扒一扒 ’交通+实时’ 的热门话题

挑战

交通控制中心依靠监控摄像系统、现场工作人员和监控交通流的感应器等一系列设备来管理主要交通路线。交通运营人员不但要监控交通网络的现状更要对随后即刻发生的状况进行监控。交通运营人员往往通过调整交通信号配时、时速限制、控制车道使用等手段来处理交通事件，并通过可变信息标志发布信息，或通知现场交通管理人员进行干预和处理。因为现场交通管理人员熟悉交通流，并了解公共假期、坏天气或是道路施工对交通流所造成的影响。

智能交通系统种类各异如智能通道（通过对时速限制的调整来管理过多交通需求造成的拥堵）、自适应交通灯、和匝道控制（控制进入快速路的交通流量）。这些工具将实时优化系统容量并改善交通网络的运营。然而这些方法都是被动的，不能预测未来而只是实时对当下发生的状况作出反应而已。

交通模型师不但要详细地了解包括每个交通灯路口红绿灯时间在内的道路通行能力，而且还要详细地了解交通需求，然后搜集不同时段的交通数据，并对模型进行矫正以确保模型可以代表现实交通网络的运营状况。

有效的工具将保证交通运营人员能够对交通网络作出可靠的估算和预测。该有效工具可以被用来规划交通网络的通行能力，并保证交通网络能够对任一预测增加的交通需求作出反应并满足这样的需求。交通网络设计人员依靠模型来掌握新开发项目对交通需求的影响，从而为决策提供支持。

交通模型师对交通网络当下发生的状况并不知情，模型于他们而言代表的是一个结合数据和模型方法的特定天典型的高峰时段。交通管理者清楚正在发生什么但是不能对接下来所发生的状况进行预测；而交通模型师可以预测交通网络改变对通行能力和需求所造成的影响，但却不知道当下发生的状况。但要怎样将两者结合起来呢？

概念

比起以前，现在不但可以从交通网络、网约车、导航系统、手机数据等渠道获取大量实时数据，而且还可以通过感应器来搜集实时数据。有越来越多的信息被交通模型师和交通管理中心所利用，对出行模式和实时交通状况的认知就会越来越强。提供当下发生交通状况的可视化表达及现有的需求的目的旨在提升对交通状况的了解和认识。

通过在模型里整合多源数据，将离线模型调整成实时模型，便可以对交通网络在接下来一个或两个小时内5、10或30分钟之后发生的交通状况有一个全局的了解并得以评估道路在时间序列里所发生的状况。

结合实时数据的交通模型可以有效减少只是依赖实时数据方法所造成的误差，比如说数据样本过小时，一辆送货车的连续停顿都可以被错误理解成交通堵塞。并且当一条道路完全没有实时数据的时候，模型会根据周边有实时数据的道路状况填补空白进行预测。

结合实时数据的交通模型将带来两大明显好处。一是通过路段上下游的的数据传递来扩大实时平台的覆盖范围；二是更精确更大的覆盖范围地帮助了解交通状况。

但这还不是最主要的好处。最主要的好处在于预测交通事件对交通所产生的影响，这是凭单独的实时数据而力所不能及的。一旦路段上发生交通事故，控制中心人员则需要知道网络在特定条件下会发生什么并把握路网的运营状态。控制中心的运营人员可以精确计算出交通事件对交通造成的影响，包括出行时间、排队长度，以及分析上下游的路口是否运行顺畅。

模型 + 实时数据

通过实时数据和模型的结合，用户在执行仿真任务的同时能够看到接下来的20、30或60分钟内交通事故对交通的影响，包括排队长度和延误。

模型利用该信息可以测试不同的情景方案以缓解交通事故所造成的影响，比如说调节信号灯设置或是调整信号方案以增加道路的通行容量。这样一来， 交通流量得以疏导，驾驶员也可以自主选择避免交通事故及排队情况。

模型将允许交通控制人员对不同种情景方案进行测试，并通过诸如出行时间、距离或尾气排放等不同指数进行比较，并最终选定最佳方案。这将允许交通控制人员‘未卜先知’且更加有效而主动地管理路网。

举例来讲，如果某条路段上发生了交通事故，现如今的做法往往是通过路段上游的可变信息标志警告驾驶员前方拥堵或是直接显示到达目的地的预估时间，然而此目的地可能并非是驾驶员想要到达的目的地。

交通控制人员不知道会造成什么交通影响也给不出更多信息，因此驾驶员要靠自己来评估其行程所受到的影响程度。另外，驾驶员也可以通过不同导航系统收集到的实时数据来获取一些信息。然而这些数据并没有通过中央平台来整合，因此不同驾驶员将从不同数据来源获取不同的信息和路径选择，这样一来交通控制人员难免会遭遇如何管控整个网络的瓶颈。

交通控制人员可以依靠模型来测试一条特定的诱导路线，比如说通过增加平行路线的绿灯时间来改善通行时间。他们也可以在可变信息标志上发布更加具体和详细的交通信息以诱导驾驶员选择通行能力较强的路线。这样一来，交通运营人员将不会过度依赖智能交通系统或是仅仅提供少到可怜的信息让驾驶员去自主选择，而是会发挥愈加主动的作用。

大家平常使用的智能手机、导航Apps或是其他导航设备及汽车内置导航系统等都在提供不同种路径选择方案。通过控制中心提供的路径选择方案或是类似PTV Optima一样的功能性平台，交通运营人员可以有针对性地干预影响单个驾驶员行为或是某类特定位置特定公共交通使用者的特定驾驶员行为。

整体来讲，交通控制人员将有能力评估交通事件的影响，评估不同情景方案以降低交通影响并根据多种KPIs来选出最佳情景方案。与此同时，交通运营人员也将通过使用现场基础设施或是其他ITS机制来提升路网通行能力。系统也可以为驾驶员提供实时的甚至是可预测的通行时间。这也可用来将交通需求诱导到通行率增加的道路。

路网运营人员可以将PTV Optima及其实时预测方法纳入控制中心，而此举只需付出与修路扩容或是其它硬件设施投资相比极少的投资。并且，这将覆盖整个路网。

INRIX预测在到2025年的十年间，英国的拥堵成本将高达630亿英镑，大概每年每一百万人口平均为一亿欧元。

如果仅利用该拥堵成本的5%便可以投资搭建覆盖整个路网范围的交通模型，再结合实时数据就能够改善交通拥堵，缩短通勤时间，为社会经济带来积极影响并提升人们的日常出行体验。我们何乐而不为？！

解决方案

PTV集团研发的PTV Optima正是将实时数据和交通模型完美结合的解决方案。到目前为止，维也纳、都灵、莫斯科、阿布扎比、巴黎等国际上很多城市正在使用PTV Optima。如维也纳利用PTV Optima作为其整合智能交通系统的一部分以缓解交通拥堵并影响驾驶员行为。同时还将PTV Optima与维也纳最繁忙交通走廊的交通信号灯运营相结合，信号配时方案用PTV Optima作为虚拟“流量探测器”来不断更新。其最后结果表明通行时间下降了50%，延误减少了60%，与此同时尾气排放量也降低了15%。

交通运营人员将针对性考虑交通事故及交通网络等相关干预策略并结合手头可利用的ITS工具来通过PTV Optima发布交通信息并影响交通网络的各方参与者。PTV Optima 将实时数据与交通模型相结合，无缝衔接交通模型师和交通控制人员的各种信息和手段，进而高效而安全地管理路网，并实现交通预测。