顾金刚：聚焦场景，目标导向，城市交通靶向治理路径思考

首先，简要介绍一下我们城市目前的发展。城市交通确实发展得比较迅速，从道路建设来看，截止2018年底，城市道路有43万公里，每年有5%的增速。但在同期中机动车的增长率是更快的，近些年来以超过了12%-13%的速度在增长。到现在为止，目前的机动车保有量是3.65亿量，汽车是2.75亿量，31个城市超过200万辆，12个城市超过300万辆，机动车增长迅速，带来的交通拥堵、交通事故各方面的问题都比较突出。

为了解决城市交通问题，实际上我们一直在努力，在公安部部署了多方面的工作，围绕城市交通治理做了大量的部署，从2000年开始的“畅通工程”到2017年实施的“文明畅通计划”，现在每年公安部也在发布一些指导意见，2019年我们发布了交通组织的指导意见，2018年发了勤务机制改革指导意见，今年我们刚刚发布了信号控制指导意见，这也说明我们的工作在逐渐深入，针对一些细化的领域在做具体化的指引，希望我们的工作能做得更加精细一点，为了解决城市的问题，我们也在不断努力做一些新的工作。

虽然我们也很努力，但机动车确实增长得太快了，现在一些交通拥堵的问题还是比较突出的。通过这些现象的分析，我们觉得有几方面的原因比较突出。

第一，交通组织渠化、设施设置以及信号控制与交通动态变化需求不匹配。

第二，交通管控技术方法、系统的孤立运用与网联以及大数据环境下融合应用不协同。

第三，重建设轻应用、重经验求数据，科技投入与应用能力提升存在不平衡。

习总书记讲，我国已进入高质量发展阶段，我们要集中解决发展不平衡不充分的矛盾问题。交通也一样，虽然现在做了很多基础的工作，但也要解决不匹配、不协同以及不平衡的问题。

交通问题我们可以做区分，不同的交通现象是有差异性的，有的问题跟我们的基础设施有关，有的是运行当中产生的问题。这些问题有的是偶发性的，有的是常态化的，这些问题我们要做区分，区分出来的问题我们可以称之为场景，这些场景要细化对应。针对这些场景，我们要去治理。最近我们也有国家课题做支撑，利用数据做深度的分析，找出要解决的问题到底是什么，然后再实施一个精准的治理，最后再做一些评估，形成精准治理的闭环，用数据做驱动，我们要树立一些明确的靶向，这跟我们下午论坛的主题 “数据赋能 靶向智能” 非常契合。 

具体怎么做呢？围绕一些场景，怎么利用数据做深度刻画呢？对此我们做了一些研究。一方面，从路网运行层面可以去做大的宏观评价，从这里面可以得出很多的结论。关于整个城市的运行层面，我们也需要大量的数据做分析，我们也利用互联网的出行数据，从多维角度评估体系，然后用一些方法画像，其实画像呈现城市不同的特点，还是非常有意思的。我们今天主要聚焦具体的道路场景。

我们具体要解决路网上面运行的不均衡、不协调以及拥堵的场景，我们要用数据刻画它。怎么刻画呢？首先要把场景构建出来，先利用本身的一些属性，比如运行时的动态属性，我们把这些属性叠加起来，针对它在什么地方，有什么样的运行对象，产生了什么样的现象，我们构建成一个场景，用数据化描述交通拥堵、秩序乱、安全问题低的问题。我们平时说，这个地方很堵，这个地方秩序很差，这些场景需要用数据化构建。

我们提取了一些画像指标，道路基础的通行畅通能力，再到路口交通流运行的压力，以及需要通过的交通流有多少，造成的运行状态是什么样的，有什么样的规律，会用一些指标刻画。用指标刻画出来，我们觉得每个路口还是很有特点的，同样是一个十字交叉路口，可能在主干路上，交通量非常大，体现出来的特征与不同位置、不同交通状态所表现的特点是不一样的。 

比如一个主干道的交叉口，交通压力非常大，交通需求和运行状态偏高，运行可靠性的指数偏低，明显能刻画出它的特点。如果是属于潮汐现象比较大的路口，它的各方面指标表现也是不一样的。我们首先通过正向来看，知道这个地方是堵的，它的特点我们也知道，所以我们用数据做刻画，构建一个模型出来，把不同的场景用数据进行描述，形成一个模型，以后把数据和模型分析的方式倒过来，用这样的数据模型来找这个城市哪些是比较堵的路口，哪些是潮汐方向比较明显的路口，我们事先不知道，只是通过数据去读取分析，我们想这样去干，把数据模型构建起来，到了一个城市，就可以用数据模型反推每个城市的特点。

用这种数据画像的方式，能让我们把一个场景的特性更加量化，也可以用可视化的方式体现出路口的特点。画像的目的，是为了刻画这个路口或者这一段路运行的规律和特点，有了刻画出来的这些规律和特点，再通过一些分析和比较，我们就可以对它存在的问题进行诊断。

比如这是一个排队不太均衡的路口，首先从交通流量的变化就能看出，从排队的程度和数据指标也可以看得出来，建立一些关系表达的方式，比如早晚高峰之间的差距，或者是不同方向之间的差距，我们来分析到底是对象的失衡，还是同方向不同流向的失衡，我们来细化地刻画它，从而可以诊断出这个路口是一种失衡的状态。

在这个基础之上，我们还可以更细化地探讨原因是什么，我们引入对信号的一些评价，比如把信号的周期、空旷率、绿色有效率等等联系起来，做一些比较，可以更深入地得知这个路口到底是控制上存在问题，还是说交通组织存在什么样的问题，或者是其他设施上有问题，一步步地进行深度刻画。深度刻画以后，得出管理的症结，并做深入分析。

我们要用大量的数据支撑这项工作，我们现在有什么样的数据？一方面，数据来源于路面上前端的设备，有大量的感知设施，有监控，有卡口，有本身信号机产生的数据。这些前端的数据我们已经有了基础，中心系统也有大量的数据，公安系统也有数据，公交平台也有数据，还有物联网的数据，比如车辆轨迹以及分析拥堵的热力图，这些都可以作为支撑。但是这两方面的数据各有优缺点，路上采集的信息比较精确、比较准，但覆盖率比较低，我们的一个卡口只能管一个断面，即使在路口，咱们有反向的视频检测或者雷达，也就只能管200米，是断面化的，覆盖面比较小。中心系统的一些数据面比较大，全程都在跟踪，有泛在的特点，但样本率达不到我们所期望的需求。这两者虽然能融合，但我们希望以后数据的发展，包括系统以后的建设，向全量化、全要素、全数据的方向发展，从而提出下一步交通建设的方向。

第一步，我们对场景进行刻画，描述规律，通过规律发现问题，引入管控措施进行深度诊断。诊断之后，就要看看怎么治理。如果要治理，首先我们得确定目标，不是说针对这些问题直接开始干，要干到什么程度？我们要治理一个超饱和的路口，要追求什么程度？如果这个路口饱和度下降到0.7-0.8，这不是合理目标，但我们有一些具体的诉求，这可能是主干线上或通勤道路上的关键节点，这里面有一些刚性的需求，比如经常要通过这个路口的通勤交通，我们把它找出来，就像伍所长说的常旅客，路上应该有常走的车，把它找出来，看数量大概有多少，应该把路口的通行能力维持在什么样的水平。另外的一些交通流是可调可控的，我们通过一些手段分流掉，这才是我们可行的目标，对不同的交通运营场景，我们分别制定不同的目标，做一些治理的措施。新的目标确立，对不同场景有不同的目标。

在研究当中我们列举了若干场景库，针对不同的场景有很多诊断接口，我们会建立优化的对策库，有很多对应的措施。比如公交延误，有很多方法对应，这些方法要有一定的适用条件，在不同条件下要用不同的方法。还有一些实践的案例，我们会建立案例库，慢慢积累很多好的经验方法。构成这些库的目的，如果咱们在座一些单位和企业有能力，咱们用人工智能的方式学习这些库，做好以后的人工学习辅助，这就是资源，可以把这些资源作为学习的基础进行提供，这也是为了面向未来，我们会构建对策库和案例库。

实施了对策之后，应该要马上干一件事，评价。评价也要围绕刚才确认的目标，比如说我是为了改善运行的稳定性，会有一系列的评价指标，看看有没有达到要求。这种评价不是一味地追求这个路的长度缩短了多少，速度提高了多少，而是我们有合理的一套指标进行评判。实际上就算我们从不同的维度共同实现目标，我们的评估也应该要多维化。

这里有一个案例，对一个短连接的路段，通过规律的分析，制定一个目标，让它中间的路段不能堵起来，这是具体场景的具体目标。实施的方式，通过信号的协同，把中间滞留的车辆减少，做信号方案实施然后评估，我们去做一些评价，看它的效果到底是好还是坏，从图上来看下降是有明显变化的，但这个变化不是我们所期望的最好目标，还存在溢出现象，我们再通过循环优化，把溢出率降得更低一点，一步一步形成循环迭代，让交通治理的措施更加有效。

要实现精准治理，需要几个支撑。

首先是数据支撑，就是要利用好现有的系统，把数据打通并让数据融合，把它变成我们可用的数据。前端的数据要直联，现在问题比较大的是，各个系统还是像烟囱一样，直接对着自己的中心，没有把数据推到前方去，虽然前面的数据很多，但可利用率不高。我们现在在做这方面的研究，在研究边缘计算的节点，希望能够把相关的路面设施数据植入到路上节点，再推送到控制中心，比如以信号机为中心，把数据推送给它，让它在前端直接开始做控制。特别是以后车联网发展以后，车联网的数据可以直接跟前端做通讯，做一些实时的调整。后端也要广泛互联，不同系统之间的数据要联系起来，要融合，各自发挥各自的作用。比如互联网通行数据的特性，对整个交通运行状态的诊断是比较好的，我们自己的数据对于精准找到哪些车辆来说是比较有用的，这些优势组合起来，形成大家共同的数据。

我们也在做一些基础性的工具，这些数据需要有一些标准化的接入，或者说发布的接口，这些标准我们逐渐在制定。比如说最近正在征求意见稿，有接口规范，有信号设施的通信协议，我们准备升为国标，还有一些系统方面的数据。从最前端到中心的节点，比如信号控制，再到中心独立的信号系统，再到大平台，比如集成平台，各个层面之间的标准我们都在制定，形成一个标准化的支撑。包括我们的运行评估，也在做相关的技术规范，有了同样的规范之后，我们评估的工作基本上能统一起来，或者说是形成一致的评价结果，不会说同样的方法让这个城市很堵，到另外一个地方变得不堵，标准不统一会有问题。

我们的运行机制要形成体系化，做好了诊断、分析、策略，要运行下去。执行体除了常见的信号控制系统之外，实际上警力和交通诱导也是我们很重要的手段。比如超饱和的路口，我们希望其中的一些交通流要分流掉，光靠信号不够，要通过导航提前分流掉，所以我们的执行体是需要做一些体系化建设的，更关键的是，有了这些数据，还需要很多的算法支撑，有了这些算法，我们才能把一些数据做得更好，这是科研院校更擅长的，从而形成整个的大体系。

以上就是我今天汇报的主要内容，简单来说就是问题导向、数据画像、分析诊断、靶向目标、精准治理、效果评估，形成一个精准治理的闭环。

（本文根据第十五届中国智能交通年会速记整理，未经本人确认）