首页 > 专家观点 > 正文
张福生:交通大数据与实时自适应控制
2019-08-26 来源:城市道路交通精细管理资源共享平台

  ❖交通数据特性分析交通大数据在交通控制中的应用目标有三个。

  第一,全面感知交通需求;

  第二,实时响应交通需求;

  第三,以数据驱动交通控制。

  交通感知数据包括:车流数据、客流数据、物流数据、道路施工数据、交通气象、交通环境及城市活动、紧急事件等多各方面,这些数据变化都需要交通控制系统做出及时响应。

  分析交通数据,要从多个角度看待交通感知的特性。

  首先从数据产生的时空角度来看,感知空间上,分为断面检测、区域检测和全域检测;感知时间上,交通检测分为短时检测和连续检测。

  从数据精度、采样率上,既有全样本检测、也有抽样的数据,比如来自互联网的轨迹数据通常只要5%到10%左右的样本量,而定点检测设备输出的基本是全样本的数据。从检测精度来看,既要看到统计上的准确性,也要关注数据的实时性,要根据控制场景需求对数据的准确、实时进行分析。

  从数据获取方式上,传统的检测方式多为单向传感式检测,通过存在型检测或通过型检测来获取交通数据。随着车路协同技术的发展,以通信交互为主的数据获取方式可以获得更加多维的交通数据。

  不同的数据属性对控制方法、控制理论的研究以及对控制系统的研发都会带来巨大的影响。

  从数据属性维度看,传统数据通常关注的是流量、速度、占有率等,多维数据可以描述个体的身份ID、实时的坐标位置、路径选择信息、OD关系等等。

  此外,从交通供给需求角度,不仅要知道车,可能还要知道道路通行能力、路网结构和它当前的服务水平,包括交通与环境数据、紧急事件、城市活动、道路工程等。

  所有的数据结合才真正是交通大数据,而不仅仅是来自互联网的数据。

  ❖控制系统分类分级

  有了数据之后,交通控制系统在利用数据进行控制优化时,也同样有很多问题值得思考,不同的控制方法,会产生完全不同的控制效果。

  

  我们从两个角度来分析这个问题:优化时间粒度、优化运行方式。我们谈到控制优化,往往会直接联想到用数据做配时优化,方法有两种。

  第一种是方案级优化。利用统计数据生成配时方案,或者在备选的方案当中选择相对优秀的方案,我将这种优化定义为方案级优化。

  第二种是实时优化。交通感知数据实时(秒级)上传,系统实时对控制进行优化和调整并立即执行。

  优化的方案生成之后,它的运行方式有三种。

  第一种是下端运行。将方案形成,并且通过网络协议将方案下载到前端控制设备中,然后进行方案切换运行。

  第二种是中心运行。实时优化,实时运行。

  第三种是分级运行,中心运行与下端运行结合。

  从运行模式上看,如果一个完全不同的方案替换现有方案,控制器通常需要方案过渡,这个过渡过程通常会对交通现状造成极大扰动。

  实时优化系统是不断的在秒级水平上实时微调方案,并及时运行,可以避免方案过渡造成扰动,能够实现平滑运行。

  方案在中心运行和下端运行进行有效结合,中心实时响应交通数据并做宏观优化,下端针对现场需求做微观修正。

  大数据应用于交通控制,一定要以交通控制系统为基础,不同的优化运行方式,对数据有不同的需求,实现不同控制效果,所以我尝试着对现有的控制系统进行分级。

  我将这个评价从L0到L3进行分级。

  

  L0是单点运行,能够保障基本的交通安全,按照时间表运行或进行基本的感应控制。

  L1指信号控制机首先是联网的,在中心能够对信号运行状态进行监控,具有联网的统一授时,能够进行远程配时,远程人工干预。

  L2系统是在L1的基础上,具有交通检测能力,能够进行中心状态监控、统一授时、远程配时、远程干预。系统能够进行方案级的优化、执行能力,比如分时段的方案生成、自动方案选择等功能。

  L3级系统在具备L2级系统的基础上,具备实时的交通感知能力,能够实时响应交通流变化,实时进行方案优化并实时执行优化决策。

  目前,我们看到的现状是:绝大多数信号控制系统是L1级别,部分城市建设的是L2、L3系统,但是由于运行维护的原因,实际运行在L1水平,能够运行在L2、L3水平的系统很少。

  ❖交通数据与交通控制

  随着交通感知技术的发展,地磁、视频、微波雷达等传感技术为交通控制带来了丰富的数据源,互联网轨迹数据以及未来的车路协同技术会带来更加丰富的数据源,如何适应不同的交通控制需求,挖掘数据潜力是一个重要的研究方向?

  

  应用于交通控制的数据包括:传统的交通检测数据有全样本量,多是基于断面检测(如线圈、地磁、传统视频虚拟线圈),或者小区域检测(如广域雷达、基于人工智能的视频分析等);最近几年出现的来自互联网的轨迹数据;以及来自第三方的事件数据、影响交通的环境数据、气象数据、城市活动数据等。

  这些数据应用于不同的控制场景,各具特点,我试图给这些数据在不同控制方面的应用效果打分,比如传统数据可以用来优化周期、绿信比、相位差,可以做感应控制请求、扩展、方案优化,或者是实时优化等;轨迹数据可以应用于控制评价、交通事件发现等。

  也有一些我还没有考虑周全的,比如轨迹数据是否能够应用到感应控制上,事件数据是否能用来影响周期的相位差等,这里面有很多需要进一步研究的话题。

  ❖案例

  

  (如上图)这是SCOOT系统界面以及SCOOT系统优化的基本原理。SCOOT基本排队模型,上游的检测形成排队,以及到路口的饱和通行能力,通过对排队模型和消散能力的运算或者周期、绿信比等参数来优化路口。这样的模型需要的是上游实时准确的存在检测,并输出精准的检测脉冲,因此对检测器的类型、检测域特性有严格的要求。

  

  上图是实际应用效果的界面,这个路口由两相位组成,可以看到实时自适应的系统控制效果,周期与每个信号阶段的时长都在实时变化,这些变化的依据就是来自现场的实时交通感知数据。

  最后总结一下,大数据应用于交通控制,首先要有可以响应大数据的基础控制环境,实时自适应系统就是承载大数据应用的基础平台。

  北方工业大学 张福生

Copyright © 2007-2022 cnbridge.cn All Rights Reserved
服务热线:010-64708566 法律顾问:北京君致律师所 陈栋强
ICP经营许可证100299号 京ICP备10020099号  京公网安备 11010802020311号