張福生：交通大數據與實時自適應控制

       ? 交通數據特性分析

       交通大數據在交通控制中的應用目標有三個。

       第一，全面感知交通需求；

       第二，實時響應交通需求；

      第三，以數據驅動交通控制。

       交通感知數據包括：車流數據、客流數據、物流數據、道路施工數據、交通氣象、交通環(huán)境及城市活動、緊急事件等多各方面，這些數據變化都需要交通控制系統做出及時響應。

       分析交通數據，要從多個角度看待交通感知的特性。

       首先從數據產生的時空角度來看，感知空間上，分為斷面檢測、區(qū)域檢測和全域檢測;感知時間上，交通檢測分為短時檢測和連續(xù)檢測。

       從數據精度、采樣率上，既有全樣本檢測、也有抽樣的數據，比如來自互聯網的軌跡數據通常只要5%到10%左右的樣本量，而定點檢測設備輸出的基本是全樣本的數據。從檢測精度來看，既要看到統計上的準確性，也要關注數據的實時性，要根據控制場景需求對數據的準確、實時進行分析。

       從數據獲取方式上，傳統的檢測方式多為單向傳感式檢測，通過存在型檢測或通過型檢測來獲取交通數據。隨著車路協同技術的發(fā)展，以通信交互為主的數據獲取方式可以獲得更加多維的交通數據。

       不同的數據屬性對控制方法、控制理論的研究以及對控制系統的研發(fā)都會帶來巨大的影響。

       從數據屬性維度看，傳統數據通常關注的是流量、速度、占有率等，多維數據可以描述個體的身份ID、實時的坐標位置、路徑選擇信息、OD關系等等。

       此外，從交通供給需求角度，不僅要知道車，可能還要知道道路通行能力、路網結構和它當前的服務水平，包括交通與環(huán)境數據、緊急事件、城市活動、道路工程等。

       所有的數據結合才真正是交通大數據，而不僅僅是來自互聯網的數據。

       ? 控制系統分類分級

       有了數據之后，交通控制系統在利用數據進行控制優(yōu)化時，也同樣有很多問題值得思考，不同的控制方法，會產生完全不同的控制效果。

       我們從兩個角度來分析這個問題：優(yōu)化時間粒度、優(yōu)化運行方式。我們談到控制優(yōu)化，往往會直接聯想到用數據做配時優(yōu)化，方法有兩種。

       第一種是方案級優(yōu)化。利用統計數據生成配時方案，或者在備選的方案當中選擇相對優(yōu)秀的方案，我將這種優(yōu)化定義為方案級優(yōu)化。

       第二種是實時優(yōu)化。交通感知數據實時（秒級）上傳，系統實時對控制進行優(yōu)化和調整并立即執(zhí)行。

       優(yōu)化的方案生成之后，它的運行方式有三種。

       第一種是下端運行。將方案形成，并且通過網絡協議將方案下載到前端控制設備中，然后進行方案切換運行。

       第二種是中心運行。實時優(yōu)化，實時運行。

       第三種是分級運行，中心運行與下端運行結合。

       從運行模式上看，如果一個完全不同的方案替換現有方案，控制器通常需要方案過渡，這個過渡過程通常會對交通現狀造成極大擾動。

       實時優(yōu)化系統是不斷的在秒級水平上實時微調方案，并及時運行，可以避免方案過渡造成擾動，能夠實現平滑運行。

       方案在中心運行和下端運行進行有效結合，中心實時響應交通數據并做宏觀優(yōu)化，下端針對現場需求做微觀修正。

       大數據應用于交通控制，一定要以交通控制系統為基礎，不同的優(yōu)化運行方式，對數據有不同的需求，實現不同控制效果，所以我嘗試著對現有的控制系統進行分級。

       我將這個評價從L0到L3進行分級。

       L0是單點運行，能夠保障基本的交通安全，按照時間表運行或進行基本的感應控制。

       L1指信號控制機首先是聯網的，在中心能夠對信號運行狀態(tài)進行監(jiān)控，具有聯網的統一授時，能夠進行遠程配時，遠程人工干預。

       L2系統是在L1的基礎上，具有交通檢測能力，能夠進行中心狀態(tài)監(jiān)控、統一授時、遠程配時、遠程干預。系統能夠進行方案級的優(yōu)化、執(zhí)行能力，比如分時段的方案生成、自動方案選擇等功能。

       L3級系統在具備L2級系統的基礎上，具備實時的交通感知能力，能夠實時響應交通流變化，實時進行方案優(yōu)化并實時執(zhí)行優(yōu)化決策。

       目前，我們看到的現狀是：絕大多數信號控制系統是L1級別，部分城市建設的是L2、L3系統，但是由于運行維護的原因，實際運行在L1水平，能夠運行在L2、L3水平的系統很少。

       ? 交通數據與交通控制

       隨著交通感知技術的發(fā)展，地磁、視頻、微波雷達等傳感技術為交通控制帶來了豐富的數據源，互聯網軌跡數據以及未來的車路協同技術會帶來更加豐富的數據源，如何適應不同的交通控制需求，挖掘數據潛力是一個重要的研究方向？

       應用于交通控制的數據包括：傳統的交通檢測數據有全樣本量，多是基于斷面檢測（如線圈、地磁、傳統視頻虛擬線圈），或者小區(qū)域檢測（如廣域雷達、基于人工智能的視頻分析等）;最近幾年出現的來自互聯網的軌跡數據;以及來自第三方的事件數據、影響交通的環(huán)境數據、氣象數據、城市活動數據等。

       這些數據應用于不同的控制場景，各具特點，我試圖給這些數據在不同控制方面的應用效果打分，比如傳統數據可以用來優(yōu)化周期、綠信比、相位差，可以做感應控制請求、擴展、方案優(yōu)化，或者是實時優(yōu)化等；軌跡數據可以應用于控制評價、交通事件發(fā)現等。

       也有一些我還沒有考慮周全的，比如軌跡數據是否能夠應用到感應控制上，事件數據是否能用來影響周期的相位差等，這里面有很多需要進一步研究的話題。

       ? 案例

       （如上圖）這是SCOOT系統界面以及SCOOT系統優(yōu)化的基本原理。SCOOT基本排隊模型，上游的檢測形成排隊，以及到路口的飽和通行能力，通過對排隊模型和消散能力的運算或者周期、綠信比等參數來優(yōu)化路口。這樣的模型需要的是上游實時準確的存在檢測，并輸出精準的檢測脈沖，因此對檢測器的類型、檢測域特性有嚴格的要求。

       上圖是實際應用效果的界面，這個路口由兩相位組成，可以看到實時自適應的系統控制效果，周期與每個信號階段的時長都在實時變化，這些變化的依據就是來自現場的實時交通感知數據。

       最后總結一下，大數據應用于交通控制，首先要有可以響應大數據的基礎控制環(huán)境，實時自適應系統就是承載大數據應用的基礎平臺。

來源：賽文交通網