评估高速公路交通拥堵态势有助于提高出行者的交通效率，同时，也可为交通管理部门和高速公路运营企业实施路网分流控制、可变限速或者其他诱导服务提供依据，以改善高速公路服务水平和通行能力^[4-6]。

目前，交通拥堵态势评估方法研究包括数理统计学的参数模型和基于模拟仿真的交通状态模型及基于大数据的人工智能算法。参数模型的核心思想是运用采集的交通流数据，量化交通流的分布特征，如多元统计模型、卡尔曼滤波器技术、增量贝叶斯等^[7-8]，该类方法限制条件较多，如Van Hinsbergen等^[9]采用局部扩展卡尔曼滤波技术对局部路网的实时交通状态进行估计，具有精度高、计算快的优点，但要求滤波器的半径足够大。基于交通仿真的判别方法则是通过设定相关参数，利用交通类仿真软件模拟交通流的运行情况并估计交通流参数，操作软件包括VISSIM、PARAMICS等^[10-11]。这类方法能较好地解决简单实际问题，但不具有普适性，且仿真结果有时与实际情况相差较大。随着信息论、控制论和人工智能的兴起，不断发展交通领域的人工智能模型，常见方法有模糊推理、强化学习、遗传算法、神经网络等^[12-15]。与传统的参数模型相比，该类模型使用数据驱动技术，挖掘特定道路或特定时间的历史交通数据内在信息。但由于其复杂性及对训练集大小的依赖，浅层网络通常需要高维空间模拟复杂的映射，因此易造成进化后期搜索效率较低、产生早熟收敛等问题^[16]。

上述拥堵态势评估方法大多通过划分不同的路段将所有车型交通流数据作为整体进行分析，即并未对多源交通数据和交通指标进行车辆类型上的区分。因此，当前多数高速公路路段采用的分流控制、可变限速等交通拥堵疏导手段仍简单划分为客车或货车的全车型统一静态模式^[17]。交通流在宏观层面呈现出的复杂的交通状态，其微观根源在于车流之间的相互作用。不同车型由于出行规律、动力系统、操控性能、出行目的等因素的差异性，流量分布、速度等特征常表现出不同的特点，如同一路段上不同类型车辆的车速差异较大，忽视这种差异性易导致通行能力下降和车辆借道超车频繁等问题^[18-19]。因此，不同比例的交通组成引发的加速、减速及超车和变道等微观驾驶行为各有所异，致使交通流在自由流、同步流、运动波等几种状态间产生时间和空间演变现象。

不少学者曾试图通过分析道路车辆组成以研究交通流演变规律。裴玉龙等^[20]通过建立小型车和大型车的15%及85%位车速与CCRs的关系曲线，对不同车型车速限制值提出建议。徐建闽等^[21]以棋盘式路网为研究对象，利用宏观基本图分析了宏观基本图曲线对大型车比例的敏感性，并针对不同的交通状态提出了车辆换算系数计算方法。李维佳等^[22]考虑在交通波模型中加入大型车混入率的动态空间占有率，确定了道路交通事故情景下疏散开始时间和疏散量的组合阈值。但由于缺乏足够的数据样本，学者们所使用的数据多为小型车和大型车或货车和客车的2种组合的大类样本，很少有更为详细的划分及相应的特征研究。

随着高速公路收费制度改革及智能交通系统的发展，作为高速公路交通路网的敏感点，龙门架积累了海量“细粒度、高价值”的通行数据。尤其在中国取消高速公路省界收费站以后，高速公路网络已合并为统一的全国性网络，提高了综合交通运输体系运转效率。门架系统通过DSRC实现了车载电子标签与车道龙门架上的微波天线之间的通讯，成为高速公路上最重要的数据采集载体之一。除采用燃油附加税的海南省以外，中国高速公路大多属于收费公路，各省(区、市)高速公路均可采集到详细的分车型交通流数据。因此，本研究在龙门架数据采集技术的前提下讨论分车型的拥堵态势，细致分析不同车型的运行机理，找到与拥堵状态高度相关的影响因子，并有针对性地提出诱导措施，在各省(区、市)高速公路均具有重要推广借鉴意义。

传统云模型具有简单、易行的优势^[23-25]，但是对各车型云数字特征差异性难以准确刻画，且没有明确的标准进行评语集和指标集的度量。针对经典的云模型在高速公路拥堵状态研究中存在的不足，本研究从时空角度选取指标捕捉车型间差异，构造模糊关联规则, 量化不同专家评价的可信度。同时，为了降低主观性及不确定性的干扰，使用D-S证据理论对所有专家的综合可信度进行模糊融合，综合评判道路交通状态。该模型可通过门架监测数据对路段进行评语等级的定性和定量评价，并实现二者之间的转化，以较高模型精度为高速公路车流动态管控提供决策依据。

1 分车型的交通流拥堵特征分析

对高速公路不同类型车辆的交通流拥堵特征进行分析。首先，对9种重点车辆类型的划分标准进行介绍，并对不同类型车辆的流量特征进行分析，挖掘重点拥堵路段和时点，并聚合部分的小流量样本为后续分析做铺垫；然后，选取流量、平均行程速度、延误时间比这3种评价指标特征采用层次聚类算法对不同车型的指标样本按表现出的拥堵特征进行分类，揭示不同车型指标差异，为拥堵模型指标的选择及不同车型下拥堵传播过程分析提供理论基础。

1.1 数据介绍

福建省属于东南沿海发达省份，而沈海高速公路福建段作为福建沿海大通道，对其沿海城市带的经济、社会、文化联系与发展具有至关重要的作用。该高速公路存在交通需求量逐年增长、交通事故率高、局部路段拥堵问题严重、交通流构成多样化等特征，并且一旦发生交通拥堵或其他紧急情况，道路疏散困难，二次事故发生率高，影响范围大。本研究主要以2021年6月沈海高速公路福建段的10个龙门架(上下行各5个)数据为依据，采集到包括通行标识ID、出入龙门架日期及时间、车型代码、出口车站代码、出口轴数、出入口站编号、出入口站名称、缴费总里程数作为标签的数据样本。其中，客车按座位数分为1~4型，货车按轴数分为2~6轴(见表 1)。为避免奇异点的影响，采用阈值法和序列均值法对门架数据进行预处理。数据预处理和清洗后，确定1 656 054条单车数据作为进一步聚合的研究对象。

对上下行流量数据以5 min(1 d共计288个)作为统计间隔进行分析，翔安—同安路段和杏林—海沧枢纽路段流量较大且持续时间较长，海沧—漳州路段最为通畅。从流量上观察，全天呈现2个峰值，分别为早高峰8:30—11:30和晚高峰16:00—19:00，流量最高峰集中在17:00。因此，本研究将针对典型大流量道路翔安—同安路段及2个拥堵高峰时期进行拥堵分析。

对比2021年6月不同类型车辆流量(见图 1)和货车流量(见图 2)，结果表明：1型客车日交通量远大于2~4型客车，且由于其大流量特性，总体呈现“M”形分布特征，具体表现为上午和下午2个高峰趋势，中间伴随回落。相较而言，2~4型客车交通量小且分布更为离散。在凌晨2:00—4:00时段，2~4型客车的流量近似为0，这与中国道路交通对长途客运和旅游客运实施的管理规定相符。出于安全性考虑，《国务院关于加强道路交通安全工作的意见》要求长途客运车辆凌晨2:00—5:00停止运行或实行接驳运输，通过高速公路大数据也从侧面说明了该项制度执行状况良好。对于货车而言，2轴货车流量所占比例最大，4~6轴货车所占比例较小。2轴货车呈现三峰分布特征，3轴货车呈现双峰分布，而4~6轴货车每日出现1个峰值。基于此发现，将小流量且分布规律相似的2~4型客车数据进行合并，作为中大型客车研究样本。同样，将4~6轴货车数据进行合并，作为多轴货车研究样本。

1.2 分车型拥堵指标差异分析

为充分采集5类车表现出的时间维度与空间维度的拥堵信息，提取能概括时空信息的分车型的流量、平均行程速度、延误时间比这3个参数指标，如表 2所示。

hours流量是分析交通拥堵最重要的参数指标。由于交通运行状态伴随着时间和空间的变化，监测分车型流量的时空变化情况，对分析路段交通运行状态至关重要；平均行程速度是代表行车状态的一个重要参数，速度能很好地反映交通流本身变化情况，也是交通运行状态变化的最直接体现；延误时间比反映了由于拥堵造成的路网效率低下和出行时间成本增加。出行延误的大小很大程度上影响人们某次出行的心理感受，可以体现出行者的不同心理感受对于拥堵评估的影响。

2021年6月不同车型拥堵指标数据的描述性统计如图 3~5所示。根据路段各时点所有车辆计算的指标值，高峰时段各车型与全部车型的指标差异可以进一步呈现在柱状图中。通过对不同车型交通流参数分析发现，不同车型的流量、平均行驶速度及延误时间比呈现明显的分层现象。1型客车每5 min的流量大多分布在100~150 pcu之间，2轴货车次之在30 pcu左右。相比之下，其余车型流量较少。对于平均行程速度而言，一般情况下, 同一时刻1型客车速度最大，多轴货车速度最小。不同车型的平均车速显示，1型客车平均行驶速度达到85.82 km/h，其他车型平均行驶速度为60 km/h左右，其中货车随着轴数的增加平均行驶速度降低，与实际相符。而延误时间比差异较小，其中1型客车略大于其他车型。

为了进一步研究各车型不同指标表现出的拥堵特征的差异，通过使用不同车型计算出的指标数据集作为样本，采用系统聚类方法，获得代表不同拥堵等级的簇，分析不同车型在不同指标下的交通拥堵表现特征。因此，按车辆型号划分收集到的数据，采用不同型号车辆的数据计算出2021年6月每日高峰时段下的3种指标值，并分别进行聚类分析，即各指标下包含5种类型车辆的30 d的样本，共计150个。具体步骤为：首先，对于每1种指标，每种车型下1 d的指标数据被视为1个单元，由一组共计72个(包含早、晚高峰各36个)数据项来描述；然后，使用欧几里德方法计算这些单元之间的距离^[26]。平均行程速度指标下样本i和样本j之间表现出来的拥堵特征的距离l_ij可以计算为：

(1)

式中，v为平均行程速度; t为各个时间点, 为1~72;i为平均行程速度；t为各个时间点，为1~72；和j分别为同组内的不同样本；l_ij为2种样本拥堵特征的距离。最近距离的2个样本单元将被合成为1个聚类，新形成的聚类与其他单元之间的距离将被重新计算。有3种常用的方法来衡量2个不同的集群之间的距离，即单链接、完全链接和平均链接法^[27]。由于单链接和完全链接法分别计算最近点和最远点的距离，易受到异常值的影响，因此本研究采用平均链接法来度量2个不同类之间的距离，可以避免极值对聚类结果的影响:

(2)

式中，p和q分别为同组内的不同聚类；D_{p, q}为不同聚类之间的距离；n为聚类包含的样本数量；G为形成的簇，4个簇代表 4个拥堵等级。基于式(1)和式(2)共识别出4个簇，分别对应4个不同的拥堵等级。

不同车型在不同的拥堵评价指标下呈现出不一致的拥堵特征。通过分别计算4个簇内不同车型样本包含的比例可以发现，1型客车在流量表现下趋于拥堵，相比之下，在平均行程速度和延误时间比2个指标下趋于畅通。而对于大型车而言，尤其是多轴货车及大型客车，流量指标通常表现为畅通，同时平均行程速度和延误时间比在特征为拥堵的簇中占比较大。

因此，流量、平均行程速度和延误时间比这3个指标中包含的拥堵特征有明显差异，对拥堵评价提供了明显不同的信息。若仅采用流量、平均行程速度和延误时间比作为评判指标，对于不同类型车辆不同指标间难以达成一致结论。另一方面，在实际的交通道路中，交通流表现出的复杂交通状态通常是各种车辆交互作用的结果。因此，本研究考虑加入拥堵度这一指标作为路段流量与路段能力的总体平衡状况和路网能力的储备情况的基础设施性评判指标，可在原基础上综合有效的拥堵道路信息，是反映路段整体交通拥堵状况的关键标准^[28]。这将会为理解不同型号车辆之间交通拥堵指标表现的多样化模式提供有价值的视角，以帮助全面有效地捕获实时交通状况。

2 高速公路交通拥堵态势评价模型的构建

从流量、平均行程速度、延误时间比、拥堵度这4个指标出发，提出基于模糊云模型的交通拥堵评判方法。首先，从时空角度出发定义高维云模型，得到各专家评价标准下的分车型拥堵等级隶属度；然后，基于所获得的模糊隶属度值，选择反映个体信息的规则，构造模糊关联规则量化不同专家评价的可信度，得到每条规则的综合可信度；最后，采用D-S证据理论完成模糊融合评判方法。本研究所搭建的模糊云模型的具体流程如图 6所示。

基于模糊云模型的评判方法，采用分车型数据实现高速公路交通拥堵状态的搜索。在高速公路路网中，交通流相当于1个大型云发射器，从时空维度上发射车辆所处经纬度、车道、速度等多维数据。获取信息数据后，需要将这些大量的数据融合，形成高维指标向量，每1个指标数据可以看成是1个云滴。以龙门架接收到的车辆行驶信息作为输入，基于云算法对抓取到的定量交通信息与定性等级判别进行模糊融合，实现指标向量与拥堵状态定性描述的双向自然映射，进而对单指标数据检索状态进行模糊融合。模型共分为3层。

(1) 第1层：高维时空云模型求解云点对各等级的隶属度

首先，建立在推理过程中的相关论域及对应集合。设论域U为高速公路龙门架接收到的分车型信息，则存在论域U上的集合D：

(3)

式中，u₁为流量；u₂为平均行程速度；u₃为拥堵度；u₄为延误时间比。设论域V为当前高速公路交通拥堵状态，则存在等级论域V上的等级集合C：

(4)

式中，c₁~c₅构成了指标体系评语集, 对应等级依次为畅通(Ⅰ级)，基本畅通(Ⅱ级)，轻度拥堵(Ⅲ级)，中度拥堵(Ⅳ级)，严重拥堵(Ⅴ级)。

在论域U中的某个元素下，对每个等级使用正向云发生器生成多维标准云图。根据云的3个特征参数生成1个以En为期望值、He为标准差的正态随机数；并生成1个以Ex为期望值、En′为标准差的正态随机数。记x为定性概念C的1个云滴，其服从以下分布：

(5)

根据上述特征分析，合并具有相同特征的车型，共分为1~4型客车，2轴货车，3~6轴货车这3个大类。使用专家评价法确定其对于不同等级的门限值，构成该位专家的典型规则库。根据等级划分标准，应用时空高维云模型将各拥堵评价指标的等级界限作为1个双约束空间处理，指标结果的下限和上限分别为X₁和X₂。根据双边约束的注释范围作出拥堵评价，求解评估集的云数字特征：

(6)

式中m为根据模糊程度确定的常数，通常取0.01。选择正态隶属度函数对每个数据组进行模糊化处理并加权：

(7)

(8)

式中，w_ij为第i个专家提供的标准下的第j个指标所占权重; μ_ijk为第i位专家提供的标准下第j个指标对等级k的隶属度；μ_ik为第i位专家提供的标准下云点对等级k的综合隶属度。

(2) 第2层：模糊关联方法度量专家评判可靠度

构建反映个体信息准确性度量标准(论据)和专家评判规则可信度(结论)的模糊关联矩阵，对每位专家的典型规则库的可信度进行量化，进而对隶属度μ_ijk进行校准以达到提高精度的目的。模糊关联方法可通过语言变量对不确定性系统进行建模和提供策略。为计算各专家分析数据的可性度，选择具有代表性的综合指标^[29-33]作为输入标准，由专家论文引用频次、学术平台指数、职称和从事科学研究年数组成。

通过模糊逻辑对各专家评价规则的模糊性和随机性进行刻画，构造模糊逻辑系统的个体信息准确性度量标准的输入L_5×1(5行1列的矩阵)和专家评判规则可信度的输出P之间的模糊关系CR。对P设置典型数据，即这些参数作为输入时，其可信度为1，进而通过模糊关系将不同专家的认知进行赋权。本研究采用Mamdani方法建立论域L和P上的模糊关系矩阵：

(9)

式中，模糊集合L_5×1为反映个体信息的规则；模糊集合P为当前专家评判规则是可性的；CRk_i为对标准进行模糊化后的第i位专家提供的规则的可信度，即为证据可信度。通常情况下，CR_i^k可根据具体情况取0~1之间的任意值，当CR_i^k取值为1时表示专家i评判可性度为100%。

(3) 第3层：模糊融合方法建立决策规则

通过高维云模型隶属度与专家评判规则可信度的合成得出校准结果。本研究选用模糊假言推理，该方法能很好地降低主观性及不确定性的干扰。建立通过第i位专家评判标准下判断“云点对等级k的隶属度”的规则推理，当道路交通状态为k等级的隶属度为μ_ik时(CF_ik)，专家i评判为真(CR_ik)，即规则的结论。设CRI_ik为每条规则的综合可信度，可得：

(10)

D-S证据理论通过引用信任函数的概念建立了广义Bayes理论。将第i位专家对道路拥堵状态为k级征兆所建立的综合可信度CRI_i^k作为个体的推理模式。采用D-S证据理论，通过概率区间以衡量多证据下假设的似然函数，即可计算该补集发生的概率q_i^k：

(11)

根据“第i种专家规则下道路交通状态属于k等级”的补集发生的概率q_i^k，计算所有专家的融合输出结果：

(12)

考虑隶属度最大原则，根据所计算的论域中的5个等级隶属度结果进行道路交通状态综合评判，具体决策规则为：若 ，则该路段交通状态等级为m。从拥堵等级域{1, 2, 3, 4, 5}中搜索隶属度最大的等级，记为m，则判断该路段交通状态等级为m，基于模糊云模型的高速公路交通状态决策规则建立。

3 基于模糊云模型的分车型交通拥堵态势分析 3.1 拥堵标准划定

由中国交通领域知名高校的20位学者构成专家组，根据自身经验给出不同车型下各指标对应的界限区间及各指标在综合评价中所占权重。采用统计方法处理区间数及权重，给出各拥堵评价指标的等级界限及各指标所占权重大小，结果如表 3所示。

使用式(6) 求解评估集的云数字特征，1~4型客车，2轴货车，3~6轴货车评价指标隶属度分级下的等级界限时空高维云模型的数字特征见表 3。评价指标时空高维云模型数字特征见表 4。

3.2 拥堵评价结果

根据表 3所列各等级评价时空高维云模型特征值，利用多维正向云发生器生成评价指标隶属各评价等级的基准正态云图。以1~4型客车为例，数字特征云图见图 7。时空高维评价云图清楚地描述了4个指标两两间对道路拥堵等级的影响及同一指标对评价等级特征值的划分情况。

基于提出的模糊云模型对2021年6月的门架数据以1 min为时间间隔进行拥堵识别。翔安—同安路段不同类型车辆在6月共计30 d的交通状态显示：由于不同车型数据集的差异，评估结果有所不同。1~4型客车评价结果与2轴货车评价结果近似，但3~6轴货车所得拥堵等级评价结果略高。这与林航飞等^[17]的研究成果一致，即慢速车是导致交通拥堵的重要影响因素，其在移动过程中形成的移动瓶颈对高速道路上堵塞的消散表现为明显的迟滞作用。因此，以3~6轴货车为中心的路段区域带拥堵可能性最大，3~6轴货车所得数据集评估结果为更为拥堵。

3.3 结果分析

为了验证模型在各车型类别下评估的准确性及一致性，根据2021年6月评价结果(共计43 200组数据)，3种情况(三者评价结果相同、二者评价结果相同、三者评价结果均不同)所占比例如表 5所示。3种车型的评价结果一致性达84.51%，除极个别时点的评价结果出现3种情况，在其他时段的评价结果均未超过2种。将3种评价结果进行两两比较，可以发现在同一时刻不同车型的拥堵评价结果均比较相近: 1~4型客车与2轴货车评价结果完全一致, 占比87.51%;1~4型客车与3~6轴货车评价结果完全一致，占比88.12%;2轴货车与3~6轴货车评价结果完全一致, 占比92.55%。

进一步比较不同车型下的拥堵评价程度, 统计3种车型每日交通状态属于不同拥堵等级的频数见图 9。3~6轴货车拥堵比例最高; 2轴货车次之; 1~4型客车最低。1~4型客车，2轴货车，3~6轴货车评价结果居于畅通状态的频数依次降低，即每日处于畅通状态的时点依次递减。而对于基本畅通和轻度拥堵2种状态，3种车型所占频数恰恰相反。

3.4 模型性能对比

为了验证模糊云模型的有效性，分别从当前典型的评判模型中选取BP神经网络模型和支持向量机、KNN算法、贝叶斯网络机器学习模型作为代表。采用对训练数据的容错性、稳定性、时间复杂度和空间复杂度4个评价指标进行模型对比。容错性是指训练数据中少部分数据存在误差时，对模型精度影响不大。稳定性是指输入参数的变化引起结果变化的程度。模型不仅要满足研究问题，还应该能够在更极端的情况下保持稳定的结果。模型复杂度分为时间复杂度和空间复杂度，时间复杂度决定了模型的训练时间，空间复杂度决定了模型的参数数量。由于维度灾难的限制，模型的参数越多，训练模型所需的数据量就越大。因此为了防止训练的过拟合，数据集通常避免过大，所建模型的复杂度可以很好地度量这一性能。模糊云模型与其他4种模型的性能对比情况如表 7所示。

模糊云模型与所选4种方法的评价结果一致性达91.78%，而极少不一致的若干组数据最终拥堵等级相邻，无过大差异，模型具备结果合理性和实际可行性。模糊云模型在保证强容错性与稳定性的同时，时间与空间复杂度明显较低，相比其他模型的性能有很大提升，其可以很好地体现交通状态本身波动性和模糊性，且对位于分类边界的异常数据的容忍度较高。与此同时，由于隶属度稳定波动，评估结果整体上不会与实际情况偏差过大，能更加精准地反映拥堵态势的实时变化，保证了结果的合理性。

4 讨论

沿海城市的高速公路交通拥堵已经成为影响该地区可持续性发展的重要问题之一。有必要结合福建省沈海高速各车型的分布规律及出行特征，分析拥堵形成和演化过程，对重点车型进行引导性疏散，以改善该路段的通行能力。

4.1 拥堵程度

首先，沈海高速翔安—同安路段交通拥堵状态明显，当道路发生轻度以上拥堵时，则出现拥堵团，2021年6月拥堵团出现平均频率如图 8所示。在高峰时段，拥堵团出现比例达30%，这意味着在高峰时段每3 d平均出现1 d拥堵，建议相关部门可以在交通基础设施投资的建模、规划和管理中施以措施。考虑到该路段目前已是双向六车道，可以采用应急车道借用的方式供车辆超车，此策略有较好的流量增长适应性和与后续策略的连续性^[34]，可以缓解高峰期移动瓶颈的影响并且减少投资浪费。目前该措施已经在交通流量更大的沪宁高速部分路段试行，运行效果良好。

4.2 重点车型的引导性疏散措施

以5 min为单位，分别计算单位时间内通过的车流量，将道路状况分为低密度、中密度和高密度这3种情况，并定义渗透率(路段中某一型号车辆密度占总密度的比值)，比较不同密度下的混行车流组成(即各型号车辆占比改变)对道路状态的影响。通过分析可知，在低密度下，客车、少轴货车、多轴货车渗透率的提高对路况的影响依次提升。在低密度情况下可考虑此顺序的疏散策略。在高密度下，3~6轴货车渗透率的改变对拥堵状态的影响最为明显，1~4轴客车次之。其中，3~6轴货车呈现出较多2个及以上等级的跨越的样本，这表明在交通量较大时多轴货车对道路状态的影响程度更大。大型货车易形成交通扰动，在一定情况下导致交通流发生相变。3~6轴货车的性能决定了其在重载条件下只能以中低速度行驶，对后继车辆形成阻挡，从而在跟驰或换道过程中对周围邻近车辆产生刺激，导致邻近车辆速度离散度的增加，这种刺激会以扰动的形式向上游传播，容易导致交通拥堵^[35]，这合理解释了本研究结论。因此，当高速公路交通量较大时，可考虑按首先对多轴货车进行调控，再将1~4型客车从交通流中分离的策略，从而避开高峰，实现错峰出行，如利用重载货车监管平台的GPS系统，合理提示和规划货车行驶路线。该部分利用模型评估结果，分析不同密度下影响拥堵程度的重点类型车辆，可为后续根据实时密度状况针对重点车型实时主线限速、入口流量控制和收费通道数控制组合策略^[36]提供理论价值。将其他型号车辆渗透率在较小范围变化而研究类型车辆渗透率上升10%的样本作为对照组。每1组试验由原渗透率下拥堵等级和提高10%渗透率下拥堵等级对照完成，用2种情况下拥堵等级的差异刻画该车型对某一密度下路况的影响程度。观察可知，绝大部分试验下车辆渗透率的提升都会产生拥堵的加剧，与实际交通工程经验相符。

4.3 拥堵的传播及消散

路段拥堵现象的产生—扩散—聚集—消散的全过程见图 9。以5 min为周期计算每日拥堵状况出现的平均频率。该路段交通状态出现5个转折点，分别位于7:30，10:00，12:30，18:00，20:00。在6:00—7:30时段，各车型流量均大幅增加，然而不足以对道路通行能力造成负担，道路交通状态由畅通逐渐向基本畅通转化。随后，畅通、基本畅通状态逐渐向轻度拥堵转移，并于10:00达到轻度拥堵频率的极大值点，道路出现堵塞。该段时间以4型客车、2轴货车、5轴货车为代表的低速车流量达到上午流量顶峰，容易形成移动瓶颈，导致幽灵拥堵的产生^[37]，可重点研究这3种车型所导致的移动瓶颈对交通流的运动和演化过程，考虑针对多轴货车实施调控从而减轻路段运输压力。从10:00左右开始，道路流量大幅降低，拥堵逐渐消散，基本畅通频率增大，至12:00左右道路可以达到基本畅通。在下午时段，拥堵各等级间的离散程度最大，畅通和拥堵团的出现频率较其他时段均有所提升，尤其针对3~6轴货车，基本畅通的频率已经下降到与强度及中度拥堵的频率一致。一方面，交通流主要构成成分的1型客车和2轴货车流量攀升达到全日最高峰；另一方面，低速货车流量降低，移动瓶颈影响效应使得车流不断形成集结波和消散波。在下午时间段，道路交通状态波动性最大，道路管理部门应尤其增强管控，针对大流量的1型客车和2轴货车合理规划行驶路线以达到错峰出行的目的。18:00后由于1型客车增多，道路交通状态逐渐由畅通转为基本畅通，20:00—24:00交通状态逐步转为完全畅通。

5 结论

本研究主要以福建省高速公路翔安—同安路段不同车型为研究对象，采用龙门架监测到的指标数据提出了分车型数据驱动的模糊云模型进行高速公路拥堵态势评判，致力于通过分析不同车型的分布规律及出行特征挖掘拥堵形成及传播机理。该方法可以准确、高效地提取海量数据中的分车型信息，不仅为高速公路车流的管控提供决策依据，也为提升公路设施利用率和车辆运行效率、缓解中国高速路段拥堵提供应用价值。

(1) 挖掘不同车型的分布规律及出行特征，从客车、货车两大类出发，按载客量细分到客车4种车型，按轴数细分到货车5种车型，从流量、平均行程速度、延误时间比这3种评价指标特征进行聚类，揭示不同车型指标在拥堵表现上的差异。

(2) 建立了基于模糊云模型的高速公路拥堵等级评价模型。该模型提出时空角度下的高维云模型构造定量指标和定性等级间的双向映射; 采用Mamdani方法建立模糊关联矩阵对隶属度进行校准; 引入D-S证据理论对所有专家的综合可信度进行模糊融合; 根据隶属度最大原则进行道路交通状态综合评判; 得到不同车型的拥堵评价结果，对比发现3种车型的评价结果具有一致性。

(3) 通过提取拥堵传播规律、拥堵的发生频率等，从宏观角度出发，可以判断该高速公路规模与区域发展的适配性，为改扩建等工程项目提供参考依据。从微观角度出发，分析不同车型对拥堵的作用机理，进而制订针对车型的错峰出行、可变限速等合理的调控措施。

本研究对高速公路多车型混合交通流出行特性进行了初步研究，并进一步挖掘了其对交通拥堵的影响机理，但后续对分车型控制问题仍需进一步研究和完善。