数据采集是进行信号控制的基础

数据采集是进行信号控制的基础。海口交警支队科技科科长陈冬，在3月25日由信控中国主办的中国交通信号控制发展年会上，发表了“道路交通数据在信号控制的应用”的主题演讲，从管理侧和用户侧对海口市交通数据采集和信号控制应用手段进行了介绍，并根据实际工作中遇到的难点对未来的发展方向进行了展望。

 道路交通数据的采集

数据采集是进行信号控制的基础，从数据更新和使用频率这个维度看，道路交通数据可以分为冷数据、热数据和温数据。

冷数据指使用频次低、更新时间段较长的数据，主要有各类道路基础数据和交通组织数据，例如道路线性、交通设施、道路限行等数据；热数据指使用频率高、更新快的数据，主要有交通流数据，包括流量、速度、饱和度、排队长度等数据；介于二者之间还存在温数据，主要有交通事件数据、信号系统配置参数数据等。不同数据在存储、调用以及更新方式上都应该有不同的方法。

从数据采集的来源来看，也可以分为三类：社会资源数据，交警内部数据和政府数据。以海口为例，社会资源数据主要来源是高德、百度、滴滴三家公司的浮动车数据。从数据价值的角度来看，社会资源数据有优点也有缺点。浮动车数据优势在于覆盖面很广，可以延伸到路网的各个角落。但它也存在一个明显的缺点，就是数据是采样数据，准确跟样本的数量有直接关系，对于一些三四线城市，可能存在数据不准确的问题。

交警内部数据的采集也要考虑一个成本的问题，成本主要是采集设备的采购、安装、维护阶段构成的全生命周期成本。同样以海口为例，目前面临的问题就是，安装了大量采集设备，有新有旧，维护成本非常大，但如果维护不好，会对采集数据乃至结果产出产生很大影响。

对于现在的主流采集设备，如线圈，地磁，视频，和雷达加视频的方式，我们从维护成本、检测成本、区域准确性、数据维度、全生命周期成本方面做了一个评估，如下图所示，效果最好的还是雷达加视频的方式，但是成本很高，仅一个路口的设备加安装费用就需要三四十万左右。

从性价比角度考虑数据采集设备的部署，建议可以从交通流量和重要性的角度，将路口划分为四类：第一类，交通流量大且是重要路口，建议采用视频加雷达的方式，例如城市中心区域的路口、中央商务区等；第二类，不重要，但是流量大的路口，例如高速公路进出城区的接驳路口、快速路的集散路口，可以单独采用雷达检测器；第三类，重要但是流量不大的路口，应采用视频检测器，具备回溯复查的能力；第四类，流量小且不重要的路口，可采用地磁检测器或定期巡检的方式。

交通数据在信号配时不同阶段的应用

交通数据在信号配时中的应用，可以从点，线，面三个控制场景来分析：

第一是单路口的控制，我们对单路口的信号控制工作进行了流程归集，主要有五个往复循环的步骤。

第一步是基础调查，第二步是交通流的调查，第三步是方案初始设置，第四步是方案的运行监控和评价，第五步是方案的优化，最后如果信控的方案优化仍存在问题，我们就要回溯，去解决交通渠化和交通组织的问题。工作流程中的每一步，对数据的需求重点也是存在一定差异的。

第二是多路口协调控制的工作流程，与单路口信控流程基本相同，有所差别的地方就在于多个路口协调控制在高峰和平峰时段的评价标准不同。例如平峰期主要通过车流的平均速度、延误时间和停车次数来评估，但是在饱和状态下的高峰期就要去判断几个协调路口在单位时间内究竟能通过多大的交通量，怎么能让更多的车流的通过协调路段。

第三是区域协调控制的工作流程归集，首先进行区域划分和区域交通数据的调查，然后进行阀门路口的设置，通过对运行的监控评价，完成方案优化和控制区域的调整。目前国内很多厂家都在做区域控制，但实际上我们认为还没有特别成熟的算法和逻辑，目前相对有效的策略只有缓进快出。

另外讲一下我们对于几种新数据的应用。

第一，可以使用互联网公司的浮动车数据进行常发拥堵点的分析，用于解决人工判断拥堵点准确度低，覆盖范围小的问题。

第二，可以将手机信令、浮动车、卡口的数据进行融合，做通勤路线的挖掘，根据结果对通勤路线上的协调控制策略进行调整，保证它在高峰期能够发挥更大的功效。

第三，可以通过区域在途量来评估在何种条件启动区域控制的策略。

交通数据在海口信号控制中的应用

下面介绍交通数据在整个海口信号控制中的具体应用。

第一，我们建设了信号控制数据辅助系统，初衷是为了解决人工配置效率低下，配置中心人手不足，配置方案不够精细，协调效果不佳的问题。主要包含四部分工作，如下图所示：

有些问题可能是管理者共同面对的问题，比如信号控制多数较为复杂，人员从培训到熟练使用是一个很漫长的过程，而且需要投入大量的精力，也需要足够的专业知识去学习。但目前大部分交警自有的技术力量增长速度远远跟不上城市规模扩张的速度。

以海口为例，2005年，海口只有30多个路口，现在有将近500个路口，但是负责信号配时的民警一直都是2个人。不建设数据辅助系统的话，很多工作是难以为继的。

第二，我们建设了人机结合的智能配时中心，聘请了海信和博研的专家服务团队，系统可以辅助专家做到控制能力、效率和效果的提升，同时也能将交通专家的控制策略反哺到系统里面，让AI系统能够实现策略，参数和控制偏好的学习。

第三，我们通过数据和算法融合提高了信号控制效率。整个框架中最底端的是数据底盘，通过将不同的数据源的数据进行融合处理，例如对设备异常运行的识别、互联网平台浮动车数据的处理，从而得到所需要的评价指标，再应用内置的多种算法引擎进行分析计算，实现信号控制方案的优化，最终目标就是我们对路网点、线、面运行数据的掌握。

在数据融合在实际应用中有三个难点，第一个就是空间上的统一，比如说互联网数据是一个一个link的数据，，但是交警自有检测器的数据都是一个断面或者区域的数据，怎么把这两种数据做融合，是现在的一个难点；

第二个是时间上的融合。在不同的时间段，例如高峰期跟平峰期，对时间颗粒度的要求不一致的，到底应该采用什么样的时间颗粒度才比较符合我们实际应用中的需要，并能把数据融合在一起，是我们现在的另一个难点；

第三个就是数据标准上的问题，由于以往在对路网路段划分和标准代码编制时出现了差错，导致现在大数据环境下的数据融合，由于标准不同，在实际应用分析上也带来了不小的麻烦。

交通数据在融合后一个应用的例子就是路网运行状态的评价，例如通过对路网通行效率、排队长度、通行能力、路口饱和度等参数的计算，可以得到路网运行状态综合评价指标，再根据评价的结果，去发现问题，引导路口优化工作的方向。

讲一个具体的应用案例。下图就是我们单路口自动配时的数学逻辑。

主要的核心思路，还是通过对单个路口通行能力和交通需求的分析，来进行信控方案的配置。通行能力主要是通过对车道饱和度和绿灯损失时间等历史卡口数据的分析，得出每个相位的最大通行能力；需求数据就是通过线圈、卡口、浮动车和雷达数据的融合计算得到每个车道或者每个方向的交通需求，最后对交通需求和通行能力进行匹配，得到单个路口信号的方案。

单个路口优化之后，我们也会从算法上考虑周边路网的情况，实现多个路口的方案的二次优化。下图时我们做的网状协调相位差的优化，主要是考虑各种车流的路径，转向车流之间路权的竞争关系，以及排队的对路口协调的影响等等，进行区域的优化。

第一个是检测器方面的期望。首先希望检测器能够实现无线组网即插即用，大幅度降低施工和管理的成本；其次希望检测器能够接入本地的边缘计算，也能够直接上云；还有就是雷达检测器的成本问题，雷达检测器抗干扰能力强，数据准确，但目前来说价格较高，希望随着自动驾驶的大范围应用，雷达检测器的成本可以随之降低。

最后是希望检测器对行人和非机动车进行分类检测，例如海口在配时方面被投诉最多的问题，很多老人和儿童投诉绿灯时间不足以通过路口，但是实际上老人和儿童在大部分路口只是少数人群，很难因为投诉而去更改整个区域的信号控制方案，如果将来检测器能够判定行人的年龄类别等参数，就可以根据群体的特征去设置不同的信控策略。

第二个期望就是通过高空监测来进行视频检测。现在视频检测大概部署在5到8米的高度，但它的检测区域还是比较小的，将来是不是有更高像素的摄像机，更精密的算法，或者遇到突发事件，是不是可以采用无人机去检测交通事故的具体情况和对周围交通的影响程度。

第三个就是对区域控制的期望。将来能否利用数字孪生技术构建城市级别的信号控制数学模型和交通仿真模型，目前上述技术还仅应用于单个路口，这也是我们的一个期望。

第四个就是对数据综合应用的期望。第一，从路基数据采集，转化为车基路基协同的数据采集；第二是通过有效的引导服务，在出行者出行之前，从需求侧解决问题；第三是借助大数据和智能技术等实现对短时交通变化做出精准预测，并借助各种智能化应用手段，对道路交通进行科学、高效的管控，最终实现交通管理的上帝视角，洞察一切、掌控一切。