基于区域车流量数据分析的城市停车位需求研究

江苏航天大为科技股份有限公司  何煜埕

　　一、研究背景
　　随着城市经济的快速发展和汽车保有量的不断增加，停车需求日益旺盛，“停车难、乱停车”严重影响了市民出行体验以及城市交通环境。停车难题不单是一个民生问题，它甚至影响到国民经济的健康发展，引起了国家的高度重视，相关部门相继出台多项政策措施，鼓励停车资源的建设以及推动信息化建设，以期化解停车难题，改善民生、促进国民经济健康发展。政府既然鼓励停车资源的建设，那么需要解决的问题就是要知道城市哪里需要建设停车场或者增设路边停车位等等，航天大为提出了一种基于区域车流量分析数据来分析哪些地方需要增设停车资源的方法，利用道路上已建设的流量检测器来进行多维度数据分析，高效利用已有设备来分析城市停车位需求。
　　目前应用于交通流量检测的技术主要是地感线圈、微波检测、红外检测、超声检测、视频检测、毫米波雷达检测等。其中使用最广泛的是视频检测，摄像机作为获取视频数据的传感器，造价低廉，安装方便，又易于维护，因此大量安装于道路和卡口处进行道路安全监控、电子抓拍等。此外，视频检测相对于其他检测方法，它获取的信息直观，信息量丰富，可以有效记录交通场景，结合数字图像处理和机器学习，不仅可以获取车辆的类型，还可以获取交通指示牌信息和识别行人等。毫米波雷达检测，近几年来在民用上得到很快的发展，毫米波雷达抗干扰能力强，对于气候的适应性较好，可以支持全天候工作，是智能交通应用中理想的传感器。实际中，交通应用场景比较复杂，单一传感器往往无法完全实现应用需求。而视频获取的信息易受环境影响，且缺少距离、速度、角度等深度信息;雷达获取的信息量又不够丰富。因次，将雷达与视频结合应用于交通监控系统，可以获取车辆更丰富可靠的信息，提高系统整体的鲁棒性和数据的准确性。

　　二、总体思路
　　该研究主要是利用车流量检测技术，通过毫米波雷达、视频检测器等感知设备上传的流量数据，进行数据清洗和规整、模型的迭代更新，实现静态信息、动态信息、路径信息等的综合管控。结合前端已建设的视频检测设备，利用深度学习中车辆识别技术，对前端视频图像数据进行结构化分析处理；通过视频检测及追踪技术获取区域进出车流量历史数据，依据不同时段，不同星期，不同点位的车流量数据，结合数据分析及挖掘技术，分析出各主支路口具体流量分布、各时间段车流量密度分布、区域内进出流量趋势等，以此汇总区域内的拥挤程度、目前滞留的车辆数，再结合区域内停车场信息、总共的停车位信息来分析区域内的停车位使用率等数据，为路面停车治理提供决策依据。
　　区域内需要检测的道路每一个主支路段上安装视频感知设备，对通行车辆实时进行车辆行为轨迹分析并计算各路段进出车流量，并通过结合区域各主支路的进出流量，计算出区域内总的车辆数，计算原理如图1。

图1 计算原理示意图

　　例如：从t0开始累计统计至t1，A检测到10辆车进入，BC分别检测到5辆、3辆车开出，则说明A主路段有2辆车还没出来，则可能滞留在该区域内。通过长时间运行，对比每天每时的区域内车辆数是否趋于稳定，当它达到一个稳定值的时候，则该算法建模完成，该区域内每天每时的车辆数就是这个稳定值，当在路上运动车辆很少的时候这个区域内车辆数就是常驻车辆数。

　　三、关键技术
　　该研究的主要关键技术为基于卷积神经网络的视频检测技术和基于特征及IOU结合的SORT追踪方法。视频检测采用的方法是先对图像进行HOG特征提取，图像金字塔处理、SVM分类等操作，然后将图像分为S*S个网格，若某object中心落入某网格中，则该网格负责预测该object，某个网格预测B个bounding Box，每个bounding box要预测(x,y,w,h)和置信度共五个值，以及一个类别信息，记为C，将图像送进卷积神经网络，生成S*S*(5*B + C)维度的张量。根据阈值去除可能性较低的窗口，用NMS(非最大抑制)去除冗余窗口。车辆跟踪方法是根据前面检测结果生成的检测框抠出每辆车的小图片，将每辆车的图片分别按照每个通道累计相同像素点个数，并生成每个通道像素分布直方图，比较第t帧和t+1帧两两车辆图片像素直方图的余弦值，生成第t帧和t+1帧车辆特征关系矩阵，比较第t帧和t+1帧两两车辆位置IOU，并生成位置关系矩阵，将前面两个步骤的结果加权平均，最后通过匈牙利算法实现最优分配。
　　下面图2、3是对相机视频流解析后通过这两项关键技术对视频中车辆进行检测并追踪后产生的效果图，可见无论是白天还是黑夜，算法的表现效果都很出色。

图2 白天车辆检测跟踪效果

图3 晚上车辆检测跟踪效果

　　四、示范应用
　　该研究在江阴市青果路区域进行了示范应用，项目通过利用该区域的各个主支路口的相机获取各个路口的车流量数据信息，然后通过目标识别计数与图像处理相结合，识别该区域范围内的车流量，并进行深入的数据分析，包括车辆每日驶入、驶出流量，各时段车流量变化、停车场使用率等数据，为该区域的路面停车治理提供决策依据。该区域内有大型购物中心，路边餐饮店居多，区域内共计8个住宅小区，6个停车场，530个停车位，路边泊位256个，总共利用了8个车流量监控点位来对该区域的车流量进行闭环计算。
　　（一）流量分析

　　由图4可以看出人民路青果路入口进车数量要远远大于出车数量，是青果路区域主要的进车路口；青果路出口出车数量要远远大于进车数量，是青果路区域主要的出车路口；大毗巷、迎宾路朝西进出车流量较小。

图4 区域各主支路口车流量分布

　　由图5可以看出该区域工作日期间：驶入数高峰期分别在7-8点（约2500辆）、17-18点（约2480辆）；驶出数高峰期分别在7点-8点（约2370辆）、17-18点（约2250辆）；驶入数大于驶出数分别在7-8点（2500＞2370）、17-22点（5960＞5490）；驶出数大于驶入数分别在13-14点（2150＜2220）。周末期间：驶入数高峰期分别在10-11点（约1340辆）、16-17点（约1160辆）；驶出数高峰期分别在13-14点（约1350辆）；驶入数大于驶出数分别在6-11点（2720＞2620）、17-20点（2267＞2028）；驶出数大于驶入数分别在14-16点（1160＜1780）。

图5 区域内各时段进出车流量变化趋势

　　由图6可以看出通过对经停车辆分析，每日约有11000辆车为经过，1200辆车为短时间停留，长时间停留在工作日期间约2000辆，周末约1000辆；再结合车辆所属人的信息可以看出经过车辆和短时间停留车辆大多数属于运输公司、汽车旅游出租公司，多数为商铺进行物流配送或营运车辆。对长时间停留车辆进一步分析，可以分析出白天常驻为25辆车，车辆进区域的时间大部分为7点-9点之间，出区域时间在17点以后，且次数都超过4次，这类车了基本为青果路沿街商户的上班车辆；晚上常驻（过夜）为78辆车，车辆进区域的时间大部分为17点以后，出区域时间第二天7-9点之间，且次数都超过4次，这类车辆基本为青果路附近小区的居民。

图6 区域经停车辆分布图

　　（二）停车分析
　　区域内各停车场的使用率数据，工作日期间：都督坊、高巷口停车场占用率较高，高峰期（11点和18点）占用率甚至达到100%；国购停车场在18点停车占用率达到80%；而迎宾路、刘伶巷停车场全天占用率较低，分别低于30%、40%左右。周末期间：国购、都督坊、高巷口停车场在10点-18点期间占用率较高，保持在80%以上；刘伶巷停车场占用率白天保持在50%以上，在早晚高峰能够达到80%；而迎宾路停车场占用率全天都较低，只有高峰期能达到50%。再结合区域内车流量数据可以分析出，工作日期间：白天时段，在8-9点时，区域内净车流量最低，停车率为白天最低点40%；在17-18点时，区域内净车流量最大，停车率达到全天最大值82%；其余时段，停车率在30%-70%之间浮动，夜间时段停车率低于20%，所以工作日期间该区域停车位能够满足停车需求。周末期间：白天时段，从上午9点开始，区域内净车流量上升，停车率在11点左右达到全天的峰值约80%；随后净流量开始负增长，停车率逐步降低，在15点达到低点40%；其余时段，停车率在20%-70%之间浮动，夜间时段停车率低于20%（如图7所示），所以周末期间该区域停车位能够满足停车需求。
　　根据上述流量分析与停车分析相结合，可以得出迎宾路停车场和刘伶巷停车场占用率较低，如果关闭刘伶巷停车场，也可满足停车需求；如果关闭迎宾路停车场，工作日期间基本没有影响，但是在周末和节假日，则会影响；国购、都督坊、高巷口停车场靠近商圈，停车占有率较高，关闭后影响较大。如果取消路边泊车位（256个），工作日期间迎宾路停车场和刘伶巷停车场基本满足停车需求，但是周末节假日则可能影响较大，可考虑在道路一侧增加路边停车位，并加强引导。

图7 车流量与停车泊位率关系分析图（周日）

　　五、结语
　　区域车流量分析数据不仅可以用来分析城市停车位需求，也可以用来进行很多其他方面的应用，例如可以自动分析各个时段道路上的车流量，以分析出区域内的拥挤程度，为城市道路规划、实时疏导做出贡献。还可以通过区域交通流量、平均车速、排队长度等交通特征参数的统计，为交通组织优化、道路施工改造、交通勤务安排、日常保障重点等交通管理工作提供数据支撑。另外它还是交通信号自适应控制的重要基础数据，所以区域车流量分析数据应用非常广泛，可以加强研究进一步提升区域流量数据对交通规划与管理研究及应用的价值。