本文摘选于《交通AI控制——实践与方法》一书

编辑者：交通信号灯的发明与广泛应用，在城市交通控制历史上具有划时代意义，堪称城市交通控制的第一次技术革命。通过在路口安装信号灯，有效规范了城市交通活动主体的行为，维持了路口交通秩序，大幅降低交通混乱程度，提升城市交通效率，是城市交通管控历经上千年演进的重大突破。。

Webster配时方法开启城市交通控制第二次革命，在其之后衍生出的各类技术和方法，都如同繁茂大树上的枝叶，皆源于这一理论根基。其中包括各种单点交通信号配时优化方法、干线协调控制方法，以及至今仍未在实际应用中取得成功案例的区域协调控制方法。从技术角度划分，还涵盖了固定配时控制、感应控制、自适应控制等。这些衍生的技术和方法，要么是在Webster配时方法的框架内，对目标进行进一步优化求解的方法，要么是在具体工程条件下，为实现理论落地而采用的实施手段。

当前城市交通控制虽有序但低效，现有方法存在数据源限制、模型与实际偏差大、场景适配度低等瓶颈，系统僵化难以应对海量交通需求变化，仍需大量人力维持。AI有望引领城市交通控制第三次革命，依托视频采集、信号机联网、高性能算力等基础，可实现路网级精确计算，批量自动生成并下发配时方案，突破人力局限。

AI将开启城市交通控制的第三次技术革命。

当我们探讨究竟何种技术或产品能够推动当下城市交通控制实现进一步飞跃，乃至引发革命性变革时，首要思考的问题是，截至目前，城市交通控制领域究竟还存在哪些长期严重消耗人力资源和社会资源的历史遗留问题，亟待解决。倘若有新技术产品能够切实解决这些问题，充分释放或者大幅减少过往因此而耗费的资源，那么，这样的技术产品及其衍生的运营模式必然具有革命性意义。

从应用层面而言，当前我国各城市所建设的交通信号控制系统（此处专指信号灯、信号机及信控软件这信控三大件），已能够有效地维护各个路口的交通秩序，在一般情况下，不会出现交通秩序混乱的状况。尽管如今城市规模以及每日交通活动的量级，都远超一百年前甚至几十年前的城市，但城市交通的有序程度却远胜于过去。这无疑是交通信号控制技术及产品大规模应用所带来的显著成效。特别是在通信网络和算力这两大关键基础设施的有力支撑下，交通信号控制系统得以稳定运行，切实保障了道路交通运行在时间和空间上的有序性，以及交通主体的出行安全。

然而，需要明确的是，有序并不等同于高效，而实现高效的前提，必定是首先确保交通有序。一个城市的道路交通秩序状况如何，是直观且易于判断的；然而，要判断该城市的道路交通运行是否高效，却并非一目了然，需要通过深入调研和全面分析，才能得出确切结论。

 一、高效与低效的差别 

亚当斯密在其经典著作《国富论》中，讲述过一个关于扣针生产的生动例子。一根看似毫不起眼的小小扣针，其背后实则蕴含着诸多复杂工序。从抽铁线、拉直、切截，到削尖、打磨、安装等等，通常来说，制作一根扣针需要历经十八道工序。那么，怎样才能提升扣针的生产效率呢？当时，一些工厂通过实践发现，最为有效的方法是将这十八道工序分配给十八个工人，让每个人专门负责一道工序。在采用分工制作模式后，平均每人每天能够制作4800根扣针，十八个人每天总计可生产86400根；然而，如果不进行分工，让一个人独自完成全部工序，即便对于熟练工人而言，每人每天也只能制作20根左右，十八个人每天累计仅能生产360根。同样的资源配置，却呈现出高达240倍的效率差距，高效与不高效的对比一目了然。

尽管这是一个与经济学紧密相关的案例，但其中却深刻体现了一个系统从有序到高效之间的巨大差别。基于此，我们不妨进一步开展一个思想实验：假设有两个同样由十八个人构成的系统，分别标记为A系统和B系统。在A系统中，每个人独立完成扣针的制作；而在B系统里，每个人都有着明确的分工，通过分工协作来完成扣针的生产。由于制作扣针存在特定的工序，所以可以认为两个系统中主体的行为都是有序的。并且，A系统和B系统彼此都不知道对方的存在。在旁观者眼中，A系统和B系统中的每个人都在有条不紊地工作，一切秩序井然。然而，令人意想不到的是，两个系统每天生产的扣针数量却有着天壤之别。A系统每日仅产出360根扣针，而B系统每日的产出却高达86400根。当旁观者将这两个数字分别告知A系统和B系统时，双方都大为震惊，均认为对方的数字是绝不可能实现的。因为在他们看来，各自系统中的每个个体投入的时间和技能水平相差无几，制作扣针的工序也完全相同，两个系统的产出理应不会出现如此巨大的差异。

从这个思想实验不难看出，尽管两个系统的要素完全一致，但是对系统中的要素采取不同的组织方式，会致使系统的整体效率发生翻天覆地的变化。就A系统和B系统而言，前者仅仅是一个有序系统，生产过程按部就班、没有混乱情况；而后者则是一个既有序又高效的系统，在有序的基础上，实现了生产效率的大幅提升。

若将城市道路交通视为一个完整的系统，当前各个城市交通系统的运行状况与A系统极为相似。在信号灯的管控下，每个路口都各自独立地指挥交通，从整体上看，系统处于相对有序的状态。不过，在某些特殊情况下，少数路口仍会出现秩序混乱的现象，比如信号灯突发故障、交通事故发生、路口车流量短时间内急剧攀升等。

倘若把信号灯类比为A系统中的劳动者，那么当下这个“劳动者”依照既定的工序（如相位、相序、配时参数等）开展工作。在早晚高峰以及其他交通流量较大的时段，其每小时能够指挥和服务的交通主体数量几乎已经达到了上限，也就是说，它独自服务的理论上限是确定的。照此运转模式，一个城市道路交通系统所能服务的上限总量，就等于把各个信控路口能服务的理论上限进行累加。

由此不难看出，倘若仅仅采用逐点优化每个路口配时方案的模式，实际上各个城市只要通过理论计算，明确每个路口还存在多少优化空间，就能判断出在现有基础上投入资源进行进一步信号配时优化工作是否具有价值。

根据作者的实践观察，在“点”和“线”这一维度上，部分城市近几年已开展了一些基础性的优化工作。然而，如果不改变现有的模式，继续按照当前既定的模式投入人力资源去做进一步的精细化工作，所能带来的实质性交通运行效果提升将极为有限。

投入的人力资源最多只能维持当下的服务水平不下降。但如果不投入人力资源，之前所取得的效果以及系统原本能提供的服务水平很快就会消耗殆尽。

这不仅是城市交通控制理论面临的困境，也是现实应用中的窘迫局面。

 二、城市交通控制方法的瓶颈 

城市交通是典型的复杂巨系统。钱学森曾对开放的复杂巨系统进行过详细论述，指出若不能正确认识此类系统，以恰当的方法论展开研究，就会陷入以部分代替整体的误区，甚至违背客观事实，走上人为制造更多问题，进而不断衍生无效解决方法的歧途。道路交通系统之所以被称为典型的开放复杂巨系统，是因为构成该系统的主体单元——人，本身就是一个复杂巨系统。

以往的理论方法和实践应用，本质上是将城市交通这个复杂系统高度简化为简单系统（路口），然后试图通过建立数学模型精确定量地描述简化后的系统，期望以此代替真实复杂的交通系统。但这显然与客观实际相差甚远。

以Webster单点信号配时方法为基础发展起来的城市交通信号控制方法体系，仅仅是在忽略人的因素以及道路空间限制的前提下，对单点信号路口的复杂交通流进行了高度简化。

随后，又依此衍生出许多本质趋同的单点、干线协调控制方法，以及在实际应用中难以得到验证的区域控制方法。

时至今日，这些理论方法经过几十年的实践验证，已充分暴露出诸多问题。这些起源于物理学的解析方法，在研究现实复杂交通系统时，无法通过求解来发现系统运行规律，也难以预测系统行为，导致单纯依赖这些失真模型，难以对真实世界复杂的交通系统进行合理有效的控制。

这也是城市交通控制多年来面临的“世纪难题”。从理论方法本身来看，其瓶颈主要源于以下几个方面：

1. 数据源以及数据样本量限制了方法自身的扩展

受检测手段和工程成本的制约，工程领域在感知交通流方面，一直停留在仅能获取局部样本来量化交通流的阶段。用采样有限点上的数据来代表复杂交通流的行为，以未饱和、饱和和过饱和，或顺畅、阻滞和拥挤来简单划分交通流的运行状态，忽略了驱动每一种状态产生的交通流运行内在机理，这是一种“以象解象”的机械式理论方法。

2. 解析式的交通流理论模型与实际交通运行规律偏差较大

交通科学是典型的实证科学。当有限数据样本构建的模型无法解释真实世界发生的复杂交通现象时，人们只能依据经验认知来探究原因。尤其是城市道路交通，迄今为止，仍缺少相关理论和模型来解释一个区域或是干线的交通流运行规律及现象。即便是单点路口的交通流运行规律，已有理论也只能解释真实交通运行中的部分现象。

3. 交通信号控制方法与应用场景的适配度较低

已有交通信号控制方法在实践中表明，其只能替代人工方式自动化地解决一部分交通控制问题，而且通常需要专业人员对相应方案进行人工修正。其余大部分实际交通控制问题，需要依赖专业人员进行有针对性地调研分析（如日常运行中占比越来越多且已成为常规交通控制场景的高峰拥堵、大型活动、恶劣天气、交通事件、施工占道、特殊警务等等），并给出更合理的交通控制方案。因此，许多重要的真实交通控制问题在已有交通信号控制方法体系中并未得到覆盖，理论方法与应用需求之间高度不适配的问题较为严重。现有交通信号控制理论方法，只是真实城市交通控制所需方法的一个子集。

4. 缺乏技术手段有效映射全样本数据与控制场景间的关系

现有的较为有限的数据源，只能相对刻画一个城市局部的交通运行情况。并且受限于已有的点-线模型和控制方法，当前汇聚的有限数据又被割裂地与点-线场景进行映射，而没有与交通系统整体的控制场景建立映射关系。其主要原因在于，传统采样式的固化点-线场景技术手段，难以改造成能够容纳全样本量的方式，来映射更大规模和更复杂的交通场景，这一问题在真实交通控制中日益凸显。

从各城市交通信号控制系统的实际运用情况来看，其建设与应用主要解决了路口的秩序问题，并且在一定程度上替代了交通警察在路口的现场执勤工作。然而，在很多城市的早晚高峰时段，或是举办重要交通活动期间，仍离不开交通警察现场维持秩序，才能保障交通按照预期顺畅运行。

这表明，当我们从城市整体视角审视交通系统高效运行的保障机制时，会发现若完全依靠现有的交通信号控制系统来调控整个城市交通系统，往往难以实现预期的有序运转。尽管每个路口的交通参与者都遵循信号灯指示通行，但系统局部乃至大范围的交通紊乱现象仍时有发生。

若要确保城市交通系统相对稳定、有序地运行，就需要持续投入大量人力。也就是说，城市交通并未因交通信号控制系统的建设而减少人力资源投入，反而系统建设规模越大，所需投入的人力资源越多。这便是典型的交通控制悖论：城市交通系统并未因交通信号控制的应用而大幅降低人力消耗，相反，更多的人力资源被卷入其中。从单个路口来看，现场执勤人员数量似乎有所减少；但从整个系统层面考量，后台支持人员的总量却大幅增加。

因此，城市交通控制迫切需要的第三次革命，是借助某种技术或技术体系的突破，让全新的技术体系真正接管城市交通系统，就如同当年交通信号灯与控制器取代现场交通警察，实现对路口的有效管控一样。

而有望承担起这一重任的，正是交通AI控制软件。

 三、AI将能突破当前交通控制低效的瓶颈 

为了更好地理解这一变革，我们不妨回顾个人计算机的发展历程。微处理器、图形界面和高效编程语言，是推动个人计算机普及的三项关键基础技术。与之类似，交通信号机、交通信号灯和交通信号控制软件，是促使城市交通控制全面迈向信息化的核心要素。交通信号机保障了控制逻辑在本地稳定执行，信号灯通过颜色变化为系统与交通参与者搭建起高效简洁的交互界面，人们依据不同交通场景和需求，借助交通信号控制软件编辑并下发信控指令，就像程序员利用程序编译工具编写代码以满足各类场景化需求一样。

然而，随着城市交通的不断发展，交通出行已全面步入“网络化”时代，任一交通节点的变化都可能对整个交通系统网络产生影响。理论上，每个路口配时方案的调整，都应带动整个系统或部分关联路口配时方案的协同变化，只有这样，才能确保配时方案调整能为系统带来正向效益。要达成这一目标，就要求决策者对整个交通系统了如指掌，每次配时方案调整都能联动一系列路口的配时同步优化。但遗憾的是，这远远超出了个体人脑决策的能力范畴，更非群体同步决策所能企及。

我们不妨做一个简单的推演：假设一座城市有500个路口，每个路口的交通需求每15分钟变化一次，一天24小时，那么每个路口每天会出现96种不同的交通需求。若每个路口的交通需求变化相互独立，该城市每天交通需求变化总数将达到48000次。若要实现对城市交通系统的高效管控，就需要投入人力每天迭代更新48000个配时方案，一年累计约17520000个。显然，这绝非人力可为。所以，当前一些城市采取了极端简化的处理方式，每个路口仅设置4个配时方案，每半年或一年更新一次（部分城市甚至长期不更新），如此一来，500个路口每年生成的配时方案仅2000个。2000与17520000相比，结果仅为0.000114。这意味着，一个拥有500个路口的城市交通系统，若按当前人力操作模式为每个路口配置4个配时方案，仅能满足系统万分之一的交通需求变化，其余9999种交通需求均超出了现有交通信号控制系统的服务能力。

需要注意的是，上述推演是基于每个路口交通需求变化相互独立的假设，而在现实中，某个路口的交通需求变化在某些时段会对其他路口产生或大或小的影响。如此一来，对于一个拥有500个路口的城市交通系统而言，每天涌现的系统级交通需求变化数量将是一个难以估量的天文数字。从这个角度看，若将500个路口视作一个“超大路口”，当前依靠人力制定的配时方案，几乎等同于这个“超大路口”全年仅执行1套配时方案，整个系统处于严重僵化状态。以此类推，对于拥有上千个信号控制路口的城市，系统的僵化程度将更为显著。

由此可见，城市交通控制当前亟待解决的核心问题，是如何应对系统庞大的交通需求变化量，突破人力决策和控制能力的局限，化解城市大规模交通控制系统的严重僵化困境。交通控制的前两次革命，实现了路口层面的人力解放，确切地说是体力的释放；而当前的第三次革命，则需要实现系统层面的体力释放与脑力的大幅提升。

AI，尤其是交通AI控制，具备引领城市交通控制第三次革命的基本条件。

AI是人工智能相关理论与技术的统称。在城市交通控制领域，本书所探讨的 AI，是指基于AI理念和技术构建的交通AI控制方法及技术体系，具体到产品层面，是指通过软件自动化生成大批量信号控制配时方案表单，并由机器高度自动化完成路网规模的交通控制业务。

支撑交通AI控制软件实现大规模路网级交通控制业务自动化的，主要得益于以下技术和工程条件的成熟：

• 全国大部分城市已在路口和路段广泛安装视频摄像机，这为运用机器视觉技术大规模解析实时采集的视频流，进而实时生成交通参数，提供了必要的数据基础。

• 多数城市的交通信号机已实现联网，具备了在中心端统一计算、生成并批量下发控制指令的通信网络条件。

• 当下的高性能算力，为实施大规模、实时的城市级复杂交通计算提供了充足保障。

回顾城市交通控制的发展轨迹，不难发现AI正引领着一场意义非凡的变革。过去，交通控制多基于路口进行模糊计算，如今，AI赋能使其迈向基于路网的精确计算时代。在配时方案生成方面，以往单纯依赖交通流量参数，如今借助AI能够引入交通时空参数矩阵，实现更全面、精准地考量。信号控制配时方案表单的下发也告别了人工逐“点”操作的烦琐模式，转变为由机器批量生产并自动下发，极大地提升了效率和准确性。

或许有人会质疑，这些技术理念在理论层面提出已超半个世纪，看似缺乏新意。但实际上，只有深入了解实际交通控制业务的实施细节，亲身参与交通控制智能化应用系统的工作，才能真切体会到理论与现实之间犹如天堑般的差距。这种差距并非单纯的技术落地难题，还涉及复杂的实际场景、多样的需求以及庞大的系统协调等多方面因素。

近年来，行业内的积极探索与实践表明，AI极有可能成为跨越过往理论与当下应用之间鸿沟的关键桥梁。AI强大的数据处理能力和智能分析能力，为解决交通控制中的复杂问题提供了全新思路和方法。然而，现实挑战依然严峻。在推进交通AI控制的进程中，工程领域面临诸多亟待攻克的难题。大量基础的数据收集、整理与标注工作，模型算法与实际场景的适配优化工作，大型工程软件开发过程中的技术攻关，以及最终产品在不同场景下的落地适配和泛化能力提升等，都需要工程人员脚踏实地、一步一个脚印地去突破。每一个环节都充满挑战，任何一个细节的疏忽都可能影响整个交通AI控制系统的运行效果。

赛文荐书：本文摘选于《交通AI控制——实践与方法》一书。

作者自述 

在撰写本书的过程中，进度磕磕绊绊，很不顺畅。篇章目录反复修改，数易其稿，撰写的内容也反复删改，不断推倒重来。即便到了当下完稿之时，心中依旧有一种怅然若失之感。由于受诸多因素限制，许多原本想写的内容未能付诸笔端，而最终呈现出来的内容，也和自己理想中的模样偏差较大。支撑我坚持写完这本书的动力，或许是希望借由文字，记录下自己十几年来在该领域的所见、所思、所想、所做与所悟。

城市交通控制，业界更习惯将其称作交通信号控制，但我更偏好于前者。从学术视角看，这一领域早被认为发展潜力殆尽，鲜有人涉足。近半个多世纪以来，其理论框架几乎停滞不前，难有实质性突破。如今迭代更新的文献，大多只是在数据集扩充、优化方法改进以及特定场景应用方面取得了一定成果。曾经，我也一度觉得这个领域已走到尽头，即便再付出巨大努力，也难以创造奇迹。

但在亲身参与工程实践，并带领团队推进产品研发的过程中，我愈发深刻地意识到，现实中的信控软件产品，在功能深度、技术底蕴以及应用价值等方面，与我最初的预期相差较远。或许是出于内心的好奇与探索欲，我渴望能够系统、全面地探究理论与现实之间的差距，深入剖析二者之间鸿沟产生的原因、呈现的形式以及潜在的影响。

怀着这份好奇，将自己归零，深入一线不断地学习和了解真实世界的交通控制业务和真实的交通控制问题，我渐渐发现，理论与现实之间的鸿沟确实比想象中的要大很多，但也并非是不可跨越的天堑。

在实地调研中，我看到了不同城市交通的复杂性。一线城市的早晚高峰，车流如潮水般汹涌，指挥中心的工作人员如作战部队一样忙碌地调度和指挥，但依旧难以缓解成片的交通拥堵。老城区狭窄街道上，车辆与行人争道，交通规则的执行在混乱中打了折扣。而在一些中小城市，虽然交通流量相对较小，但基础设施的不完善，使得交通信号的设置缺乏基本的科学依据。

与一线交通工程师和运维人员交流时，我听到了他们的无奈与期待。他们每天面对的是各种突发状况，信号灯故障、交通事故引发的交通瘫痪，这些都需要他们凭借经验去快速应对。他们渴望有更智能、更稳定的城市级交通控制软件来辅助工作，提高交通管理的效率。

通过对这些现实问题的梳理，我意识到，理论之所以与现实脱节，一方面是因为理论研究往往过于理想化，忽略了现实中交通场景的多样性和复杂性；另一方面，技术在实际应用中的落地存在诸多阻碍，从实验室到市场的转化过程漫长而艰难。正如我曾在《城市交通控制黑洞》一文中打的比喻，“我们一直试图用旧时代的火把照亮今天无际的黑夜，然而，黑夜无情地吞噬了残喘的火把”。火把是指信号灯，黑夜是指交通问题。

在现实的城市交通场景中，诸多难题如乌云般笼罩。基础交通数据极度匮乏，就像巧妇难为无米之炊，让交通管控失去了关键依据。信控软件功能单调，宛如老旧的机器，无法灵活应对复杂多变的交通状况。路口配时方案更是僵化得令人惊讶，有的地方甚至多年如一日地沿用同一套配时方案，无视交通需求的变化。为了维持交通的基本运行，各地只能依靠大量警力与外包人力，他们日夜坚守保障一个城市几百甚至几千个信号路口的正常运行，但难以从根本上解决问题。出行者的抱怨与投诉如潮水般纷至沓来，管理者面对这一棘手状况，满心无奈，只能疲于应对，每天都在各种突发问题与长期积弊中艰难周旋。这些画面时常在我的脑海中挥之不去，作为交通专业的从业者，似乎应该为此做点什么。

基于这些“新发现”，我开始尝试从实际问题出发，寻找理论与现实的结合点。思考的角度也由最初研发一套先进的交通控制算法，转变为如何让目标城市能拥有可用的交通数据，如何让稀少的传统检测器设备能够正常工作，如何让已有信号控制软件中的配时方案能够相对地科学合理，如何根据一个城市的特点和交通出行主体的不同来制定控制策略，如何谨慎地使用高大上的交通控制算法。

躬身入局工程应用和产业化实践过程中，曾面对几乎无数据可用的困境，仿佛置身于一片荒芜的沙漠，四处寻觅却难寻水源，每一步探索都充满了迷茫与艰辛。而AI领域视图技术的突破，宛如一道曙光，借助该先进的技术，大规模的视频设备得以被盘活利用，它们不再是监控违章的装置，而是摇身一变成为了源源不断的数据生产设备，可以实时地为城市交通输送宝贵的数据。

在打通大规模视频设备和信号机之间技术链路的征程中，又遭遇了重重难关。不同设备之间的兼容性问题、复杂的通信协议难题、数据交互的安全保障…… 每一个问题都如同横亘在面前的高山，举步维艰。但凭借着WaySense团队的不懈努力，我们最终跨越了这些障碍，为两者架起了一座坚实的桥梁，路口的红绿灯终于能够根据实时的交通数据灵动地闪耀，视频与信号灯也不再是遥远的距离。

在这个过程中，我也不再认为城市交通控制是一个没有发展潜力的领域。相反，它就像一座沉睡的宝藏，等待着我们去挖掘。只要我们能够深入了解现实需求，将理论与实际紧密结合，就一定能够找到突破困境的方法，为城市交通控制带来新的生机与活力。

当我在键盘上敲打至此处时，窗外已是大年初一的深夜，街头巷尾张灯结彩，将蛇年新春的氛围烘托得淋漓尽致。与此同时，网络世界也被DeepSeek的全球惊艳亮相强势霸屏，这场科技盛事宛如绽放在新年夜空的一场绚丽烟花秀，璀璨夺目，令人心潮澎湃。

一方面，通用技术正以令人惊叹的速度蓬勃发展，尤其是中国原创的领先技术成功破圈，在国际舞台上大放异彩，这无疑是中国科技实力崛起的有力见证。但另一方面，当我们将目光投向垂直行业，尤其是工程应用领域，却不难发现其发展的滞后与迟缓。如今，AI已昂首迈入2.0时代，大模型浪潮席卷全球，然而在城市交通控制这一关键领域，AI 1.0才刚刚蹒跚起步，整个产业仿佛正站在时代变革的十字路口，蓄势待发。

我坚信，在不远的将来，中国版的交通AI控制技术也将如DeepSeek一般，突破重重壁垒，走向世界，并将为看似已陷入发展瓶颈的城市交通控制领域注入全新的活力。届时，或许我可以重写一本2.0版的《交通AI控制》，弥补本书写作仓促、分析浅陋、欲语还休的不足。

最后非常感谢家人对我的支持，本书几乎都是在节假日和挑灯夜战中完成的。刚入学龄的女儿经常跑过来胡乱地敲打我的键盘，弄糊了屏幕上的文字，嘟着小嘴说：“你怎么还没写完，我要你陪我玩。” 那一刻，心中既有对女儿的愧疚，也有被她的天真无邪所触动的温暖。