同濟大學馬萬經教授：如何利用軌跡資料來解決交通問題
未來的資料量可能會越來越多，傳統的資料是軌跡資料，即便是汽車電子標識的資料，也是精度更高的軌跡資料，軌跡資料一直存在現實生活中，不需要另外的組裝。如何利用軌跡資料來解決交通問題，才是我們需要思考的問題。
圖片來自“東方IC”
11月9日，由科技部高新技術發展及產業化司、科技部高技術研究發展中心指導，中國智慧交通協會主辦的2018’第十三屆中國智慧交通年會“交通組織優化與控制技術”論壇上，同濟大學交通學院副院長馬萬經教授發表《基於軌跡資料的交通訊號優化》的主旨演講，本文為演講錄音整理，未經本人稽核。
馬萬經：尊敬的各位領導、各位同仁，大家下午好！非常高興每年都有機會和一些老朋友、新朋友介紹我們一年來所做的工作，我的報告內容分為三個部分。
一、背景概況
現在城市交通智慧化發展非常迅速，迅速到我們可能來不及反應就已經出現了很多新技術，新的概念。我們到底需要什麼，是值得思考的問題。
我曾經問過一個企業，你們有沒有什麼需要打磨的技術，他說沒有。現在很多人都在琢磨有沒有一個技術需要我們去思考、去打磨。我們發現有的系統因為採用了新技術變得更高效，而有的系統卻是相反的。比如，更智慧化的演算法可能需要更多的資料，採集更多資料需要更多的線圈或感測器，這些都沒有問題，但是投入這麼多去維護的系統，是否可以發揮更大的作用。又比如，為什麼有些國家和地區，不用那麼複雜的系統，也不需要額外做那麼多工作，他們的系統執行效果卻這麼好，因為方案和實際需求相匹配，這是要思考的問題。未來的資料量可能會越來越多，傳統的資料是軌跡資料，即便是汽車電子標識的資料，也是精度更高的軌跡資料，軌跡資料一直存在現實生活中，不需要另外的組裝。如何利用軌跡資料來解決交通問題，才是我們需要思考的問題。
二、基於軌跡資料的探索工作
我們針對軌跡資料做了很多研究工作。比如對特徵引數的分析，包括製作到達分佈圖和綠燈利用率的分析等等。
到達分佈的分析，有一個非常重要的點，就是怎麼去估計車輛從上游到下游的狀態，我們是根據軌跡資料分析出來下游到達情況。這是兩個週期的到達分佈圖，一個週期看上去不錯，另一個週期看上去很差，這也許是隨機現象，但按照邏輯來說，每個週期的圖示結果都不一樣，因此選擇累計相鄰的週期會對結果有很重要的幫助。
綠燈利用率是很多專家經常利用的一個重要引數。但如果僅有樣本率非常低的資料來做研究，也是非常有意思的情況。這是來自不同週期、不同天數形成的圖示，反映的是相似內容。我們怎麼利用這些資料，去計算出綠燈利用率的數值。綠燈到達率特徵引數很多人都研究過，如何利用有限的樣本去研究出車輛的軌跡資料。從這個圖我們可以看到現有的綠燈到達率，我們常說的綠燈到達得多和紅燈到達得少，或者反過來紅燈到達得多和綠燈到達得少，這並不能說明什麼問題，我們唯一要考慮的是要如何算出這個數值來。到達率合不合適，或者到底到達什麼程度要如何去評判。如果去調整訊號燈，綠燈到達率會不會因此而提升，如果因此而提升，那麼這個調整是可以使用的，如果沒有提升，那麼綠燈到達率數值即使很小也是一種比較好的情況。
車隊離散性引數的計算很簡單，如果車隊的離散性很大，按照傳統意義來講，肯定不能做訊號協調。車輛的離散程度是什麼樣的，可以做一些分析來獲得結果。我們經常說，如果做協調控制的判定，週期、距離、流量都非常重要。週期先不說了，流量大的路口一定要做協調，流量小的路口可以不做。假如只有一條流量很小但要等很多紅燈的路，老百姓更希望通過協調控制來緩解擁堵問題。
從軌跡資料去分析，如果資料很小依然覆蓋大量車輛，即便是小的資料依然帶來了有效的綠波，這取決於我們的協調到底能帶來多大比例的效益。
三、交通訊號資料的優化
做訊號配時，用比例資料制定一定的定時方案，能否劃分時段，像剛才深圳的交警說會做三個甚至更多時段的配時方案，我們要考慮軌跡資料是不是也能劃分時段，畢竟在很多的地方，沒有那麼多線圈，沒有那麼多的檢測資料，也許曾經有過，但是現在不一定有那麼好的條件。
經典的分析做法是如果能知道流量大小，可以分成兩個部分，只有軌跡資料的話很難去推測準確的資料。如果可以去推測軌跡資料排隊和消散的情況，也可以去界定排隊和消散的情況，與另外一種可以被分成兩類，直接基於資料去分析，把一天分成若干個時段，可以針對每個時段去做相應的分析。
我們做的模擬分析還沒有實際應用，隨著實際資料的樣本量增加，圖上黑色的部分多表示全部劃分的結果和真實的情況是一致的，你們可以看到資料的增加，不管量大還是小，或者說採集樣本間隔的高還是低，都是比較好接受的程度。這可能是我們可以去做的第一個工作，還有很多的技術成份，比如說排列的圖示。
我們還可以繼續去做單點或者是幹線的優化模型，有了軌跡資料之後，能夠準確計算引數的同時，能夠估計出變化的方案後，已有的軌跡以怎樣的模式去調整。不同的流量情況下，原始方案的軌跡改變是不同的，我們可以去基於改變之後的軌跡計算出來新的方案，形成總體的指標進行評價，可以看到與已有的一些方案對比的情況。另外一個很重要的應用是去做幹線協調方向，所有車輛的總停車次數的改善，這也是方案的一個優勢方面。
軌跡資料是否可以代表全樣本？我們做了一些分析後發現，在低樣本的情況下，必須去重複使用很多很多的資料。但問題在於，很多城市特別是成長型的城市，交通變化非常地頻繁，怎樣才能夠確保資料的準確性？不同取樣間隔的資料處理與估計，不同車型資料的處理，不同駕駛行為是不一樣的，也會表現出一些差異。軌跡資料與其他資料的融合處理，也是我們後續值得深入探討的問題。