能力、需求与状态—交通系统控制与优化的基础
来源：第十六届中国智能交通年会（ITSAC 2021）暨2021中国智能交通大会
余志 教授
中山大学智能工程学院教授、博士生导师
信号控制问题其实是我最不敢讲的主题，原因有三。第一，在交通领域，我最不懂的就是信号控制。讲大数据、图像视频处理、AI，我的底气都更足些；第二，我认为信号控制是最难的；第三，现在谁都可以谈信号控制，而且公说公有理，婆说婆有理，所以是一个很难讲的主题。
交通系统优化与控制的基础，其实就是讲能力、需求和状态。我斗胆用基础交通理论的视角来看，怎么解决交通问题？
我将分享四个方面的内容。第一，掌握供给与需求，是求解交通问题的基础，我将从传统交通理论说起。第二，如何掌握需求和控制？我认为，认知每一辆车的每次出行，是掌握需求和控制的基础。第三，和大家分享，这两年我们从宣城到上海的应用情况，归纳为全量认知、广域赋能。第四，我也总结了一个新模式，和大家分享讨论。
掌握供给与需求，求解交通问题的基础：
从传统交通理论说起
2017年在无锡年会，我第一次分享的题目是“浅议交通信号控制的三要素——数据、目标和算法”。我当时得出一个结论就是，根据实际可采集的数据情况，来决定控制目标，由目标生成成熟的算法。目前我没有看到谁有很厉害的算法，只有在有数据条件的情况才能支持。
也就是说，要做好控制必须有完备的数据、合理的目标、成熟的算法。我没有看见谁有很牛逼的算法，只有满足数据条件才能支持。
图1 - 2017中国智能交通年会演讲主题
在这个基础上，我再来讲清楚为什么数据决定目标和算法？这取决于我们对需求和能力的认知，以及它们之间的状态关系，是解答交通问题的三要素。
路网结构和信号控制决定通行能力，OD和路径决定通行需求。其中路径不是由系统选择的，是由驾驶员决定的。所以驾驶员决定的需求，然后直接导致交通状态。
好多年前无锡所让我写一个短篇，当时我提到交通的“四态”，也就是不拥不堵、拥而不堵、因拥致堵、不拥而堵。但有时候很多人连“四态”都没有搞清楚，是有原因的。
图2 - 交通系统优化与控制的三大要素及其关系
搞清楚“四态”的前提是，要在时空维度了解能力、需求，才能推导状态。
从空间来看，就是宏观、中观、微观，包括路口、路段、区域和停车场四大要素，从时间来看，历史、现在和未来，包括短期、中期和长期。
从这张图也可以看出来，A状态是不拥不堵，也就是流量较小，速度较高；B状态是拥而不堵，也就是流量较大，速度中高，这是交通控制最好的状态；C状态是因拥致堵，也就是流量较大，速度较低；最糟糕的是D状态，流量较小，速度又低。
出现D状态一般是两种情况。一种是本身需求很小，但堵住了，多是因为事故导致的；还有一种情况就是交通是典型的非线性特征，也就是抛物线。我们对非线性这个词一定要敬畏，凡非线性意味着我们没办法求解，导致当需求增加，流量没法再增加甚至下降，这是交通难题的本质，我们不要挑战这个事情。
图3 拥堵四态
交通系统和其他系统不同，有些系统需求不断增加，但流量和供给都可以保持稳定。比如电信系统，光纤可以按照通信的最大需求去提供。但是道路不能无限度扩建，这是最难的。
但是要解决交通问题，就必须知道流量、需求和状态的关系。比如最简单的例子，信号控制的点控。我好多年前做信号控制，我就去研究这一个点的控制规模。目前我们用的最多的，就是分时段周期控制。分时段周期控制背后的基础是什么？是日复一日，流量和需求都是重复的，并且是同等的，意思就是今天早上8点和明天早上8点的需求是一样的，所以我们用同样一个周期。到12点是另外一个需求，我们再改变一个周期，这是分时段控制的基础，基于需求和能力的调配来决定的。交通给了我们这样的财富，节假日、休息日、非休息日有非常高的重复需求和状态，基于此，才能周期控制。
图4 - 点控方式
第二个是感应式控制，是现在行业谈的最多的方式。简单说，就是车来了，就让你走。其实它是基于对需求的认知，在2秒或5秒内有一辆车要来？或者有几辆车要来？当我们知道这个需求，可以在合理的相位中，在合理的时间里延长3-5秒，让车通过。无论是线圈、视频监控还是用雷达，甚至是最传统的警察来引导，都是先对需求进行认知，才能对能力进行掌控。
图5 - 感应式控制
第三个是自适应控制。自适应控制就是以周期为范围来动态调整，当车来的时候，根据数量需求，来调配能力，实现动态控制路线。
图6 - 自适应控制
需求、能力和状态三者关系是传统理论的基础，不是新事物，但没有被真正掌握。传统的这些方法，为什么好用？是因为传统的检测，包括统计意义上的评估，都能迎合或符合需求的认知。因为有了认知，我们才能根据需求来调控状态。
现在行业很多人都说自己有很厉害的区域信号控制，但实际上没有人做，因为这是一个不可解的问题。特别是以线圈流量为感知能力的，没有办法求解一个区域信号多交叉口区域范围的信号组织能力问题，找不到它的最优匹配的最小解，数学上不可解。我想说的是，我们不要挑战数学和挑战物理。我认为要解决交通问题，需要清楚个体需求OD和路径，归根结底是要掌握过去、现在、未来每一辆车的每一次出行。
图7 - 面控方式
这是我讲了很多年的例子，从图中的O到D，有四条路径，在每一条路上放一个流量传感器，检测率就是100%，但是没有办法通过这四个检测，来判断从O到D是走了哪条路径？这是著名的四路径问题，在这个方程里，要四个约束才能完成求解。传统的交通人也很聪明，就天天假设各种概率和分配模式，然后找出所谓的解，这都是没有用的。但如果我们是检测车牌或者身份，同样这四条路，我们只要装两个传感器，就能完全清楚是走了哪一条路径，知道路径才能求解。而且只有当我们大量掌握80%、90%路径的情况下，我们才有可能求解区域控制问题。
图8 - “四路径”问题
总的来说，我认为所有信号控制优化的基础是掌握需求和能力。能力比较好掌握，路网就在那里，信号也是可控的，那么主要就是解决如何认知需求。只有我们真正掌握了过去、现在和未来的需求，我们才有可能求解交通问题。如果是完全自动驾驶，那么需求就是完成清楚的，交通问题也是可解的，这是由数学决定的，那么交通效率一定有很大提高。
图9 - 准确需求的条件
交通信息物理系统：
认知每一辆车的每一次出行
于是，我重新定义交通认知的基础是掌握每一辆车的每一次出行。本着这样的理念，我在过去5年做了一个尝试，就是把要计算的任何一个城市封闭起来。第一是确定城市所有的边界道路和市域边界，在城市交通信号控制系统或指挥系统中圈起来，比如上海就有130条边界道路。
图10 - 封闭的城市可计算空间
第二是把每一条道路的标志标线变成可计算的，把通行逻辑放在计算机里面。不同于电子底图，在系统中的可计算路网是讲数学逻辑的，例如实线不能变道，虚线可以变道；也不同于GIS，GIS只有空间管理坐标，没有交通行为关联矩阵。但我们这个系统有两个矩阵，一个是空间坐标矩阵，一个是交通行为矩阵，这样才能计算，比较接近现实的仿真系统。
图11 - 计算单元
那么，第三个问题又来了。驻停的车辆怎么算？我们不可能把所有停车场都接进来，也没有所有停车场的数据。在道路清楚、边界清楚后，我定义了虚拟停车场，凡是边界围成的地方就是停车场，这个计算是有误差的，因为车辆进了虚拟停车场也可能在开车。但在系统里是驻停的，这也没关系。我构建了一个封闭的计算空间，这样一来每一辆车在这个封闭空间里只有三种状态，要么离开了这个城市，要么是在城市道路行驶，或者是在任何的虚拟停车场停着。这行驶的每一辆车必须具体到你是谁？你在哪里？你在干什么？我是一辆一辆的算，先不算算不算得准？算不算得准和理论无关，跟数据有关系。
图12 - 虚拟停车场
总的来说，就是在以可计算路网、城市边界出入口、虚拟停车上构成的封闭计算空间中，个体化认知每一辆车的行驶和进停等动静态体征，然后在数字孪生环境下，掌握每一条路口、路段、停车场、区域的宏微观交通状态，由此形成人、车、路高度协同的一体化道路交通管理新模式。
图13 - IDPS系统架构
2017年我到宣城做交通。很多朋友给我留了一句话说，余老师你找到一个桃花源，小宣城可以，但大城市不行。2019年我来到上海，现在还有朋友问我，余老师，你做了几条道路？我干的这么一件事，不是几条道路，是整个上海市共1.9万公里，一条不落。从2019年到上海，我心里早就知道，这个理论城市规模越大越好用。
我不是为上海人做广告，但我确实很感谢他们，他们挺伟大的，愿意顶住压力，让我做风险这么大的尝试，我也推荐大家去上海看看系统。
在宣城，我们用日均220万条数据掌握了日均8万辆车的28万次出行。基于可计算系统，现在我们在上海用日均6亿多条数据认知了日均445万辆车的1440万次出行。
图14 - 从理论到实践：从宣城到上海
在这个基础上，我们就能够做到“完备感知、全量认知、广域赋能”的新模式。我们用了这么多的数据，同时也揭露了实体停车场的数据。在系统的虚拟停车场可能包括若干个实体停车场，接入多少个实体停车场，就补充进系统，也是天然吻合的。
图15 - 上海全量轨迹数据
由此，我就提出了四个“一体化”，分别是动静态一体化，因为每辆车它的动态和静态是相互转换的，从动态到静态，从静态到动态；宏微观一体化，宏观从微观来，每个个体的直接相加等于宏观，不是统计也不是抽样；规划设计建设管理一体化，现在上海就是这种模式，我们从制定政策、制定规划到管理，都能够用一套数据；出行者、管理者、行业者一体化，我们正在努力实施。从管理上，要解决所有问题都是一个链条，包括潜在对象、活动对象和重点对象。像是上海的渣土车，原本是最难管的，现在从“原来的抓了多少辆”变成了“抓剩多少辆”。然后技术链条，是包括发现、整顿、治理和评估。
图16 - 四个一体化
这是上海最拥堵的道路之一，延安高架的其中一段。这段路总共有19个上下闸道口，现在高峰期肯定是非常堵的。怎么来分析和解决这个堵？我们就一辆辆数，进闸道的车辆数加上动态在路上行驶的车辆数，减去出闸道的车辆数，来统计在网车辆数，也就是这条路有多少车同时在开。
图17 - 上海延安高架的拥堵分析
研究发现，这条路的承载力就是1880辆。当这段路超过1880辆，它的效率就会下降。在路上的车越多，速度就越慢，可见蓝色这条线。那么我们就清楚了，只要控制这条路不超过1880辆车，就能实现平衡，可见蓝色虚线，就能把行驶速度维持在40公里左右。当掌握道路的需求和能力，就能实现控制。大家都知道闸道控制要一体化解决，不能把上游控制了，下游却堵住了。现在我们把它算清楚了，只要控制10%的常态化出行，就能把效率提高20%。
图18 - 上海延安高架的调控效果
另外一个交通难题是“溢出”。在上海，我们通过系统对路网自动扫描，发现潜在的短路口可能存在溢出风险的有1022处，已出现“溢出”的有376处，严重“溢出”的有26处，近一个月时间我们治理的有6处。
在仙霞路有5个短路段，早高峰需求是每个周期不断增加的，当车辆增多到进入道路的车辆大过离开道路的车辆时，路上就会有淤积。这种淤积就会导致排队长度超出道路长度，出现“溢出”。
图19 - “溢出”路段的控制优化
经过测算，如图示，这4个路口的第一段路是375米，最多容纳72辆车；第二段路是220米，最多容纳48辆车；第三段路是240米，最多容纳65辆车。当早上的车越来越多，首先被突破的就是最前面的240米，因为在现有信号控制的条件下，它实际排队是70辆车，超出道路能容纳的65辆车，一超过就溢出了，一溢出整个路网都乱了。
图20 - “溢出”路段的诊断成因
当摸清这一路段的交通需求和容量，只需要调几秒参数，在前一个路口截留六七秒。我们首先保证仙霞路出口流量不变，不影响下游路段的通行。同时确保这一段路不堵死，确保流量和240米的车辆容纳数量一致，通行时间最少。这一路段的解决效果就是后面两个路段排队稍微多一点，但又不超出路段车辆容纳数量，让前面路段排队少些，这个溢出就解除了。
图21 - “溢出”路段的优化方案
图22 - “溢出”路段的优化效果
我相信很多人有很多办法可以解决单点溢出的问题，但是我们通过一辆一辆数车的方式数清楚了，解决连续几个路段的溢出问题，感受还是不一样的。
这是无人机拍的一个视频截图。可以看到，之前解决溢出最有效的办法还是人力。上海大概有1万多个协管员，哪里排队拖尾巴了，就来拦车。如果没有他，交通早瘫痪了，所以最大的智能交通是协管员。
图23 - 无人机画面
当我们把系统建完后，可以看到，当走到路段末端快要溢出时，系统就自然把它拦住了。这就是平衡计算的结果，所以说结构性溢出是可以通过结构性计算来解决的。所谓的结构性溢出，就是当每一个信号周期达到最大通行能力时，必然发生溢出，高峰时段更加突出。当我们认知了路面的交通需求和状态，就可以更加精准调控。
图24 - “溢出”路段控制优化效果
另外，我们在宣城做的“家警校”，也是解决“需求、能力和状态”的问题。经过系统分析，在中小学门口，接小孩的私家车有262辆，每天放学期间大概有70多辆同时到校，能够停车的位置47个。于是我们给家长发通知分批到校，由过去要人力维持变成短信就能解决这个问题。
图25 - 宣城“家警校”优化分析
图26 - 宣城“家警校”优化效果
第一，给大家留一道数学题。在给定的路网范围内，已知全量的OD和路径，以及每个信号路口的相位和相序，求解路口的最佳周期、绿信比和相位差，使得所有车辆的总旅行时间最短，我希望行业里的人能解解这个数学题。
图27 - 交通数学题
第二，避免把多个因果关系混为一谈。组织渠化、信号控制、驾驶人、行人因素、安全教育，是不同维度。在上海，有人问我，你能解决行人问题吗？我说不能解决。我反问他，你能解决吗？他说也不能解决。治病有诊断、手术、护理、心理等，要把边界搞清楚。
图28 - 明确问题的边界和范围
第三，求解能力、需求、状态三者关系，是解决交通问题的基础。我们系统先前叫“交通大脑”，现在叫“信息物理系统”，我最喜欢的名字是“全域全量全时动静一体数车器”，最关键是把车数清楚了，掌握每一辆车的每一次出行和驻停，包括过去、现在和未来。
图29 - 解决交通问题的基础
在变革过程中推进智慧交通建设
建立不断优化用户出行体验的公路网服务公众满意度评价体系