【城市智能交通创新发展】以交通模型为基础的城市智能交通系统---姜靖

霹图卫软件科技（上海）有限公司（PTV）中国区总经理 姜靖

　　研究城市交通系统往往是围绕四个方面展开，需求、基础设施、交通工具或者说出行方式，以及ITS。核心的问题是解决人的问题，交通的复杂性和困难的地方是在跟人打交道。人的社会经济特性对每一个交通环境都会产生影响，出了这些问题可以在同一个平台进行就是交通模型。现在的交通模型不仅是传统意义上的四阶段法或者是微观仿真，同时也是实时交通管理系统和智慧出行系统的计算核心。
　　这里就不针对需求和基础设施展开讨论，而是简要的谈谈交通模型在智能交通系统方面的应用。
　　共享汽车和共享出行现在是全球业界讨论的话题，包括国际交通论坛，国际交通论坛ITF是政府间的国际组织，它是有59个成员国，中国是成员国之一。ITF是全球唯一一个涵盖全出行模式的国际组织，PTV是ITF企业合作董事会成员之一。
　　ITF开展了一项在里斯本关于共享出行的研究，首先做了这样的假定，我们保留大运力的公交系统，其他所有的出行都是以共享出行的方式完成。最后的结果非常令人震惊，只需要5%的车辆就能满足同数量的交通出行。在这样的情况下，城市将不再为交通拥堵、停车、城市的空间问题而头痛。这是一个极致的情况，个人认为可以朝着这个方向去努力，慢慢向这个方向去过渡。
　　PTV为MASS智慧出行打造了MASS加速计划，MASS MODULE是针对运营规划，为运营商提供决策支持，包括共享出行服务的车型，每种车型所需要的数量，服务水平比如乘客的等待时间，车辆的绕行力等等。如果已经有模型可以加MASS MODULE的模块，这样就可以将MASS和所有的出行方式进行整合的分析，这样就可以分析他们之间相互的影响。政府也可以在同样的平台上，针对新的出行方式、新的出行工具，而展开的对于基础设施改造研判的工作。
　　在明年底我们将推出PTV OPTMA，为运营商提供以模型为基础的派车及运营服务，这是MASS MODELLER的案例。这个共享出行服务区域大概是50平方公里，出行的需求通过网络来搜集一共有1378个上下乘客点，预约时间是1分钟，最大的等待时间是15分钟，最大绕行率是50%。在这个案例分析里面，我们选择的是六座车，在把所有的需求导入模型之后，图1是模型里面需求的空间分布，图2是需求的时间分布，我们可以看到在晚上7点的时候有最高的出行需求。

图1. 模型空间分布

图2. 每小时交通需求数

　　这是模型的结果，这里我们对两种方案做了一个比较，一种是车的数量是100辆车，另外一种方案是257辆车。我们可以看到257辆车可以满足所有的服务，出行的需求，100辆能满足75%的需求。在这个时候决策者做一个决定，我是否愿意多出157的投资来满足25%的需求。

表1. 模型结果

图3. 模型结果

　　在这个图表上面我们可以看到横坐标是车的数量，纵坐标是满足需求的百分比，在150辆车的时候可以满足90%出行的需求。下面这张图横坐标是在车里面平均乘客的数字，纵坐标是百分比。我们可以看到90%的情况下，车里面乘客的数字是4个人。我们刚才假设的条件是6座车，在这里决策者或者运营商是否可以做这样的决定，我们不需要六座车，四座车就能满足我运营的需求。
　　MASS CONTROLLER是帮助城市将车、人、基础设施、控制系统紧密的结合，进行全局的需求分析、系统优化、实时控制，图4列出了一个智能城市交通系统需要的组件。在实时控制方面PTV OPTMA可以帮助决策者对全路网当下和接下来发生的交通状态进行分析、评定，并预先设定解决方案，比如交通诱导或红绿灯的配时方案。

图4. 实时的城市运营系统组件

　　OPTMA是模型应用的延伸，通过实时数据将离线模型转化成实时模型，它同时是数据放大器，可以弥补数据采集的缺口，也就是不需要在全路网部所有路口采集的设备，只需要部分实时数据的输入。在模型的基础上，可以生成全网交通的流量，它同时也是数据中心，它包括需求数据、实时采集的数据、大数据、信号灯数据、公交数据等等，它更是一个决策支持的平台，可以帮助我们实现自动化的智能交通控制系统。
　　这里对交通管理目标采用不同的方法做了一个比较，对于检测数据的方法，它在数据很大的情况下可以对交通现状进行评价，但不能做交通预测，也不能做方案比较和优化。由于数据量很大，可以做交通现状的评价，但它对交通预测只限于常态的交通，对于易常的交通无法预测。因为机器学习学习不了还没有发生过的事情，因为它不是在模型的平台上，所以不可以做多方的比较和决策的支持。交通模型既可以做现状的评价也可以做交通预测，也可以做方案遴选和决策的支持。
　　需要强调的是对交通状况的研判不能只考虑速度，而是要同时考虑速度加上流量。在交通方向它可以整合不同的数据源，为用户提供只需唯一的平台来展示全路网的交通状况，可以根据实时数据和交通模型来做交通的评定、月侧。同时根据设定的KPI，在这个模型里面有很多的参数，不管是时间延误、排队的长度、速度、密度等等你可以自己去选择。设定KPI来做不同方案比较，最后系统会帮助你来选择最优的解决方案。
　　这是我们希望的结果减轻交通拥堵，减少尾气排放，减少时间延误和交通事故。在优化方面，在现有基础设施基础上我们对它进行优化。图5所示为OPTMA功能系统的结构图，它分离线和在线的两个部分。离线部分是一个模型，而是以动态交通模型，包括路网的数据、OD数据还有路径选择的数据，还有交通策略。在这个基础上模型可以对我交通网络进行基础的评价，在这个离线模型里面还包括公共交通网络还有时刻表的信息，作为公交的实时在线控制基础。

图5. 组件式功能系统结构图

　　在线的部分通过多元的数据以及实时路径的数据可以生成路段的速度，再加上断面的流量，在我们模型里面可以生成综合交通的状态，同时路网中发生交通事故，道路的施工等等交通的实践也可以导入到模型里面来。这些事件也对我的交通状态进行影响，我的模型是在在线的环境里面，不断地对交通的状态进行在线仿真。
　　在这样的基础之上，系统对交通状态现状进行评价并且可以做短期和中期的预测。系统有一个报警的模块，也可以将信息发布到信息显示牌，可以发送到网页，可以预测巴士到站的信息。里面有一模块可以做多出行形成计划，同时也可以与第三方的平台来做一个对接。还有一个很强大的功能，我们在同样一个模型上面能生成PTV可以和这个系统对接，就可以做自适应红绿灯配时方案。
　　维也纳连续8年被评为生活品质最高的城市，PTV OPTMA是维也纳智能交通系统的核心软件。这是第三方做出效果的评价，它可以节省实践50%，减少颗粒污染60%，减少二氧化碳排放量15%。
　　下面介绍一下OPTMA不同模块的用户界面，图6为短期交通预测的界面，我们可以看到在红色的地方发生了一起交通事故，每5分钟有一个全路网交通模型的更新，并可以看道不同的时间节点上排队增加和消散的过程。而且系统可以自动地检测到事故并且发出报警，用户可以自定义发出报警的门槛值，比如速度、流量密度和排队长度等等，并且和可以第三方系统进行对接。

图6. 短期交通预测界面

图7. 监测和控制界面

图8. 实时方案评定

　　在系统里可以预先设定好的，针对发生不同的交通状况，采取不同交通管理的措施。交通管理者可以在菜单里选择不同的措施，并生成不同的解决方案来近来比较。在这里可以设定不同的KPI，在这里有三个不同的方案，可以在同一个界面上选择一个最优化的方案（如图8）。
　　每天在短时间内我们的交通网络可以发生非常多的交通事件，怎样管理信息的发布，也是信息管理者需要重视的问题。OPTMA可以帮助交通管理者对不同的交通事件，对交通影响的程度进行排序，将最紧急、最重要的信息发表出去。同时，模型有每一条道路在当下和未来的流量速度，也就是说我们可以对每一条道路的交通状况进行预警。
　　同时OPTMA可以预测巴士到站的时间（如图9），并将公共交通和私人汽车交通的相互影响，在同样的界面上显示。在这里可以看到一辆巴士被困在车流里排队的情况，同时我们可以看到排队的长度和延误的时间。可以生成全路网路口的红绿灯配时方案，达到相关联的信号灯控制。中央系统每5分钟优化一次，特定的地点可以达到秒级优化，而且可以和公交优先信号灯来配合，对期望的效果进行调整。

图9. 公交实时到站信息

　　还有一个特点是我们不需要太多的探测设备，比如说我们知道在路口需要做自适应的红绿灯配时，我们需要不同方向交通的流量，一定要探测设备来探知交通的流量。我们不需要太多的探测设备，不要忘记我们智能交通系统里面有一个交通模型作为基础，有一个全路网的交通流量。