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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。