同济大学马万经教授：如何利用轨迹数据来解决交通问题

  11月9日，由科技部高新技术发展及产业化司、科技部高技术研究发展中心指导，中国智能交通协会主办的2018’第十三届中国智能交通年会“交通组织优化与控制技术”论坛上， 同济大学交通学院副院长马万经教授 发表 《基于轨迹数据的交通 信号优化 》 的主旨演讲，本文为演讲录音整理，未经本人审核。

马万经：尊敬的各位领导、各位同仁，大家下午好！非常高兴每年都有机会和一些老朋友、新朋友介绍我们一年来所做的工作，我的报告内容分为三个部分。

一、背景概况

现在城市交通智能化发展非常迅速，迅速到我们可能来不及反应就已经出现了很多新技术，新的概念。我们到底需要什么，是值得思考的问题。

我曾经问过一个企业，你们有没有什么需要打磨的技术，他说没有。现在很多人都在琢磨有没有一个技术需要我们去思考、去打磨。我们发现有的系统因为采用了新技术变得更高效，而有的系统却是相反的。比如，更智能化的算法可能需要更多的数据，采集更多数据需要更多的线圈或传感器，这些都没有问题，但是投入这么多去维护的系统，是否可以发挥更大的作用。又比如，为什么有些国家和地区，不用那么复杂的系统，也不需要额外做那么多工作，他们的系统运行效果却这么好，因为方案和实际需求相匹配，这是要思考的问题。 未来的数据量可能会越来越多，传统的数据是轨迹数据，即便是汽车电子标识的数据，也是精度更高的轨迹数据，轨迹数据一直存在现实生活中，不需要另外的组装。如何利用轨迹数据来解决交通问题，才是我们需要思考的问题。

二、基于轨迹数据的探索工作

我们针对轨迹数据做了很多研究工作。比如对特征参数的分析，包括制作到达分布图和绿灯利用率的分析等等。

到达分布的分析 ，有一个非常重要的点，就是怎么去估计车辆从上游到下游的状态，我们是根据轨迹数据分析出来下游到达情况。这是两个周期的到达分布图，一个周期看上去不错，另一个周期看上去很差，这也许是随机现象，但按照逻辑来说，每个周期的图示结果都不一样，因此选择累计相邻的周期会对结果有很重要的帮助。

绿灯利用率 是很多专家经常利用的一个重要参数。但如果仅有样本率非常低的数据来做研究，也是非常有意思的情况。这是来自不同周期、不同天数形成的图示，反映的是相似内容。我们怎么利用这些数据，去计算出绿灯利用率的数值。绿灯到达率特征参数很多人都研究过，如何利用有限的样本去研究出车辆的轨迹数据。从这个图我们可以看到现有的绿灯到达率，我们常说的绿灯到达得多和红灯到达得少，或者反过来红灯到达得多和绿灯到达得少，这并不能说明什么问题，我们唯一要考虑的是要如何算出这个数值来。到达率合不合适，或者到底到达什么程度要如何去评判。如果去调整信号灯，绿灯到达率会不会因此而提升，如果因此而提升，那么这个调整是可以使用的，如果没有提升，那么绿灯到达率数值即使很小也是一种比较好的情况。

车队离散性参数 的计算很简单，如果车队的离散性很大，按照传统意义来讲，肯定不能做信号协调。车辆的离散程度是什么样的，可以做一些分析来获得结果。我们经常说，如果做协调控制的判定，周期、距离、流量都非常重要。周期先不说了，流量大的路口一定要做协调，流量小的路口可以不做。假如只有一条流量很小但要等很多红灯的路，老百姓更希望通过协调控制来缓解拥堵问题。

从轨迹数据去分析，如果数据很小依然覆盖大量车辆，即便是小的数据依然带来了有效的绿波，这取决于我们的协调到底能带来多大比例的效益。

三、交通信号数据的优化

做信号配时，用比例数据制定一定的定时方案，能否划分时段，像刚才深圳的交警说会做三个甚至更多时段的配时方案，我们要考虑轨迹数据是不是也能划分时段，毕竟在很多的地方，没有那么多线圈，没有那么多的检测数据，也许曾经有过，但是现在不一定有那么好的条件。

经典的分析做法是如果能知道流量大小，可以分成两个部分，只有轨迹数据的话很难去推测准确的数据。如果可以去推测轨迹数据排队和消散的情况，也可以去界定排队和消散的情况，与另外一种可以被分成两类，直接基于数据去分析，把一天分成若干个时段，可以针对每个时段去做相应的分析。

我们做的仿真分析还没有实际应用，随着实际数据的样本量增加，图上黑色的部分多表示全部划分的结果和真实的情况是一致的，你们可以看到数据的增加，不管量大还是小，或者说采集样本间隔的高还是低，都是比较好接受的程度。这可能是我们可以去做的第一个工作，还有很多的技术成份，比如说排列的图示。

我们还可以继续去做单点或者是干线的优化模型，有了轨迹数据之后，能够准确计算参数的同时，能够估计出变化的方案后，已有的轨迹以怎样的模式去调整。不同的流量情况下，原始方案的轨迹改变是不同的，我们可以去基于改变之后的轨迹计算出来新的方案，形成总体的指标进行评价，可以看到与已有的一些方案对比的情况。另外一个很重要的应用是去做干线协调方向，所有车辆的总停车次数的改善，这也是方案的一个优势方面。

轨迹数据是否可以代表全样本？我们做了一些分析后发现，在低样本的情况下，必须去重复使用很多很多的数据。但问题在于，很多城市特别是成长型的城市，交通变化非常地频繁，怎样才能够确保数据的准确性？不同采样间隔的数据处理与估计，不同车型数据的处理，不同驾驶行为是不一样的，也会表现出一些差异。轨迹数据与其他数据的融合处理，也是我们后续值得深入探讨的问题。

再次对国家自然科学基金委、上海市城乡建设和交通发展研究院、滴滴出行等机构表示感谢！