來源：賽文交通網

當前，私家車接送成為學生上下學的交通方式之一，上下學期間學校周邊道路交通擁堵成為常態。特別是送學期與高峰期相互疊加，使得原本脆弱的交通更加不堪重負。如何有效緩解該時段該區域的交通擁堵問題，不但是交通管理工作的難點，更是社會關注的熱點。

本文以山東省煙臺市為例，就如何運用“家警校”聯動模式，挖掘擁堵問題根源，充分調動社會的力量，合力改善學校周邊道路交通擁堵現狀，進行粗淺分析。

01

傳統管理措施分析

違停車輛擠占道路，非機動車及行人肆意穿行等亂象導致學校周邊的交通擁堵問題越來越突出。以芝罘中學為例，該校西北門前小區環繞，東北方向緊鄰葡萄山小學。校門前的環山路為雙向四車道的城市次干路，本向、對向機動車道以及非機動車道間均無實體隔離帶，車輛隨意掉頭違法行為較多。芝罘中學在校生有2500多名，近三分之一的家長選擇私家車接送學生。上下學期間由于大量接送學生的車輛停在道路兩側，通常單向只能保留一條車道勉強通行，加之車輛隨意掉頭，導致上下學期間環山路東段交通滯留嚴重、秩序混亂，擁堵時長在一個小時左右，擁堵里程可長達2公里。

為了緩解擁堵，交管部門和學校方都付出了努力，但是效果不盡如人意。交管部門通常采用勸導和處罰的方式來管理秩序，通過在校門前部署一定的警力，對車輛停放、行駛秩序進行管理。但面對勸導，有的駕駛人無動于衷，而面對面的現場處罰又過于生硬，顯得欠缺人性化，容易引起學生、家長的不滿。同時，受警力不足的限制，民警無法對每一起違法停車、違法掉頭的違法行為進行管理。學校每年會通過發放“明白紙”“告家長一封信”等方式對家長進行引導，但因其管理不夠深入，也沒能形成常態化，導致效果并不明顯。

可以說，學校周邊交通擁堵問題是一個綜合性、系統性、復雜性的交通問題，涵蓋了道路供給、公交、慢行、停車、交通管理、學校管理、家庭接送行為等方面，傳統管理方式手段單一、力量單薄、流于形式，難以取得效果。

02

“家警校”聯動模式思路概述

所謂“家警校”聯動，即充分運用信息化手段，通過建模的方式，找到學校門前擁堵問題的根源，把交警、學校和家庭三方聯動起來，用連續性的柔性措施來解決。

由于芝罘中學一直以來擁堵問題比較突出，校門前路段上設有較為完備的智能交通感知設備，場景如同容器適合建模研究。據實地調研和數據分析，上下學期間大量接送車輛的涌入不是導致學校門前擁堵的根本原因，如果接送車輛都能夠即停即走，有序行車、停車，即使車流量大也只會延緩車速導致緩行，而不致堵。那么，學校門前的擁堵是怎樣產生的，其根源是什么？

運用大數據思維，交管部門對該問題進行了深入分析研究，利用學校周邊智能交通感知設備，精準感知道路交通運行特征大數據（過車、違法），以瓶頸道路過飽和交通模型為依據，結合高空監控采集的圖像，進行大空間交通微觀行為觀察，對學校周邊運行的交通特征數據進行微觀的切片分析，綜合學校提供的家長接送車輛信息，深入解析上下學期間交通擁堵的演變機理，探索私家車接送、停車、行車等行為與道路交通擁堵之間的復雜耦合關系，最終挖掘出致堵的根源：有幾十輛私家車停留時間長、停車不規范、行車不規矩，因長時間占用道路停車資源，干擾正常的通行秩序，導致了交通擁堵。

與傳統治理方式相比，“家警校”聯動模式能夠找到學校門前擁堵問題的癥結所在，充分調動社會的力量，與學校和家庭形成聯動，實施持續性的靶向治理，可進一步節約警力、提高效率。

03

“家警校”聯動模型業務邏輯和技術路線

（一）業務邏輯。對上下學期間進出學校路段的智能交通感知設備采集的過車進行預處理和過濾，與學校提供的接送私家車數據進行碰撞比對，結合違法感知設備采集的違法停車、違法掉頭等數據，對碰撞結果進行處理，精準找出停留時間長、停放不規范、行車不規矩的接送車輛信息，推送給學校，或直接給相關車輛車主發送提醒警告短信，實現接送車輛即停即走、文明行停，有效緩解因家長的“過度”駐留學校附近、隨意停放、掉頭占用道路資源，導致道路大面積、長時間擁堵的問題。

（二）技術路線。基于車輛接送行為感知大數據，運用瓶頸道路過飽和交通模型以及監控設備，對學校周邊交通運行的特征數據進行微觀切片分析，分析接送車輛與交通擁堵間的復雜耦合關系，基于MapReduce算法、K-means聚類算法及交通理論基礎，運用建模軟件對家長接送行為進行建模，分析獲取接送時間分布特征、學校周邊交通運行特征，對接送車輛進行全要素畫像，將刻畫出的問題車輛推送給學校，搭建起HPS聯動模型，實現H2S、P2S、P2H互動交互，形成家警校三方聯動治理上下學交通擁堵的互動體系。

04

“家警校”聯動模型數據分析方法

第一步：生成過車數據。利用學校上下游卡口/電警設備，采集最近一周或一月上下學時段進出學校路段的過車數據，采用MapReduce思路將過車數據進行分治并行計算，算出進出學校路段的車輛號牌、行車時間、行駛方向等數據。

第二步：數據碰撞分析。將過車數據按照車輛號牌與學校提供的接送學生車輛的信息分別做交集和差集處理，得到確認的接送學生車輛信息與疑似接送學生車輛的信息。按照車輛號牌進行聚合，統計每輛車的總通行時長與次數，并與車輛庫按照車輛號牌做左關聯處理，得到疑似接送學生車輛駕駛人的聯系方式。

第三步：擴展數據維度。將接送學生車輛信息、疑似接送學生車輛信息分別與車輛違法信息做關聯處理，添加車輛違法指標。

第四步：數據權重分析。根據車輛出現次數、停留時長及違法情況等三項指標，采用熵權法對指標進行歸一化處理，得到每個指標的熵值，再計算出指標的客觀權重，從而得到每個車輛的得分，根據得分排序獲得重點關注車輛名單。

第五步：推演結果落地。建立重點車輛運行監測庫，定期更新重點關注的車輛名單。將確認的接送學生車輛名單定期推送給學校，運用學校、老師的影響力，對學生及其家長做柔性引導，對疑似接送學生的車輛所有人以發送短信或電話通知的方式給予及時的提醒和警告。

第六步：模型成效評估。利用基于K-means聚類的道路交通暢通度判斷算法，利用軟件進行建模仿真，根據仿真結果對集散空間設置前后的道路運行狀況和路網性能參數進行比對評價，從而驗證本模型研究的有效性。

本文刊發于《道路交通管理》2021年第6期