首頁 > 專家觀點 > 正文
張福生:交通大數據與實時自適應控制
2019-08-26 來源:城市道路交通精細管理資源共享平臺

  ?交通數據特性分析交通大數據在交通控制中的應用目標有三個。

  第一,全面感知交通需求;

  第二,實時響應交通需求;

  第三,以數據驅動交通控制。

  交通感知數據包括:車流數據、客流數據、物流數據、道路施工數據、交通氣象、交通環境及城市活動、緊急事件等多各方面,這些數據變化都需要交通控制系統做出及時響應。

  分析交通數據,要從多個角度看待交通感知的特性。

  首先從數據產生的時空角度來看,感知空間上,分為斷面檢測、區域檢測和全域檢測;感知時間上,交通檢測分為短時檢測和連續檢測。

  從數據精度、采樣率上,既有全樣本檢測、也有抽樣的數據,比如來自互聯網的軌跡數據通常只要5%到10%左右的樣本量,而定點檢測設備輸出的基本是全樣本的數據。從檢測精度來看,既要看到統計上的準確性,也要關注數據的實時性,要根據控制場景需求對數據的準確、實時進行分析。

  從數據獲取方式上,傳統的檢測方式多為單向傳感式檢測,通過存在型檢測或通過型檢測來獲取交通數據。隨著車路協同技術的發展,以通信交互為主的數據獲取方式可以獲得更加多維的交通數據。

  不同的數據屬性對控制方法、控制理論的研究以及對控制系統的研發都會帶來巨大的影響。

  從數據屬性維度看,傳統數據通常關注的是流量、速度、占有率等,多維數據可以描述個體的身份ID、實時的坐標位置、路徑選擇信息、OD關系等等。

  此外,從交通供給需求角度,不僅要知道車,可能還要知道道路通行能力、路網結構和它當前的服務水平,包括交通與環境數據、緊急事件、城市活動、道路工程等。

  所有的數據結合才真正是交通大數據,而不僅僅是來自互聯網的數據。

  ?控制系統分類分級

  有了數據之后,交通控制系統在利用數據進行控制優化時,也同樣有很多問題值得思考,不同的控制方法,會產生完全不同的控制效果。

  

  我們從兩個角度來分析這個問題:優化時間粒度、優化運行方式。我們談到控制優化,往往會直接聯想到用數據做配時優化,方法有兩種。

  第一種是方案級優化。利用統計數據生成配時方案,或者在備選的方案當中選擇相對優秀的方案,我將這種優化定義為方案級優化。

  第二種是實時優化。交通感知數據實時(秒級)上傳,系統實時對控制進行優化和調整并立即執行。

  優化的方案生成之后,它的運行方式有三種。

  第一種是下端運行。將方案形成,并且通過網絡協議將方案下載到前端控制設備中,然后進行方案切換運行。

  第二種是中心運行。實時優化,實時運行。

  第三種是分級運行,中心運行與下端運行結合。

  從運行模式上看,如果一個完全不同的方案替換現有方案,控制器通常需要方案過渡,這個過渡過程通常會對交通現狀造成極大擾動。

  實時優化系統是不斷的在秒級水平上實時微調方案,并及時運行,可以避免方案過渡造成擾動,能夠實現平滑運行。

  方案在中心運行和下端運行進行有效結合,中心實時響應交通數據并做宏觀優化,下端針對現場需求做微觀修正。

  大數據應用于交通控制,一定要以交通控制系統為基礎,不同的優化運行方式,對數據有不同的需求,實現不同控制效果,所以我嘗試著對現有的控制系統進行分級。

  我將這個評價從L0到L3進行分級。

  

  L0是單點運行,能夠保障基本的交通安全,按照時間表運行或進行基本的感應控制。

  L1指信號控制機首先是聯網的,在中心能夠對信號運行狀態進行監控,具有聯網的統一授時,能夠進行遠程配時,遠程人工干預。

  L2系統是在L1的基礎上,具有交通檢測能力,能夠進行中心狀態監控、統一授時、遠程配時、遠程干預。系統能夠進行方案級的優化、執行能力,比如分時段的方案生成、自動方案選擇等功能。

  L3級系統在具備L2級系統的基礎上,具備實時的交通感知能力,能夠實時響應交通流變化,實時進行方案優化并實時執行優化決策。

  目前,我們看到的現狀是:絕大多數信號控制系統是L1級別,部分城市建設的是L2、L3系統,但是由于運行維護的原因,實際運行在L1水平,能夠運行在L2、L3水平的系統很少。

  ?交通數據與交通控制

  隨著交通感知技術的發展,地磁、視頻、微波雷達等傳感技術為交通控制帶來了豐富的數據源,互聯網軌跡數據以及未來的車路協同技術會帶來更加豐富的數據源,如何適應不同的交通控制需求,挖掘數據潛力是一個重要的研究方向?

  

  應用于交通控制的數據包括:傳統的交通檢測數據有全樣本量,多是基于斷面檢測(如線圈、地磁、傳統視頻虛擬線圈),或者小區域檢測(如廣域雷達、基于人工智能的視頻分析等);最近幾年出現的來自互聯網的軌跡數據;以及來自第三方的事件數據、影響交通的環境數據、氣象數據、城市活動數據等。

  這些數據應用于不同的控制場景,各具特點,我試圖給這些數據在不同控制方面的應用效果打分,比如傳統數據可以用來優化周期、綠信比、相位差,可以做感應控制請求、擴展、方案優化,或者是實時優化等;軌跡數據可以應用于控制評價、交通事件發現等。

  也有一些我還沒有考慮周全的,比如軌跡數據是否能夠應用到感應控制上,事件數據是否能用來影響周期的相位差等,這里面有很多需要進一步研究的話題。

  ?案例

  

  (如上圖)這是SCOOT系統界面以及SCOOT系統優化的基本原理。SCOOT基本排隊模型,上游的檢測形成排隊,以及到路口的飽和通行能力,通過對排隊模型和消散能力的運算或者周期、綠信比等參數來優化路口。這樣的模型需要的是上游實時準確的存在檢測,并輸出精準的檢測脈沖,因此對檢測器的類型、檢測域特性有嚴格的要求。

  

  上圖是實際應用效果的界面,這個路口由兩相位組成,可以看到實時自適應的系統控制效果,周期與每個信號階段的時長都在實時變化,這些變化的依據就是來自現場的實時交通感知數據。

  最后總結一下,大數據應用于交通控制,首先要有可以響應大數據的基礎控制環境,實時自適應系統就是承載大數據應用的基礎平臺。

  北方工業大學 張福生

Copyright © 2007-2022 cnbridge.cn All Rights Reserved
服務熱線:010-64708566 法律顧問:北京君致律師所 陳棟強
ICP經營許可證100299號 京ICP備10020099號  京公網安備 11010802020311號
3d试机号383历史记录