信号控制评价的发展

每做一个路口或一条道路信号控制的优化，都需要对它做一个评价。因此，在第六届中国智能交通市场年会的信号控制论坛上，清华大学土木工程系副教授、博士生导师李瑞敏发表了《在线精细化交通信号控制效果评价》主题演讲。 

李瑞敏首先就交通信号控制系统评价进行了概述，说明了一流的信号控制系统主要有四方面特征：一是有完善的软硬件系统；二是有优化的方案；三是有实时在线的监测评价；四是要有一支一流的维护（优化）队伍。

基于这四方面的特征，李瑞敏简单介绍了信号控制评价的发展，并结合自身的实践经历，通过一些数据案例来分析在线精细化交通信号控制效果。

以下为李瑞敏演讲实录，经赛文交通网（China _7its）编辑整理：

我给大家介绍的是最近在思考和正在做的一个工作，做这个事情的初衷也是近年来我们每次要做一个路口或者一条道路信号控制的优化，总是要对它进行评价。实际上我们现在有很多的数据，但我也在想用于信号控制的实际调查的数据和目前已经能够得到的大量的检测数据哪个更为可靠。

今天的内容主要是三个方面，第一个方面是关于交通信号控制评价发展的相关内容。第二个方面是目前在线利用数据进行信号控制评价的一些发展。第三个方面是个人利用检测数据进行的有关交通信号控制评价的一些分析。

城市既然要建设交通信号控制系统，总是要追求一流的水平。那么一流的信号控制系统应当有一些特性，主要有四方面，

第一有一个完善的软件和硬件系统体系来支撑系统运行。

第二我们的方案要经过优化，不一定是每一个路口都是自适应控制或者感应控制，但是也要基于路口的流量情况，能够给出一个适应路口交通流状况的优化之后的方案。

第三就是实施在线的监测评价。

第四就是我们的人员队伍，建设好了软硬件系统之后，还要有一支一流的维护或者优化队伍来支撑。

从智能交通系统的角度来看，实际评价也非常重要。一般智能交通系统源自于问题，然后基于数据，提出方案，最后要对它的实施进行评价。所以对于信号控制也需要去做一个良好的评价，一方面通过评价可以去了解某个信号控制系统或者方案的性能，另一方面评价结果也是我们进行优化配时的依据和能够辅助工程师进行优化的工具。

从评价的内容来看，第一可能并不仅仅是这个系统运行的性能，还有关于整个系统的维护、资产管理这方面的评价，当然我们更关心的是这个系统运行的性能。第二，从范围上来看，我们可以对一个点、一条线，或对一个面来做评价。

从对象上来看，可能目前我们关注比较多的是机动车，对于非机动车、行人和特殊的车辆也是要考虑的对象。关于指标比较常用的对机动车来讲是延误，由此也界定了一些它的服务水平。

上图也是美国常用的分级水平。除了延误外，在协调控制上可能还关心停车次数，在出行上关心平均旅行时间。另外，在非饱和的情况下有一个评价的方式和指标，在饱和的情况下则要用另外一套的方式和指标去评价。

在具体的评价方法方面，早期我们做很多优化的时候，会使用仿真的手段做评价。对一个区域或者一个路口的问题，我们做一个信号优化配时，会先在仿真软件里面建模，把现状呈现出来，然后调整配时，来看一下配时优化之后的样子。这个是前期工作的方式，但是一旦工作实施之后，我们还是希望能通过实际的调查来看优化之后的效果。

现在我们也在做很多实际的调查来评价，比如组织人在路口统计延误，现在的技术手段可以直接测出来一些车辆的延误。我们在路口看排队、停车次数，当然希望后面的系统也会自带一些检测的数据。

目前来看，相当一部分信号系统的检测数据都做了一些适当的整合，比如一分钟或者两分钟，或者更长的时段才上来，那么对于更精细的变化的情况，或者要看车辆的分布等情况不一定合适。

第三就是我们有很好的卫星定位技术，可以基于手机、车辆做时间调查。但是这样可能存在抽样的结果是否非常可靠的问题。

这是某个城市的四个路口，1.4公里的道路，我们将一天能够匹配上的车辆的时间数据做了一个图。可以看到，即使在同一个五分钟之内，每辆车走完1.4公里需要的时间差别也很大。

所以如果只是自己开一辆车去跑，可能会跑出某条路段八百秒的旅行时间，也可能跑出只有二百秒的旅行时间，而一个高峰期只能跑几个来回，最后这个数据怎么使用是一个问题。右边这个图是两个路口之间，就是相邻的两个路口之间的旅行时间分布，并不是非常均匀、集中。

同时，评价方法在发展趋势上有几方面，第一将评价的能力直接整合在信号机里，这个是硬件的厂商在做。第二利用信号机柜或中心的辅助设备来进行评价，第三是对于一些比较精细的数据的利用和在线的评价。

TTI2014年开发了一个可以跟不同的系统接入，然后去读取数据，对控制效果做评价，也有一些在线评价。

我们现在有大数据的环境，是不是可以把原来靠人力、劳力、耗时的工作，转换成实时的评价。

目前对于信号控制评价，可以利用的数据，一方面通过各类固定检测器来获取，安装位置可能有一些差别。第二就是浮动车，很多信息服务商提供的数据主要来源也是这个，也可以做一些相应的评价。第三就是车牌识别或者未来可能会大规模推广的RFID，在一个断面上获取所通过车辆的精细数据。

做评价不是我们的最终目的，评价完之后要进一步的优化，同时如果能从评价的过程中发现可能优化的一些方向，那么可能是评价更好的效果。 

这是用一个城市相邻两个路口的路段在七月份取了四周的数据，在十月份取了两周的数据，中间经过了信号的调整。左边是六周的数据，每五分钟的平均运行时间。

但是从这个图来讲，很难看出调整之后就是比调整之前更优化，红点是调整之后的，实际上还是非常难通过肉眼去分辨出来是什么情况。因此就需要更精细的用旅行时间的累积分布和频数来对比。 

这是与上图同样的数据。这样我们就能看出，尤其是周一的图，十月份有一条线，在七月份的所有线之上，这条红色的线越往上偏意味着通过这条路段越短的时间的比例越大，也是我们希望的效果。

周一早高峰的这个方向得到改善。但是右边这个图显示周五早高峰的情况中十月份的有一天效果并不是很好。甚至到了百分之五十以上的分数时间后，比七月份的还差一些。这也能反应出信号控制的运行之后的评价可能不是通过短暂的评价时间即能下结论的。从数据来看，控制效果也会出现这种不稳定的情况。

这个是车辆分布的情况，五十三秒的绿灯时间，横坐标是三十个周期，纵坐标是时间，上面那条线是绿灯时长五十三秒。也就是绿灯亮以后，过一个车点一个点。然后来看对时间的利用情况，如果都是非常均匀且分布合理的点，说明路口的放行效率非常高，如果不均匀的话说明路口放行效率有问题。

这是对于车道利用效率的比较，目前在大量的路口，道路路段的车道数都是要少于路口的车道数，路口要做展宽，就涉及到展出几条车道，展宽的车道要多长才合适。可以通过这个数据来看到底需要怎么去处理展宽的车道。

从数据看，这两个车道的效率差别非常大，每个周期还是五十三秒的绿灯，每个周期通过的车辆数，一个是22辆，一个是14辆。第三条车道，就是外侧直行的效率是远低于内侧车道。

因为它的展宽长度是五十米，大概八九辆车，这些车放行约要三十秒，就看前三十秒和后二十三秒的区别。前三十秒这两条车道一个是十一辆，一个九辆差别不是很大。但是到后二十三秒，一个十一辆一个五辆，说明这个右转对直行的影响。

那么同样的反过来一个方向的路口，是直行与左转的窄宽，也对比一下两个直行车道的过车情况。可能因为跟右转一起放右转还能到路口走掉，跟左转一起放左转就是开始排队了，所以他们的一个周期的过车数的比例达到十二辆比十九辆，而这个绿灯实际上是六十五秒。

前二十秒也是因为展宽车道的长度，大概是六十米，我取了前二十秒，那么5.2比5.9，差别不大。但是效率不高，后四十五秒的差别这两条车道就是一比二的关系。 

然后又取了一个不是展宽，而是直接很长的车道直接到路口的两条直行的车道做比较，这是南昌的一个路口的数据。这是它的五分钟对比图，高峰两个小时，一条车道330，一条375，另外一个进口一个468，一个505。

这两个的区别就不大，因为这个路口的直行车道在路段上也是专门的直行车道，也就是它的可以排队的空间不太一样。因此就想看看通行效率和控制的效果来评价，最后也会延伸到对这个展宽的路口做信号配时的时候到底该怎么取周期长和取对于展宽的进口方向的绿灯时间的关系。

因为绿灯时间可能放得很长，但是越往后的绿灯效率越低，所以就存在一个展宽车道长度和周期长之间的优化关系。

我也用一些路口的数据，对这个配时做一些调整和重新的计算。相对来看，因为各个路口的情况差异比较大，基于能够获取的数据，最后发现没有一个很好的规律，比如说是不是把绿灯定在放完展宽段之后切断效率最高，还是再多放一会儿效率更高，这个存在着损失时间比例和其它影响因素的问题。