欢迎来到赛文交通网!

顾怀中:基于互联网+正向雷达信息的AI交通控制系统探讨

2018-04-19

来源 : 赛文交通网

作者 : 顾怀中

0人评论

4月11日,由赛文交通网主办的第七届(2018年)中国智能交通市场年会,简称ITSMRS(ITS Market Seminar)在北京成功召开。

blob.png

(南京市公安局交通管理局总工程师 顾怀中)

南京市公安局交通管理局总工程师顾怀中在“第七届(2018)中国智能交通市场年会”主论坛上发表了《基于互联网+正向雷达信息的AI交通控制系统探讨》主题演讲。

以下为顾怀中演讲实录:

今天主要探讨四方面,一个是现状,第二重点是互联网信息与正向雷达信息相互关系的分析,最后再提一下互联网信息与正向雷达信息量者之间融合以后,信号控制的探讨。

现状,看滴滴的智能交通现状,以信号优化为主,实现了单点、干道、区域的优化,主要是用滴滴用户的数据来进行交通状态判断以后进行优化的。

这里的信息平台,都是滴滴公司提供的,包括交通信息平台、信号的检测、效果的评估和预判。

莱斯的智慧交通控制信号,是基于路口渠道段交通数据进行控制的,所以这里面又分了三大块,特别是我们交警的数据、关键技术和城市路网交通控制信号系统。

在他们的基础上,我们现在来看互联网的信息和正向雷达信息。

互联网信息是滴滴提供的,他们的数据我个人理解主要是几方面,一个是排队长度,通过他们用户位置信息来判断的。第二是通行速度,这也是用户的速度。第三个是延误时间和停车率,这是他们的四种数据。

blob.png

另外正向雷达,在这之前我也跟大家做过介绍,我们现在有两个路口,通过正向雷达的检测,获取八大类数据。

一个是排队长度,这个数据要求很精准的;通行速度,采用的跟踪方法,获取了路口车辆的通行速度。还有延误时候、停车率、交通流量、车头时距、车道内车辆数和出口道溢出信号等。

blob.png

再看看这几类数据之间的关联和特征。我们有两个路口进行正向雷达的控制,这两个路口相距245米,这是我们路口的图。另外我对这个路口也是进行了控制。基于这样道路条件,我们进行了分析。

采用了五个参数对互联网信息数据和正向雷达数据进行分析,车辆排队长度、通行速度、延误时间、停车率和车辆到达。前面的四个数据,互联网信息都可以提供,车辆到达也可以得到,我们等会儿做一个简要的分析。

blob.png

我们看看排队长度。这个数据是一个路口一个礼拜在每个时间段,比如说一个小时内的平均数,车辆排队的长度。

看这两者之间的相互关系,一个是走势比较一致,上面是滴滴提供的路口排队长度,下面是正向雷达实时检测的排队长度,它的规律是基本一致的。

所以我们再看看具体的数据分析,这是正向雷达获取的一周中,每天在一个时段里,在下午5点到5点半的排队长度。

所以我们就可以用这个数据来看看,正向雷达排队长度的均值是44.95,滴滴的数据是56.7,正向雷达方差是21,他们直接有比较强的关联性,虽然有误差,但是根据误差的性征,我们完全可以把互联网数据用于信号优化,同时把正向雷达数据做一个界定假设。

blob.png

然后是通行速度,正向雷达获取的是车辆在检测区域里具体每辆车的速度,所以你看正向雷达获取的数据是比较平稳的。滴滴通行速度波动性就稍微大一点,但都是围绕正向雷达的数据来波动的。

所以再看一下,因为我们是拿五天的时段作为平均的,如果把平峰、高峰这些时段,再做一个平均的话,就感觉到滴滴的通行速度和正向雷达的通行速度就比较一致了。

blob.png

再看看延误时间分析。这两个走势比较一致,早高峰跟晚早峰之间稍微有不同,滴滴的数据早高峰高一点,正向雷达数据在晚高峰稍微高一点,但是偏差都不是很大。

这里是停车率的数据,滴滴的数据也是波动性比较大,但是平均以后还是两者还是比较一致的。

blob.png

综合来看,互联网的数据跟正向雷达数据各有优势,关联性比较强。在关联性比较强的基础上再做一个分析,一个是互联网数据是整个区域里面的全检测,因为它的用户数据可以从起点到终点全覆盖,我们用的是整个区域的。

正向雷达因为它获取的是进口道的数量,数据比较准确。所以基于这样的关联性,基于这样一个空间、时间的特点,我们初步回答一下两者各自的特征。

互联网的交通信息覆盖广,可以测量的到的的数据比较全,因为它获取的是个体的数据,可以持续跟踪车辆在整个一次出行道路的状况,但是它也有一个问题,由于它的样本量比较小。

据我所了解滴滴公司的互联网数据是占到整个交通量中的3%-5%,包括刚才所讲到的排队速度,用3%-5%也就足够了。

但还有一些数据量比较大的,这样的数据如果样本量少的话就造成了波动。正向雷达的数据,一个是数据信息比较精确,但是它也有一个问题,覆盖面不全,特别是对于路径上的信息,比如说一条路上的流量,一条路上的车辆通行速度、通行时间,用正向雷达就获取不了,这是它的缺点。

所以基于这样的分析之后,我们来设计两者拟合以后的交通信号优化和控制方法。基于情景分析之后,我们的联合控制需要哪些信息?也不是说有大量的信息都能用,或者只采用互联网信息提供的数据就可以。

我们经过初步的分析是这样的,排队长度、通行速度、延误时间、停车率、车辆到达,用这样五个参数来进行智能交通信号控制。

所以在这样的信号控制的参数选择以后,我们单点优化可以采用排队长度、到达车辆数、停止线流量和出口车辆数这些参数,这里大家可以做一个详细的分析,我做了分析以后,我感觉这里面要研究的东西还是很多的,要精细化分析的话要做的研究还是很多的。

另外路口之间的协调优化,可以通过通行速度、排队长度、到达车辆数和停止线流线这几个参数,这两种策略都提出来了用停止线流量。这在我们常规的交通信号控制中是把它作为一个常规的常数,叫饱和通行流率,或者车道通行能力。

有了正向雷达数据以后,完全可以把它作为一个动态参数来识别。

blob.png

有这样的指标之后,我们的预测和调整,可以根据到达不同断面的车辆来进行预测和动态调整。

正向雷达检测一般是150米,那么如果排队到了150米之后,我们就可以用互联网数据来进行预测了,所以这个预测应该是实现了整个路网的预测,我们还可以考虑它们之间是怎么衔接的。另外有了这个数据以后,我们的优化指标就很丰富了。

一千这个指标不是检测指标,路口停车延误时间都是通过计算获取的。有了正向雷达以后,我们直接可以把它检测出来,用检测出来的通行指标直接可以用平衡的办法来算它的配时优化。不知道大家能不能理解,我们已经有的优化是通过算法,有好多种,包括国内国外的。

现在基本点是基于计算过来的参数,但是由于现在的参数是直接获取的,优化方法也就变得很简单了,优化指标也可以直接获得。

另外均衡算法也相对简单,因为有了正向雷达的检测段的精准数据,又加上互联网基于整个路网的通行数据,所以要实现路口之间的均衡交通需求,我个人感觉就相当简单了,就不需要那么复杂了。

所以我们的优化策略是基于丰富的数据,实现更加贴合交通需求的优化策略。

blob.png

这里面我们还提出了信号控制方法,一个是实时反馈控制,因为有了正向雷达的数据,对于车辆在路口通行的规律、通行状况都能实时掌握。可把控制的效果直接就反馈给信号控制器来进行调整。

另外还可以进行协调控制,协调控制是根据正向雷达和互联网的数据实现路口之间的协调。

通过正向雷达可以检测到渠划段里面的数据,再通过互联网的数据可以预测到即将经过的区划段的规律,所以如果把这两个数据做整合以后,再进行协调控制就相当的简单了。

另外还提出了虚拟联控。这是什么概念呢?路口联网的可以基于正向雷达数据和互联网数据进行优化,针对不联网的路口怎么办呢?我们提出将联网的数据来适应不联网的路口的数据来进行虚拟联控。

这里也有个前提条件,利用互联网的数据,对不联网路口几个参数的规律进行分析,分析以后再把这些规律反馈到联网的系统里,联网的路口根据这个规律进行实时的调整,达到虚拟的联控。

blob.png

上图AI应用分析,数据层、控制参数层、应用层。分层之后我们怎么用人工智能进行学习?这也是我们的初步思考。人工智能来学习也是根据这三层开展的。

在数据层,可以通过数据的分析包括互联网的数据和正向雷达数据,根据流量、通行速度、通行时间,来分析整个路口的通行信息。所以在数据层我们进行人工智能学习。

另外很关键的一点,基于交通特征学习的需求,人工智能要能够在不同的时段、不同的空间,是以互联网的数据还是以正向雷达的数据为基础来学习,这也是人工智能学习关键内容,所以这个还是很复杂的。

什么时段用互联网的数据,什么时段用正向雷达的数据,怎么样进行集合,即在不同时段里边,各种不同的路口特征不同,还可以用不同的数据进行整合。这里面就是在数据层面进行数据整合。

再下面是就是控制层的自主学习,怎么来根据控制效果进行学习?我们用什么样的控制参数?用什么样的优化方法来学习这个控制层参数?那么人工智能的方式也要进行学习。

再下面就是应用层,包括控制策略和规划方法,根据控制效果反馈以后,对控制策略的算法进行优化,形成资源池,在资源池里选择控制效果比较好的策略和算法。这里是我设想的,这样一个工程,包括对优化算法本身也可以进行学习,再进行优化。

包括控制策略本身也可以,反过头来把资源池再进行丰富,所以可以通过人工智能的方法控制的效果调整得越来越准确,控制效果做到越来越好,所以这是我初步设想的控制优化的思想。

blob.png

另外最后一点,由于互联网的数据跟交通信号控制网要进行衔接,这里面的交通安全大家就要注意了。有三点,专用网络、专机专用和数据安全。

数据安全里包括网络专机和数据安全,我个人感觉区块链在安全里面有很大的用武之地。所以就跟大家做这个建议,也请大家探讨。

1.7its.com 遵循行业规范,任何转载的稿件都会标注作者和来源; 2. 7its.com 的原创文章,请转载时注明文章作者和来源,不尊重原创的行为将追究责任; 3. 7its.com登载此文出于传递信息,并不意味着赞同其观点或证实其描述,文章仅供参考。
延伸阅读
关于“跨子区相位差”提升信号绿波协调效果的探索实践
C-V2X商用落地照进现实,中国车企如何变道超车?
朱志星:面向车路协同环境的道路交通安全管理探索
数据评估是如何辅助信控优化决策的?
浅谈需求响应式公交背后的技术
区块链在交通领域的应用探析


微信二维码


新浪微博


交通包打听


360网站安全检测平台