宏观交通系统和微观交通系统管控的机遇变化

9月6日，由广东省智能交通协会和赛文交通网联合主办的粤港澳大湾区智能交通论坛暨第四届华南智能交通论坛在珠海召开，“物联网+交通融合”创新发展分论坛上清华大学副教授李瑞敏现场发表《城市多层次交通状态估计及管控》主题演讲。

李瑞敏指出宏观交通系统和微观交通系统管控的机遇变化，宏观交通系统由传统的断面统计数据支撑的基于“集计、土地”的认识转向现代的连续精细数据支撑的“个体、活动”的认识。微观交通系统管控从传统的基于时间有限、空间局限的数据支撑向全覆盖、无间断、多源性的精细化转变。 

李瑞敏演讲全文，经赛文交通网编辑整理，内容有删减：

今天在这给大家汇报的一些工作，也是近年来我们基于多种交通流的检测手段，从宏观到微观做了一些对于交通状态估计和交通管控的一些工作。主要分四个方面介绍，首先是一个简单的概述，然后是从宏观和微观两个层面介绍一些工作内容，最后是对管控应用方面的探讨。

大背景方面，机动化的发展给我们带来了很多便利，比如出行速度的提高，舒适性的提高以及科技成果的推进。当然也带来了很多问题，既有拥堵越来越严重，也有事故经常出现，以及污染问题也是我们关注的一个方面。

我们对交通系统进行解析的手段也越来越多，因为我们有大量的采集手段，有物联网等等技术，目前在交通里可以给我们提供全方位或者各方面支撑的大概有五大类方法。个人对物联网的理解可能更多的是第一种机器对机器的一些数据。 

基于这些日渐丰富的数据，我们在认识和改造世界的层面上也在不断变化，从最简单的只是去测量世界，到以目标为导向去改变世界，再到对系统的优化，以及现在我们希望能够基于实时的和历史的数据，对未来做出更好的预测，从而能进行更好的决策。

对于城市交通系统来讲，近年来数据的发展，给我们的工作带来了很多机遇，结合目前自己的研究工作，有两个方面值得注意。 

第一是在宏观层面，我们对于宏观交通系统的认识，已经从传统的断面统计数据支撑的基于“集计、土地”的认识转向现代的连续精细数据支撑的“个体、活动”的认识。

第二是微观交通层面的管控，从传统的基于时间有限、空间局限的数据支撑向全覆盖、无间断、多源性的精细化转变。

同时数据的丰富也推动了交通系统的发展，我们可以用计算的手段去对整个交通系统的宏观或者微观做更深入的一个分析。个人认为目前的大数据可能对于交通系统的支持有四个层面，第一个是描述现象和规律，这是众多人员目前一直在做的投入最多的一个工作；第二个是探究机理，回答为何会出现那样的现象和规律；第三个层面是预测推演，基于历史上的这些数据，能够对未来有一些什么样的估计和预测；第四个层面是给宏观微观层面的辅助决策提供一些支持。

第二大部分是用一些城市级的数据做的宏观状态估计，有几个小的成果和结论在这儿给大家分享一下。

第一个是对小汽车合乘出行的一个潜在效益研究，现在城市的机动化出行比例越来越高，大家也都知道平均一辆车里可能只有1.3到1.5个人，实际上很多车就是一个驾驶员在独自驾驶出行，因此很早就提出了“合乘”这样一个概念。但是在目前每个城市的出行状态情况下，到底采取什么样的合乘，又能够给路上的道路交通带来多大的影响，实际上根据现在的数据可以较为精准的探讨一下，如果能够实现匹配，最后的道路情况会是一个什么样子。我们分了两个情景，一个是实时合乘，也就是通过APP的方式，每一个开车的人都提出自己合乘的需求和自己可以提供合乘的机会，然后通过系统去匹配，当然这是一种理想的局面。第二个情景是通勤者合乘，也就是从大家出行的规律里找出被认为是每天固定通行的一些人，然后这些人可以去进行合乘，那么这种合乘时间相对比较固定，可能大家每天都是早上一起出发，晚上一起回来，路径有一定的重合性。

对于这两种，基于车牌的记录，可以对大家出行的轨迹进行重构，通过时空轨迹的分析也可以识别出通勤者，然后进行合乘的匹配，最后对整个路网交通运行状态的变化做一个评价。

最后的效益，如果是一个理想的合乘方式，就是所有的合乘需求都可以在有满足的情况下达到匹配的话，那么当上车的时间和下车的时间差可以在五分钟之内的话，发现几乎每个出行的合乘匹配结果可以达到49%，也就是几乎每两个都可以捏成一个，如果真的实现这种情况，那么道路路网的速度和流量都会有明显变化。

当然这是过于理想的一个情况，可能需要所有的目前开车的人都参与合乘的匹配。而目前来看更为可行的是可以去通过通勤者之间的合乘来实现高峰期的机动车交通流的调整，或者说包括平峰期交通流的一些调整和变化，而通勤者之间可以保持一个稳定的合乘关系。

在寻找这些数据的时候也有一些基本的定义，例如至少每个周有三天一样或类似的出行路径，才可以考虑是一个通勤者，同时还有出行时间的要求。在这种情况下，在识别出的通勤者之间可以实现一定的匹配比例，早高峰要高一些，在30%左右，晚高峰低一些为20%左右，当然晚高峰的通勤者的数量也有明显的下降，可能跟大家的出行习惯有一定的关系，例如大家早上上班的时间相对来讲比较固定，但是下班的时间可能有其他事情的干扰和影响会有一些变化。 

第二个宏观分析是一些政策实施的管控效果，现在越来越多的城市在一些时间段开始实行各种各样的限号政策，那么这些政策是不是带来了预期效果？从奥运期间我们就在关注政策实施之后，对于道路交通有什么样的变化。

（如上图）这是很早了，奥运期间实施单双号政策以后，北京的长安街交通流量和速度的一个变化情况，也可以看到对于这种城市里的主要干道和交通压力比较大的一些道路，限行之后消减的流量并没有期望中的那么大，当然对于速度的提升早晚高峰还是比较明显，但是在平峰和夜间的时候就不一定有明显的效果。

这是另外的一个分析，现在有一些城市因为环境问题还在经常调整限行的政策，例如在单双号和五日制之间转变，例如空气污染严重的时候，或者有其他特殊活动的时候，限号政策会发生变化，例如从五日制变成单双号。

从两个月的数据对比分析来看，对于总流量而言，五日制转成单双号以后只下降了8.74%，与设想的效果有一定的区别。

究其原因，可以看到，1）政策严格之后，违法车辆占被限车辆的比例在下降，但是因为能够通行的车辆数量减少更多，因此路上违法车辆的比例是增加的；2）机动车的出行强度在提升，限制的号越多，那么剩下没被限的合法车辆的出行强度确实在提升，例如案例城市发现提升了12%；3）很多可能是所谓的备用车辆，或者说家里的车比较多的这种，它的使用强度也在增加。例如外地车增加了5.8%，本地车增加11.4%。这些可能是受到了严厉效果的影响，当然也考虑到小汽车保有率的增加，但实际上前后两个月小汽车的增幅只是0.9%。

对于城市交通运行总体效果来看，因为关注的更多是限行到底会对城市带来怎样的影响。流量来看的话，虽然不足以达到期望比例，但是路段的速度依然是有相应的提升，早高峰非常明显，路段的平均速度提升23%，晚高峰稍微差一些，平峰更低一些。究其原因，可以知道交通流处于非饱和与饱和的过度阶段时，流量的较小的减少即可带来速度的显著提升，而老城区路网速度提升效果更佳。

当然还有其他的一些宏观估计应用，例如路网机动车实时的OD估计，我们关注的是早高峰每五分钟机动车的OD是一个怎样的变化，也是希望能够从整个路网管控的层面去给管理者提供一些支持。

另有路径选择的问题，交通管理中有时候会做一些信息诱导，但到底诱导会起到一个怎样的效果呢？通过数据可以去发现通勤者的出行习惯。从几十个OD对的出行来看，大家每天出行选择的路径比例几乎都是一样，相对来讲非常固定。

随着检测数据类型的增加，在交通流预测中也可以融合其他的数据，很多城市，一场小雨可能就让整个城市的交通拥堵变的明显加重，这种情况下可以把气象数据或者其他更多的数据整合进来去做相应的预测，而不是常规情况下的一种预测。

今天的第三个内容是微观交通特征估计，也就是使用多类数据对道路路段或交叉口的交通流参数进行更好的估计。

第一个就是使用上下游车辆匹配数据，主要是来自于卡口和类似于卡口的RFID这样一类的数据来估计路段的排队长度，当然现实中有视频手段能够直接观测到排队长度，但是当排队长度超过视频检测范围的时候，还得用估计的方式。

研究的初衷是希望能够用既有的一些设备和数据，在不新增大量检测设备的情况下，通过新的方法的探索去进行相应参数的估计，这里是排队长度相关的一个研究和分析结果，也用来支撑信号控制方面的一些工作。

第二个内容是做瞬时速度曲线的估计，北方的一些城市，到了冬天以环保为由，或者说为了控制大气的排放会进行机动车限号，那么汽车对于整个城市的大气污染的贡献到底是多少？一方面可以从宏观的层面去考虑，例如基于汽油消耗量等，

另一方面当能够获取每辆车的实时运行状态数据的时候，也可以微观的去估计，即根据车辆瞬时的排放状况进行估计。这是结合车辆排放污染估计的情况做的一个速度曲线估计，即两辆车在两个路口之间，它的瞬时的速度曲线是一个怎样的变化。基于速度曲线的变化，可以估计污染物排放的结果，也可以看出最终机动车排放到底会对整个大气污染有什么样的影响。

其他的一些工作则是对于支撑路口管控的一些参数的估计，例如这是用临沂的地磁数据来做的一些工作，基于不同类型的固定检测器，从整个路口的通行能力分析，饱和流率计算，到控制协调延误的估计，再到控制效率的评价等等，通过利用多源的数据，可以对相应控制的评价做更为全面的对比分析。

另一方面也可以从检测的数据来看当前运行的信号控制是不是存在一些问题，例如所谓的路口失衡，可以通过数据来看不同车道的绿灯利用率有多大差别，不同的转向有多大差别，从而来调整控制相位，也可以去对比不同车道的饱和度，从而来发现车道渠化上是不是还存在一些问题。 

第四个方面是管控应用。

基于目前可以采集的连续的精细化数据，对于信号控制来讲，一方面在离线的定时优化方面提供了很好的支持，另一方面在线实时优化方面也提供了更为完善的支持。

这是一个路口某车道两个小时的过车记录，从中可以比较直观的看出目前绿灯利用的情况，把这样的一个观察结果再用数学的方式表达出来，能够让计算机去跟人一样的去观察，就可以为在线的配时优化提供一些支持，也就是说未来可以通过学习来实现适当的时段自动划分，来实现一种类感应控制的方式，以及在宏观方面我们可以做一些方案选择控制。

现在我们希望能够实时进行反馈之后，对于优化模型里面的参数也能够做到实时优化，也就是所谓的模型优化过程。然后套用一个比较时髦的词，可能也就是类似于这种人工智能或者说深度学习这样一个思路，不断地去进行学习优化。

这是一个案例，基于这样的思路，用实时数据对一个干线进行闭环的优化，不断去进行调整。

这是两个实践，在两条路上我们做了两个实践，在保持每个路口的配置不变情况下，只是根据路段的交通情况去调整它的相位差，来看它的效果。从结果可以看到还是有一定的改善。

实际上这条路段在调整之前已经是通过比较传统的手段，对它做了一定的协调优化，但是更多的还是基于一个经验型的，那么用数据去给他优化出来之后，再去调整，又会得到更进一步的优化。

这是另外一个案例实验，这是两个方向的结果，主要是根据在路上行驶车辆时间变化的情况去调整它的相位差，在这种情况下来看它的变化情况。

南向北有一个比较明显的下降，而北向南在平均的旅行时间上有略微的增加。