互联网公司的优势在于拥有大量基于位置信息的交通数据，那么如何利用这些数据来做信号配时优化呢？

在互联网公司的优势在于拥有大量基于位置信息的交通数据，那么如何利用这些数据来做信号配时优化呢？2017年COTA年会的信号控制论坛上，滴滴孙伟力博士发表了《基于滴滴车辆运行轨迹的信号配时优化》主题演讲。

孙伟力首先阐述了“检测-评估-优化-实施-再检测”的闭环控制逻辑，然后利用滴滴大数据快速迭代的思想，分享滴滴智慧信号灯项目在济南的落地实施优化的案例。

以下根据会议演讲内容整理。

我主要讲怎么用滴滴的轨迹数据对交通信号灯做优化。

对交通工程师来讲，最大的问题是数据从哪里来？有了数据之后，我们希望最终形成一个闭环系统。

首先从检测开始，检测数据可以来源固定检测器，也可以是互联网大数据；其次，要快速评估，评估延误时间、停车速度等；第三，评估之后要进行优化模型；最后将配时方案下发。然后又重新采集、评估、优化，最后形成信号控制闭环。

如果能够通过我们的数据形成一个闭环，其实是能有效的弥补交警有限的精力，我们希望用自动化的过程形成闭环来提供一个工具共同解决交通问题。

下面给大家分享几个案例。

案例：经十路

第一个是济南经十路，双向十车道的主干道，当时做的是六个路口。

在滴滴的优化方案上线两三周后，我们做了前后对比，看六个路口所有车的平均延误时间，优化后早晚高峰下降了10％左右，平峰期下降了6％左右。补充一点，经十路的周期、相位相序等受现场条件限制很大，济南交警在经过了长时间摸索后形成了一些经验，而我们在这六个路口做的只是相位差调整。

大家都在关心滴滴、百度等互联网公司到底能进行多少数据处理，路上有多少车是滴滴的车。滴滴的车有等客状态和载客状态，等客状态不清楚是因为交通停下来还是因为等客停下来，所以我们将等客状态数据剔除。筛选后的滴滴车辆大概能占到3－7％的比例。

我们要用这些数据做的最简单的事情是数车、统计过车数。除此之外，滴滴在拥有高精度的轨迹数据之后，我们能知道这辆车在交叉口的停留时间和位置。比如一辆车如果停在交叉口100米左右，那我们就知道它前面可能会停了十五辆车。所以，滴滴单辆车的轨迹数据不仅包含了自己的信息，还有一些信息能够反映周边的状况。

当我们有了很多数据的时候，用统计大数据的力量，能够得到相对比较精准的交通信息。所以我们在拿到比对数据做的第一件事情，是把每一个周期里面包括流量的数值和它在周期里面的相对位置做估计。我们估计的是平均值，但是如果这个模型能够接近反映真实的情况，我们就能知道现场的交通状况。

在目前的轨迹数据情况下，我们不可能做到实时，而是对每个交叉口的不同时间段做平均的估测。首先我们没有做预测，第二不是每个周期重复的做流量估算。

我们将早上六点半到晚上七点，每半个小时平均流量的估计做对比，一天平均误差能控制到8.6％左右。这个数据一开始是按照车联网数据来做的，误差也能控制在10％以下，这样的误差对交通控制其实已经是高质量的数据。

我们第一步要模型化，将滴滴几个周期的比对数据形成原始图，通过模型制作流量估计后做一个模型化的图，可以看每个路段、路口的延误时间，或者是最大的排队长度，意味着我们的模型能够比较准确的反映真实状况。

我们做的另一件事是时间段的划分，时间段的划分针对六个交叉口，采用东向西方向的直行延误图，每个图的横坐标是从早上六点到晚上24点，纵坐标是车辆延误时间，能够看到早高峰和晚高峰车辆延误时间明显高于平峰期。拿到交通图之后，我们就可以通过聚类了解一天的时间段应该划分为几个。

还有溢流的问题。因为我们只是调整了济南的相位差，但是交通流还是很大，现场还是会堵，所以我们想能否通过相位差的调整尽量消除红灯期间停在交叉口的车辆数。

我们统计了所有滴滴的车通过交叉口时，每千辆车有多少辆车在红灯期间会停留在交叉口范围，这个数字从原来50个、60个降到6个和13个。

溢流其实永远在交通流量非常大的情况下难以消除，但我们能做的就是尽量减少对交通路网的损害。

案例：纬十二路

第二个案例是在纬十二路，是济南南北方向的一条干线，我们对这条路的相位差、绿信比、周期时长都做过一些调整。

优化的效果，主路的延误时间有明显下降，但整个交叉口的延误在晚高峰稍微增加了一点。原因很简单，我们保持了最重要的交叉口的横向相位差不变，但其他的道路因为主要考虑纵向，横向的东西方向会受到一些影响。

在这个例子里面，我们其实还是关注南北方向交通的通行。因为这条路没有这么堵，在早晚高峰的时候做绿波带也是有可能的。做单向绿波带其实是非常简单的事情，协调的核心问题是双向绿波带问题。通常情况下，一个方向的绿波带加大，另外一个方向的通行可能会受到影响。但如果出现一个方向到得早，另外一个方向到得晚的情况，我们可以通过调整相位差，让两个方向的协调都会改善。

最后讲绿信比的优化。 

将一个交叉口的四个方向的左转和直行分成八个相位，，按相位把轨迹数据分开，分别做延误时间分布图。同样横坐标是时间、纵坐标是车辆延误，纵坐标的范围是从0－400秒。纬十二路的路口周期时长只有200秒，如果车辆的延误时间超过了周期，那么这辆车就没有能一次停车通过交叉口，而是需要多次停车后通过。如果这样的车比例很多，那就意味着这个相位的绿灯时间可能不足。这个时候我们再去看有没有和它竞争绿灯时间的相位是延误时间很低、绿灯充足的，这能够提示我们把绿灯时间在某个相位增加或稍微减一点来改善交叉口通行状况。

回到最开始的系统设计理念，我们想做的事情就是用数据的力量解决人工力量的不足，实现自动化的系统控制。