【智能交通青年科技】大數(shù)據(jù)視角下的城市路網(wǎng)動態(tài)供需分析方法及實踐---夏井新

夏井新  東南大學教授，博導(dǎo)

　　大數(shù)據(jù)視角下的城市路網(wǎng)動態(tài)供需分析方法及實踐這個題目的來源有兩方面，第一個就是交通系統(tǒng)一直存在的供需矛盾的問題，供需矛盾是擁堵的根源。這種供需矛盾是存在于整個交通系統(tǒng)的各個層級，小道車道大道一條路，再往上就是到一個區(qū)域，這個是交通系統(tǒng)內(nèi)在的一個需求。
　　1.城市路網(wǎng)供需分析的背景
　　想知道一條路通訊能力，一個區(qū)域的能在能力，以前傳統(tǒng)的做法都是什么？通過查閱手冊和相關(guān)的規(guī)范，q-k基本關(guān)系等，而獲得供給的數(shù)據(jù)西，有可能不適用。那么在大數(shù)據(jù)這種條件下，就提供了一種機會。需求側(cè)這塊也是一樣的，傳統(tǒng)是做一些調(diào)查，后來就是一些ITS方面的檢測手段，這些東西應(yīng)用于道路規(guī)劃、公交規(guī)劃、停車規(guī)劃和信號配時、交通仿真等方面。
　　大數(shù)據(jù)其實帶來了很多的契機，帶來了很多的便利。第一個，就是它的數(shù)據(jù)源是一個多發(fā)式的增長，隨著互聯(lián)網(wǎng)+的這些數(shù)據(jù)的加入，以往難以觀測、只能估計的變量現(xiàn)在可以直接或間接觀測。在這種情況下，包括大數(shù)據(jù)的云計算，機器學習，包括人工智能的發(fā)展，這些新方法和技術(shù)崛起使得計算資源的極大豐富，技術(shù)應(yīng)用的門檻降低，數(shù)據(jù)價值進一步發(fā)揮和鞏固，數(shù)據(jù)驅(qū)動的創(chuàng)新應(yīng)用潛力巨大，為供需分析提供了工具。

圖1 我國智能交通系統(tǒng)發(fā)展現(xiàn)狀

　　2.路網(wǎng)供給的確定及實踐案例
　　路網(wǎng)最小組成單位—車道，以前獲得它的通信能力，按HCM飽和流率計算公式計算，這個公式特別麻煩，等到最終獲得了通訊能力之后，才發(fā)現(xiàn)實際的這種通信的能力和根據(jù)HCM手冊獲得的這種通信能力可能差別非常大，這種情況下，導(dǎo)致我們終端層面上交通的精細化管控出現(xiàn)了問題，尤其在控制的時候。
　　大數(shù)據(jù)可以提供很多的數(shù)據(jù)驅(qū)動的一些方法。舉了一個最典型的，像國內(nèi)的數(shù)據(jù)非常普遍，國外也有一些交通信號事件的數(shù)據(jù)，這些東西給我們提供了一些契機，數(shù)據(jù)視角下的飽和車頭時距這張圖，是根據(jù)數(shù)據(jù)卡警計算的，根據(jù)圖可以做統(tǒng)計上的一種分析。

圖2 數(shù)據(jù)視角下的飽和車頭時距

　　比如說從路網(wǎng)供給表里面，可以獲得選擇不同的時刻，不同的路口，能夠獲得它的反應(yīng)，車面的行為道路的幾何條件，綜合作用下這個地方，這個車道的飽和的車頭時距多少，數(shù)據(jù)驅(qū)動下可以量身訂作。目前做了一些統(tǒng)計，這個基于整個昆山路網(wǎng)一天156個路口不同類型車道的飽和車頭時距的分布。

圖3 數(shù)據(jù)視角下的飽和車頭時距

　　可以看到左轉(zhuǎn)，右轉(zhuǎn)等等這些混合情況下，車流數(shù)據(jù)分布規(guī)律，有的寬一點，有的是細一點，如果仔細比對不同的，尤其是不同類型的道路的情況，可以發(fā)現(xiàn)，飽和車頭時距還是有一定的差別的。圖表中飽和車頭時距平均值好像差別不大，但事實上反饋到實際中，就會發(fā)現(xiàn)差別很大的。在路網(wǎng)供給宏觀這塊，宏觀基本圖的概念，也就是路網(wǎng)的輸出流量的問題，當然MFD從2017年提出來新的理念之后，得到了一定的長足的發(fā)展，可以用在區(qū)域的控制，比如說擁堵收費等等，這些東西其實只是一個手段。在MFD這塊，其實到目前為止，仍然是沒有辦法具體去落地，很多研究人員做了很多的嘗試，比如說把路網(wǎng)怎么樣變成同質(zhì)化，怎么樣抑制路網(wǎng)這種情況下做這個問題。能否在大數(shù)據(jù)的這種情況下，換一種思路。也就是路網(wǎng)的供給，尤其是區(qū)域?qū)用嫔?，如果單個車道通行能力取決于道路的幾何條件，大家在區(qū)域的情況下，這種存在能力能否直接推導(dǎo)出來？還是說跟這個地方、這個區(qū)域的交通需求疊加上去共同作用的一種結(jié)果，這個地方也做了一些嘗試。
　　如果一個非常理想的路網(wǎng)，車道的高速等等這些東西，，把路網(wǎng)的信息它二維化，三維化，能否直接推動它的供給，目前也做了一些嘗試隨機在仿真環(huán)境中的路網(wǎng)“模版”，這個大的路網(wǎng)里面，隨機去抽一些路網(wǎng)構(gòu)成子路網(wǎng)，然后去模擬它的MFD的一些形狀，形狀可能在仿真情況下比較理想化的。從路網(wǎng)供給的一個，剛剛舉了一個例子，比如說車道舉個最典型的就是信號配時的問題，這個可以把原有的固定配時，把所有的利用的情況。我們看這張過車記錄云圖，綠線和綠線里面是原來共有方案，在這個階段里面，黑點是車輛到達的情況，可以把它做出來，我們也設(shè)計了一種分配的方法。這張圖可以直接看出來，上面的這種固有的，一天多時段的配有的方式，下面提出的方法，在原有多時段的情況下做一個平臺級的優(yōu)化?？吹降倪@種情況，到底多長的周期以及各個階段給它多長，這種在物理角度來講，還是屬于平臺級的優(yōu)化。優(yōu)化完了之后，如果保證系統(tǒng)壟斷性，可以提煉成，一天到底多少個時段，每個時段到底多長，這樣去做，增加它的壟斷性。一種信號交叉口綠時再分配方法在昆山、吳江、張家港、常熟、北侖、衢州、萍鄉(xiāng)等國內(nèi)10余個城市正在開展試點和推廣應(yīng)用，其實效果是非常好的，就以萍鄉(xiāng)中心城區(qū)三個交叉口舉了一個例子，通過實施前和實施后的對比，其實這些交叉口相關(guān)的路線上的平均速度是有大的提升。MFD拿實際采集的數(shù)據(jù)做了一些分析，傳統(tǒng)的路網(wǎng)的區(qū)域，基本上尋找同質(zhì)的路網(wǎng)是非常難的，事實上拿登山的實際數(shù)據(jù)做了之后，發(fā)現(xiàn)問題。在這個地方，先初步做了一個探索和應(yīng)用，在區(qū)域路網(wǎng)上，如果脫離原來單點交通狀態(tài)的劃分，暢通，自由流，堵塞這種狀況，在區(qū)域情況下，因為很難尋找到下墜的曲線，在現(xiàn)實的應(yīng)用當中，可以從數(shù)據(jù)驅(qū)動的角度當中，找到路網(wǎng)狀態(tài)的一種拐點，這種對信號控制來講，是非常重要的。做了基于時間序列之類的一種方式的集取，事實上可以找到在路網(wǎng)上存在路網(wǎng)交通狀態(tài)轉(zhuǎn)換點，這些點其實是從平峰到高峰，從高峰到平峰轉(zhuǎn)換的顯著差異。
　　3.路網(wǎng)需求的確定及實踐案例
　　路網(wǎng)需求以前傳統(tǒng)的一些做法，比如說局部的情況，可以根據(jù)車輛跟蹤等等方法去做，受采樣可靠性的影響，受檢測覆蓋范圍影響，存在傳播過程，預(yù)測可靠性較差。用這種車輛軌跡的方法做了一些分析，主要是分析局部擁堵問題。通常來說，信號控制這塊，主要是主動控制等等，包括門限控制，調(diào)整信號的參數(shù)，限制車輛到達的情況，來緩解擁堵。事實情況與路口的交通流和軌跡是非常有關(guān)系的，比如說右轉(zhuǎn)，或者左轉(zhuǎn)是不可調(diào)整的，哪些構(gòu)成要素，哪些可調(diào)整的，事實上需要知道一個路口的交通需求的一種構(gòu)成，在這種地方安了這種軌跡的數(shù)據(jù)。下游關(guān)鍵口的交通構(gòu)成跟上游哪些相關(guān)的，可以實時做監(jiān)測，知道上游幾個關(guān)聯(lián)的交叉口過來的情況，這樣的對信號控制有非常好的作用。
　　從路網(wǎng)層級上，做車輛OD反推，但OD反推困難，先驗OD準確性要求高，仿真模型運算量大，依賴人工經(jīng)驗調(diào)試，準確性低，范圍小、項目級、場景為主，完成周期長。一般的做法是犧牲精細度，采用宏觀或中觀仿真模型。這個可以做到實時反推，還有交通組織反推上面去做，做了很多工程上面的項目。從中發(fā)現(xiàn)一個問題，無論用什么，當路網(wǎng)加大的時候，就碰到困難了，尤其是一百個以上路口的時候，就會發(fā)現(xiàn)仿真最難的并不是建路網(wǎng)模型，最難的是標定參數(shù)，如果一天一個小時，以小時為單位的OD一天又24個OD，一星期標下來就不得了了，當性能反饋回來發(fā)現(xiàn)有偏差的時候，就需要再花時間調(diào)整。從大數(shù)據(jù)的角度來講，可能就會顯示是否有另外一種思路，這是傳統(tǒng)的缺點。也做了基于人工智能OD的路網(wǎng)需求確定，這個其實是抽流OD的方法，用的是一種是學習器。最簡單的是，在這個里面輸出了檢測的數(shù)據(jù)之后，會得到非常復(fù)雜的交通分配，這里面還有交通傳播等等一系列在里面。能不能找到一種方法學習它的規(guī)則。主要從兩個方面開展的，第一個，可以從仿真里面捕捉觀測的這些，也就是檢測的交通參數(shù)和得到的最終OD之間的這種關(guān)系，這是我們第一個嘗試。第二個嘗試，通過軌跡速度，不依賴于路網(wǎng)模型，只需要路網(wǎng)的圖，去推導(dǎo)OD，其實也是可行的。
　　基于深度學習進行在線動態(tài)OD估計其實有一個框架，這個框架其實最核心的部分就是基于神經(jīng)網(wǎng)，也就是機器學習去捕捉剛剛說的兩種情況的關(guān)系，這種關(guān)系應(yīng)用這種遺傳的方法去尋優(yōu)，其實可以脫離原來仿真的軟件，當然這個地方做了一些現(xiàn)實的，這里面最難的是鮮艷OD，它要有基本的模板，可以通過號牌、識別去做的，在車輛OD圖上，在非常龐大的一個路網(wǎng)上面做鮮艷OD，可以知道各個節(jié)點上有多少車輛出去，多少車輛進來，不需要用路網(wǎng)模型。同時也做了一個實際的路網(wǎng)的一個情況，其實基于神經(jīng)網(wǎng)絡(luò)這種機器學習的方法，性能上面有兩個方面，第一個，它的精度可以快速提升，提升是非常大的。第二個就是它的耗時，運算都需要兩三百秒，如果路網(wǎng)加大了以后，時間是指數(shù)級的上升，這種方法其實很快就可以做出來。
　　4.城市路網(wǎng)供需研究的思考
　　第一，交通大數(shù)據(jù)與交通流理論結(jié)合
　　新形勢下城市路網(wǎng)供需研究，交通大數(shù)據(jù)包括高解析度的數(shù)據(jù)—個體車輛，時空連續(xù)的數(shù)據(jù)—軌跡跟蹤，立體維度的數(shù)據(jù)—人-車-路-環(huán)境。交通大數(shù)據(jù)為深入認識交通規(guī)律創(chuàng)造了機遇，為交通流理論的進一步發(fā)展提供了基礎(chǔ)。
　　第二，動態(tài)供需網(wǎng)絡(luò)理論與交通運營管理結(jié)合
　　支持交通運營的方法應(yīng)滿足準確性、實時性、可靠性?，F(xiàn)有以擁堵狀態(tài)衡量為主：供給 + 需求共同作用的結(jié)果，難以揭示供需矛盾的內(nèi)因。客觀供給 + 需求傳播 + 擁堵狀態(tài)：供給、需求的分離，揭示擁堵產(chǎn)生的內(nèi)因。
　　第三，人工智能與供需管控結(jié)合
　　在交通理論這基石，建立評價指標體系，實現(xiàn)人工智能與交通仿真技術(shù)結(jié)合，通過仿真積累知識，最后將人工智能應(yīng)用于現(xiàn)實世界。 

        友情鏈接：www.51carfi.com