一、概述

十九大報告明確提出貫徹“交通強國”新發展理念，意味著我們將在新時代開啟建設交通強國新征程。加快推進綜合交通、智慧交通、綠色交通、平安交通 “四個交通”建設，以“五新”全面落實黨的十九大精神。

城市交通以“暢通有序、文明和諧”為運行目標，是城市經濟、文化、生活品質發展的重要基礎和保證，而實現該目標離不開智慧交通的堅實基礎支撐，進一步提高城市現代化水平與競爭力。截至2017年12月底，南京市機動車保有量已達256萬輛，其中載客小型機動車197萬輛，同比增幅為11.4%，主城區常住人口日出行總量超過1000萬次。道路設施與公眾出行需求的矛盾日益突出，部分交叉口在部分時段交通需求嚴重不均衡，全市高峰時段多個區域出現較為明顯的擁堵現象。通過分析發現，南京主干道占全市道路里程48.18%，但是僅分擔28.9%的車流量，而城市快速路里程雖然僅占全市道路里程3.2%，但是承擔了全市23.2%的車流量，全市路網交通量分布不均衡，快速路車流量嚴重飽和。

目前，南京正在逐步完善各類道路交通信息采集系統的建設，逐步實現傳統的交警自有數據和外部互聯網、手機信令數據的融合應用。并利用大數據、人工智能等技術深挖城市路網內車輛運行規律，以支撐各類環境、場景下的交通信號優化工作的推進。因此，南京市公安局交通管理局聯合南京萊斯信息技術股份有限公司、阿里云計算有限公司、南京云創大數據科技股份有限公司開展基于人工智能技術的道路交通信號控制技術研究。主要包含道路交通狀態識別、交通需求預測、信號智能控制以及效益評估反饋等內容。本文以信號控制優化為核心，闡述基于UGIS靜態數據，電子警察、正向雷達、互聯網、手機信令等動態數據的交通流運行規律分析技術。

二、交通狀態識別的基礎分析模型設計

傳統的交通流分析多以單路口、存在性數據分析為主，對交通流的連續性、路網內車輛的運行規律分析較少。且城市GIS數據在以往的應用中也多以展示為主。因此在研究過程中以城市地理信息系統（Urban Geographic lnformation System, UGIS）為基礎，通過將交通流檢測數據與UGIS數據相結合進行更全面的交通流參數分析。

（一）城市地理信息系統（Urban Geographic lnformation System）

城市地理信息系統（UGIS）是將反映城市現狀、規劃、變遷的各類空間數據（如地形、地貌、建筑、道路、綜合管線等）以及描述這些空間特征的屬性數據通過計算機進行輸入、存儲、查詢、統計、分析、輸出等的一門綜合性空間信息系統。基于UGIS，在傳統的路網數據基礎上細化道路交叉口的各項設計參數以精細化研究路口交通流運行狀態。

（二）基于數據特性的分析單元設計

動態交通信息不僅包括公路和城市道路上所有移動物體所具有的特定信息，諸如車速、車型、車流量、道路路口狀態、非機動車和行人的狀態、突發事件等，也包括這些信息與歷史數據的對比分析，從而判斷它的趨勢變化。從先進的交通管理系統（ATMS）角度分析，動態交通信息按數據來源可以分為以下幾類：

（1）按信息采集時間：歷史數據和實時動態數據；

（2）按信息特點：定性數據、定量數據和圖像數據等；

（3）按信息采集系統的不同：交通流檢測系統數據、電視監視系統數據、視頻檢測系統數據、浮動車采集系統數據和人工報告數據；

（4）按信息類別：流量數據、車速數據、占有率數據等；

（5）按信息采集的方式：固定檢測器數據、移動檢測器數據。

研究過程中，主要針對正向雷達、電子警察兩類交警自有數據，手機信令和互聯網外部數據進行綜合分析。根據各項數據的基本特點和UGIS的特性，按照車道級劃分出下游出口道、路口、進口道渠化段、路段、上游出口道五維空間的數據分析基本單元，并根據各類交通參數檢測設備和數據特點進行動靜態數據匹配關聯。

通過動態數據分析基本單元對進口道渠化段內各車道的車輛到達、消散，路段內的擁堵、排隊以及上下游出口道內的車輛占有等狀態進行識別預測。并根據路口間（含長路徑）的行程時間、平均速度、OD變化等狀態進行識別和預測。

（三）多元數據特點分析

目前在研究應用的數據主要有正向雷達數據、電子警察檢測數據、互聯網數據和手機信令數據。不同特點的數據通過基本分析單元映射至UGIS，并根據各項數據特點進行交通參數統計分析。

正向雷達數據能夠檢測進口到渠化段內各車道多斷面的過車數據、各車道排隊數據和下游出口道內的指定區域內指定位置的斷面過車、各車道排隊數據。

電子警察數據能夠高效的采集過車數據，通過關聯分析能夠刻畫出路網內車輛運行軌跡，通過時空分析能夠描繪路網內交通密度變化的時空圖譜。

互聯網數據能夠快速的反映數據分析單元內各空間的交通流運行狀態、平均延誤時間以及路徑和區域內的行程時間和平均車速等特點。

手機信令數據主要是用于分析出行的OD點，通過擬合電子警察檢測數據，能夠對關鍵路徑、關鍵車流進行更高效的時空預測。

三、人工智能技術在交通狀態識別和預測中的應用

由于交通系統具有強隨機性、連續性、擁擠混合等復雜的特性，早期基于模型的分析方法諸如經典的淺層學習算法、時間序列的自回歸統計、k近鄰、貝葉斯網絡、支持向量回歸等，在處理數據量和數據類型漸趨龐大的交通系統時性能不夠理想。通過研究發現，人工智能技術在交通流分析中的常用框架有混合神經網絡，包括循環神經網絡及其變體、卷積神經網絡、堆疊的自編碼器深度神經網絡等深度學習框架以及多任務學習等。

（一）交通流狀態識別與預測的人工智能框架圖

隨著數據維度的不斷增加，用于交通流狀態識別與預測的淺層模型已經不能很好地適應現有的大數據環境。鑒于對大數據的處理能力以及結構的可拓展性，基于數據驅動的人工智能模型受到了廣泛的關注，這類模型可以自動提取交通流數據的相關高層特征，其整體框架圖如圖1所示。

圖1整體框架圖

（二）人工智能技術在交通狀態識別中的應用

為了更好地對未來的交通流狀態進行預測，以實現更有效的交通管理，首先需要進行準確的交通狀態識別。

基于UGIS數據和交通流運行參數，并提取天氣、節假日、早晚高峰、重要活動、周圍居民狀況以及管制措施等信息，建立交通流的機理模型，消除僅基于過車數據單一信息的不確定性和增強系統AI模型的魯棒性，減弱不確定影響，并結合交通流本身的隨機特性，實現機理交通流的數據計算和隨機混合。

通過分析發現在車頭時距分析中，各類模型有不同應用結果。其中負指數分布模型描述車輛到達具有較高隨機性，密度低時的單列車流車頭時距；移位負指數分布模型描述車流量低，不能超車的單列車流車頭時距；M3分布模型描述交通較為擁擠，部分車輛成車隊狀態時采用；Erlang分布模型根據交通量大小和擁擠程度選取對應參數值描述交通流。而通過將實際的排隊長度、擁堵長度、平均行程時間、平均速度等數據結合建立性能指標函數，在所建立的車輛離散動態系統中，根據粒子群算法、遺傳算法等優化方法求得性能指標下最優的交通信號控制時間。

（三）人工智能技術在交通狀態預測中的應用

正如前文所述，準確的交通流狀態識別為可靠的交通流預測提供了堅實的技術基礎。然而，相比于單一道路，大型路網的交通流預測的計算復雜度更高，且需要模型兼具靈活性和可擴展性。鑒于人工智能技術很好地契合了這種需求，因而近年來，基于該技術的交通流預測模型在工業界得到了越來越廣泛的應用。該部分將從預測時長的角度出發，闡述基于人工智能模型的解決方案。

1.短時交通流預測

在短時交通流預測領域，傳統的淺層機器學習方法在小型路網的預測問題上已取得成效，但其處理大型路網的預測問題的局限性，使得深度學習方法引起了工業界和學術界的充分關注。循環神經網絡及其變體長短時記憶網絡有利于捕獲時間序列數據的長依賴特性。與此同時，卷積神經網絡因其在模式識別上的優越性，對于提取城市交通擁堵模式以及了解擁堵的演變過程有很好的效果。因此，在交通流預測問題上，迫切需要開發一種聯合的深度學習框架對數據的隱藏特征和時間序列的長依賴性進行建模。

基于循環神經網絡和卷積神經網絡的算法采用聯合的深度學習框架進行短時交通流預測，首先通過卷積神經網絡獲取交通流數據的局部趨勢特征和尺度不變特征，并利用長短記憶循環神經網絡獲取交通流數據的長期依賴周期性的特征。隨后，將獲取的時空特征合并到基于特征層的融合層中。最后將特征傳輸到回歸層，實現預測，其框架圖如圖2所示。

圖2基于循環神經網絡和卷積神經網絡算法的框架圖

2.長時交通流預測

現有交通流預測的深度學習模型性能主要側重于短時的交通流預測，長時的交通流預測問題仍未解決。并且，現存模型大多只利用單個參數預測，忽略了客觀存在的參數相關性。并且，主流模型通常采用經典框架，可拓展性差，缺乏針對具體交通場景問題的個性化設計。

為此，基于殘差網絡和反卷積神經網絡的算法考慮了車流量、速度和占用率這三個參數間的關聯性，將三者視作RGB的三個通道作為模型的輸入。采用的模型由兩部分構成：殘差網絡和反卷積神經網絡。首先，通過殘差網絡提取交通流的特征。隨后基于時空交通流特征，利用反卷積網絡解碼出第二天的交通流信息，以實現長時交通流的預測。其算法框架圖如圖3所示。

圖3 基于殘差網絡和反卷積神經網絡的算法框架

其中，殘差反卷積網絡模塊的具體結構如圖4所示。

圖4殘差反卷積模塊結構

四、總結

在研究過程中發現，互聯網數據能夠有效識別大部分的城市擁堵節點，而針對學校、醫院、菜市場、臨街商鋪等特殊路段，補充交通流采集系統內的排隊、過車以及速度等實時數據，能夠較為完整的刻畫出城市路網的交通狀態。通過融合跟蹤車輛出行軌跡，對具有相同出行軌跡的車輛進行時空位置提取，能夠實現對特定道路或特定交通流途經路徑進行狀態預測。在下一步工作中，將通過路網交通狀態和交通流預測的結果研究如何利用人工智能技術進行交通信號控制方案的優化。