王殿海:数据视角看交通信号控制的今世来生

赛文交通网 中字

“实际上我国拥有各种很好的信号控制系统,包括SCOOT、SCATS,但是没有一个系统真正发挥了作用。”9月20日,在云栖大会“城市大脑智慧交通专场”上浙江大学智能交通研究所所长王殿海教授发表主题演讲时曾表示。

王殿海教授还强调中国经过30多年的跟踪、引进、消化、吸收、创新过程,有一些自主开发的典型高端产品在功能上已经不逊色于国际典型品牌,甚至在有些方面更具特色。并指出了我国信号控制系统存在的数据问题、交通问题和基础问题。

以下为王殿海演讲全文,未经本人核实

信号控制从1868年至2018年,已经走过了150年的历史,这150年的历史我们总结出了比较有特点的时间节点,比如1868年燃气信号灯问世,到2018年的今天我们用到了AI,技术上的变化可谓翻天覆地。

中间的几个阶段,比如1917年美国盐湖城开始使用联动式信号系统,六个路口联动;1930年美国、英国产生了气动橡皮管式的车辆感应信号控制器动态数据;1970年SCOOT系统开发应用,动态数据开始大规模应用。

中国是上世纪80年代前后开始跟踪、引进,截止到今天,我们经过30多年的跟踪、引进、消化、吸收、创新过程,有一些自主开发的典型高端产品在功能上已经不逊色于国际典型品牌,甚至在有些方面更具特色。

下面我们梳理下交通信号控制的发展脉络,我认为要想梳理清楚交通信号控制的发展脉络关键是数据。

我们今天就以数据为线索,现在多个企业在做城市大脑,有多个城市在实践应用城市大脑,在城市大脑中有多个版本,我参加的城市大脑评审就有好几个版本。

那么,有了城市大脑以后,是不是就有了数据,是不是就有了智能的方案和无堵的交通?如果行,我们行在哪里;不行,又不行在哪,所以今天我们应该梳理交通信号控制的发展历程、当前条件和未来走向。

说到城市交通信号控制系统的三个点,我认为是策略、数据和算法。数据在这里是线索,实际上策略是核心,一个城市交通控制的关键是看我们的策略,而策略需要数据来支持,策略的实现又需要靠算法来支持。

所以策略、数据和算法构成了这种三角关系,这种关系的目的是安全、效率和公平。这里需要注意,“公平”也是非常重要的,当今提起信号控制似乎是把“公平”忘了,我们说到信号控制似乎总是在想,如何做道路的效率会更高,如果做才可以让车跑的更快。

数据在这里起到很重要的一个线索,下面我想从这么几个阶段讲一下信号控制系统是怎么变化的。过去无数据,然后有了静态数据,后来是断面无标识动态数据,再后来是断面有标识数据+离散断面抽样数据,将来可能是移动目标全标识数据。

无数据是信号控制的早期阶段,比如说上个世纪30年代、20年代,甚至是50年代前都是没有数据,但那个时候的控制策略实际上是动态,单点。因为那时候信号控制大部分是手动的,是无算法的,是真正的人工“智能”!“人工”是指手动,“智能”是指人脑。

优点是实时,兼顾多交通方式;缺点是人工操作,无法实现联网控制,效果因人而异,有经验的人就可以做的很好。社会价值上,这是早期的主要方式,现在仍有临时应用,包括我们特大城市在内,还是在人工操作。

静态数据有几种数据,包括人工调查数据、设备采集而不能联机优化的数据。静态数据可以做定时的控制方案,单点和协调也可以做到,静态数据的初期都是这么用。算法上来看,计算PI:排队、延误、通行能力等,PI是优化目标,优化参数是周期、绿信比、相位差、协调子区。

这个时期的算法简单,系统稳定,这是它的优点。缺点是数据易老化,方案固定,对交通流的波动适应性差。社会价值来看,这是20世纪中期的主要方式,现今仍有大量应用,多数城市是现代控制系统降级使用的后果。

transyt系统实际上在美国用的特别多,上个世纪后半期一直在用transyt系统,其实好多国家都已经开始用动态控制了,但美国一直在用transyt系统,那么transyt系统这个特点是这样的,他是一个静态数据的配时,是脱机仿真优化。

那么控制策略上来看,他是定时式网络优化控制。在算法上,是计算PI,计算综合指标,主要考虑停车、延误、油耗等参数。那么PI值实际上到现在来看,建模仍然是难点。

参数优化,关键是周期、绿信比、相位差、控制子区这四个参数,不同交通流条件下各参数与停车、延误、油耗的定量关系建立是核心。那么相对差的优化,在transyt系统中,用了爬山法。

效果上,应该说transyt系统的研究思想和优化思路影响深远,尽管目前已经落后,但实际上至今很多工作我们并没有完成或实现。

再说断面动态无标识数据,移动目标具体指的是车辆,比方说过车数,我们可以统计成流量、占有率、速度,但是我们不知道,这个车是谁?这种就是无标识,那么在无标识时代,主要传感器,就是线圈、微波、地磁、雷达等等。那么这些数据采集主要就是流量、速度、占有率。

一般来说单线圈,做速度还不是很准确,双线圈还准确一点,这个数据在我国有一段时间已经在大量使用,目标其实是一样的,就是安全、效率和公平,但是这里的目标可扩充。由于我们有了网络动态数据,其实我们的目标,不一定是传统控制上的目标,我们的效率或者说我们的组织目标,都可以扩展,关键是看我们怎么使用这些数据。方式上,这种数据情况下使用的最多的方式是自适应点、线、面的控制。

算法上也是计算PI,因为这个好多的算法都是在transyt系统上发展起来的。参数优化还是周期、绿信比、相位差、控制子区这四个。

从优缺点来看,优点就是他是网络控制,系统性强,对交通流的波动适应性好,缺点是对传感器的依赖性高,对发生的位置比较敏感,还有对混合交通缺乏数据,以及过饱和交通控制效果不佳。

社会价值,这种数据所代表的相应控制系统,是当前的主流模式,在我国大城市、特大城市,周游城市普遍采用,但由于多种原因,导致现在的系统是降级使用。

比如第一个典型系统SCOOT,SCOOT系统现在已经渐渐退出我国市场,但是我们不能说,这个系统不好,这个系统可以说仍然是当前情况下最优秀的系统之一。这个系统的特点就是,网络实时自适应协调,采用的是固定子区,传感器(线圈)布设在上游的断面附近,可检测测量排队,实施排队控制。

从策略来看,他是在transyt思想基础上发展起来的,算法上,主要有几个特点:

第一,是拥挤度指标,在不同的拥挤度下采用不同的策略;

第二,交通流预测成为核心;

第三,参数优化采用小步距,勤调整策略,比方周期2-5分钟,绿灯长大概4秒钟,从这个角度来看SCOOT系统是非常灵敏的。

效果评价,SCOOT系统应该说是当今优秀的信号控制系统之一,但是他对数据要求比较高,对混合交通控制思想,他没有策略,或者说策略较少,这样情况下在我国就不是那么好用了。

下面说第二个动态交通系统SCATS。

SCATS应该说在我国使用较多,很多城市都在用,那么这个系统的特点也是网络实时协调自适应配时,但他是方案选择式,SCOOT是方案生成式。SCATS特点是线圈布设在停车线附近,这样的情况下就要检测车流,关键是检测占有率。用占有率做综合饱和度,所以说他这个综合饱和度是很重要的,这个控制系统也是小步距调整。

SCATS和SCOOT最关键的分歧,在于SCATS是方案选择式,SCOOT是方案生成式。

在算法优化上,SCATS是以饱和度为核心,控制系统里面不分大小车,只分占有率和时间长短,这样的情况下不同的占有率,可以综合成不同的车,所以说综合饱和度很重要。那么综合饱和度的几个参数,像周期、绿信比、相位差他是按照一定的规则来选择的。

那么他的控制效果是很好的,我们到澳大利亚一些城市,可以看到他的控制系统比较灵敏。比如说有的城市我们可以看到没车的时候,立刻变成红灯,等有车了,一会就变成绿灯,应该说效果是蛮好的,在我们国内,SCATS是占有率最高的外国控制系统。

下面说说我国的情况。

我国现在信号控制市场比较混乱,现在各地使用的信号控制系统繁杂,甚至同一个城市使用多种系统,系统水平、特点差别较大。比如有些地级市,100多个信号灯,竟然有9个信号控制系统。

我国几个代表性的高端产品,能够实现网络实时协调自适应配时,但是也仍然存在着问题。

除了具有国外产品同等功能外,国内典型系统还考虑了非机动车交通流控制策略、平衡控制策略。

那么在我国目前存在的问题是什么?

第一个就是数据问题,一个是在获取的层面上,其实我们国家传感器布设密度低,有的信号交叉口有,有的信号交叉口没有,还有传感器损坏率高。应用层面上的问题,数据闲置,数值高搁这样的问题到处都是。

第二个是交通问题,一个是拥堵问题拥堵到一定程度以后,我们传感器就失去了作用,比如说我们SCATS系统,把线圈埋在了停车线上,四个方向都是满负荷的,怎么判断,没法判断了。包括SCOOT系统,当车队上线到排队检队器上,所有的方向都在排队,还怎么做,没发做。

另外是混合交通问题,我们对行人和自行车的数据,一无所知,没法做。还有不规范交通,破坏了我们这个系统,比方说我们的左转车,直行车,还有电动自行车闯红灯等等问题,把我们系统设计好的一些算法,都打乱了。

第三是基础问题,现在我们国家在做信号控制系统的时候,其实我们很多基础性工作不充分,比如我们的渠化。还有基础工程不扎实,基本理念不成熟。还有一个运维问题,我们缺少专业队伍,我们谁在管这个信号控制,比如交叉口由警察来管,交警来管,一个交警支队就两三个人可以管信号配时,成千上万个交叉口怎么做,做不来。

包括像上海,我们调研的时候,他们也提出这个问题,队伍不足。

还有一个是应用评价,实际上我们拥有各种很好的信号控制系统,包括SCOOT、SCATS,但是没有一个系统真正发挥了作用。现在需要创新,包括大学、企业都需要创新,但是更需要把我们已有的系统用好,我们投入巨资建成的系统,还没有用好。

下面说离散断面抽样。

这是我们GPS数据,这个数据特点就是,大范围、动态离散点数据、小样本。那么这种数据对控制系统作用是对无实时动态数据系统的数据补充,方便系统运行效果评价。

优点就是,这个数据不需要投钱了,高德、滴滴可以给你了,那么这个数据我拿来就准备要用,其实我们交警已经有了很好的数据系统,自己没用好。

缺点是需要样本积累,因为你数据采用率低,所以需要积累,把一个月的,几天的,一星期的打进去,然后看规律。既然是这样,就需要参数推算,不是直接给出来的,因为数据量不足,不能形成实时动态方案,但是做静态方案是可以的,这样的数据与已有信号控制系统融合困难。

再说车辆有标识数据。

催生新一代交通信号控制系统,就是当前可以研发的。数据特点是:

我们的断面有标识车辆数据,是指视频和电子标签,这样我们的车辆数据是有标识,但是非机动车和行人的数据现在还没有,GPS数据还是离散断面抽样。那么数据挖掘的价值还是比较大,比方说我们通过车辆大样本轨迹,挖掘OD、排队、延误,停车次数,驾驶员的偏好等。如果我们把这些做下来,可能我们的控制系统,原来的算法,原来的策略就都变了。

控制策略提升方面,比如说在网络自适应控制方面我们可以提升到,数据+模型双驱动,原来我们是模型驱动,现在我们能做到数据、模型双驱动,还可以增加网络平衡控制。

那么我们控制就可以达到,控制+诱导。在算法层面上,数据挖掘、PI计算、参数优化还是要做的,还有部分人工智能技术。

那么这个问题就在于,由于缺少非机动车交通流数据,不能实现完全的智能控制。

那么下一个试点,可能就是全方式数据。

这个时候我们可以说是未来可预期的,这个数据特点大概是,车辆和断面有标识,有视频数据和电子标签。

非机动车数据是可见到的,比方说阿里云要把这视频做好了,数据做好了,人脸识别可以做到每个人,如果人脸识别可以分辨出人的数量、自行车的数量和方向运动模式就行了,那这个时候,我们的GPS数据还是有的,那我们这个时候控制车辆还可以提升到以人为本,主动控制。

像之前我们所讲的控制都不是以人为本,以人为本就是我们控制对象直接具体到人,而不是车,其实我们控制的目标不是控制人是控制车,如果要是变成控制人,以人为本了,那我们就可能是信号控制形成规划和形成服务结合在一起。

那么这个比诱导可能更近一层,做到行程规划,所谓的路权规划,这个在算法里面看就是精确的出行需求预测是核心,因为我们人能看到,车能看到,就把每个人和每个车的出行规律找到,找到以后,出行服务就可以告诉你如何出行,我认为那个时代可以做这件事。

这样的情况下,我们人工智能技术会提升一步。

再下一个时代,是未来可以想象的。

可以想象的是车联网时代的到来,车联网可能十年、十五年,或许更长时间才能实现,如果在城市真能实现了车联网。其实那个时候我们可以人联网,每个人跟踪,每辆车跟踪,这个时候就是移动目标全部识别跟踪,这样情况下是个全息时代。

到了全息时代,我认为,智能控制可能就到了他的天地,但是无论是多优秀的智能控制,没有人的策略是不行的,但人的策略可以加到智能控制里面去,这个时候就是以人为本,主动控制。所谓的主动控制,就是信号控制+行为控制+方式调节。

甚至那个时候会建议你坐地铁,还是开车,还是步行,就不是说给你信号灯的问题,就达到了全局控制或者全域控制。

最后,我的结语就一句话:数据拓展控制策略,提升控制效果!

声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。
侵权投诉

下载OFweek,一手掌握高科技全行业资讯

还不是OFweek会员,马上注册
打开app,查看更多精彩资讯 >
  • 长按识别二维码
  • 进入OFweek阅读全文
长按图片进行保存