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。