交通大脑的核心是交通仿真与控制模型，那么问题来了，为什么是滴滴？为什么这些变革没有发生在高校和传统智能交通公司？在车联网、大数据、云计算和自动驾驶环境下,交通仿真模型究竟会发生哪些变革？

交通大脑的核心是交通仿真与控制模型，那么问题来了，为什么是滴滴？为什么这些变革没有发生在高校和传统智能交通公司？在车联网、大数据、云计算和自动驾驶环境下,交通仿真模型究竟会发生哪些变革？

一、 交通大脑们是如何治堵的？

下面我们说说交通大脑们的治堵思路：如果把城市的交通网络想象成一根根管道，里面流着各种车量，缓堵保畅，增加车辆流量只有两种思路（当然，我不想讨论第三种思路，飞行汽车和真空管高铁们）。对，你猜到了：

（一）、把管道变粗；

（二）、增加管道内流动的速度

第一种方法增加管道的直径，对道路就是扩宽道路，对与交叉口，就是建立立交等。该方法简单粗暴，但往往意味着巨大的基础设施建设成本和土地占用成本。

对城市建成区，这就更不可想象了，可以跟用人民币当砖头建房子媲美，但7亿一公里的地铁该修不也修了吗？

当然，交通建设和城市其他土地之间，不是你争我夺的关系，有点像夫妻俩互惠互利，交通效率提升会带来土地增值，例如地铁房的升值。。。

当然有钱也不能任性，城市建成区土地资源稀缺，成本几位高昂，城市内道路、立交等设施，即使不算建安成本，就算算那块地，要是盖成房子，能套住多少房奴啊，不收多少土地出让金啊。

所以说，这个思路代价很高。那第二个思路如何？这就是交通管理与控制上场的时候啦，也就是网上轰炸耳膜的城市大脑、互联网信号灯们、还有我们交通人自己提出的所谓ITS的各种系统们登场表演和忽悠的舞台。

这个城市交通大脑们，互联网信号灯们，听起来高大上，和智慧出行，智慧交通，背后本质是一样的：利用技术手段，挖掘道路的通行潜力，也即提升管道内的流动速度。

那么，用什么手段来做呢？

二、 消灭交通拥堵的终极武器——必然诞生的新一代交通语言

说到交通管理与控制，那么不得不提的就是交通管控的基础手段——交通语言。

自从人类有了马车和汽车，以及机械化交通工具之后，为保持交通四大要素（人、车、路、环境）之间的和谐统一，伤透了脑筋。

由此，我们发明了交通规则如停车让行，发明了分配交叉口时空资源的手段，如信号灯等。并在此基础之上，有了法律架构，有了执法部门。

这样一套体系实际上是定义了一种交通语言，并由国家强制力保证该语言的强制学习（考驾照）和强制实施，如交通处罚，罚分罚款，酒驾吃牢饭等（虽然不好吃，也抵挡不住很多明星大腕、乡野村夫们勇敢的心）。

自1886年第一辆汽车发明至今，已经过去一百多年，在此期间，我们一直在完善和使用这种语言。然而，不管我们愿不愿意，我们还是迎来了车联网和自动驾驶时代。

端倪就是，我们已经通过新闻报道发觉，原有威风凛凛的法律架构和执法部门相当被动。

比如百度的无驾驶车上了五环，是否违反法律？要不要开罚单? 罚单开给谁？为破解这样的尴尬，这里我妄下定论：车联网自动驾驶时代，必须对交通语言的进行全面更新升级!

信口雌黄（囧）下这个结论之前，我并没有留意到科技部发布了《科技部：“综合交通运输与智能交通”重点专项2018年度项目申报指南建议》，本文章发布前刚好看到与与本文所说交通语言升级的相关研究课题，部分摘录如下：

从内容看，这些研究内容与交通语言的升级的需求是否殊途同归，从不同角度说的同一回事？

回到正题，先说说面向人类的第一代交通语言:交通语言听起来高大上，您却肯定很熟悉，因为生活中到处都是，有驾照的写在驾照考试的小本本上，没驾照的，可以看到各种挂在道路上的各种标志标识，向您闪灯（信号灯），告诉您停止（停车标志），告诉您保持速度（限速标志），还告诉您能不能转弯。给人看的交通语言，这是第一代。

第二代交通语言是面向人工智能驾驶模型、车辆和物联网基础设施的，是车辆与车辆通信V2V，车辆与基础设施通信V2I，车辆与云端交通指挥中心通信V2CityBrain（我承认这个词是我编的）。

（交通语言，是由同济大学杨晓光老师提出和负责解释的，第二代交通语言和两代交通语言的划分，如果您较真并且同意，由我提出并负责解释）。

回过头来，再看我们的结论，车联网自动驾驶时代，必须对交通语言的进行全面更新升级!那么，这个升级又意味着什么？又怎么升级呢？

我们将面临的处境不是对原有语言体系的修修补补，我们将被迫发明第二套交通语言，并在相当长一段时间内想方设法保证两套语言体系的融洽并行运转，直到所有人类驾驶员都被淘汰的那一天！

可以再看一遍上文所列科技部研究课题“3.1 车路协同系统要素耦合机理与协同优化方法（基础研究类）” “研究网联与非网联车辆混行状态下车-车耦合机理”。专家们写的水平很高，不大容易懂我这个水平要看好几遍，这里我斗胆尝试翻译一下:网联车和非网联车（先理解为自动驾驶吧）他们混着开，相互之间怎么打交道，这个意思。

人类发明的交通语言系统，是个复杂系统，要对它进行升级和颠覆，没有科学研究支撑是不可想象的。在这里，我们会发现仿真模拟所具有的仿真状态可重复、经济、安全的特性，简直是完美地满足了新一代交通语言的开发需求和两代交通语言如何兼容的需求。

然而，非常不乐观的是，当前传统交通模型难承担这样的重任，必须做出变革。

三、传统交通仿真模型都得了什么病？

了解传统交通模型构建的历史沿革，有利于了解它们构建的前提和基础，也是了解其约束、局限及其破解之道的基础，当然不是这些模型不优秀，而是其历史局限性（说白了就是贫穷对想象力的限制，囧）。

（一） 传统交通仿真软件的约束

1. 数据约束和技术约束

上世纪八九十年代是交通仿真软件发展的初期。当时获取样本数据，是一项费时费力的工作并且成本高昂。

即使财大气粗的政府在投入scoot scat等系统之后才发现，这些系统经常因为因线圈、地磁等数据采集设备故障而失效，解决这些问题需要持续巨大的经费投入，政府尚且如此，一般行业项目公司，有能力和意愿在数据收集上获取花费巨额成本持续（持续很重要）采集数据，并构建高精度模型的也屈指可数。

这种技术不成熟导致数据成本高昂带来的经济性约束，是制约传统仿真软件精度和应用范围的提升的重要因素。人们为此被迫在交通模型方面进行投资，开发复杂交通模型，以期待其能够在以较小的数据手机代价产生良好的仿真结果，即小数据集合基础上的复杂交通模型。

2. 计算资源约束

有限的计算资源制约了交通仿真模型的模拟规模。可能有同学知道，最早的交通四阶段模型，甚至在286时代之前就出现了。行业内一些巨擘教授级，曾经亲自动手编制过四阶段模型。

据说用的是科学计算编程语言FORTRAN（没听说过吧，其年龄可能比我还大。我连这个单词的拼写，也是搜了一下度娘的）。Intel 286处理器的运算能力（20MHz），可能还不如现在手机的千分之一（例如高通骁龙821处理器，2.12GHZ，频率上就差了1000倍，这还没计算多线程、多核等当时看来吊炸天的技术，所以实际计算能力远远不止超出1000倍）。

可想而知，交通学科当初构建的年代，计算资源的约束，有多么地严重限制了人们的想象力，因此对大规模路网的数值数据仿真的能力有多么差，也就很容易理解了。这导致在交通领域，交通模型理论建树超前于数值仿真（交通仿真）的进展。

而当下，不少知名商业仿真软件的软件的雏形，是从那个“贫穷”的时代发展起来的。这种“贫穷”对想象力的伤害，也导致这一时代的交通模型（软件）先天不支持大数据、不支持分布式计算，也就难以支持大规模路网仿真。让人致敬的是，我们的交通先驱们（主动或者被迫），通过模型的理论研究补足短板，发明了很多复杂交通模型。

这个时代交通模型（软件）的鲜明特点是：

小数据集合+复杂交通模型+贫穷的计算能力=有限的模拟仿真能力和不确定的预测精度。

虽然这些软件在不断进步，但是这种从娘胎带出来的病，并不容易根治，不少软件随着X86多喝核心多线程技术的到来，在模型并发运行方面有一些建树，但需要指出，传统的交通模型从根本上，并非面向分布式计算设计，想让这样的模型支持新一代计算架构如分布式计算Hadoop和内存计算Spark等，是比较困难的（不一定对，欢迎板砖）。

除非从头构建新一代交通模型，否则很难突破其时代局限性。

（二） 技术条件的变化带来交通仿真软件发展的新机遇

时间切换到现在，我们有车联网啦，有大数据啦，也有云计算啦，好开心。突然间，传统的数据短缺、获取成本高昂和计算能力有限等困境，已经不是制约我们的关键因素啦。

我们有车联网大数据作为数据源、有云计算技术框架解决计算能力瓶颈，有自动驾驶、人工智能推动的第二代交通语言为交通仿真模型带来的发展机遇。这样的研究条件和研究机遇，真是时代赋予我们的宝贵财富。

在当前我们需要思考，在新时代的条件下，交通仿真模型需要满足什么需求，为此需要作出什么样的改变。

回答这个问题之前，让我们从生活中一个习以为常的案例开始。假设我要从北京南站去首都机场，我搜索了出行地图，如下：

很明显看出，出行地图让我选择起终点，出发时间和出行方式，然后给出所需时间！对于习以为常的事情，有没有某一刻想过，出行地图是怎么知道（预测）我们还没成行的行程时间？

问出好的问题是通向进步的重要一步！答案我这里没有，怎么做到的，出行地图团队会有答案。但是我推测，这背后，可能并没有复杂交通仿真模型对出行时间进行预测。我更愿意相信，出行地图是积累（搜集）了大量历史出行数据并做出预测。

这里大量的意思是指：不同出行方式（地铁、公交、出租车、自行车、步行）在不同时间段内（一天24小时1440分钟，持续积累多年），在不同出发地和目的地之间（脑洞一下，北京南站到不同地点的组合有多少，以及不同地点到不动地点的组合有多少）的全部出行数据！

预测方法是，以去年或者上个月今天此刻的出行时间为基础，做一个简单的平滑预测得出结果（有点拗口，就是去年今日此门中的意思，换句话说过去桃花是这么开的，今年也是差不多）。这其中应用的思想是：

大数据集合+简单模型+复杂计算能力=可以实用和接受的预测结果。

对比传统模型的思路和出行地图的思路，其结果的巨大差异尤其让人震惊！这就是大数据和简单交通模型的威力，或者更确切的说，是海量历史出行记录大数据的威力，是它帮助出行地图形成了对任意出行方式、路线和时间组合的规律性认识的威力。也是新时代赋予给我们的无限可能。

1. 那么，大数据加上复杂模型是不是预测结果就更精准了呢？

这是一个好问题，但回答很难。互联网团队们可能会有答案，但我想另一个问题更重要：我们知道，预测精度的提升肯定是有代价的。当前出行地图们已经很准了，城市内出行时间的预测误差基本在可接受的范围，为人们出行提供了重大的参考意义。

那么，用大数据加复杂模型，继续提升精准度，是否还有必要？或者说价值在哪里？

我刚才说了，这是一个好的并且重要的问题，但我们已经回答过了，答案之一是：为了增加管道内的流动速度，最终目标是取消信号灯。

2. 提升交通模型预测精度的意义

基于对无法验证的假设是伪科学的恐惧，我们做个思想实验：

你在交叉口开车等红灯，等另外一条道路的车辆绿灯通行，心理很着急，你肯定想缩短等待时间（红灯时间）

好了，现在我们信号周期缩短，原来等30秒才是绿灯，现在20秒就是绿灯，你踩下油门顺利通过，爽不爽？想不想进一步缩短等待时间？一个绿灯时间内，过了4辆车，然后换另一条道路通行。

我们进一步把等待时间变为10秒，这个时候一个绿灯时间可能只过了1辆车，为啥不是2辆？你肯定也知道，因为有车辆性能限制，车辆启动要浪费时间

等待时间变成了2秒，行不行？你肯定说不行，一是车辆来不及启动。二是控制不好，反应不及时太危险，容易出安全事故。

现在车联网时代，车辆到了红绿灯路口，不需要等待红绿灯（事实上路口已将红绿灯取消），通过第二代交通语言支持的车车通信和车路通信，实现车辆交叉穿行通过交叉口，压缩等待时间。因为车辆不停车，也节省了停车再启动的时间。

现在我们知道，唯一制约我们进一步缩减等待时间的，就是安全问题了。而安全问题必须借助高精准度交通模型，来实施对高通行能力（管道流速）交通流交叉穿行的车辆的精准管理与控制（有点长哈）。

好的，好像提升仿真精度是有点价值了，但是如何相信这个模型是安全的呢？

在技术人员真正开始使用第二代交通语言之前。这样腻害的交通模型的研发和测试，必须得到足够的实验打磨成熟，这就要靠下一代交通仿真模型的支撑了。这仅仅是高精度交通模型的一个应用案例，它还应该在未来发挥更大的作用并具备更多的功能。

四、传统交通仿真模型的病要怎么治？

要想解突破传统交通模型面临的困境，我们首先要说一说下一代交通仿真模型的作用和功能

（一） 下一代交通仿真软件应当发挥的作用

按照城市建设和管理的步骤，我们从规划、建设、管理、改善提升等方面说起。

1. 交通仿真模型需要在城市规划决策支持方面发挥更大作用，应成为城市交通规划方案实施之前，必不可少的方案验证手段。

那么我们看看科技部研究课题对此是怎么描述的，重点部分已加粗

在传统条件下，受制于建模成本、计算性能和中长期模拟精度等问题，传统交通仿真对拟实施的城市规划方案模拟支撑不足。导致待建城市区域失去了从规划初期解决交通治堵的机会。

2. 对于城市建成区的改造，交通仿真模型必须能够服务于区域交通影响评价和后评估

这种评估结论的可靠性（仿真精度）起码应当能够做到天气预报一样的可信和可靠。当然，对于其他应用领域，需要更高的模拟和控制精度。

3. 服务于城市建成区的交通管控服务效率的提升与改善

仿真模型应当有能力支撑城市交通大脑的建设(词语是挺亲民的，互联网人就是接地气，你要叫信号机联网配时优化，吃瓜群众会纷纷表示听不明白），为既定城市规划约束下的交通效率提升发挥作用。

4. 服务于两代交通语言的融合和下一代交通语言的研发

这个课题复杂又前沿，交通理论、交通模型和交通工程师应当在这一过程中发挥重要作用，从目前看这并未实现，主导第二代交通语言研发的基本是通信、汽车、IT等领域专业力量，好在还有机会，那就是两代交通语言的融合（科技部课题叫“耦合”）。

5. 服务于自动驾驶的研发

鉴于高精度地图（第二代交通语言的一部分）和自动驾驶技术的进步速度明显快于交通模型精度提升的速度，这一作用可能成为空想，但未来难以预测，起码，在第一代和第二代交通语言并行运行阶段，仿真仍有其巨大价值。

（二） 核心功能

1. 必须有接入车联网和自动驾驶大数据的能力

车联网自动驾驶时代，交通仿真软件必须具备大规模路网数据导入能力。

业界喊了多年的实时在线交通仿真，在车联网自动驾驶时代，将是基本要求，因为车辆到基础设施，车辆到车辆，将有网络通信语言（第二代交通语言的一部分），不懂这门语言，交通模型没有可能建立。

交通建模专家还需要考量，在城市所有车辆流速密参数都可借助车联网自动驾驶数据化后，如何开发新一代交通模型，可以在充分利用车联网大数据提升交通仿真模型的精度和预测精度。

2. 必须有实时处理车联网大数据的能力

交通仿真模型核心算法要在线化，并行化，和实时化，才能适应新一代行业需求。数据必须在线，必须联网，必须在可接受的时间内计算完毕。

一是每个节点的数据输入体量巨大。车联网时代，每个交叉口能够采集的数据规模巨大。同样的路网节点规模需要更多的计算资源，（交叉口数量）桌面端计算性能就相对不够了。

二是计算时间要求。如果模拟的速度方面不能够让人满意，每次仿真和调整都要运行很长时间，这对交通建模工程师是个灾难，也满足不了行业应用的实时性要求（还记得刚才那个没有红绿灯的交叉口吗，等算完了，车已经撞上了）。

三是部署的要求。大体量的数据输入和传输和处理，没有云端计算能力支撑是不可想象的。传统交通仿真模型专家需要与IT专家一起，利用云计算带来的技术红利，开发并行仿真模拟算法，提升模型仿真的规模和速度，才能突破仿真模型的核心瓶颈，迎接车联网大数据、云计算、自动驾驶和人工智能时代。

3. 交通模型参数标定必定能够充分利用大数据并自动调优

（1） 大家都知道传统交通模型的参数标定既困难还辛苦，其难点在于

1、参数标定的数据获取成本较高（还记得路口寒风中瑟瑟发抖的数车小姑娘夏雨荷吗？）

2、那么多参数，怎么调整能更快收敛（对不起，就是模拟的比较真的意思）于是乎只能在各种交通模型中的用户界面中，疯狂点鼠标调整参数…。

这时候，一定会虔诚地希望：如果能编程定义参数优化函数，把模型标定转化为最优化问题，并采用最优化方法求解就好了。传统交通软件提供了编程接口（例如V家的Com接口，你肯定知道那不是我们的菜，专业玩家玩的），但不知道能不能支持数据挖掘和并行计算(对此我表示悲观)。

3、历尽千辛万苦，标定出来的结果，拿到另外一个地方或者哎，拿到实际场景中一用？艾奇怪，怎么不管用？于是把前两步重新做一遍或者多遍，因此最终你会发现，这是一场运气、职业良心还有钱之间的战争。

是不是很崩溃？一个节点（交叉口）还好，要是节点规模巨大，参数标定工作几乎是个梗，一般项目都很难做好，这不是水平问题，是成本问题，甚至有可能，是模型精度问题，即永远没有这样的参数组合可以达到预定的理想效果。

参数标定这个事情，有空单独再立专题与各位大拿探讨吧。感兴趣可留言，我再决定近期写不写。

（2） 在车联网大数据时代，问题迎刃而解

首先你不用请小姑娘去数车，数据来源于各种传感器，精准（只受限于传感器的精度和稳定性）、全时段（24小时持续）、样本即是整体（无抽样误差）。当然，小姑娘会失去一份数车的收入（学交通的谁没数过车，补贴了几个面包钱就不大完美,无法体会是寒风中的那个酷爽~~~）。

其次，利用第一步的大数据和第二步核心仿真模型，建立最优化模型，算法自动寻求最优解。（注意，利用大数据寻求最优模式，这是AI们很擅长的哦）。

第三，标定过程全自动化，快速，适应性强，一次研发，多处复制，简直不要太美好。甚至，连交通仿真模型都不需要交通工程师建立，直接建立标签数据集，利用神经网络训练得出仿真模型（传统交通公司肯定没干过这个，也干不了，这真不是能力态度的问题，而是数据资源和钱的问题），当然这个话题的深度超出了本文的探讨范围，各位大拿有兴趣文后留言，再写文研讨。

五、交通仿真模型的未来的路要怎么走？

（一） 交通仿真模型必须能够与现实世界关联，它的输入输出必须与现实世界的反馈形成闭环

交通模型的核心价值在于对改造现实世界提供指导。虚拟与现实相结合，线上与线下相结合，以虚拟指导现实，以线上指导线下。这就要求在线化，联网化，将是必须具备的能力和功能。

那些仅能够观看3D动画，而无法精准模拟和解决实际应用需求的仿真软件(对，我没有批评各种V、P、T软件)，不是在玩科学，是在玩艺术。

确实很酷炫，还可以更酷炫，高端游戏界面比这个更逼真。但是一点都不Cool，关键问题是，模拟精度如何？

这个问题是个梗，你问顶级专家，他都不敢拍着胸脯给你一个数字出来，无人能够拍胸脯保证精度达到多少，因此这个问题不好解决也不好回答。

如无科学，既是艺术。

我们的用户和我们的用户应当已经过了看动画片的年纪，如何让交通仿真模型更科学，模拟精度更高，对现实世界的指导意义更强，是我们要研究的问题。智能交通作为一门应用学科，不能走艺术的道路。

（二） 必须走在行业应用前沿，与城市交通效率提升实践结合

智能交通作为一门应用学科，必须与交通领域的行业建设实践结合。从行业中来，回到行业中去。那么究竟是什么在制约我们成为滴滴？制约我们把传统交通仿真模型变成城市交通大脑？

自认为原因有二：

1. 产学研脱节，这是老问题

参加完2017年 常熟 智能交通年会 后，我的领导，行业知名专家顾院长说：“从本次年会看，学界和产业界的脱节还是很严重”。我的感受也是。

长期以来，我们智能交通领域的学界与产业界脱节较多，与传统智能交通企业结合不够紧密，理论研究不能服务于一线工程建设，一线工程行业实践没有为理论研究提出好的课题。

导致学界智能交通理论落后于行业需求，也导致产业界行业智能交通系统低水平重复建设。这种脱节自然导致无法难以产生高水平的=业应用了。

2. 对新技术准备不足、研究不足、应用不足

当前，车联网、大数据、云计算、人工智能、自动驾驶等新技术变革和应用层出不穷。

是互联网企业和高技术企业在引领这场变革，智能交通的学界和产业界，对这场突如其来的变革学习不足，研究不足，应用不足（欢迎板砖），在智能交通建设领域被互联网企业吊打，既输了人气，也输了市场。

例如高速公路etc卡和支付宝微信们的无感支付，传统智能交通缓堵保畅项目和城市交通大脑，用户体验，成本节约，实际效果都差别巨大。对此，我深感痛心疾首。

传统交通模型必须与先进技术结合，才能够引领智能交通行业创新。考虑到人才队伍（主要是思维方式，而不是人员经验和背景），资金实力和技术实力，我对传统智能交通模型能否成功变革并重新引领创新信心不足。

（三） 未来发展展望与期待

大数据和云计算车联网、自动驾驶等技术变革，以及如火如荼的人工智能发展势头，是城市大脑们成长发育沃土，其未来不可限量；我也希望这篇沃土，能推动传统交通理论的创新，它需要在车联网大数据时代做出新变革。

因为制约传统交通模型基础的各种约束和假设条件，已经发生了变化。例如交通规划里面的四阶段模型是应用最多的，因为成本最低，但精度差。集计模型经更新完善后预计将有所作为（只有大数据时代才具备实施条件）。

然而，要想在车联网大数据时代，做出创新和建树，并对第二代交通语言做出适应和改进，将是一个重大挑战。

这种挑战和变革，对社会福利的增加是福音，但对很多人不是，你会发觉，在交通模型的建立过程中，初级交通模型师能够做的工作越来越少，交通评估、改善、效率提升等项目将被城市大脑们产品化、自动化。

对此我深感惶恐，技术进步带来的变革无法预计，甚至连交通仿真模型和传统交通流理论，都有可能被神经网络或其他新模理论取代！

我期待那一天的到来，却也害怕被技术双刃剑所伤，内心忐忑不安，不敢一刻停止思考，此文也纪念一下 新技术变革前夜的 这段短暂时光。