“互联网轨迹数据与过往浮动车数据技术差异”引发的争论

交通流检测是信号控制的重要组成部分，基于互联网轨迹数据能否做信号优化一直受到争议。

2018年5月，柳州交警支队、航天科工、滴滴出行合作启动建设互联网动态信号控制优化系统，并于同年8月正式上线使用。

据称，该系统是世界上第一个真正城市级的、互联网轨迹数据驱动的、完全中国自主知识产权的动态信号控制优化系统。

《全球首个完全互联网轨迹数据驱动的动态信号控制优化系统上线》一文推出后，信控中国俱乐部部分会员主要围绕以下几个方面进行了讨论：

• 互联网动态信号控制优化系统的优势及需改进之处

• 基于滴滴互联网轨迹数据能否做信号优先

• 互联网轨迹数据与过往浮动车的差异

以下内容来自“信控中国俱乐部”微信群讨论：

李克平：关于柳州系统的一些看法：柳州系统的特点其实是在没有传统检测器的条件下，依靠滴滴轨迹数据，对交通流的波动进行分析和判断，进而作出控制参数的调整。控制机理和实践验证都表明该方法有效（尽管还有改进余地），值得肯定和推广。

这个系统的一个优势是投资小、维护升级便利、具有普遍意义。当然要进一步提升其效益，还需进行：与其他数据源进行融合，获得更加全面、准确、实时的车流信息，提高评价与控制的精细化程度；增加控制反应的灵活性、多样性、实时性和精细化程度；充分考虑信号与交叉口平面设计的协调性，等等。

该系统是互联网数据条件下交通信号控制发展的一个有前途的方向，应该肯定。

第一，基于滴滴轨迹数据进行信号控制优化，有用，有效，但是由于采用数据的渗透率问题，不可能百分百有效。不过交通优化问题本来谈不上百分百，具有一定程度的有效性，总比傻傻的定时信号优越；

第二，如果能结合其他数据源，则会跟大程度地优化信控的效果。即轨迹数据用于信号控制优化，可以与其他检测方式互补，并不冲突；

第三，利用轨迹数据如同废物利用，投入小，相对效益高。面对目前国内城市不容乐观的检测器有效率，是一个技术突破。综上所述，该方法并不完美，但是适合国情，值得肯定，值得进一步开发，细化。

滴滴孙伟力：第一，这次在柳州做的优化系统的核心在于从2017年一直在做的周级背景方案迭代，和去年做的5分钟级的动态优化。

5分钟级只调绿灯时间，最大绿最小绿和交警一起严格设定保证行人过街等其它要求。

1小时级会监控干线通行速度是否有变化，如果有（比如下雨把平时40的路速度降到了30），那么会自动按照新的道路速度调整相位差，实现新的协调。

周级的优化包括绿信比、相位差和周期。

还会有更长时间跨度的迭代，比如子区划分、比如扫描哪个路段有异常停车点。

第二，目前我们在柳州与合作伙伴一起做的暂时是只基于滴滴轨迹数据的动态优化，主因是柳州本身数据没有那么丰富，也感谢交警的支持愿意尝试新的技术路线能够解决多少问题。

目前的测试主要在平峰时段，因为流量的波动会更大一些。数据融合是所有人的共识，我们也从来不指望轨迹数据解决所有问题。

数据融合现在我们在投入大量精力去做，需要找到合适的合作伙伴，无论是行业企业或是交警，需要大家合力来做。

第三，这个系统的作用和设计初衷不是比一个有经验的老交警或是专业的信号团队做的方案更好，而是希望能提高单个人的效率；目的不是让1个路口能做到最好，而是让很多路口都能做的比较好。

系统会在一定程度上帮助专业人员去发现问题，相当于自动巡检，并在一些特定的场景下帮助人解决一部分问题。

其实第三点在首都机场比较明显。（编者注：由首都机场交通支队牵头，北京易华录公司、中国电信、滴滴公司参与研发、联合打造了首都机场智慧信号灯自适应系统）

李科（首都机场交警李强）在和我们一起探讨系统建设的时候，提到过他们的痛点之一，就是机场的交警支队相对城市的交警支队来讲，人员更少一些，检测器也不多，所以他希望这套系统能帮他把几十个路口管理好，包括一些重点区域（比如出租车排队可能溢流到的路口）的监控，给我们提了很多宝贵的意见。

第四，这个系统真的不是一个所谓的互联网公司吹吹牛飘在天上的东西，系统从研发到落地的过程中有好些交警提供了非常宝贵的意见。

系统里我们留了3个反馈的按钮：报警是否准确，是否有漏报，方案下发是否合理。在首都机场和柳州我们都做过很多轮的测试，交到最后帮忙反馈了很多问题。算法从实验室产品雏形，到最后能落地发挥作用，是这样一轮一轮改善出来的。

我相信无论是首都机场还是柳州都欢迎大家去实地考察。

说实话，我个人对这个系统最喜欢的功能点就是用户反馈的功能。因为不同的城市或场站对拥堵的感知是不一样的，有些地方一个路口等80秒就一定要报警处理了，可是像北京这样的城市报警的阈值要高很多才行。

这个反馈的功能能够促使系统贴近当地的特点和市民出行的认知，才能更好的工作。

第五，滴滴做的其实只是小部分，评估诊断优化那一块。整个系统的稳定运行，还是需要UTC需要信号机本身有很安全和灵活的机制，这方面航天科工和易华录都做了很多工作。

测试的过程中也填了很多坑，也是经验教训一大把。

最后，滴滴的轨迹数据能否做信号优化？我的答案一直是肯定的。我虽然在实际路口的工作经验不多，但在滴滴也去过几百个路口做过配时优化。

这些路口里面，通过滴滴的数据来评估（主要是速度和路口延误）95%以上是有改善的，也有几条路我们调来调去效果不佳，一直在波动。

我自己用这个行业的从业道德担保，这几百个路口的延误降低效果，我自己统计的，平均在10%以上。

当然，10%的改善用户不一定有感知，有些地方的调整交警一开始也不喜欢（因为跟平时的交通状态不一致，在整体延误下降的情况下也会有部分路口排队更长），这就需要我们有更好的对用户的理解、算法上优化目标的多样性，才能做的跟好。

总之，系统还是工具，是为人服务的。

过饱和的时候，我们主要想解决的问题是过饱和以及溢流。好处是这两个问题都很重要，同时也是轨迹数据能比较好检测到的状态。

比如我们发现有一辆车在路口前停车两次，等了两次灯，就知道这个方向过饱和了；如果怕一辆车是偶然，我们就看两辆三辆，就可以把问题确认好。

溢流也是类似，我们发现有车停在交叉口内或者附近，就知道溢流了。这里面的一个核心考虑是，过饱和的时候，一辆车的状态不会和周边车辆有很大差距，不可能我等两次灯，你不停车就通过了。

检测到过饱和以及溢流状态后，系统的优化动作跟传统的做法没差别，还是排队管理的概念。

（高峰期的改善效果）机场我们测过，我如果没记错的话，高峰时段能提前结束十几分钟到半小时，延误下降也比较明显，应该到20%左右了。当然，机场的痛点之一是没有足够的人力做这些工作，我们结合交警的理解做一些工作后比较容易出效果。

（滴滴车辆的采样率）我们在柳州请交警帮忙一起测过，选了十几个点位，大概是3%-10%。

检测器状况每个城市不一样，柳州和机场能做主要还是靠大家配合的好。

我们在别的数据丰富的城市也在做很初步的融合，比如卡口数据和轨迹数据的相互校验，但目前还没有做的很深，特别需要对视频卡口地磁微波雷达等数据有深刻理解的合作伙伴一起来做，每种数据的预处理都有很多讲究，我们都从头踩一遍坑太难了。

滴滴郑剑峰：机场整体路网是一个比较脆弱的网络，交通流变化迅速，高峰过饱和严重。都是开启的动态控制优化，我们动态控制本质上是拥堵响应式，检测感知后进行干预，伟力说的指标就是过饱和下的，拥堵下的干预效果还是较为明显。

于泉：浮动车数据有用，但不夸大，找好定位。其实每种检测方法都有适用条件，互为补充多好。

钱公斌：应用好不好关键看效果。大家都在谈数据，相应的控制方法方面是否有突破呢？

沈文超：单点与协调，重构与优化， 能否理解为柳州主要在协调和优化上实现了自适应？

我觉得基于样本轨迹的评估对绿信比和相位差优化还是靠谱的。但大家估计对滴滴的期待更高，所以对数据样本就苛求了。

在自适应系统中，方案优化、方案选择，还是方案生成是不同层次的问题。

滴滴孙伟力：我们还不敢说是实现了自适应，因为跟以前的检测器直连信号机相比，用轨迹数据判断交通状态还是有延时的。现在我们讲的动态优化，主要是5分钟左右的绿信比在一定范围的调整，以及1小时左右的干线协调效果检查与优化。

于泉：我的想法是：第一，浮动车技术的确是老技术了，不新鲜 ，不算创新。

第二，如果一定要把这个做法作为创新，目前是因为有互联网公司来推动，动静较大。

第三，用在交通控制上大家认为是创新，那以往北京、上海、乃至东京N年前 早就做了出租车GPS信息接入，只是接入部门不是交警，是交通局，交通局没有控制的业务需求而已。

第四，交通控制其实谁都可以来做，浮动车数据也可以，是看是否精度更好，是否更合适。一定要拿2-3辆车来代表1个路口的交通流，来进行控制。

我看逻辑是说不通，如果一定要用算法来弥补，如果心里能接受这个精度，那也可以。按照目前这个状态，个人意见是浮动车数据用于交通控制仍没有明显优势。

滴滴孙伟力：浮动车是老技术，用样本车辆代表交通状态做控制确实需要算法，算法的精度也要看不同的场景，不是百分之百准确。

然后再补充一些跟您不一致的看法。以前浮动车没拿来做控制，我觉得主要原因在于采样频率不够。

从30s到3s，现在的浮动车数据采样频率提高了一个数量级，才能够做比较精细的交通状态识别，比如停车几次、排队位置在哪。

我们讲创新也是站在巨人的肩膀上，用精度更高的轨迹数据做了一些新的探索应用，没有吹浮动车技术是我发明的另外您讲的“（精度）要靠算法来弥补”，是大实话。

这块我们做了很多的工作。不是任意两三条轨迹都能代表交通流的状态的，我们做了很多的轨迹筛选、相互校验的工作，这里面的坑多的就不一一介绍了。

当然，在这件事上我们有个天然的优势，在于载客状态的轨迹和交通流的一致性会更好，已经天然的排除了很多异常驾驶场景。

最重要的，我们确实不是有检测器数据不用，傲娇的非得证明轨迹数据比检测器数据好，而是在柳州等场景，现在真的没多少检测器数据啊……数据融合才是王道。

周俊杰：恰好对滴滴数据、出租车数据都做过一些粗浅的探究，也有自己的一点想法：

第一，相对来说，目前出租车数据整体的采集频率偏低，我接触到的以20-40秒一个位置信息居多，在城市交通中这样的频率相对用起来还是比较难的，不过这些也可以通过调整设备参数解决；

第二，滴滴的数据频率比这个频率高很多，相对来说轨迹会更连贯，特别在基于历史数据进行排队长度或是停车率计算时相对会准确一点；

第三，另外两者的特点都是出租车的载客数据、滴滴的载客数据因为都会产生计费，所以数据一般来说受非交通因素影响的停车相对会少一些，数据可靠性还是可以接受的；

第四，另外从样本量来看，部分城市滴滴数据的样本量不比出租车少，但终究是样本数据，做精确控制是不太现实的，但对某些参数做一些有迭代的模糊控制还是有一定价值的，多源数据融合确实才是“人间正道”，这也是大家的共识。

戴高：在没有小快准数据时，有大数据支撑是好选择；就算有小数据情况，有大数据对重构和还原交通真实场景也很有用。感知全面后，控制输入才更全面。我们也在用互联网数据自动优化，有用。

龙海勇：作为应用部门，我们要面对现状解决问题，这才是交通的特性。

滴滴的载客轨迹数据有这个优势，属于定向OD的连贯数据，许多城市的公交轨迹数据这是如此，此类数据可靠性高，可实时应用。

基于柳州市目前没有前端感知设备的前提下，想要实时感知道路状况只能寄希望于大数据，但目前市里的大数据平台还没建好，无法融合各政府部门的数据资源，我们总不能干等，老百姓对顺畅出行的需求可等不了呀。

所以才与滴滴、航天科工携手，应用滴滴浮动车数据来进行实时信号控制优化，平峰期的确也提升了通行效率，高峰期由于柳州有桥梁交通的特性，我们则更偏重于控制路口溢流。

当然，下一步我们在多数据通联之后，也会进一步融合多源数据进行更精细的控制与优化。以后的大数据应用是大趋势，特别是区域性或城市级调控将更全面！

相信国内也有很多地市的交警面临柳州市这样的应用困境和无奈，并不像各位大神所说的大家手中都会有大量数据资源，滴滴也只是从最单一的方式，逐步满足应用难题！

其实在这个系统当中，交警、滴滴、信号灯厂家缺一不可，交警负责业务流程和规范化设置、滴滴负责路面感知和优化策略、信号机厂商负责前端设备执行方案和执行结果反馈！

张晓：有一个需要注意的是，我们在研判分析中只用了正在营运的滴滴车数据，这样的车子通行目的性强，不像有些数据因为存在随意停车等情况容易出现误判。

李强：样本量涉及商业秘密未透出，据观察每个路口每分钟至少十辆浮动车通过。

机场的特点决定了我们可以优先发展以轨迹数据为主的信控路线，同时我们也在尝试与检测器、航班、气象等数据的融合。没有什么最好，只有最适合。

对于一线交警，我们不关心理论和门派，好用，实惠才是最关键的。

谢少平：我们毋需苛求滴滴、高德、百度等互联网公司百分百正确，他们都在为解决城市道路交通问题尽心尽力，各地交警也都喜欢与他们合作，为什么呀？

以高德百度为例，我们在路面观察调研时，打开手机APP，显示红色拥堵，但是事实上彼时彼刻那儿不堵呀！那为什么大家在分析研究的时候都喜欢引用高德、百度的数据结果呢？

宏观上相对准确，宏观上有个参考，何况你也没有其他第三方数据呀。

至于滴滴做信号优化，宣传文案的原因吧，我们也毋需抠住某个字眼不放。

渗透率高的路口、时段，实时信号优化没有问题；低渗透率的路口，通过累积数据，做做信号优化或者提供配时参考方案也是没有问题的，只是不叫实时优化，总比人工凭想象设计的多时段定周期方案要强吧？

即使再低再低渗透率的路口，你可以把他想象成信号巡检“问题诊断”。

我们平时处理的领导传导下来的问题、老百姓反映的问题、我们自己在路面巡检发现的问题，不都是如此吗？ 

感谢：李克平、孙伟力、郑剑锋、于泉、钱公斌、沈文超、周俊杰、戴高、龙海勇、张晓、李强、谢少平参与讨论与观点分享。以上成员均为信控中国俱乐部会员。