来源：赛文交通网

当前，私家车接送成为学生上下学的交通方式之一，上下学期间学校周边道路交通拥堵成为常态。特别是送学期与高峰期相互叠加，使得原本脆弱的交通更加不堪重负。如何有效缓解该时段该区域的交通拥堵问题，不但是交通管理工作的难点，更是社会关注的热点。

本文以山东省烟台市为例，就如何运用“家警校”联动模式，挖掘拥堵问题根源，充分调动社会的力量，合力改善学校周边道路交通拥堵现状，进行粗浅分析。

01

传统管理措施分析

违停车辆挤占道路，非机动车及行人肆意穿行等乱象导致学校周边的交通拥堵问题越来越突出。以芝罘中学为例，该校西北门前小区环绕，东北方向紧邻葡萄山小学。校门前的环山路为双向四车道的城市次干路，本向、对向机动车道以及非机动车道间均无实体隔离带，车辆随意掉头违法行为较多。芝罘中学在校生有2500多名，近三分之一的家长选择私家车接送学生。上下学期间由于大量接送学生的车辆停在道路两侧，通常单向只能保留一条车道勉强通行，加之车辆随意掉头，导致上下学期间环山路东段交通滞留严重、秩序混乱，拥堵时长在一个小时左右，拥堵里程可长达2公里。

为了缓解拥堵，交管部门和学校方都付出了努力，但是效果不尽如人意。交管部门通常采用劝导和处罚的方式来管理秩序，通过在校门前部署一定的警力，对车辆停放、行驶秩序进行管理。但面对劝导，有的驾驶人无动于衷，而面对面的现场处罚又过于生硬，显得欠缺人性化，容易引起学生、家长的不满。同时，受警力不足的限制，民警无法对每一起违法停车、违法掉头的违法行为进行管理。学校每年会通过发放“明白纸”“告家长一封信”等方式对家长进行引导，但因其管理不够深入，也没能形成常态化，导致效果并不明显。

可以说，学校周边交通拥堵问题是一个综合性、系统性、复杂性的交通问题，涵盖了道路供给、公交、慢行、停车、交通管理、学校管理、家庭接送行为等方面，传统管理方式手段单一、力量单薄、流于形式，难以取得效果。

02

“家警校”联动模式思路概述

所谓“家警校”联动，即充分运用信息化手段，通过建模的方式，找到学校门前拥堵问题的根源，把交警、学校和家庭三方联动起来，用连续性的柔性措施来解决。

由于芝罘中学一直以来拥堵问题比较突出，校门前路段上设有较为完备的智能交通感知设备，场景如同容器适合建模研究。据实地调研和数据分析，上下学期间大量接送车辆的涌入不是导致学校门前拥堵的根本原因，如果接送车辆都能够即停即走，有序行车、停车，即使车流量大也只会延缓车速导致缓行，而不致堵。那么，学校门前的拥堵是怎样产生的，其根源是什么？

运用大数据思维，交管部门对该问题进行了深入分析研究，利用学校周边智能交通感知设备，精准感知道路交通运行特征大数据（过车、违法），以瓶颈道路过饱和交通模型为依据，结合高空监控采集的图像，进行大空间交通微观行为观察，对学校周边运行的交通特征数据进行微观的切片分析，综合学校提供的家长接送车辆信息，深入解析上下学期间交通拥堵的演变机理，探索私家车接送、停车、行车等行为与道路交通拥堵之间的复杂耦合关系，最终挖掘出致堵的根源：有几十辆私家车停留时间长、停车不规范、行车不规矩，因长时间占用道路停车资源，干扰正常的通行秩序，导致了交通拥堵。

与传统治理方式相比，“家警校”联动模式能够找到学校门前拥堵问题的症结所在，充分调动社会的力量，与学校和家庭形成联动，实施持续性的靶向治理，可进一步节约警力、提高效率。

03

“家警校”联动模型业务逻辑和技术路线

（一）业务逻辑。对上下学期间进出学校路段的智能交通感知设备采集的过车进行预处理和过滤，与学校提供的接送私家车数据进行碰撞比对，结合违法感知设备采集的违法停车、违法掉头等数据，对碰撞结果进行处理，精准找出停留时间长、停放不规范、行车不规矩的接送车辆信息，推送给学校，或直接给相关车辆车主发送提醒警告短信，实现接送车辆即停即走、文明行停，有效缓解因家长的“过度”驻留学校附近、随意停放、掉头占用道路资源，导致道路大面积、长时间拥堵的问题。

（二）技术路线。基于车辆接送行为感知大数据，运用瓶颈道路过饱和交通模型以及监控设备，对学校周边交通运行的特征数据进行微观切片分析，分析接送车辆与交通拥堵间的复杂耦合关系，基于MapReduce算法、K-means聚类算法及交通理论基础，运用建模软件对家长接送行为进行建模，分析获取接送时间分布特征、学校周边交通运行特征，对接送车辆进行全要素画像，将刻画出的问题车辆推送给学校，搭建起HPS联动模型，实现H2S、P2S、P2H互动交互，形成家警校三方联动治理上下学交通拥堵的互动体系。

04

“家警校”联动模型数据分析方法

第一步：生成过车数据。利用学校上下游卡口/电警设备，采集最近一周或一月上下学时段进出学校路段的过车数据，采用MapReduce思路将过车数据进行分治并行计算，算出进出学校路段的车辆号牌、行车时间、行驶方向等数据。

第二步：数据碰撞分析。将过车数据按照车辆号牌与学校提供的接送学生车辆的信息分别做交集和差集处理，得到确认的接送学生车辆信息与疑似接送学生车辆的信息。按照车辆号牌进行聚合，统计每辆车的总通行时长与次数，并与车辆库按照车辆号牌做左关联处理，得到疑似接送学生车辆驾驶人的联系方式。

第三步：扩展数据维度。将接送学生车辆信息、疑似接送学生车辆信息分别与车辆违法信息做关联处理，添加车辆违法指标。

第四步：数据权重分析。根据车辆出现次数、停留时长及违法情况等三项指标，采用熵权法对指标进行归一化处理，得到每个指标的熵值，再计算出指标的客观权重，从而得到每个车辆的得分，根据得分排序获得重点关注车辆名单。

第五步：推演结果落地。建立重点车辆运行监测库，定期更新重点关注的车辆名单。将确认的接送学生车辆名单定期推送给学校，运用学校、老师的影响力，对学生及其家长做柔性引导，对疑似接送学生的车辆所有人以发送短信或电话通知的方式给予及时的提醒和警告。

第六步：模型成效评估。利用基于K-means聚类的道路交通畅通度判断算法，利用软件进行建模仿真，根据仿真结果对集散空间设置前后的道路运行状况和路网性能参数进行比对评价，从而验证本模型研究的有效性。

本文刊发于《道路交通管理》2021年第6期