编者按：在第十四届（2025）智能交通市场年会分论坛，交通管理数字化创新论坛中，同济大学交通学院教授唐克双发表了《人工智能和数字孪生混合驱动的交通信号控制评估-诊断-优化》主题报告。信号控制作为城市运行的核心子系统，对道路交通提质增效至关重要，却面临时空连续需求难预测、非线性状态难推演、高维复杂系统难优化等技术瓶颈。唐克双分享了正在承担的国家重点研发计划战略性科技创新合作项目，项目采用新数据源，融

信号控制作为城市运行的核心子系统，对道路交通提质增效至关重要，却面临时空连续需求难预测、非线性状态难推演、高维复杂系统难优化等技术瓶颈。唐克双分享了正在承担的国家重点研发计划战略性科技创新合作项目，项目采用新数据源，融合人工智能与数字孪生技术，致力于构建交通信号控制评估-诊断-优化自主闭环技术。项目计划于今年年底在上海嘉定区和连云港海州区完成应用验证，期待为交通信号控制领域带来新突破。

本次要讲的题目在许多领导老师的分享中均有提及，大家都在强调评估、诊断、优化的闭环。此次分享内容基于我们正在承担的一个国家重点研发计划战略性科技创新合作项目，我们与香港理工大学、中船杰瑞共同合作开展相关工作。

信号控制是城市运行中极为核心的子系统。根据现有数据统计，在大城市的通勤出行中，约三分之一的时长消耗在信号控制交叉口。这表明信号控制已成为城市道路交通提质增效的关键着力点。然而，信号控制十分复杂。

首先，存在时空连续需求预测问题。当前，大量信号控制依据断面的流量、密度和速度开展工作。但对于整个路网而言，车辆的起始点、行驶路径以及时空连续需求，凭借现有的检测手段很难精准测算。毕竟出行行为具有随机性，出发地与目的地组合众多。

其次，许多适用于常规路网的交通流模型，在信控路网中并不适用。例如流密速三曲线，在高速公路等连续流设施上能够成立，可在城市道路等间断流设施上，该曲线难以适用，导致交通流状态推演困难，现有的仿真技术也难以应对。

再者，路网层面的优化属于高维问题，需要借助诸多AI 技术才能实现。

本项目旨在解决或缓解制约信号控制提质增效的这三个技术瓶颈 。

为解决当前交通信号控制面临的问题，我们采取了以下途径：

一方面，尝试采用新的数据源。目前，我国除传统的线圈地磁等检测手段外，以视频为代表的车辆身份识别技术，以及大量的网联车或众包数据，能够提供车辆出行的时空连续感知数据，这些数据可用于获取车辆的 OD 路径、路径选择以及控制效果反馈等信息。正如有同行提到，利用高德数据进行评估，这对解决当前的难题具有积极的赋能作用。

另一方面，从技术层面看，人工智能和数字孪生技术在信控路网上具有较大的应用潜力。它们能够对出行行为进行较好的认知和预测，在解析复杂信控路网交通机理方面，具有传统理论模型难以企及的优势，还能用于复杂问题的求解。数字孪生所具备的独特在线推演能力，有助于我们克服当前面临的三大挑战。

基于此，我们的项目设定了四个研发任务，以应对这些挑战。

其一，实现从以往基于断面的时段数据预测，转变为个体级的时空连续需求预测；

其二，开展信控路网的实时孪生推演。其中，通过雷视一体技术采集单个路口车辆信息相对容易，但要将整个路网拼接，实时在数字模型中映射出车辆完整行驶轨迹，从出发地到目的地的全过程，这一任务难度极大，也是项目中的主要难点。

再者，虽然当前拥有大量人工智能算法，但绝不能忽视交通工程经验。例如，利用DeepSeek生成的信控优化方案，未必比经验丰富的交警所给出的方案更为合理。所以，我们需将人的智能与机器智能相结合，开展人机融合智能优化。

最后，我们与中船杰瑞共同开发平台，旨在解决现有痛点问题。目前交通信号控制多依赖人工介入，处于 “人治” 模式，而项目目标是转变为 “自治” 模式，即通过智能化手段实现自主高效控制。

我们旨在构建一个由AI和DT混合驱动的交通信号控制评估-诊断-优化自主闭环技术。主要研发内容涵盖以下几个方面：

首先，开展信控路网车辆出行需求的时空演化规律认知与实时预测工作。其次，实现OD-路径-轨迹一体化的同步推演与数字孪生，这一点尤为关键。当前数字孪生仅针对个体车辆，若将车辆置于全局完整出行过程考量，并非真正意义上的数字孪生。因此，我们计划贯通宏观、中观、微观三个层次，达成真正的孪生。再者，在控制优化方面，结合人工智能与人类智能形成闭环。最后搭建相关平台。

在第一个任务，即实施需求的规律认知和实时预测中，存在显著难点。尽管当前视频检测手段多样，但布点依旧稀疏；网联车数量虽有所增加，却属于有偏采样，渗透率较低。例如，常见的 AVI 电警卡口，点位密度能达到 30%—40% 已属不易。早高峰时段，网联车渗透率能超10%，但多数情况下低于10%，整体仍处于较低水平。

如何利用这些有效的稀疏且有偏差的观测数据，实现对全样个体车辆的精准定位及路径推测，是一项极具挑战性的任务。在此，我们计划将人工智能算法与相关理论相结合，借助对新数据的挖掘来开展此项工作。

第二个问题是OD-路径-轨迹一体化的重构与数字孪生。其难点在于，需采用宏微观一体化的交通仿真模型来实现车辆OD-路径-轨迹一体化。因为要确保 OD 出行的中间路径与轨迹保持一致，若分开处理，就会出现不一致的情况，进而导致最终推演结果出现偏差。

目前，大多数重构工作为离线。尽管仿真技术已发展多年，但在线仿真仍面临诸多难题，包括检测数据不足、模型缺陷等。所以，我们需要解决OD-路径-轨迹重构结果不一致的问题。

在信控路网上，数字孪生还存在时间越长误差越大以及时延难以解决的问题。由于要进行实时信号控制优化，若时延超过一到两分钟，虽然仍有一定作用，但效果会大打折扣。为此，我们期望通过运用人工智能技术以及创新交通流模型来解决这两个问题。

在控制优化方面，首要问题是当前评估、诊断与优化环节相互脱节。我们所理解的诊断，如同医生为病人看病。对于个性化的个体，若缺乏各项指标的合理参考区间，诊断就会陷入盲目与模糊。例如，不同身材、血型的人，针对特定病症，应设有个性化指标以判断是否存在问题。同理，在交通信号控制中，我们期望通过确定合理参考区间，打通评估与优化环节。其次，面对优化过程中的高维问题，我们计划开发基于人工智能和数字孪生的算法加以解决。

最后是平台建设。所有相关技术都将整合到平台上。当在平台中运用数字孪生与人工智能技术时，场景维数爆炸问题随之而来。不同路口的车道数、功能需求特征、路网拓扑结构以及周边连接关系各异。若对每个场景都进行大量数据训练并不现实，这就如同自动驾驶测试领域面临的稀疏度灾难问题，即难以确定关键少数场景，也不清楚这些少数场景会产生何种影响。因此，存在稀疏场景的加速训练问题。如何将在一个路口训练好的 AI 算法移植到下一个路口，也是交通研究人员需要思考和解决的现实问题。

在开展此项目前，我们已与中船杰瑞合作搭建了基础版信控优化平台。在当前承担的国家重点研发计划战略性科技创新合作项目中，我们将新增如人工智能引擎、数字孪生引擎以及人机融合智能信控优化等内容，升级改造原有平台。

项目的首要研发任务是需求预测。首先进行的是断面流量预测，这属于较为经典的传统项目。鉴于当前电警卡口、网联车、线圈等数据，因数据质量和布点密度问题呈现出稀疏性，我们需要解决在大量数据缺失的情况下，如何做出相对可靠的车道级流量预测，为信控状态推演和评估优化提供支撑。目前采用的算法是将估计与预测问题整合在一个框架内。

其次，在信控路网上，存在部分流量无法在规定时间内到达下一个路口，此类流量的关联性在实际测量中并不存在，需予以剔除。这一做法充分考虑了信控路网上受信号灯影响的流量在前后连续性测量时出现的问题。

目前，车辆行驶路径预测问题尚未得到妥善解决，但我们已得出初步结论并制定了初步方案。预测车辆经过某卡口后下一步的行驶方向极具挑战性，需要大量历史数据以及个体车辆出行行为的特征属性作为支撑才能开展此项工作。

我们整合了与中船杰瑞、海康等合作企业提供的数据，构建了初步模型，该模型利用过去两周的历史数据，对实时路网中每一辆车的行驶路线及目的地进行预测。这一任务难度极大，截至目前，整体预测精度为79.9% 。不过，对于在五天内被捕获两次以上的车辆，预测精度可达86%。

这意味着，对于出行较为频繁、历史规律掌握相对充分的车辆，我们能够更准确地预测其行驶路径；而对于出行频率较低的车辆，预测精度则相对较低。开展此项工作的目的在于解决数字孪生中的时延问题。

过往，车辆路径重构问题受到广泛研究，我们团队也投入了诸多精力。其中，最核心的问题主要有两点：其一为OD-路径-轨迹重构结果不一致；其二是当完成路径重构时，往往已过去一段时间。因为利用AVI等数据推测车辆行驶路径，在车辆刚启动时，缺乏有效数据用于挖掘其行为特征，通常需要积累30分钟至1小时的数据，才能计算出车辆在过去 1 小时内的行驶轨迹。如此一来，当将重构结果放入模型时，时间已经滞后1小时，数据与结果相互滞后，单纯进行路径重构显然不足。

我们进行路径重构，旨在构建基础的数据模型，以反映过去1小时的交通状况；而开展预测工作，则是为了推测实时交通情况。基于现实情况，假设路网中约有30%的AVI覆盖度，网联车占比小于10%。我们要重构的是车辆从进入路网直至离开路网的全程路径，而非仅两个AVI监测点之间的路径。

实际结果显示，整体重构精度可达80.01%。对于仅被捕获一次的车辆，精度约为78%；被捕获两次及以上的车辆，精度能达到95%。这表明，只要车辆曾在数据库中出现过，重构结果的准确性较高。

此外，还需实现路径和轨迹的一体化。以往上层模型仅能提供车辆进入和离开路段的时间点，却无法明确车辆具体的行驶细节，例如从哪个车道进入、在何时何地变道、从哪个车道驶出等。而这些微观信息对于构建微观仿真模型至关重要，无论是使用何种仿真软件，都需要此类输入数据。

为此，我们开展了一系列基于基本线性规划的工作。考虑到交通流的约束条件，如遵循基本跟车模型，确保安全距离以及满足换道规则等，将车辆进入点与离开点之间的轨迹及断点连接起来，以此还原车辆实际行驶路径。我们运用公开数据进行测试，结果显示，轨迹重构效果在距离上误差约为 3 米，轨迹重合度达 92% 左右，精度较高。

在控制优化方面，早在项目引入AI和数字孪生技术之前，我们就提出了基于电警卡口和网联车数据的自主闭环框架，涵盖状态评估、方案优化及仿真引擎等部分。在项目推进过程中，融入AI和DT元素进行优化，形成了当前版本，进一步将数字孪生和AI技术嵌入其中，实现真正意义上的闭环控制。

针对运行评估，我们提出了点、线、面三类场景下的信号控制运行评估指标体系。该体系综合考虑连续感知数据特点，在借鉴行业企业、标准规范以及相关论文中提出的指标基础上，设计了新的运行评估指标体系，部分用于信号控制运行评估，还有大量诊断类指标服务于后续诊断工作。

我们构建了一套完整的运行评估指标核心算法集，能够支持三十多项核心运行评估指标在流向级和周期级的计算，这些计算可分别基于网联车数据或电警卡口数据进行。需要说明的是，这三十多项指标是计算难度较大的部分，还有许多其他指标可通过简单统计得出，无需专门算法。

在运行评估中，一个关键要点是判断路口信号配置的优劣。路口运行不佳，可能源于信号控制不当，也可能是交通需求过大，或是道路设计、车道功能划分存在问题。因此，我们需要对路口的 “好坏” 进行打分，就如同为每个 “个性化病人” 设定合理参考区间。比如体检报告中的指标范围，我们会依据路口特点，结合各项指标，将其与不同问题及改善措施相对应。

为此，我们大量结合交通工程师的经验，梳理出一个多层级知识图谱。图谱中明确了不同类型问题可通过哪些指标反映，对应何种时空尺度指标，可能的问题是什么，以及相应的改善措施。

在问题诊断方面，除了上述方法，我们还针对历史数据的有无，设计了一种基于推荐系统的诊断方法。从核心原理来看，当有大量历史数据时，判定路口是否存在问题，通过训练历史数据即可实现；而当路口历史数据较少时，则需要从统计层面结合一些仿真数据来进行诊断 。

在优化环节，我们依据诊断结论，建立问题与优化措施之间的对应关系。针对不同的调控需求，存在多种调控手段，通过对各类问题进行归类并划分严重程度等级，确定与之对应的优化措施。

在优化算法方面，除传统算法外，我们还引入了 AI 算法。然而，AI 算法存在冷启动问题，即前期需要输入大量数据才能发挥效果，收敛曲线较为平缓。因此，我们致力于解决 AI 算法的冷启动难题。

当前，多数滤波方式采用干线协调集中式，我们思考是否能够将其转变为分布式。随着未来积累大量详细的路口数据，集中协调式绿波是否仍有必要？我们期望实现分布式绿波控制。

在路网层面，传统系统多采用时段划分及子区划分的方法。我们设想能否摆脱这类体系，直接运用基于协调图和多智能体强化学习算法，自动调节不同路口间的协同关系，通过强化学习进行优化，从而避免大规模复杂优化问题的求解。将评估、诊断、优化串联起来，形成一个点线面结合的闭环系统。

我们与中船杰瑞合作，开展了干线协调信号控制算法的验证工作，从电警卡口指标计算，到诊断出相位差不合理，并给出推荐的优化措施，这一过程十分有趣。

在平台开发方面，我们与中船杰瑞携手合作，知识产权由双方共享。

目前，平台已嵌入三大类十八小类场景的算法仓，涵盖传统算法与 AI 算法。单点与干线部分算法已基本嵌入平台，路网部分算法仍在开发。

目前，平台仍在开发中，部分功能尚未完善，但已深度融合了我们的算法。在此，特别感谢中船杰瑞对我们的信任，将其实战产品与我们的算法直接结合，并非仅停留在实验室层面，而是应用于实际产品，这实属不易。在需求模块方面，有断面和路径预测的相关界面，同时也有数字孪生推演模块。

中船杰瑞团队开发了一个有趣的功能，即将SUMO内置模块用于推算车辆入网位置，并实现与现场路网中车辆位置的实时映射。通过这一功能，能够直观地对比仿真结果与实际运行结果的吻合度。

在评估诊断模块中，前面提及的众多评估指标均可在该系统中进行计算。由于部分数据存在偏差，一些显示可能看起来不太正常，但功能已基本开发完成。用户既可以手动选择指标，也能使用自动勾选功能。诊断部分则会针对路口问题进行分析，例如相位问题、路口整体状况，包括单流向短时拥堵、多流向短时拥堵、失衡等情况。

方案优化模块的核心在于对整个路网中的路径进行区分。我们倾向于基于关键路径开展更精细化的控制，而不太提倡使用习惯的“子区”概念。该技术的优势在于能够精准识别真正需要协调的路径，而非局限于传统的时段和子区的概念。

目前，整个技术体系研发已历经约五年，其中与中船杰瑞合作两年多。尽管该体系仍存在诸多漏洞和问题，但团队一直在努力推进。例如，孪生时延问题至今尚未很好解决，项目任务书规定的 2 秒时延目标，目前仍难以实现。路网层面的人工智能算法开发与测试工作仍在持续进行中。按照计划，今年年底前需在上海嘉定区和连云港海州区完成应用验证，任务艰巨，压力较大。