从核心、重点及全域范围三个层面进行建设

赛文交通网 智能交通 智慧交管

编者按：8月30日，在赛文交通网主办的“交通管理大数据融合与应用”线上研讨会上，舟山市公安局交警支队指挥中心副主任王彬作了《以数治堵——交管路侧数据应用经验分享》主题报告。

近年来，路侧感知的数据量呈现爆炸式增长，利用数据算法挖掘有效信息，提升出行体验，已成为当前交管治堵工作的迫切需求。该报告分享的2个数据实战应用案例，以卡口、电警、监控等设备为主，结合雷视，通过算法实现了对道路交通态势的精准感知，从而为隐患治理和疏堵保畅工作提供更有效的支撑。

01、背景及概况

随着技术的发展以及交通参与者对于通行体验要求的提高，除信号优化工作外，如何快速发现、处置道路上影响通行的交通事件（事故），已经成为现代交管警务治堵保畅工作的重点攻坚课题之一。由于交通事件监测需要依赖前端设备，作为拥有大量前端设备的红绿灯路口可以作为天然的切入点。

先来看一下现有路侧设备的应用情况：

一是视频设备，一般红绿灯路口都会安装，视频设备的优点是路面情况比较直观，缺点在于无法采集数据，也没有事件识别功能。

二是常规配备的电子警察，电子警察能够记录违法数据，并且现在都兼具卡口功能，缺点是数据采集方面的拓展功能较差，没有事件识别功能。

三是地磁/线圈，地磁线圈在前几年应用较多，优点是过车数据准确，缺点是施工建设、后期维护成本均高，且只能做到单个断面检测，目前应用较少。

四是雷达，雷达的优点是准确度比较高，缺点是没有目标信息识别，也没有视频记录。

五是卡口，卡口能够记录过车流量，缺点在于过车数据准确度不高，无事件识别功能。

六是雷视，雷视整合了雷达和视频的功能，取两者的优点，缺点是成本是相对较高的。

在梳理路口设备的总体情况后，再来看一下事件监测到底应该怎么做。影响通行的交通事件通常是小概率事件，因此，要取得项目建设成效，首先要扩大事件的监测范围。传统在建的两种方式为硬件监测和数据算法。

其中，硬件监测的优点在于准确度较高，事件种类的识别范围较大，缺点是投入成本非常高；数据算法监测的方式虽然准确度一般，检测的事件范围也有限，但是投入比较低。在实际建设交通事件监测项目中，就需要将二者进行有机结合，既控制好整体的建设成本，又尽量扩大点位，甚至全域覆盖。目前，舟山已经初步完成了全域的目标。

此外，路侧交管数据虽然量大，但总体质量并不高。由于路口的环境相较机房更为复杂，一方面受天气、人为（施工等）等因素影响，另一方面电流、电压以及电磁场波动剧烈，从而导致大量的点位，会发生数据丢失、失真的情况。

在这种情况下，路侧数据不能进行直接计算，需要算法进行介入。最近几年，业界各大厂商也意识到了这个问题，纷纷深入通过算法来改善数据质量，其中有纠偏算法、容错算法等。

当前，舟山已初步建立了完整的事件监测系统，最重要的意义在于建设成本与产出成效中取得了平衡。尽管如此，距离交管工作理想中的交通事件及时监测、线上线下高效协同的全闭环流程还存在差距，整个事件监测处置业务还处于初级阶段。

在整体技术架构上，舟山是通过核心、重点和全域三个层次，分层全覆盖的方式进行建设，高度复用路口原有的电警、视频等设备，结合算法降低投资：

其中核心点位进行了重资产投入（前端设备利旧+部分设备补充新建），采用数字孪生的方式，将路口要素进行实时还原和监测。

重点点位采用视频识别方式（前端设备利旧），对视频进行结构化计算，从而实现路口事件的实时监测。

全域范围则采用基于电子警察数据的大数据算法，对路口部分事件进行实时监测。一般来讲，一个城市的核心点位和重点点位不会超过10%，甚至连1%都不到，而大部分影响通行的交通事件，在总量上恰恰多发于剩下看似无关紧要的90%以上点位，如果对这些点位投入前端感知设备或后端视频计算服务器，需大量资金，因此需要采用大数据算法。

02、全息路口-核心点位解决方案

分布式雷视拟合，复用路口电警。全息路口由电子警察/卡口（支持利旧）和雷达、边缘计算体构成。由于路口的数据量庞大，将这些数据直接传到中心，网络传输的压力较大。

此外全息路口建设的目标是在8秒之内响应，如果将这些大数据量全部传到中心机房再进行计算，响应时间也难以达成，因此需要进行路口的边缘计算。

多设备拟合，完整轨迹。通过路口的边缘计算，将原有的视频和雷达数据进行拟合，可完整呈现路口所有的拟合轨迹。

多设备校正，解决误差。多设备拟合当中，对时钟也进行了同步拟合，将原本可能出现的设备误差进行纠正。

高精地图拟合，全路口数字化展现。能够在高精地图上进行拟合，将全路口数字化的交通要素，以更高精度的方式呈现出来。

全息路口除了对路口的交通事件进行及时监测外，还可实现OD分析、流量分析、对信号控制提供建议以及非现场执法依据。

此外，系统还具备时空复原功能。在事件发生后，通常处置人员是通过调取视频进行观看回放，但视频角度是不能改变。而时空复原则通过数字孪生的方式对路口历史情况进行重建还原，能够以任意角度旋转、缩放去观看事件的全过程，相比于视频回放，其还原路面的情况更为直观和精准。

在全息路口建设中，尽管路口有大量的新建设备，包括雷达、边缘计算体，有些点位甚至要对视频做补点处理，但总体还是围绕着数据处理为核心。在实际应用当中，涵盖了信控优化、出行服务、交通组织、路口评价、隐患治理、交通仿真等方面。

从系统的界面可以体验到全息路口的上帝视角功能，它能够以高精地图的方式加载路口200米范围内车辆的实时轨迹，通过全息视角监测路口实时运行态势，监测各进口方向的车道指标、转向指标等，并实现路口交通的全要素还原，包括机动车、非机动车、行人。

路口评价功能。基于历史数据，从路口安全、拥堵、秩序、流量多维度对路口进行综合评价与评分，反映路口交通运行效率、健康水平。其优点是能够更加直观的进行要素呈现，缺点是呈现的要素还不能随着业务变化进行灵活组合呈现。

信控评价功能。能够实时显示路口信号控制方案及当前相位，监测当前信控方案各相位的信控指标，研判信控数据、对信控方案进行评价，给出方案优化建议。该功能的优点非常突出，能够进行全要素直观展现。缺点是一般路口的流量变化情况较少，信控方案根据系统建议优化以后，再优化应用的使用频率较低。

安全评价功能。安全评价功能是本系统的突出亮点，它对车辆轨迹进行历史累加，从而识别出常规难以发现的、不直观的路口安全隐患。系统能以热力分布及回放事件的方式，协助对路口安全隐患进行综合诊断。

具体来说，我们以往在解决路口安全问题时，通常会去观看事故的回放视频，但视频回放的是当前这一个事件，而很多路口的安全隐患往往是累积性的、小概率的，我们无法对路口的历史累积情况进行了解，而通过全息路口热力图等方式就可以，这对于隐患诊断方面的工作能效，有非常大的提升。

交通态势监测。即以全息视角方式，对路网交通运行状态进行实时监测，并能够实现路网二三维地图的自由切换，实时展示路况或车辆轨迹。

以往，对于核心点位我们主要采用两种手段进行事件监测。一种是人工视频巡查，另一种是某些点位采用纯视频图像检测的方式。其中人工视频巡查高度依赖于巡查员的个人业务能力，判断出需要出警的事件后，再派警到现场进行处理。纯视频图像检测方案，则可能存在虚警多的情况，反而变成了警力资源浪费，因此需要严格控制准确率。

该系统建成后，能够实现轨迹精准识别，事件精准还原，加快了整个研判处置的流程，常规人工视频巡查、纯视频图像检测中存在的时效滞后、虚警等问题都得以解决。在实际应用中，系全息路口已经实现检测报警时间不大于8s，减少了交通拥堵概率，提升了交通通行安全。

除了事件检测以外，全息路口还赋能交通组织优化工作，加速推动交通秩序隐患工作整改落地。在以往的隐患整改工作中，业务人员更多依赖于经验主义，而有了系统全量的交通数据作为支撑，整改有据可依，更精准高效。同时，全息路口也为路口信控配时方案提供了数据支撑。

总体而言，全息路口的功能是非常强大的，但其缺点也是显而易见，就是建设成本高昂，只能在核心点位进行应用，无法大面积铺开建设。

03、AI解折-重点点位解决方案

在重点点位方面，我们采用了AI解析的方案。AI解析平台，通过充分利用已建的视频监控点位，完成现有前端设备价值的挖掘与利用。平台通过后端AI视频识别算法，将传统视频点位改造为智能图像识别点位，推动非智能的视频监控设备向“能看懂、擅思考、助指挥”的高阶能力发展。

架构拓扑图

在架构拓扑图上，可以看到整个AI解析平台，是基于前端已建设的高清视频监控、固定式枪型摄像机（新建亦可），将这些前端的高清视频流传输至后端，再用专门的视频解析服务器进行识别处理。

解析平台目前不仅能够识别机动车，还能识别非机动车和人脸。在交通事件识别中，常见的如异常停车、超低速、路口溢出、路面积水、养护施工等12类影响通行的事件，都能够及时发现和预警。

除事件监测外，该平台还能够识别机动车与非机动车的结构化属性，从而实现事件发现与处置的闭环。在通过对交通对象进行全结构化解析后，普通前端视频点位相当于具备了电子警察的功能，能涵盖违法压线、违法停车、逆行、倒行、非机动车违法载人等行为的抓拍。

当然系统识别抓拍的视频及图像，作为处置的依据必须符合非现场证据录入的标准。如果点位经过系统改造后，能够满足相关标准，就可以把数据直接传入非现场系统平台，无法完成标准改造的点位数据，也可以作为非现场证据的补充。

在此，必须提及AI解析平台在非机动车方面的应用。总所周知，非机动车治理是近年来交通管理部门的重点工作之一，目前遇到的最大困难，是非机动车识别非常困难。

常见的非机动车识别采用了RFID的方式，但存在电池没电后无法识别的短板。而这套解析平台则是通过人脸识别的方式，拟合出非机动车的车主，再进行非现场的后续处置，这个方法有效解决了RFID方案存在的痛点。

在抓拍的种类上，包括不戴头盔、闯红灯、载人等。同时，该平台也无需接入红绿灯信号，AI会自动识别红绿灯的颜色。

04、天眼哨-全域覆盖解决方案

天眼哨是舟山交警近些年自行研发的系统，能够进行事件监测的全域覆盖，下图是系统的界面。

前面已经提到了，如果要在交通事件监测处置方面工作产生成效，仅一、两个点位是肯定不够的，很有可能这一、两个点位一年来都没有发生过一起影响通行的交通事件。

此时，就要解决事件监测的全域覆盖问题，而全域覆盖最大的问题是成本。我们在建设系统、开发算法的时候，又仔细品读了“需要实时监测影响通行的交通事件”这句话，发现并不一定要焦距在“交通事件”上，而是需要焦距在“影响通行”这四个字上。

从基本原理上解析，传统方案检测了所有事件，导致大量的算力在空转浪费，从而造成过高的成本。那么有没有一种算法是发生影响通行的事件时，才进行大量计算的呢？我们通过摸索，发现了可以通过电子警察抓拍数据，实现事件监测全域覆盖。

如上图所示，由于同个电警点位的违法数量每天较为恒定，那么当发生抓拍数量异常飙升时，就说明该点位有事件发生。通常影响交通通行事件发生时，抓拍量飙升比例会达几十上百倍。

下面把这个概念抽象进行具象化。如下图所示，假设红绿灯路口的实线区域内，出现了一个异物，可以想象，作为司机看到前方有一块石头，第一反应就是绕行。而车辆在实线区域绕行，就会产生违法变道的行为，电子警察就把这个行为抓拍并传输到后端的服务器当中。

如果路口实线区域内的石头一直存在，那么该路口内所有行经这个车道的车辆，都会产生违法变道的抓拍数据，这个点位的违法抓拍量会急剧飙升。

这就是我们通过对电警违法量波动进行实时监测，就能够及时发现影响交通通行事件的基本原理。当然这个只是对基本原理进行说明，实际运行的算法更复杂。

反映到实例当中，如下图的红绿灯路口，前方车辆因为故障抛锚，后方的车辆就会绕行，车辆绕行产生违法行为。并且，绕行的不止这一辆车，从而导致违法量急剧飙升。既然路口影响通行的交通事件，可通过非现场抓拍数据量的异常波动体现出来，并被灵敏检测到，我们就利用这个特征，建立了覆盖电警点位的全域监测系统。

在计算效率上，我们覆盖了主要城区400多个路口，平均每个路口超过了4个点位（方向），共计约1500至2000路，用一台虚拟化服务器就能够完成实时计算，效率非常高。

在应用中，天眼哨系统还可迅速预警快速路隧道内的路面鼓起事件，发现高峰期间路边的纠纷事件（多辆车辆违停），及时消除影响通行安全的交通隐患。

在信号故障监测方面，天眼哨也取得了一定的成效。如下图案例，照片对面的红绿灯被货车撞歪，导致信号位置朝向异常，行经车辆能同时看到对面有2个圆盘信号灯且一红一绿，从而导致闯红灯违法抓拍量飙升，触发系统的预警。

05、结语

通过核心、重点及全域范围三个层面的建设，我们完成了交通事件监测这项工程，总体来看基本符合预期，数据上单次预警的准确率均超过了90%。

但是，事件监测的常见指标分为单次准确率和总体检出率两项。单次准确率的计算方法为需要出警处置/实际出警处置，总体检出率的计算方法为预警次数/总体事件数。因为单次准确率影响了警力的利用率，所以这一项指标必须维持在较高水平，而总体检出率受单次准确率的提高影响，会相对应的降低。

因此，如何在追求总体检出率提升的情况下，维持较高的单次准确率，是交通隐患事件监测处置课题的核心目标。

最后，尽管当前事件监测系统已经取得了一定的成效，但总体还属于初级阶段，我们希望各大厂家、研究院、高校能够提供更多的技术和理论支持，结合交管部门的实践验证，共同把这个课题做的更好。