2017年的智能交通市場看起來很熱鬧，市場增長速度雖有所放緩，但仍然高達20%以上，算上今年暴漲的安防市場中所包含的智能交通管控設備部分，也可以說是一份不錯的成績單；2017年智能交通進入到一個“概念創造引領市場創新”的階段，在BAT、滴滴、高德等互聯網企業的熏陶下，行業也在自發的創造概念、口號，這也是行業發展到成熟階段后的必然。
11月23日，由中國智能交通協會、國家智能交通產業技術創新戰略聯盟主辦的2017’第十二屆中國智能交通年會智能交通青年科技論壇上，東南大學教授，博導夏井新發表《大數據視角下的城市路網動態供需分析方法及實踐》的演講，本文為演講速記整理，未經演講者本人審核。
大數據視角下的城市路網動態供需分析方法及實踐這個題目的來源有兩方面，第一個就是交通系統一直存在的供需矛盾的問題，供需矛盾是擁堵的根源。這種供需矛盾是存在于整個交通系統的各個層級，小道車道大道一條路，再往上就是到一個區域，這個是交通系統內在的一個需求。
城市路網供需分析的背景
想知道一條路通訊能力，一個區域的能在能力，以前傳統的做法都是什么？通過查閱手冊和相關的規范，q-k基本關系等，而獲得供給的數據西，有可能不適用。那么在大數據這種條件下，就提供了一種機會。需求側這塊也是一樣的，傳統是做一些調查，后來就是一些ITS方面的檢測手段，這些東西應用于道路規劃、公交規劃、停車規劃和信號配時、交通仿真等方面。
大數據其實帶來了很多的契機，帶來了很多的便利。第一個，就是它的數據源是一個多發式的增長，隨著互聯網+的這些數據的加入，以往難以觀測、只能估計的變量現在可以直接或間接觀測。在這種情況下，包括大數據的云計算，機器學習，包括人工智能的發展，這些新方法和技術崛起使得計算資源的極大豐富，技術應用的門檻降低，數據價值進一步發揮和鞏固，數據驅動的創新應用潛力巨大，為供需分析提供了工具。
圖1 我國智能交通系統發展現狀
路網供給的確定及實踐案例
路網最小組成單位—車道，以前獲得它的通信能力，按HCM飽和流率計算公式計算，這個公式特別麻煩，等到最終獲得了通訊能力之后，才發現實際的這種通信的能力和根據HCM手冊獲得的這種通信能力可能差別非常大，這種情況下，導致我們終端層面上交通的精細化管控出現了問題，尤其在控制的時候。
大數據可以提供很多的數據驅動的一些方法。舉了一個最典型的，像國內的數據非常普遍，國外也有一些交通信號事件的數據，這些東西給我們提供了一些契機，數據視角下的飽和車頭時距這張圖，是根據數據卡警計算的，根據圖可以做統計上的一種分析。
圖2 數據視角下的飽和車頭時距
比如說從路網供給表里面，可以獲得選擇不同的時刻，不同的路口，能夠獲得它的反應，車面的行為道路的幾何條件，綜合作用下這個地方，這個車道的飽和的車頭時距多少，數據驅動下可以量身訂作。目前做了一些統計，這個基于整個昆山路網一天156個路口不同類型車道的飽和車頭時距的分布。
圖3 數據視角下的飽和車頭時距
可以看到左轉，右轉等等這些混合情況下，車流數據分布規律，有的寬一點，有的是細一點，如果仔細比對不同的，尤其是不同類型的道路的情況，可以發現，飽和車頭時距還是有一定的差別的。圖表中飽和車頭時距平均值好像差別不大，但事實上反饋到實際中，就會發現差別很大的。在路網供給宏觀這塊，宏觀基本圖的概念，也就是路網的輸出流量的問題，當然MFD從2017年提出來新的理念之后，得到了一定的長足的發展，可以用在區域的控制，比如說擁堵收費等等，這些東西其實只是一個手段。在MFD這塊，其實到目前為止，仍然是沒有辦法具體去落地，很多研究人員做了很多的嘗試，比如說把路網怎么樣變成同質化，怎么樣抑制路網這種情況下做這個問題。能否在大數據的這種情況下，換一種思路。也就是路網的供給，尤其是區域層面上，如果單個車道通行能力取決于道路的幾何條件，大家在區域的情況下，這種存在能力能否直接推導出來？還是說跟這個地方、這個區域的交通需求疊加上去共同作用的一種結果，這個地方也做了一些嘗試。
如果一個非常理想的路網，車道的高速等等這些東西，，把路網的信息它二維化，三維化，能否直接推動它的供給，目前也做了一些嘗試隨機在仿真環境中的路網“模版”，這個大的路網里面，隨機去抽一些路網構成子路網，然后去模擬它的MFD的一些形狀，形狀可能在仿真情況下比較理想化的。從路網供給的一個，剛剛舉了一個例子，比如說車道舉個最典型的就是信號配時的問題，這個可以把原有的固定配時，把所有的利用的情況。我們看這張過車記錄云圖，綠線和綠線里面是原來共有方案，在這個階段里面，黑點是車輛到達的情況，可以把它做出來，我們也設計了一種分配的方法。這張圖可以直接看出來，上面的這種固有的，一天多時段的配有的方式，下面提出的方法，在原有多時段的情況下做一個平臺級的優化?？吹降倪@種情況，到底多長的周期以及各個階段給它多長，這種在物理角度來講，還是屬于平臺級的優化。優化完了之后，如果保證系統壟斷性，可以提煉成，一天到底多少個時段，每個時段到底多長，這樣去做，增加它的壟斷性。一種信號交叉口綠時再分配方法在昆山、吳江、張家港、常熟、北侖、衢州、萍鄉等國內10余個城市正在開展試點和推廣應用，其實效果是非常好的，就以萍鄉中心城區三個交叉口舉了一個例子，通過實施前和實施后的對比，其實這些交叉口相關的路線上的平均速度是有大的提升。MFD拿實際采集的數據做了一些分析，傳統的路網的區域，基本上尋找同質的路網是非常難的，事實上拿登山的實際數據做了之后，發現問題。在這個地方，先初步做了一個探索和應用，在區域路網上，如果脫離原來單點交通狀態的劃分，暢通，自由流，堵塞這種狀況，在區域情況下，因為很難尋找到下墜的曲線，在現實的應用當中，可以從數據驅動的角度當中，找到路網狀態的一種拐點，這種對信號控制來講，是非常重要的。做了基于時間序列之類的一種方式的集取，事實上可以找到在路網上存在路網交通狀態轉換點，這些點其實是從平峰到高峰，從高峰到平峰轉換的顯著差異。
路網需求的確定及實踐案例
路網需求以前傳統的一些做法，比如說局部的情況，可以根據車輛跟蹤等等方法去做，受采樣可靠性的影響，受檢測覆蓋范圍影響，存在傳播過程，預測可靠性較差。用這種車輛軌跡的方法做了一些分析，主要是分析局部擁堵問題。通常來說，信號控制這塊，主要是主動控制等等，包括門限控制，調整信號的參數，限制車輛到達的情況，來緩解擁堵。事實情況與路口的交通流和軌跡是非常有關系的，比如說右轉，或者左轉是不可調整的，哪些構成要素，哪些可調整的，事實上需要知道一個路口的交通需求的一種構成，在這種地方安了這種軌跡的數據。下游關鍵口的交通構成跟上游哪些相關的，可以實時做監測，知道上游幾個關聯的交叉口過來的情況，這樣的對信號控制有非常好的作用。
從路網層級上，做車輛OD反推，但OD反推困難，先驗OD準確性要求高，仿真模型運算量大，依賴人工經驗調試，準確性低，范圍小、項目級、場景為主，完成周期長。一般的做法是犧牲精細度，采用宏觀或中觀仿真模型。這個可以做到實時反推，還有交通組織反推上面去做，做了很多工程上面的項目。從中發現一個問題，無論用什么，當路網加大的時候，就碰到困難了，尤其是一百個以上路口的時候，就會發現仿真最難的并不是建路網模型，最難的是標定參數，如果一天一個小時，以小時為單位的OD一天又24個OD，一星期標下來就不得了了，當性能反饋回來發現有偏差的時候，就需要再花時間調整。從大數據的角度來講，可能就會顯示是否有另外一種思路，這是傳統的缺點。也做了基于人工智能OD的路網需求確定，這個其實是抽流OD的方法，用的是一種是學習器。最簡單的是，在這個里面輸出了檢測的數據之后，會得到非常復雜的交通分配，這里面還有交通傳播等等一系列在里面。能不能找到一種方法學習它的規則。主要從兩個方面開展的，第一個，可以從仿真里面捕捉觀測的這些，也就是檢測的交通參數和得到的最終OD之間的這種關系，這是我們第一個嘗試。第二個嘗試，通過軌跡速度，不依賴于路網模型，只需要路網的圖，去推導OD，其實也是可行的。
基于深度學習進行在線動態OD估計其實有一個框架，這個框架其實最核心的部分就是基于神經網，也就是機器學習去捕捉剛剛說的兩種情況的關系，這種關系應用這種遺傳的方法去尋優，其實可以脫離原來仿真的軟件，當然這個地方做了一些現實的，這里面最難的是鮮艷OD，它要有基本的模板，可以通過號牌、識別去做的，在車輛OD圖上，在非常龐大的一個路網上面做鮮艷OD，可以知道各個節點上有多少車輛出去，多少車輛進來，不需要用路網模型。同時也做了一個實際的路網的一個情況，其實基于神經網絡這種機器學習的方法，性能上面有兩個方面，第一個，它的精度可以快速提升，提升是非常大的。第二個就是它的耗時，運算都需要兩三百秒，如果路網加大了以后，時間是指數級的上升，這種方法其實很快就可以做出來。
城市路網供需研究的思考
第一，交通大數據與交通流理論結合
新形勢下城市路網供需研究，交通大數據包括高解析度的數據—個體車輛，時空連續的數據—軌跡跟蹤，立體維度的數據—人-車-路-環境。交通大數據為深入認識交通規律創造了機遇，為交通流理論的進一步發展提供了基礎。
第二，動態供需網絡理論與交通運營管理結合
支持交通運營的方法應滿足準確性、實時性、可靠性。現有以擁堵狀態衡量為主：供給 + 需求共同作用的結果，難以揭示供需矛盾的內因?？陀^供給 + 需求傳播 + 擁堵狀態：供給、需求的分離，揭示擁堵產生的內因。
第三，人工智能與供需管控結合
在交通理論這基石，建立評價指標體系，實現人工智能與交通仿真技術結合，通過仿真積累知識，最后將人工智能應用于現實世界。
京公網安備 11010502049343號