性能驱动作为一种管理理念

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，清华大学教授、交通工程与地球空间信息研究所所长李瑞敏，作了主题为《从“数据驱动”到“性能驱动”-交通信号控制范式的转变》报告。

李瑞敏表示，数据驱动模式在一定程度上提升了交通管理的效率和精准度，例如通过实时采集的交通流量数据，能够及时调整信号灯配时，缓解局部拥堵。然而，随着交通需求的多样化和复杂化，数据驱动仅是推动信号控制水平提升的手段之一。一方面，大量的原始数据若缺乏有效的整合与分析，难以直接转化为具有实际指导意义的决策依据；另一方面，单纯依赖数据往往忽略了交通系统的整体性和动态性，无法全面考虑不同交通参与者的需求和交通运行的综合性能。

李瑞敏表示，性能驱动作为一种管理理念，强调以交通系统的实际运行性能为核心，综合考虑交通效率、安全、环保等多方面因素，为交通工程的优化提供了新的思路和方法。将性能驱动理念融入交通信号控制，不仅能够弥补数据驱动的不足，更有助于实现交通系统的精细化管理，提高交通资源的利用效率，提升城市交通的整体品质。因此，深入研究从数据驱动到性能驱动的转变，探索其在交通信号控制中的应用，对于解决当前交通难题、推动交通工程领域的发展具有重要的理论和实践意义。

1.1 交通工程衡量难题

交通工程在实际管理中，面临着诸多衡量方面的困境。以拥堵衡量为例，目前国内常用的百度和高德排名，依据拥堵延时指数和平均速度进行评判，但这两个指标之间存在不一致性。

如在特定日期，南京、武汉因降雨拥堵延时指数较高，然而不同城市间，拥堵延时指数排序与平均速度排序并不匹配。像苏州速度为19.97排第八，拥堵指数2.53；长沙速度17.69，拥堵指数2.44，这使得在衡量拥堵时难以抉择合适的指标。

在交通安全衡量方面，百万车公里死亡或受伤人数虽为常用指标，但由于不同城市汽车使用强度和人口数量差异显著，该指标难以精准衡量城市或地区的交通安全水平。通过对比不同城市相关数据，很难直接判定哪个城市更安全，这凸显了交通工程衡量工作的复杂性与挑战性。

1.2 数据发展在交通领域的体现

数据时代的到来，为交通领域带来了海量的数据资源。从数据到信息、知识，再到智慧的转化过程在交通领域逐步推进。目前，交通检测数据丰富多样，涵盖流量、速度、旅行时间等。

但原始数据本身价值有限，例如高峰小时通过2000辆车，在不同道路条件下意义不同。将其处理为饱和度、拥堵指数、延误等信息后，能更直观反映交通状况。进一步形成知识，如早晚高峰拥堵指数高、乌鲁木齐因时差拥堵时间较晚等。而交通工程机理性知识，如当斯定律等，是交通领域追求的更高层次智慧成果。在此背景下，探索从数据驱动迈向性能驱动的交通管理模式成为必然趋势。

2.1 设计环节的重要性与关键问题

在智能交通系统发展建设中，设计阶段占据重要地位，前半部分主要为设计工作。设计过程不仅要明确建设内容，如路口设备设置，更要关注与性能和发展目标相关的关键问题。包括确定通过系统建设期望达到的性能指标以及计算性能指标的方法，考虑不同对象在不同时期对性能指标的不同追求，以及制定性能指标的监测方式。在当今技术条件下，人工监测大量性能指标已不现实，需借助先进技术手段实现高效监测。

2.2 信号控制设计流程与性能指标确定

以信号控制设计流程为例，首先需从城市总体目标出发，城市总体目标涵盖多个领域，交通目标是其中重要组成部分。但在实际规划中，存在交通目标与城市绿色发展理念相悖的情况，如取消公交专用道、压缩自行车道。在明确交通和出行目标后，确定信号控制目标。若重视行人和自行车通行权益，在信号配时和相位方案设计时应有所体现。

同时，选择合适的信号控制性能指标至关重要。当前相关标准不断更新，提供了众多可供选择的指标。在新建或改建信号控制系统时，需根据不同场景提前确定适用指标。以纽约为例，为减少行人伤亡，采取设置全向行人灯（虽适用场景有限）、实施行人提前放行等措施。截至2023年10月，大量路口实施了行人提前放行，设置了全向行人灯，并增加了为视觉障碍者设置的行人灯。国内外众多性能指标，如我国相关标准及美国的26个指标，都为信号控制设计提供了有力指导。

3.1 运行性能的定量监测与改进点发现

在信号控制实际运行过程中，不能仅依靠感性认知来评判效果，如认为信号灯优化后应形成绿波带、避免拥堵，而需进行定量监测。监测过程需综合考虑不同日期、周期、转向等多种因素。

通过实际性能监测，能够精准发现改进点。例如，对两个城市进行宏观和微观改造及评估后发现，改造虽总体取得一定改善，但部分道路仍存在问题，这些道路便是后续改进的重点方向。

具体而言，可采用先进的传感器技术和数据分析软件，对交通流量、车速、车辆排队长度等关键指标进行实时监测。利用高清摄像头结合图像识别算法，准确获取路口各方向的车辆通行情况，通过在道路上埋设感应线圈，精确测量车辆的速度和流量数据。

通过这些监测手段收集到的数据，经过专业的数据分析模型处理，能够直观地呈现出交通信号控制的实际效果，帮助交通管理者及时发现信号配时不合理、路口通行能力不足等问题，为后续的优化改进提供有力依据。

 3.2 数据分析在信号控制运行中的作用

数据分析在信号控制运行中发挥着关键作用。通过分析不同数据之间的关系，如将两个路口的相位差和车辆行驶时间绘制在一张图上，可清晰呈现规律，为制定信号控制方案提供依据。借助互联网公司的浮动车数据、卡口数据等丰富的数据资源，经过分析能够快速生成优化方案。

同时，在实际运行中还需关注不同出行者对信号控制的需求差异。例如在哥本哈根，优先考虑骑自行车者的绿波带，这体现了不同出行者对信号控制性能的不同追求。在信号控制工作流程中，需将不同道路路口对性能指标的追求融入其中，实现从传统运行模式向基于性能指标驱动模式的转变。

利用大数据分析技术，对浮动车数据进行挖掘，可以获取车辆的行驶轨迹、行驶速度以及在不同路段的停留时间等信息。结合卡口数据，能够进一步了解车辆的通过时间和车牌信息，从而更全面地掌握交通流的变化规律。通过对这些数据的深度分析，可以建立交通流量预测模型，提前预测不同时段、不同路段的交通流量变化趋势，为信号控制方案的优化提供科学依据。

根据不同出行者的需求，如为公交车辆设置优先通行信号，保障其准点运行；为行人设置合理的过街时间，提高行人的出行安全性和便利性。通过这种方式，实现交通信号控制对不同出行者需求的精准满足，提高交通系统的整体运行效率。

4.1 维护工作衡量指标与性能驱动维护理念

信号控制系统维护工作需要明确衡量指标，包括正常工作的检测器百分比、信号机在线率、响应时间、维修平均时间等。当前部分先进系统存在检测器损坏比例较高的问题，若超过20%，系统功能会退化。因此，系统应具备实时监测和报警功能，确保检测器完好率维持在80%以上。

基于性能驱动的维护理念，需首先明确性能指标产出或结果，以此验证维护目标的实现情况和维护策略的有效性，进而驱动维护工作的开展，确定维护工作的优先级。利用物联网技术，对信号控制系统中的各个设备进行实时监测，通过传感器采集设备的运行状态数据，如电压、温度、信号强度等。

 4.2 不同维护类型与性能驱动的关系

信号控制系统的维护类型主要有响应性、预防性和预测性维护。响应性维护目前占比较大，是在出现问题后进行维护，如更换损坏的信号灯、排查线路故障等。预防性维护则是按照一定时间周期进行巡查，无论路口是否存在问题。预测性维护是更为高级的维护方式，通过实时监测设备运行状态，与设备理论可靠性进行对比，预估设备可能出现问题的时间，并提前进行维护。

在未来购买维护服务时，性能指标需由服务方和购买方共同协商确定，且性能指标会对预算和资金分配产生影响，合理平衡性能指标与资金投入是保障信号控制系统维护工作顺利开展的关键。预测性维护通过引入人工智能和机器学习算法，对设备的运行数据进行深度分析。利用深度学习模型，对设备的历史运行数据进行学习，建立设备的健康评估模型。

通过该模型，可以实时评估设备的健康状况，预测设备的剩余使用寿命和可能出现的故障时间。当预测到设备即将出现故障时，提前安排维护人员进行维护，更换可能出现故障的部件，避免设备故障对交通信号控制造成影响。在购买维护服务时，根据不同的性能指标要求，制定合理的服务费用标准。对于对信号机在线率、检测器完好率等性能指标要求较高的项目，相应提高维护服务费用；对于要求相对较低的项目，适当降低费用。通过这种方式，实现维护成本与维护效果的平衡，确保信号控制系统的稳定运行。

交通信号控制从数据驱动到性能驱动的转变是交通工程发展的必然趋势。通过构建完善科学的性能指标体系，能够有效指导交通信号控制从设计、运行到维护的全流程工作。在设计环节，明确性能指标，确保设计方案符合城市发展目标和不同出行者需求；在运行阶段，通过定量监测和数据分析优化信号控制方案，提高交通运行效率；在维护过程中，依据性能指标实现高效维护，保障系统稳定运行。

未来，应持续完善性能指标体系，不断探索创新，以适应交通领域的快速发展，提升交通管理的科学性和有效性，为人们创造更加安全、高效、便捷的出行环境。