李瑞敏：基于车牌识别数据的交通状态估计与管控

　　由中国智能交通协会主办，公安部交通管理科学研究所、国家道路交通管理工程技术研究中心、国家智能交通产业技术创新战略联盟、道路交通安全公安部重点实验室、无锡市滨湖区人民政府承办的“2015’第十届中国智能交通年会”于11月4日在无锡召开。

　　本届年会主题为“新技术背景下的智能交通创新与提升”，清华大学交通研究所李瑞敏副教授在“城市道路交通管控论坛”上发表题为《基于车牌识别数据的交通状态估计与管控》的演讲，本文为其演讲速记，未经演讲者本人审定。特此感谢中国智能交通协会提供演讲速记。

　　李瑞敏：谢谢吴教授。各位领导，各位嘉宾大家下午好。非常高兴今天在这儿有机会跟大家汇报一下最近做的一部分工作。

　　研究背景

　　今天介绍的内容，有一些已经基本完成，有一些还在进行当中，也体现了自己的思考和想法。内容比较简单，主要是三个部分，首先是一个简单的背景。一百来年交通机动化的发展，给我们的生活带来了很多好处，但是问题也越来越明显。第二个方面我们面临着一个新的机遇，就是信息化、数据采集手段的发展，从昨天到今天，很多的专家都在提大数据的问题，实际上数据的这种变革，给人类认识这个社会，也带来了促进。现在我们拥有了更多的数据，更好的支持，可能会让我们从现在的交通优化，进而进入到一个预测的时代，基于这个预测做更好的优化。

　　所以我们也在想结合着目前所采集到的交通数据，如何能够更好的去理解交通系统的运行规律，基于我们对它的认识进行预测，从而基于预测去建立管理。

　　目前的机动车交通检测手段，除了传统的人工调查以外，常用的一些手段，从三个角度来看，能够检测到车辆的比例，以及整个空间覆盖率的问题。比如说以出租车为主的浮动车，特点是空间覆盖率比较高，缺点就是检测的车辆比例有限，以出租车性质为主，难免在特性上存在着一定的偏性。传统的断面交通流的检测，覆盖范围是非常有限的。现在我们基于个体化的手段来检测，基于车牌识别的卡口检测，检测的车辆比例可以认为是百分之百，只要车辆过了卡口就能检测到，但是检测的准确性，达不到理想的程度，从我现在用的几个城市的数据来看，可能在80%的比例，就是不错的数据了。我们还可以用手机信令来做检测，手机的空间覆盖率可能是百分之百，只要有车，有开车的人带着手机都可以实现。当然手机来推断机动车的出行可能也会有误差。

　　也就是说在数据的利用上，从原来的抽样，逐渐的向全样本去转变，所以传统的在抽样分析方法，在全样的时代，就不一定合适了。

　　个人总结了一下数据在交通检测分析中的几个作用：第一个是描述交通现象，第二个是揭示城市交通系统发展的规律。如果我们想更多的了解城市交通，或者说预测交通未来的短期和长期的发展，可能要探究它后面存在这个机理，整个城市的交通系统为什么会是这样。然后我们再去预测，将来会是什么样。就以我分析的卡口数据为例，在描述现象方面可以做很多事情，常规的用它来做道路交通状况的红黄绿的显示，来做每个路口流量的显示。刚才余志教授提到的外地车的问题，我做了在京津之间往返的数据，外地车的比例，红色是廊坊本地的，剩下的全是外地车，可以看到超过了一半。即使是七天的话，一周七天全在廊坊出现的，也有大量的北京、河北其他地区和天津的车牌。这个对我们怎么去认识城市的交通，到底是怎么样的构成，可能是一个很好的支持。还有就是每辆车一周之内使用的天数，单双号限行有多大效果，都可以看出来。这些我个人理解。我们还是在描述现象，或者说揭示它的一些发展规律。

　　状态分析

　　下面介绍一下最近在做的几个工作，就是基于卡口的车牌识别数据类型，除了用于我们缉查布控的交通管理以外，还能做什么。

　　第一个就是对排队长度的估计的问题。

　　刚才刘东波主任介绍信号控制的时候，如果视频直接装在那儿，可以看到排队长度。但是如果路口没有视频，我们也希望能够根据上游过来的这些车，既然已经识别了大部分车的车牌，是不是可以构建出车辆到下一个路口之后，车队排队长度呈什么样的变化？基本的思路就是，重构所能检测到车牌的车辆轨迹，根据车辆出现的位置、时间的情况，来重构车队从上游到下游的轨迹，来看下游会是什么样的排队情况。如果能够估计出来，就能够在信号控制上做一定的主动适应性。当然理论上来讲，没有超车的话，两辆车就是一种跟随的行为，但是实际上超车的现象非常明显，尤其路口间距稍微大一些，换道、超车非常明显，虽然也可以构建出车辆的轨迹变化，但并不是非常严格的。

　　根据轨迹的构建估计，去看它的结果怎么样。我们在廊坊选了一条城市道路，这是估计的结果。我们为了测试估计的结果，在估计排队长度的同时，用人工的方式在路上去数，每个周期在红灯末期，就绿灯起亮的时候实际排队是什么样子，最大的排队是什么样子，来对比看我们所估计的结果。

　　当然要注意，我们研究的卡口数据，设备厂家会说设备精度都是非常高的，但是实际真正用起来的话，很难达到90%的识别精度。这是两个卡口的识别误差，识别车牌本身的不准确性，一个是在10%以内，一个是在20%以内，这个对于效果的匹配和研究都会带来一些影响。

　　第二个就是对于旅行时间估计的问题。

　　传统浮动车可以很方便的计算出旅行时间，但是抽样计算的准确度是一个问题。现在我们根据上下游的车牌匹配，几乎是一个全样。这是在我们分析的路段里面随机取的两个路段所反映的情况，同样一小时之内，经过两个路口的旅行时间，实际上的分布，还是比较大的。根据实际观察，可能出现双峰的情况，和一个车队从上游路口放过来以后，到下游是不是碰到了绿灯有关，另一部分可能有二次排队，或者多次排队的情况，这样就体现了出行的可靠性问题，大家同样走一段路，快的可能140秒就可以通过，慢的可能要240秒甚至于更长的时间，这对大家的出行信息服务上，可以使用这些数据进行一个相对全样本量的估计。

　　第三个就是对于机动车OD的估计。

　　实际上由于每个路口都存在着检测的误差，所以对于整个路网OD的估计来讲，直接用检测的数据做出来的结果，只是一部分车辆的OD，在这个比例上，在数据上都存在很大的误差。还有一个问题就是因为每天检测的精度不同，今天可能拍到了，明天可能没有拍到，所以很多时候OD数据需要用多日数据整合标的，同样的我们即使把检测到的所有车牌的OD匹配出来，还是一个比例的问题，如果知道整个城市的全样还得去把它扩样。这个时候就得用到一些理论的方法，可以用比较简单的扩样方法，可以用整个路网分配之后的流量，跟实际的检测流量对比，得到结果误差最小，等等的方法，用已优化的手段去得到整个城市的OD的情况。我们可以做一天的OD估计，这个给交通规划，给交通宏观可以提供一些依据。也可以做实时的估计，比如说每五分钟，可以估计城市里面机动车的分布，做到这个估计以后，如果有很好的分配方法，或者说预测路段流量方法的话，再接下来去做交通的控制，诱导等等，就会是一个很好的支撑。

　　再扩展一下，就是对于出行路径的研究，一般出行都选择最短路径，实际上到底每辆车的出行是不是最短路径，可以看看两个点之间的OD是一个什么样的分布。这是我们做的一个OD的结果，三条路径，其实都有人在走，而实际走下来的出行时间来看，这个路径还真差不多，所以出行者自己也在对这个系统进行优化，而且他们的可靠性也是比较接近的。

　　再一个我们想看看每天的OD变化是什么样的，就出行的规律性。这个是选的54个OD对，每个OD对里面，首选的出行路径，这是排名第一的。最后结果比例下来看，两天的结果非常非常的接近，有些几乎是一样的。比方说像第五个，每天大概38%的人就会选择流量最大的路径，这个也反映了出行规律性的问题。

　　当然还可以再去做一些其他的工作，比方说基于轨迹重构，可以再去反馈它的速度曲线，再整合上排放因子，我就可以估计每个路段，现在的排放是怎么样的情况。

　　交通管控应用

　　简单谈谈对于交通管控的理解，目前正在探索。我们传统的控制，基于大量各类的数据，用控制方法去优化，然后得出信号控制方案，估计出交通管控的性能指标来，可能就告一段落了。但在数据的输入上，在流量排队方面，我可以做一些预测，同时可以估计交通碳排放，把排放的这个指标，加入到模型的控制方法里，不仅仅追求路口的通行能力，还追求排放低。同时，我还可以去计算实施控制之后，实际的道路交通情况是什么样子。我们的协调控制，需要主干道，旅行时间最短，是不是达到了真正的旅行时间最短？我立刻可以在控制实施完之后计算实际的情况。上面的黑点是实际旅行时间，下面的红点是相位差，它并没有实施协调控制，这也有相位差的存在，我们可以看到，旅行时间和相位差之间的关系。下面这个是想看怎么去计算最优的相位差。这两个之间是有一定的偏差，基于这个偏差，我们再反馈回去进行模型的优化。

　　还有其他的一些可以做的事情，比方说像交通信息服务，我们设置了大量的诱导屏，实际上在设置诱导屏之前，有些问题是要回答的，在哪儿设置？第二个就是诱导屏是不是真正能起到分流作用，可以用OD路径分析，每条路径上不同OD的组成，然后来看你设置的诱导屏效果，大家是不是会去选择其他道路，还是说就是要选择走这条路，即使是显示拥堵也会勇往直前。

　　其他的，还可以考虑对于城市路网容量的估计，因为每天跑的车辆数，路网的状态都已经有了，可以去估计，实际路网是怎样的，能够放多少车的运行。还有交通管理政策的效果，以及顺风车的效果，到底是怎么样的。是不是真正能对城市的交通量起到一个减少的作用。

　　最后简单总结一下，根据对数据的分析来看，数据放在那儿只是一个数据，实际上还是要问题驱动，用数据来看到什么东西，解决什么东西，所以最终数据要加上技术，加上我们的思维，从而来发现一些交通现象，比方说城市交通的临界点的问题，从拥堵进入不拥堵，它总有一个过程，总有一个点。交通里边因果关系的问题，现在这儿堵，这个时间这儿出现问题，为什么出现这个样子，我们只是看到了这儿有问题，可能还要去追根溯源，是否还有很多异常的状态导致的这种情况。

　　好，我的汇报结束，谢谢大家。

　　本文为智能交通世界网原创，转载请注明出处，更多内容请访问智能交通世界网（www.its114.com）