李甜，李瑞玲，张萌萌，宋欣航，王帅琦

1.山东交通学院 交通与物流工程学院，山东 济南 250357；2.西南交通大学 利兹学院，四川 成都 610000

0 引言

交通拥堵是许多城市面临的严重问题之一[1-3]。为了制订有效的交通管制方案以缓解交通拥堵，需要对交通状态进行识别[4-7]。以往的研究大多集中在基于微观交通流/宏观交通流的交通状态演化[8-13]，但依赖于仿真数据并且试验数据难以描述实际的拥堵问题。随着交通大数据的发展，一些学者利用实际交通数据[14-17]，特别是轨迹数据来评估交通状态[18-20]。韦伟[21]利用全球定位系统(global positioning system，GPS)数据将交通状态分为非阻塞聚集型、非阻塞非均匀型、拥塞聚集型和拥塞非均匀型4种类型。这些研究都是基于路段来估计交通状态，需要花费大量的精力才能将轨迹与路网进行匹配。本文利用成都市网约车轨迹数据，基于网格模型和K-Means算法估计交通状态，分析不同的拥堵类型及其时空分布特征。

1 数据来源与交通状态判别

1.1 研究区域概况与数据来源

研究数据来自成都市部分区域脱敏浮动车轨迹数据。研究区域与成都市网约车轨迹覆盖的数据区域相同，如图1中方框阴影部分所示。研究区域的经纬度范围分别为北纬30.65°～30.72°、东经104.04°～104.12°。数据信息包含订单号、纬度和经度信息、时间戳和司机编号。数据采样间隔约为3 s。本文选取2016-11-09(周三)的数据作为工作日的出行数据进行实证分析。

图1 研究区域

通过经纬度数据和时间戳数据获取车辆瞬时车速和行驶距离，对采样间隔、行驶距离、车辆瞬时车速、经纬度数据进行预处理，删除采样间隔过大、行驶距离与瞬时车速不合理、经纬度超出范围的数据，以提高数据质量。……