基于机器学习的公路货运车辆超限超载数据分析文献综述

文献综述（或调研报告）：

在交通运输安全问题中，超限超载是高速公路上的一个重要问题。货运车辆超限超载会影响路面使用寿命，降低桥梁使用寿命，对道路安全、平均速度和服务水平产生负面影响（Bosso et al., 2019）。货运车辆超限行为是破坏交通措施的重要因子，是引发道路交通安全的不安全因素（万芳和胡东辉，2018；Wang et al., 2018）。而国内各级高速公路联网收费中心和国外交通监控数据都存在有海量的历史数据，历史数据中蕴含着大量有价值的信息（陈旻瑞等，2019; Han et al., 2015）。基于海量的历史数据以及飞速发展的超限超载数据获取路径，国内外学者们逐渐从这些海量的数据中归纳得到了一些公路超限超载现象的特征规律。

对公路超限超载现象的时间特征规律的挖掘，可以分为车辆特征和时间特征两类。（1）车辆特征相关研究包括车辆来源及种类（万芳和胡东辉，2018；Han et al., 2015）、车辆装载率（彭波等，1999），车速（Han et al., 2015）、轴载（林益恭等，2008；Han et al., 2015）、轴数（杭文等，2005；Han et al., 2015；Kulović et al., 2018）、轴距（Han et al., 2015）等方面。万芳和胡东辉（2018）研究发现车辆的来源与种类会对超限率产生影响，车辆来源以省界站点和港口站点为主，外省送货进入的车辆超限可能性较高，而以其他省为目的地的过路车可能较低。车辆种类方面，中长途运输车辆超限严重，短途运输的超限车辆出现的随意性强，超限不是很严重。彭波等（1999）研究得到超限与不同车型的装载率有关，24.2%单轴大10t，37.3%双轴大于18t，均不同程度地超过道路限载；并有6.2%车辆的总重，2.2%车辆的轴（组）荷载超过标准，这些车辆严重超限易造成中小桥的结构损坏。林益恭等（2008）针对广东省主要高速公路进行研究，研究发现双联轴双轮中佛开和京珠北段超载比例大，三联轴双轮轴载超载现象最为严重。杭文等（2005）选择具有代表性的典型路段合肥-六安进行调查，得到合肥-六安路单轴超限比例为61.4%，双联轴超限比例为71.0%，超限情况均十分严重。Han et al.（2015）对2007年11月至2010年8月的交通监控数据提取了总共1319个超重型卡车场景，进行了统计研究，确定了超重型卡车的关键特性：车辆类别方面，桥梁卡车超限超载中占主导地位的超重型卡车类型为六轴拖挂车，占97.86％，剩余的2.13％的车辆是五轴拖拉机拖车；在载重方面，约有80％的超重卡车在80吨至130吨之间，并且发生频率随着卡车重量的减少而增加；在轴距方面，超限超载车辆轴距大多为7.1、1.3、2.5和3.1 m；车速方面，大约94％的超重型卡车的速度小于60公里/小时。Kulović et al.（2018）研究发现超限超载货车中5轴货车最多，占58.7%，其次是2轴和3轴卡车。（2）时间特征相关研究主要指季度与单日高峰的特征规律。李保龙和王晓峰（2018）研究了季节规律并将其与单日的超限超载高峰结合进行了研究，研究发现车辆在1-6h时间段内的平均超限率在四个季度都比较严重，在19-24h时间段四个季度的平均超载率表现一般，而在12-17时间段四个季度内平均超限率都较低。

国内外学者对公路货运车辆超限超载现象的时间规律的研究，大多集中在超限流量统计与动态跟踪方面。公路货运车辆超限超载现象时间规律研究主要分为超限超载行为的时间特征（杭文等，2005；李卉等，2014；郝彬等，2015；李保龙和王晓峰，2018）和超限流量统计和治超对策研究（万芳和胡东辉，2018）两类，本部分主要讨论超限超载行为的时间特征。如李卉等（2014）研究得到了超限行为时间特征，动态跟踪超限车辆行驶路径，发现货运车辆选择超限行为时会综合营运价格、业务比重和季度等因素调整行驶时间，在空间和时间上都表现出与历史数据的关联特性，表现出货运车辆超限行为在空间上的弱依赖关系，和时间上的弱连续性关系。同样是对于时空两个维度的研究，李保龙和王晓峰（2018）应用系统聚类方法对车辆超限率问题进行分析，以2016年全年高速公路通行流水数据为研究对象并分为四个季度，分析出季节对超限率的影响，挖掘出车辆超载存在的时间特征和规律。公路货运车辆超限超载现象的时空规律研究从时空角度研究超限超载现象，客观反映了车辆超限率的现状，通过对公路车辆超限情况进行统计分析，挖掘其超限的部分规律（李卉等，2014），为有效降低高速公路超载超限率提供理论依据，解决成本过高和检测站车辆通过效率的问题，提高高速公路治理水平。从时空角度研究超限超载对提高高速公路车辆超载管理，优化资源配置有参考意义（李保龙和王晓峰，2018）。Han et al.（2015）研究与白天相比，夜间越过桥的重型卡车更多。Huang et al.（2019）使用WIM技术从京港澳高速公路广东省的一个重要出口收集了7年（2011年1月至2018年3月）的交通数据，得出在初始政策下，超载的卡车倾向于在夜间使用高速公路，修订后的政策使得卡车小时运量出现了两个日间峰值。

在研究方法上，目前国内外学者对公路货运车辆超限超载现象的时间规律研究，通常采用传统的基于统计预测类的模型和博弈分析模型。如李保龙和王晓峰（2018）应用系统聚类方法对车辆超限率问题进行分析；李卉等（2014）用博弈分析模型研究超限行为随经营成本、治超概率的罚款额度等因素的动态变化规律。卓成娣等（2016）构建了超限超载监督检查博弈模型，运用不完全信息动态博弈方法分析了执法者和运输者两个利益主体之间的博弈关系。国外学者Kranti et al.（2013）采用随机、定位和非线性模型对交通安全现状、交通动态趋势进行分析。Ryu et al.（2014）采用博弈论、风险偏好模型等对超限行为进行对策研究，为交通运输安全管理提供科学依据。Park, S. et al.（2019）使用通用地段传感器进行传感值收集，提出了一种新的基于Bi-LSTM的桥梁交通量预测模型能够对交通流进行分类，进而对流量高峰期进行预测。然而，超限行为数据具有空间分散、时序变化和波动性大等特点，传统分析方法虽能对超限流量统计和治超对策研究起到一定的效果，但对具有时空动态性和迁移性的超限车辆分布挖掘仍具有局限性（万芳和胡东辉，2018）。

机器学习是用算法解析数据，不断学习，对世界中发生的事故做出判断和预测的一项技术。随着机器学习技术的飞速发展，人们开始将先进的机器学习算法应用到交通管理系统中来，有效地预测交通事件并迅速响应和及时处置，这将成为智能交通系统发展的重要组成部分（王娴，2019）。对于运用机器学习技术分析特征与规律问题，国内外学者主要聚焦流行疾病（陈业滨等，2016）、食品安全（王博远等，2018）和交通事故管理（马壮林，2010）、土地利用（Aburas et al., 2019）、自然湿地保护（Lin et al., 2018）、自然灾害管理（Resch et al., 2018）、有害藻华检测（Gokaraju et al., 2011）等领域。（1）在流行疾病防控问题上，陈业滨等（2016）以广州市主城区登革热预测为例，对比BP神经网络、GA-BP神经网络及SVR模型在登革热时空预测上的作用，比较了三种模型在登革热时空动态预测中的优劣性，研究表明SVR与GA-BP模型在登革热预测上切实可行。（2）在食品安全预警问题上，王博远等（2018）结合机器学习技术和时空分析技术，研究设计了基于跨部门多源数据的食品安全时空预警信息化体系框架，为预防和控制食源性疾病提供科学依据和支持。（3）在交通事故管理问题上，马壮林（2010）提出的交通事故时空分析模型包括交通事故起数时空分析模型和交通事故严重程度时空分析模型两部分，为评价道路安全性、制定交通事故预防措施提供理论依据。（4）在土地利用变化问题上，Aburas et al.（2019）对传统和机器学习模型在对土地利用变化进行时空模拟和预测形成综述，传统模型主要为动态模型，如细胞自动机(CA)模型；然而传统模型不能在模拟过程中包含社会经济因素，因此未来考虑用人工神经网络(ANN)、LR和SVM等机器学习模型来提高整体仿真能力。（5）在自然湿地保护问题上，Lin et al（2018）利用核极值学习机（K-ELM）这种机器学习算法，并借助分析多光谱卫星图像，分析中国上海崇明东滩湿地土地利用及覆盖变化。（6）在自然灾害管理问题上，Resch et al.（2018）提出了一种将语义信息提取的机器学习技术（潜在狄利克雷分配）与热点检测的时空分析（局部空间自相关）相结合的方法，通过分析社交媒体帖子来评估自然灾害的足迹和造成的损失。（7）在有害藻华检测问题上，Gokaraju et al.（2011）提出了一种基于机器学习的时空数据挖掘方法，用于检测墨西哥湾有害藻华：首先在训练样本周围建立时空立体邻域来检索光谱信息，然后通过互信息准则研究特征关联，此外利用核支持向量机和获得的分类精度，从时空数据集预测了藻华的季节变化和时序发生。综上，目前学者们主要采用机器学习中的神经网络模型（NN）、支持向量机模型（SVM）、逻辑回归模型（LR）、支持向量机回归模型（SVR）来分析时空问题，而在神经网络模型中BP神经网络、GA-BP神经网络、人工神经网络等运用较多。在交通事故管理领域，机器学习已开始运用预测、响应和及时处置交通事件，但对机器学习用于公路货运车辆超限超载现象时间规律的研究鲜少涉及。

综上所述，国内外学者对公路货运车辆超限超载现象展开了较为全面的研究，总结出了相关特征规律，例如车辆特征、时间特征、空间特征等。然而，虽有部分研究着眼于公路货运车辆超限超载现象时间规律，但仍有以下几点不足。（1）国内各级高速公路联网收费中心和国外交通监控数据都存在有海量的历史数据，这些海量数据蕴含着大量有价值的信息，但是当前对海量数据的挖掘研究分析相对较少；（2）目前机器学习技术已开始用于交通管理系统，但对公路货运车辆超限超载现象的时间规律研究，通常采用传统分析方法如统计预测类模型和博弈分析模型等，而缺乏运用先进的机器学习算法挖掘时间规律的研究。（3）结合三点研究不足，国内各级高速公路联网收费中心和国外交通监控数据都存在有海量的历史数据，机器学习算法对于挖掘海量数据深层价值具有显著优势，而研究海量的超限超载数据，深度挖掘超限超载的时间规律，解决成本过高和检测站车辆通过效率的问题。因此，将机器学习用于对公路货运车辆超限超载现象的时间规律研究，深度挖掘超限车辆时间分布规律，填补智能交通系统发展中超限超载控制方面的不足，具有重要的理论意义与现实价值。

参考文献：

[1] Aburas M M, Ahamad M S S, Omar N Q. Spatio-temporal simulation and prediction of land-use change using conventional and machine learning models: a review[J]. Environmental monitoring and assessment, 2019, 191(4): 205.[EI,SCIE,1]

[2] Bosso M, Vasconcelos K L, Ho L L, et al. Use of regression trees to predict overweight trucks from historical weigh-in-motion data[J]. Journal of Traffic and Transportation Engineering (English Edition), 2019.[0]