庄广新，谷远利，马韵楠，赵莹

(1. 北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京100044；2. 北京铁路局北京西站，北京 100055)

【交通运输】

基于AHP灰色理论的道路交通流数据质量评价

庄广新1，谷远利1，马韵楠2，赵莹1

(1. 北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京100044；2. 北京铁路局北京西站，北京 100055)

交通流信息采集的过程中由于受到设备自身及外在环境等因素的影响，所采集的数据容易出现失真、缺失和冗余等质量问题，无法满足智能化交通管理的要求。本文以准确度、完整度和时效性等3个数据特性作为评价指标，提出了基于层次分析法与灰色聚类分析的道路交通流数据质量评价方法，采用层次分析法确定评价指标的权重，采用灰色系统理论白化权函数建立各指标关联度矩阵模型，结合北京市二环路实测数据进行了实例分析，证明了方法的可行性。

交通工程；数据质量评价；AHP灰色理论；道路交通流

随着我国城市机动车保有量的不断增加，交通拥堵这一城市顽疾也日趋严重。在既有的城市网络格局之下，单纯地依靠增建交通设施来缓解交通压力的传统做法已经不切实际，也不能从根本上解决实际问题。智能交通作为城市交通管理的一种手段，受到了国内外专家学者的青睐，是目前缓解交通拥堵的主要趋势。有效的智能交通管理需要以高质量的交通流数据为基础，而目前环形线圈、浮动车GPS和微波检测RTMS等设备所采集的动态实时数据存在一定程度的纰漏，并不能直接用于制定决策和使用。因此，对交通流数据进行客观评价，采取有效措施对数据进行修正是非常关键又亟待解决的问题。

针对交通流数据质量的评价，目前国内还没有相应的标准和规范可循。施莉娟等[1]归纳了前人在数据质量评价中的认识，提出了包括完整性、准确性、实时性、有效性、可用性和覆盖度的多维指标评价体系。牛世峰等[2]针对交通流数据质量微观评价方法无法评价交通流数据整体质量的问题，提出交通流数据宏观评价的思想，构建了4个交通流数据宏观评价指标，并设计了交通流数据宏观评价流程。文峰[3]提出了将道路等级权重引入准确度的加权平均法，从而使得准确度的评价误差降低，但是该模型只针对视频数据，且对可用数据准确度的要求较低，不适合精细化管理的发展趋势。

本文采用定性与定量相结合的方式，提出了基于层次分析法与灰色聚类分析的道路交通流数据质量评价方法，并结合实际案例论证了该方法的有效性。

1 交通流数据质量综合评价方法

1.1 评价指标赋权

首先要解决的问题是确定各个评价指标对于数据质量影响程度的大小，即权重值。运用层次分析法确定评价指标的权重主要有如下几个步骤[4]：选择评价指标→构建判断矩阵→进行一致性检验→计算权重。

1.1.1 指标选择

数据质量评价要具有可操作性，就必须对数据质量进行量化，量化的第一步是制定出合理的评价指标体系。为此，评价指标的选取应遵循如下原则： (1)确立的指标是能够通过观察、测试和评议等方式得出明确结论的定性或定量指标；(2)各指标之间应相互独立；(3)应确保评价指标具有一定的典型代表性，对评价目标具有显著的影响力；(4)评价指标的选取不能过多过细、过于繁琐、相互重叠，同时又要避免指标信息遗漏，出现对评价目标评价错误、不真实的现象，选取评价指标时应考虑到数据易获取和便于计算。

图1所示为2层的层次分析结构模型，是一种简略的树状图形式，因素层各个指标还可继续分解，向下进一步分层。

图1 层次分析结构模型Fig.1 AHP structure model

1.1.2 构建判断矩阵

根据因素层包含指标数量的多少以及各个指标之间的关系，选择不同的比率标度，制定专家打分表，对指标之间的相对重要性进行比较，得到一个两两比较判断矩阵A。

(1)

判断矩阵A为正互反矩阵，具有以下特点：

(2)

1.1.3 一致性检验

为了避免由于主观因素影响导致的权数分配不合理的情况，需要对矩阵A进行一致性检验。

(3)

(4)

(5)

式中，λmax为矩阵的最大特征值；n为矩阵A的阶数；XCI为一致性指标；XRI为平均一致性指标，具体数值见表1；XCR为一致性比例，当XCR<0.1时，认为判断矩阵A具有较好的一致性，即权重系数分配合理，否则需要重新构造判断矩阵。

表1 平均随机一致性指标XRI的值

1.1.4 计算权重

(i)首先对矩阵A的每列元素进行归一化处理得到新的矩阵L。

(6)

(ii)其次将矩阵L的每行元素相加，得到一向量，记为M=(m1，m2，…，mn)。

(7)

(iii)最后将向量M进行归一化处理，即得到所求的特征向量W。

(8)

1.2 基于灰色聚类的灰色综合评价

本文采用灰色系统理论中的灰色聚类分析对交通流数据质量进行评估。灰色聚类[5]属于灰评估理论，是灰色系统理论的重要组成部分，它根据灰数的白化权函数将一些观测指标或观测对象按若干个灰类进行归纳，从而判断聚类对象所属的灰类。

1.2.1 灰类的确定

1.2.2 白化权函数

各个评价指标的s个灰类有各自对应的函数，通过这些函数，将不同的聚类对象根据该指标的取值进行分类，这个函数称为白化权函数。白化值的大小表明了评价指标对于不同灰类的亲疏关系，当白化值取值为1时，表明完全属于此灰类。本文的白化权函数选择如下3种类型[6]，分别为上限测度白化权函数，典型测度白化权函数和下限测度白化权函数。

随着汽车行业的发展，汽车已经由奢侈品变为大众化产品，消费者对汽车的需求也从功能性转化为舒适性，车内空气质量成为消费者关注的热点之一。车内空气质量主要通过会产生危害的挥发性有机化合物(VOC)含量以及消费者对车内气味的主观感受来评估。由于汽车内饰零部件很多都是PP注塑件，如何降低PP注塑件的气味和VOC，成为汽车零部件厂家重点研究的课题之一。

(9)

(10)

(11)

式中,θj为评价指标xi的白化权函数的阈值。

1.2.3 确定评价等级

表2 评价定量分级标准表

2 实例应用

本文以北京市二环路主路雍和宫桥至北小街桥一个典型工作日2013年4月22日(周一、晴天)的数据为例，选择浮动车和微波检测器的速度数据作为评价对象，并以视频数据作为评价参照，运用本文研究方法对微观交通流数据质量进行评价。该路段为一个微波检测器HI3009d的监测范围，长790 m，双向6车道。该路段对应的视频检测器为LD00689，浮动车对应ID为2 940。

2.1 权重确定

针对交通流的特性，结合指标选取原则，本文采用平行的线性结构模式[8]选取评价指标准确度，完整度和时效性。其中，准确度表示所采集数据与真实值的相符程度，以相对误差计；完整度反应了数据的缺失程度，由于北京市浮动车、微波和视频采集均为每2 min采集一次，全天上传数据量理论上应达到720条，否则为数据丢失；时效性反应了数据采集、上传和发布过程中的数据延迟情况，标准情况下，原始数据所对应的时间点应严格按照2 min的步长逐渐变化，本文根据各检测器采集数据的时间点与标准时间点间的时间间隔大小(20 s，1 min，2 min，>2 min)，将时效性量化为4个等级。

由于指标数目较少，传统的1～9比率标度存在弊端，本文采用指数标度并对专家打分(德尔菲法)结果处理来构建判断矩阵A，具体标度含义见表3。

表3 重要性标度含义表

。

采用同样流程根据其余专家的打分情况计算出权重值，将所有专家的结果取平均值得到各评估指标的权重为：准确度0.601 7，时效性0.243 1，完整度0.155 2。

2.2 建立白化权函数

本文选取的3个评价指标意义不同，量纲不同，且在数量上悬殊很大，聚类分析时，参照表2的分级情况，将交通流数据质量评价指标值划分为“良好”，“较好”，“一般”，“差”4个灰类。通过运用SPSSStatistic软件对大量的历史数据进行频率统计，结合专家经验，得到3种指标的分级结果，如表5所示。

表5 指标分级方法

以准确度指标为例，运用公式(9)、(10)、(11)建立属于不同灰类的白化权函数，如公式(12)所示。时效性和完整度指标的白化权函数建立方法与之相同，根据各自阈值修改相应系数即可。

2.3 评价结果

考虑车辆正常的出行时间，本文选取北京市二环路主路雍和宫桥至北小街桥路段早6点至晚10点16h480个数据进行汇总分析。由于视频数据精确度和完整度高，具有普遍较高的认可度，且本文研究对象为区间车速，根据3种采集设备的工作原理可知，只有视频采集数据是严格意义上的区间车速，故将其作为评价数据质量的参照。原始数据指标情况汇总见表6。

表6 原始数据指标情况汇总

将表6中的数据对应到白化权函数中，求得对应的白化值，建立关联度矩阵R。

按照最大关联原则对应到表2，得到微观路段原始数据质量为“较好”。从矩阵R可以看出，完整度和时效性属于“良好”等级的白化值为1，而准确度属于“一般”。

原始数据准确度一般，这符合人们对数据质量的认识，说明本文研究方法可以客观地反映数据质量情况。

3 结语

交通流数据是智能交通管理的基础，对其质量的评价是非常必要的。本文以准确度、完整度和时效性3个数据特性作为评价指标，运用AHP灰色理论的方法对交通流数据进行质量评价，并结合北京市二环路原始数据进行了实例分析。研究表明交通流原始数据的质量相对较好，但为了更好地被交通管理者使用，还需要对数据进一步处理，尤其是提高数据的准确度。由于本文指标较少，随着智能交通的不断发展，指标会不断更新，所以对交通流数据的评价应该是动态发展的，需要不断地进行探讨和研究。

[1]施莉娟，朱健，陈小鸿，等.基础交通数据质量评价研究[J]. 交通信息与安全, 2011, 29(5):57-61.

[2]牛世峰,姜桂艳. 交通数据质量宏观评价与控制方法[J]. 公路, 2012 (12):119-123.

[3]文峰. 数据组织过程中的数据质量评价研究[J]. 软件导刊, 2013,12(11):132-134.

[4]王生昌, 陈娟娟, 田晓雪,等. 基于层次分析法的汽车制动性能主观评价指标权重研究[J]. 公路交通科技, 2015,32(8):138-142

[5]郑蕊蕊，赵继印，王志男，等.基于改进灰色聚类分析的电力变压器故障诊断[J]. 吉林大学学报(工学版), 2008, 38(5): 1237-1241.

[6]穆森.面板数据的灰色关联与聚类模型构建及应用[D].南京：南京航空航天大学，2012.

[7]漆贵荣. 模糊综合评价量化法在立交方案评价中的应用[J]. 公路交通科技(应用技术版), 2009, 5(6):135-137.

[8]NARANJOJE，JIMÉNEZF，SERRADILLAFJ.Floatingcardataaugmentationbasedoninfrastructuresensorsandneuralnetworks[J].IEEEtransactionsonintelligenttransportationsystems, 2012, 13(1):107-114.

Road traffic flow data quality assessment based on grey theory and analysis hierarchical process

ZHUANG Guang-xin1,GU Yuan-li1, MA Yun-nan2, ZHAO Ying1

(1. MOE Key Laboratory for Transportation Complex Systems Theory and Technology, Beijing Jiaotong University, Beijing 100044, China;2. Beijing West Railway Station, Beijing 100055, China)

∶Due to the impact of the equipment failures and the external environment factors, data quality issues such as data distortion, loss, redundancy and so on often occur in the process of road traffic information data acquisition, which is unable to meet the requirements of the intelligent traffic management. In this paper, a method of road traffic data quality assessment was put forward based on the grey theory and analysis hierarchy process (AHP), in which, 3 data characteristics, such as accuracy, completeness and timeliness, were used as evaluation indexes, AHP method was used to determine the weight of each evaluation index, and the whitening weight function of grey systems theory was used to establish the satisfaction matrix model. The feasibility of the method is proved by the instance analysis of the measured traffic flow data of Beijing′s second ring road.

∶traffic engineering; data quality assessment ; grey theory and analysis hierarchy process; road traffic flow

2016-06-01

北京市科技计划(Z121100000312101)

庄广新(1989—)，男，硕士研究生，研究方向为城市交通规划与管理。E-mail: 14120938@bjtu.edu.cn

U491

A

1002-4026(2017)02-0069-07