李瑞敏教授：城市交通信号控制未来发展思考

摘要：近日，在西安智慧交管论坛上，清华大学土木水利学院交通工程与地球空间信息研究所所长李瑞敏教授以《城市交通信号控制未来发展思考》为主题做了精彩报告。

李瑞敏教授在简要回顾了城市交通信号控制系统的发展历程之后，结合最近在城市交通信号控制方面的研究和实践，重点介绍了未来关于行人及非机动车用户信号优先、特种车辆信号优先、信号优化的在线评估、人工智能在信控中的应用等方面的内容。

1、发展回顾

对于城市交通信号控制系统而言，从上个世纪60年代开始，计算机开始在交通管理领域获得了应用，而交通信号控制系统是计算机在交通管理领域较早的应用之一。例如1963年多伦多建成了基于数字计算机的中心式的交通信号控制系统，此后多个国家都开始探索如何利用计算机技术来实现交通信号控制的自动化。陆续出现了两个比较有代表性的系统，一个是英国为主发展的SCOOT系统，一个是澳大利亚为主发展的SCATS系统，这两个系统在国内也有多个城市在使用。

随着各国对于智能交通信号控制系统的重视，众多的发达国家和发展中国家都在研究开发自己的城市交通信号控制系统。从90年代开始，逐步形成了多个相对成熟、并且已经开始在一定范围内进行使用的信号控制系统。

进入21世纪以来，尤其是近10年以来，随着计算机技术的快速发展，以及数据采集技术的发展，在交通信号控制系统领域，有了更为充分的数据支撑，也有了更为智能化的管理技术和控制技术。由此，近年来开始在研究一些新的基于大数据的城市智能交通信号控制系统。

从目前我国的城市交通信号控制系统的发展来看，从四个方面进行简单地梳理。

首先在规模方面，目前全国信号控制路口的数量大概在30万到40万之间，每年的信号机的销量也超过了4万台，更多的城市建设了规模越来越大的信号控制系统。

在系统建设方面，一方面在引进国外先进的信号控制系统，另一方面自主研发各类适用于我国城市交通状况的交通信号控制系统。在软件开发包括智能信号控制算法研究以及联网联控都取得了良好的发展。

第三方面是数据，传统城市交通信号控制系统的数据主要来源于路基，包括通过传统的线圈，以及目前的视频、雷达等检测器获取车辆的数据，支撑城市交通信号控制优化。

近年来基于车级的数据也开始获得了研究和应用。例如基于浮动车的数据，目前在国内外的城市交通信号控制中都开始逐步获得了某些方面的应用。未来随着个人穿戴设备或者说个人便携智能设备的进一步的发展，可以获取更为精细的人的出行数据，这些数据也可能在将来会对城市交通信号控制带来相应的影响。

在应用方面，除了不断建设覆盖面越来越广、联网比例越来越大的城市交通信号控制系统以外，为了更好地发挥城市信号控制在缓解城市交通压力方面的作用，各城市也在探索相应的其他一些工作，包括建设配时优化中心或者队伍，将信号控制和智能交通管理的其他领域进行结合，进行城市交通信号控制的综合应用等等，而且在相应的工作中也都发挥了良好的作用。

2、未来发展

结合当前的发展情况，对于未来各个城市在交通信号控制中做好基本的信号优化工作的基础上，还需要关注哪些方面呢？

简单梳理了一下美国最新的ITS体系框架内，关于交通信号控制相关的内容，主要包括了6个方面，核心还是传统的交通信号控制。除了这个领域之外，随着不同领域的智能交通系统发展，又分别延伸了5个目前正在研究和应用的方向。

第一个就是生态型的信号配时，这个有点类似于自适应信号控制，但是目标更聚焦在环境方面，也就是说在传统自适应控制系统的控制目标上更为聚焦，能够支撑可持续发展的控制目标，来进行相应的信号配时和优化。

第二个是车联网的交通信号系统，主要是结合目前车联网的发展，应用车联网的相关信息，以及结合原有的基础检测信息，提供一定的信号控制功能，比方说车队的协调控制、特种车辆的优先控制等等，这个是对未来逐渐成熟的车联网信息的充分应用。

第三个是应急车辆的强制优先，这个信号优先的内容是一个传统的内容，但是在技术上除了考虑传统的应急优先技术以外，还充分结合车联网技术为各类公共安全车辆提供强制的信号优先。

第四个延伸的方向是货车信号优先，主要是跟商用车辆的运营相结合，为货运车辆提供相应的信号优先。例如在交通的平峰期，由于货运配送的比例越来越高，在城市的交通流里，货运车辆的比例也在增加，为了提高货运的效率，在城市交通压力不大的情况下，可以考虑为货运车辆提供相应的优先，与美国的快递特点有关。

第五类是公交信号优先，这个是非常传统的一个方向，也是一直在做而且不断在提升的一个方向，同时更为先进的技术也为传统的公交优先提供了更好的支持。

第二个大的方面也是今天报告的主要内容，是想谈谈在我国未来的信号控制领域中，除了传统的机动车交通信号优化以外，可能还需要重视和关注的一些点。

主要想谈5个方面，第一是对于非机动化的对象，应该如何在信号控制中去进行考虑，比方说像行人、骑行者以及其他一些出行群体。

第二是对于特种车辆的一些关注，公交车辆、特种车辆、货车运行等。

第三是在线评价，这是从不同的角度去谈交通信号控制，除了要继续关注控制策略的优化、控制算法的优化以外，还需要形成良好的在线评价，实现对于信号控制的闭环管理。

第四是技术方面，也要不断的去探索人工智能技术等等在信号控制中的应用。

最后是在数据应用方面，要将大数据的内容整合到交通信号控制的应用和系统研发中去。

下面结合国内外的一些发展案例和我们的一些研究去谈谈这5方面的内容。

非机动化对象

对非机动化对象进行信号控制的时候，行人是要优先考虑的对象。传统的信号配置，无论是在信号配时，还是相位的设置上，基本都是以机动车为主来考虑，然后行人的相位更多是随着机动车的相位而改变。

但是实际上在一些行人交通量比较大或者有特殊行人出行需求的交叉口，就需要去考虑如何给行人提供优先信号控制。在个别有条件的交叉口可以实行一些全向的行人灯。

还有一个是行人和机动车同时放行，在转弯的时候机动车和行人会形成比较大的冲突，在这种情况下，是否在不明显地影响机动车通行的情况下，给行人一些提前放行的考虑。当然这个对于信号配置会提出更高的要求，但是对于减少行人与机动车的冲突都是非常有意义的。

纽约近年来一直在探索这方面的工作，在今年3月份参考纽约市的相关数据来看，在纽约的13543个信号控制路口里边，大约有2237个有行人提前放行，当然这个数据还是截止到2017年的数据，还缺少一些更新，但可以看出这个比例其实还是比较高的。

其中有232个路口应用了全向的行人灯，这个数量还是比较大的，当然跟它的密路网小路口有一定的关系，然后在1040个路口，对视觉障碍者的信号灯进行了特殊的考虑，例如行人过街的声音提示以及其他一些特殊方式的提示等，都体现了对于行人信号的优先考虑，在新加坡也有相应的考虑。

这三个照片分别显示了三类行人过街信号灯的硬件设置，最左侧是最常用的，没有任何的按钮，没有任何的检测设备，就是常规定时的行人过街控制，中间有了行人按钮，右侧这个除了行人按钮以外，在箭头上方还有一个可以刷卡的设置，这个主要是给过街速度比较慢的群体，主要是考虑老年人可以刷老年卡。

刷卡启动行人过街信号灯

通过刷老年卡，行人相位上的绿灯清空时间，可以延伸一些时间。主要是因为新加坡的行人过街的清空时间计算的是比较严格的，基本上是按照正常的行人过街的速度来计算完成人行横道清空所需要的时间。

对于年纪比较大的行人来讲，想要在绿闪的时段完成过街的行为比较难，如果老年人刷卡，会提供更长的时间，这也是一个非常人性化的考虑。

在其他的城市也有类似的考虑，例如西门子和伦敦市在2018年签署了关于下一代交通管理系统的合同，目前正在一起开发新的城市交通信号控制系统，是希望用来取代SCOOT系统。

这个系统有两个主要的特点，一个是希望能够整合各类的交通检测信息，包括车联网的数据、未来的自动驾驶车辆的数据，以及行人的检测数据和自行车的检测数据等等，主要是为了改善传统的SCOOT只能主要利用线圈所提供的机动车数据的缺陷。

另外一个特征就是要综合的考虑道路上的全部的交通出行的方式。应该说SCOOT最早是利用了机动车的检测数据来开发，也就是线圈所检测到的汽车数据。后来为了考虑公交优先，也整合了公交的数据，但是对于其他的特种车辆以及行人和自行车的考虑就相对不足，所以在新一代的系统里面，希望给自行车提供更好的出行的环境。

例如说其中一个就是给自行车提供协调控制，让骑自行车的人能够连续骑行通过多个路口，而不需要在每个路口都去等待。

如果能够通过信号配时，把信号的绿灯时间和骑行的速度结合起来，让骑行者有一个非常舒适的连续骑行的环境，对于吸引大家去更多的骑行是一个非常好的因素，同时也能减小骑行的速度和小汽车速度之间的差异。

特种车辆优先

未来发展另一个需要考虑的点就是特种车辆优先，除了应急车辆等特种车辆强制优先以外，更多的应该去考虑公交优先的措施。

总体来讲，希望未来能够实现可持续的城市交通系统，希望大家能够更多地选择可持续的出行方式，而公交是希望出行者去选择的一种主要的交通出行方式。

在这种情况下，要提高公交的总运营量或分担率，增加公交的吸引力是很重要的方面，公交吸引力的一个体现就是运行速度的增加，而提高公交出行速度的一个重要措施就是公交优先。

很多城市实践表明，在交通组织中实施公交优先应该是一个综合的措施，虽然信号优先是一个很重要的方面，但是仅靠信号优先效果有限。所以结合新加坡的案例来谈谈综合的三个措施，在道路运行方面来提高公交运行的速度。

第一是公交专用道，在有条件的路上充分地设置公交专用道，可以考虑设置全天的公交专用道，国内目前也有尝试，包括像北京的一些公交专用道，也设为早上到晚上全天的公交专用道。在没有条件的路上，也可以设置高峰期的公交专用道，来提高高峰期的公交车的运行速度。

第二是在运行过程中的让行控制。公交车的一个运行特点是必然要靠站，然后要停车，要上下乘客，然后要出站，而出站就要进入到普通的交通流，这就存在着一个其他机动车是否让行的问题。有时候会发现由于小汽车的连续通行和不主动让行，公交车从公交车站出来是很困难的事情。所以第二个提高公交运行速度的点就是让行，让公交车能够快速的离开公交车站，进入运行的状态。

第三就是信号优先，在有公交专用道的地方，为公交车提供信号优先，或者说即使没有公交专用道，也可以在临近交叉口的地方为公交车离开公交站点提供一个独有的空间。用禁止停车的标识，让公交车在红灯期间出站不会被排队的小汽车所阻挡，进入到空档区，然后绿灯启亮后，虽然不是排队中的第一辆车，但是前面的小汽车很少，也能够提高公交车的运行的速度。

这三个措施的综合实施，根据新加坡的统计，其公交车的运行速度通过这样综合的措施有了明显的提高。

所以在未来在我们国家的信号控制方面，也需要考虑将越来越多的重心和关注点放到公交信号优先以及其他特种车辆信号优先的方面，去实现更可持续的交通系统的发展。

在线评价

第三个方面就是形成良好的在线评价，传统的交通信号控制更为关注的是如何去优化控制策略，如何去优化配时方案，如何去开发更为智能化的信号控制系统，但是实际上做完优化之后，效果是不是真的得到了优化？

原来更多的是靠人工的方式去进行评价，未来希望基于海量的、多元的数据去实现在线的评价，而评价实际上也是优化的前提。

当然在评价方面的挑战也很多，需求是很多样的，比方说涉及到不同的评价的对象，我们希望对行人和公交车进行优先，而对行人和公交进行优先的同时，可能不可避免的会对小汽车的出行带来一定的负面影响，很难做到既给行人、公交优先，同时又给小汽车优化。所以不同的评价对象之间可能会有冲突，怎么去评价或者评价过程中怎么去衡量不同的评价对象是需要考虑的。

第二个就是不同的评价的目标也是需要去考虑的，包括效率、环境和特殊车辆的优先等。

第三个就是不同视角的评价，交通管理者往往要从综合的角度去考虑信号优化的目标，但是交通参与者往往会从自己的角度出发，这个也会带来评价的不同的结论。

当然评价的指标也是多样的，可以有不同的评价维度，不同的评价维度之下，就会有众多的评价指标，例如效率如何、协调感应水平怎么样、安全怎么样、公平性等等，这些都是需要去考虑的。

举几个国内外集成平台的案例，Iteris推出的一个基于云端的自动交通信号控制性能评价指标系统，这是为交通工程师所设计，可以实现交叉口层面分流向相位的详尽的评价，同时有助于去理解交叉口拥堵和延误的一些成因，然后为信号控制提供一些实时的反馈等。

另一方面，美国的FHWA资助了几个州在做自动的交通信号性能评价的系统，该系统利用了非常精准的数据，可以做出很多的评价指标，而且通过图形化的方式有助于用户去理解。

当然也有一些企业拥有了一些海量的浮动车数据，基于海量浮动车数据在做信号控制交叉口的评价。比方说INRIX把美国20多万个路口的信号控制效果进行了相应的分析和评价。我们现在城市里也有很多的数据，未来也是希望能够利用这些数据做好对于信号控制的评价工作。

人工智能

总结来看，目前人工智能技术在城市交通信号控制中应用主要体现在两个方面。

一是检测方面，主要是基于视频数据，利用人工智能技术可以检测到更为精细、更为多样的数据。比方说大曼彻斯特区的测试的路口，进行了轨迹的检测，并应用到了信号控制中，而在莱姆戈，结合着视频和雷达基于深度强化学习，把行人、自行车、公交车和所有的车辆类型都进行了相应的检测。

在算法方面也有在探索，比方说像加拿大Miovision在底特律测试了一条路，整合了多个检测器，基于联网的信号控制，实现了一个基于人工智能的软硬件整合的信号控制优化系统。而匹兹堡的实验已经进行了多年，目前也取得了良好的效果。当然也在探讨人工智能的应用，但是目前讲应该还处于一个研究的阶段。

总体来讲，虽然现在有众多的学者和企业都在进行人工智能在信号控制中的应用研究，但所取得的实际应用成果还非常有限，也是未来可以关注的一个方面。

最后一点就是对数据在城市交通信号控制中的应用的考虑。交通检测技术也经过了几代的发展，从最初的断面使用线圈数车，到目前已经有很多城市能够获取基于多目标雷达或者车联网的检测数据，有了单车识别的能力，有了面状精准检测的能力，当渗透率和覆盖率也在越来越高的情况下，有条件利用更为精细化的数据，进行更为精细的相关控制。

这些数据根据我们的研究来看，可以提供多个方面的工作的优化支持。

首先在支撑交通信号控制的基本参数估计方面，可以实时地帮助去估计一些影响交通信号控制的关键参数，例如饱和流率的数值，每个路口的数据都可以对每个路口每条车道去实时地估计饱和流率，来更好的进行信号优化的计算。

在问题诊断方面有了精细化的数据，可以从车道级的问题诊断一直到转向升级、到路口级、到路段级、再到网络级，都可以更好地去进行和实现问题的诊断。

在模型算法方面，有了精细的数据支持，可以实现在线的闭环的优化。通过评价来对优化目标值和实际采集的目标数据之间的差异进行实时的比对，并且能够返回去形成对优化模型的再优化，形成闭环反馈的信号控制，从而实现最优的信号控制。

最后希望在未来我们的城市交通信号控制，能够通过三个层面的整合来实现进一步的优化和提升，更好的支撑城市交通信号控制和城市交通系统的运行。

首先是数据的整合，希望未来能够综合利用各类已有的数据，无论是交管部门自有的数据，还是一些社会企业采集的数据，或者是其他部门的数据等等，综合各种数据来进行优化，去计算和估计多种的指标，支撑信号优化工作。

第二个就是人机的整合，虽然我们希望计算机能够取代人类去实现完全自适应的控制，但是目前来看，计算机的能力仍然有限，在优化策略方面，在一些应对复杂的交通状况方面，还难以取代人类，所以未来希望一个在线的自适应控制和专家分析能够交互整合。

最终希望实现应用的整合，我们不仅仅要关注优化策略、优化算法，还要实现良好的评价，实现对问题的诊断，无论是计算机的自动诊断还是专家诊断，并且通过整合这些内容来推向实用。