李瑞敏：多源数据驱动的交通控制评价

❖ 背景

从70年代开始，信号控制系统就开始较大规模引入检测器，意图实现完全由设备和系统来代替人工。早期的传统检测器多用线圈，逐渐出现了视频、地磁，近几年出现了广域雷达、卡口、RFID等。近来车载信息检测越来越多，是不是可以用来做信号控制？应该也是可行的，只是还需要做很多工作。

未来有更多的信息可以再纳入进来，手机的定位等潜在数据，可能给信号控制带来一些变革，从评价到优化形成反馈。

当然信号控制面临着很多挑战，第一是交通压力增大，大、中、小城市，包括村镇里面的路口都可能堵车；第二是日常检测数据越来越多；第三是相关系统越来越完善，例如车联网和信号系统打通，数据交互；第四是居民的期望越来越高。

信号控制工作简单划分一下有四个领域：

第一是控制策略，首先要根据城市道路、路口不同的情况去选择不同的控制策略，是点线面，还是定时、感应、离线等；

第二，确定策略以后再确定一些控制目标，具体的如延误最小、通过量最大、排队长度最小等；

第三，有一定的控制目标之后做一些优化，可以用多源数据支持优化工作；

第四，对于优化以后的运行效果进行评价。之前的评价多是依靠人工开车跑数据，现在有很多新数据的支持，因此提出了在线评价的需求。

这四个方面不是割裂的，要把它变成一个整体，相互推进工作。

❖ 信号控制评价的挑战

第一，需求多样性。信号控制的对象总体来说是城市的路口，从不同的角度来看，也关注路口的效果，关注路段的效果，有时候关注区域效果。有不同的评价对象，包括车、人和非机动车；还有不同的评价目标，例如雾霾情况下要考虑环境，有时候还要考虑安全，还有不同车辆的优先；从不同的视角来看，有时交通管理者认为已经做了优化，而从老百姓的视角看却没有明显感觉。

还有评价指标的多样性，效率方面有延误、停车次数等指标，协调控制方面有绿波带宽和比例等，还有安全的以及对于系统的评价，这些都是决定我们在评价的时候该采用什么样的指标。

第二，数据准确性。下图是来自于迈锐的数据。

这是在鄂尔多斯的一个路口检测器过去一段时间之内的丢包率统计。首先有5%的数据丢失，这是准确性方面；第二是抽样率的问题，样本量较少是否能够说明问题。这个在于抽样率的均匀性，抽出来的数据不均衡，结果显示可能就不具有代表性。

第三，评价指标的全面性。其实不需要什么都去做评价，只不过在不同的情况下关注的指标不同，汇总以后，可能希望包含所有的指标。

我们可以根据数据推出很多指标，比如衡量路口通行能力，有一个基本概念，饱和流率，决定了路口的效率，可以通过检测器得到这个数据。在协调控制的时候，希望上游的车到达下游停车线时恰好是绿灯期间全部可以离开，因此可以将每一辆车到达下游的时间点和红绿灯的时间在图上汇集形成下图以形象表示协调控制可能的效果。

大家可以看出来大部分车都是在绿灯期间来的，绿线表示绿灯开始亮时，红色也是一样的道理，该图显示的效果比较好。还有其他的参数，比如时间，如果只是对比一段时间可能有高低，可以把一天、一周或者是更长时间的累计画出来看旅行时间到底多少车有所减少，多少车有所增加。

还要看绿灯利用率反映绿灯配时均衡性。根据检测数据结合配时时间，做出每一条车道的绿灯利用率，看每个周期绿灯利用率是否一样。同样还要看两个方向的绿灯利用率问题，再把利用率的差别展示出来，可以看到方案是不是合理，是否要去调整。当然还有排队长度、延误等都可以实时根据检测数据绘制出来。

另一方面是调整了一个方向的协调以后，另外一个方向是怎样的，或者是调了以后，另外两个方向是什么样。所以我们同时关注东向西，西向东，还要同时关注于每一天不同的时段配时优化以后的情况，包括不同日期的数据情况，有了这些数据以后可以比较方案是否得到改进。

第四，指标标准化。评价指标应有相应的解释标准，明确不同的指标对应的评价目标，明确不同的指标计算结果代表怎样的交通状态。

❖ 信号控制评价的价值

第一，体现在诊断方面。

举个例子。从学校回家的路上，从图中我们可以看到交通失衡了，西进口红色，南进口红色，北和东是绿色，这是方向失衡。这个路口是一个三相位控制，东西向直行左转分开放行，那么西向东到底是左转还是直行的问题？靠目前的地图显示没有办法判断是左转还是直行的问题，要结合更细致的检测器数据看直行和左转是不是均衡，还可以用其他参数比较衡量。

即使一个相位里，也可能存在着两个直行车道是否均衡的问题，也可以用绿灯利用率看车道的均衡。另外就是损失的绿灯时间，数据支持非常重要。

数据如何来看？

上图用卡口做的，把每个卡口的数据画出来，然后计算各种阶段的密度情况，可以看到前10秒绿灯，后10秒绿灯，中间的绿灯时段的效率是否有问题。

第二个价值是优化。早年做信号控制研究的时候，我们提出了很多的模型，评价目标函数，目标函数的最大和最小值，给一个方案去评论目标函数是不是变大或变小了，我觉得一定程度上评价和优化可能是一件事情。

用这个实际的数据和实际的配时参数做一定的回归，然后来看这一条路段，或者说这里面的相位怎么合适。上图是我们做实验当中的一个路段，就是用过车的数据，上面是优化前的，下面就是优化后的。

❖ 信号控制评价的未来

最后简单谈一下个人对于评价未来的理解。

首先是现状和问题。

现状有三个方面，第一，我们经常说数据不足，但是到底什么不足呢？从刚才那个路口去看失衡，我们可能需要大量的数据，不仅是互联网数据，还要每个路口的检测器等数据，到底怎样才足够？可能没有上限。但反过来现在已有的数据是不是已经充分利用了？这个问题可以再去探讨。

第二，评价的实用性问题。很多事情没有所谓的银弹，系统上线以后难以实现全自动化，人力资源是必须的。

第三，工具落后。百度提供了新的优化平台，将来这种整合更多数据的平台可能会给我们的工作带来很多新的支持。

问题方面，谈到那么多评价参数，能不能用一个参数衡量控制的好坏？我个人觉得无法忽略评价目标的多样性，所以归一化的指标非常有难度。

第二，基于大脑的2.0、3.0、4.0等，到最后能不能出现一劳永逸的局面？我认为已经有机会了，但是数据支撑仍需要较大突破。

再看未来的趋势，主要有三个方面的影响。

第一，车联网的影响，带来检测方面的变革，如果每一辆车都联网，相应的目前的一些检测器可能就不需要了。当然带来一些新的需求，比如信号灯在这个地方如何让它更好地运行，提出了一些新的要求。

第二，边缘计算的问题。现在也有一些单位在做，就是将信号机的功能做强，原来的云端信号可能是一个执行，但是因为路口涉及到的东西很多，反过来把信号机的功能做起来，云计算让我们的头脑清晰，做一个人工智能的大脑，边缘计算让我们耳聪目明、手脚灵便。

第三，人工智能，机器最终可以在多大程度上取代人类？需要我们探索。

最后，我认为将来可能需要三个整合。

第一，数据整合。大家一直提到的打通数据通道，真正做到什么程度需要我们去努力。

第二，人机整合。就是在线自动评价和专家分析要相互交互。

第三，应用整合。评估、诊断和优化，最后相互整合，推向实用。