马万经：数据驱动的主动交通管控模式思考

2018年3月24日，由江西智能交通论坛组委会主办的“江西智能交通论坛（第四期）”在南昌成功举办。同济大学交通运输工程学院副院长、教授、博士生导师，全国城市道路交通文明畅通提升行动计划专家组专家马万经做了“数据驱动的主动交通管控模式思考”的主题演讲。

以下为马万经演讲实录，经赛文交通网编辑整理（有删减）

我的演讲题目是，数据驱动的主动交通管控模式思考。这个题目其实有两个关键词，第一个是主动交通管控，第二个是数据驱动。那什么是主动管控？什么是数据驱动呢？

一、主动控制

说到这个主动控制，我们先谈谈飞机的诞生。飞机在发展过程中遇到很多的挑战，随后美国率先研究了一种所谓的ACT（Active Control Technology），就是主动控制技术。F-16是第一架采用主动控制思想设计的飞机。

在飞机设计的初始阶段就考虑到电传飞行控制系统对总体设计的影响，充分发挥飞行控制系统潜力的一种控制技术。这个所谓的主动控制，其实有很多概念，总结下来可能涉及到时间提前，要素集成，功能协同等等。

有了主动控制，我们再看主动交通管控。

（如上图）这几张图来自于交通控制领域典型的时空图，这条横线代表实际交通流量的变化趋势。大家看交通控制经历了几个发展阶段？第一个典型是多时段方案，我们试图用多时段尽可能的框出这个方案能够匹配实现交通需求的变化。

随后有人表示这是对的，也可能是错的，比如做了一个，没做好。虽然有多时段，但可能没做好，这是一类。代表性的就是，典型的定时控制为主的一些方法。

随后，我们看另一类反馈型的控制方法（如上图）。这类方法的基本逻辑是检测到需求，然后做出相应的响应，最终检测响应。所谓的反馈控制带来的问题就是，可能在时间上是滞后的，就是检测到之后才能作出反应。

接下来就推动了自适应控制（如上图）。

那么，下一步人们才提所谓的主动控制，（如上图）我们可以看到这两条线，后面这一部分（蓝色的点），所谓的主动控制，从概念上来讲，可能不仅仅是用控制策略去适应需求，一定程度上还是可以调节你的需求，那这可能就是把这个链条变得更长，把这个研究的范围和研究的起点变得更远。

那么，下面再来看“主动交通管理”这个词。

起源于高速公路交通管理，大概很早以前，高速公路并不堵。大约是90年代左右，高速公路的拥堵情况就非常严重了，实际上人们讨论的第一个主要办法是出问题了，那我就去解决问题，这样的一个思路。

自动驾驶概念从1939年的世博会就开始提出来了，人们在做这个事。随后这个概念迅速发展，包括在实践中，人们开始改变了一些看法，比如到2006年的时候，正式出现了一个概念叫做ATM(Active Traffic Management)，翻译成中文就是“主动交通管理”。

这个时候起源于美国的一个国际性考察团，跑到欧洲去考察快速路这方面的工作，回来之后写了一个报告，这个报告就是“主动交通管理”。

基本思路是针对路网上的交通流，但针对的状态是在拥堵发生之前，要想到可能解决的办法，这是核心概念。包括可变限速、信息服务、动态路肩等等，这些在欧洲很早就用上了，在美国就贯以ATM这种基本概念，开始展开研究。

随后在2006至2010年左右开始叫“ATDM”，这什么概念呢？就是说，现在是针对进入路网的车辆，在拥堵发生之前。那我们能不能把这个问题进一步延伸，针对你出行发生之前，这种管控就是既包括需求管控，也包括实际管控。

随后人们开始进一步去探讨，在这个基础上，集成通道管理。整个系统不仅仅这个路，还考虑关联的道路网络，不仅仅考虑机动车，还可以考虑关联的行人，自行车，公共交通这一系列的集成，这就是主动交通管理的一个发展。

从一开始直面问题，到拥堵发生之前，到出行发生之前，到整个系统的相互作用，那是一些很有意思的思考。

二、数据获取

首先，数据驱动得有数据，截止目前，虽然很多城市建设了智能交通系统，但获得的出行者信息非常少（如上图）。即使所有的线圈、视频可以检测到一辆车，但并不知道车里面坐的是什么人？比如性别、老少、胖瘦、高矮等特征并不知道。

这辆车后面的所有行为，所有判断，所有选择都是车主做出来的，其实我们目前的技术对出行者的信息接近于0。

还有车辆信息，其实只知道一个所谓的流量，即便是准确的，比如视频可以发现车辆是排队状态，但不知道车辆的来龙去脉，不知道从哪来，到哪去，经过了什么？我们对车辆信息的获知是很少的。

设施信息也是一样，我们不能完全获知。

随后市场开始考虑用一些技术为交通管控提供更好的支撑数据（如上图）。有了这些数据之后，我们可以分析，不仅仅是指城市里面，甚至可以做城市之间，甚至可以做不同模式的分析。

这个数据获取之后，随后数据分析和个体数据利用非常重要。

奥巴马退役之前，美国白宫办公室曾经有一个关于人工智能的报告，其中23项里面有3项都是关于交通方面，如何用数据缓解交通问题。比如有个体数据之后，我可以给用户做画像，画了像之后，就可能对你以后的状态、行为进行预测，（如上图）这张图是个游戏的图，我觉得很有意思，你如果知道小孩一周岁的画像，就可以做后面很多相关联的分析。

那么，以后我们至少可能对出行者的状态信息会知道一部分，车辆信息可获得大部分，设施信息可能获知的更完整。

从研究者的角度看，我们期望有更好的数据环境。有了这些数据，有些工作我们是可以做的，那系统会有什么特征呢？

三、系统特征

第一点，我们交通控制可能会从当前任务驱动，变成数据驱动人工辅助，再到自动决策。

如今我们去优化一个交叉口，可能是个人大代表提了一个提案，或者警察巡视到这里有问题等原因，但以后我们的数据能够自动支撑交叉口的优化需求。

因为交通是变的，特别是对成长型的城市，这里就需要关注数据处理能力、分析诊断能力和优化管控能力。

数据处理能力：我们现在可能有很多好的数据，比如视频数据、车辆轨迹数据，但是实际上数据没有我们想象的那么好，比如轨迹数据，我们做了一个分析（如上图），他可能间隔时间是20秒，20秒之内可以发生很多事，至少可以停一次车，那我们怎么样去把这些数据，分析出里面到底发生了什么？

这里面发生的事可能会对我们的评价和诊断起到非常大的作用。

当然，我们的很多数据其实没那么充分，比如轨迹数据，他的占有率可能很低，3%，5%，甚至1%。（如上图右边）这张图可以看到有一些地方只有一两条轨迹，那你就很难做出明确的判断。

其实轨迹还有另外一个问题就是时间，就是说这个轨迹数据的车辆数是多少，不代表真实需求的对比关系。

那么这些问题怎么去解决，怎么让你这个数据更好，同时怎么融合你已有的一些数据源，这是非常关键的。当我们真正去做这个系统的时候，不是说一句有数据，数据很丰富就可以，还需要针对这些问题去进行详细的研究，才能够有更好的应用。

再来看分析诊断能力。

我主要做的是关于信号控制这一块的健康诊断，交通被堵的原因有很多很多，有一种情况是交通不堵，可你信号控制方案也不好。还有一种情况是交通堵了，可谁来做也都没效果。

就是说：交通堵不堵与信号控制没有直接关联，那我们怎么去有效的分析拥堵问题就是信号控制问题呢？

一种情况是线圈、视频等所以数据都是最好的，那你就可以做一例基于高精度数据融合分析，可以精确到0.1秒的数据。但是我们很多交叉口没有那么好的数据，那么就需要基于一些不是那么高精度的数据去做分析。

如果我们没有那么高精度的数据，我们能不能基于大量的历史数据对他的状态，进行评价分析？并且能够找到他的问题所在？

还有，我数据处理好了，怎么样去优化？怎么样在有限的数据环境下，去做这种优化。那（如上图）这是我们做的一个工作，就是基于这个轨迹数据，去做一个方案。

但这个我们还是针对与非饱和的情况，因为这个问题其实非常复杂，同样的道理就是轨迹数据数据量非常少，你不能够完整的把握所有的信息，那么饱和不饱和交叉口的数量，你相对的情况可能会有一系列的影响。

那么这是我们做的一个工作，也正在继续进行中。（如上图）这是既能够去诊断，也能够去优化的一个例子，这是个交叉口。

根据刚才对控制和管理的一些回顾，我们可以把这个管控扩展到基于个体特征的全链条的调控。

我们可以通过各种各样的数据，无论是手机上，还是各种社交数据，去分析每个人的特征。那我同样也可以针对你这个人出行的全过程，进行不同程度的调控。

我们之前说狭义的控制，可能是指信号控制；广义的控制，可能既包括信号控制，也包括诱导，还可能包括各种各样的需求管理。这都是可以纳入这个所谓的整个主动管控的一个体系里面。

我们现在主要关注的，还是针对进入路网的这个交通，那以后如果我们有更好的这样一个措施，能够实现全链条分析的话，那我们就可以从出行者家到他目的地的这个过程，完整的实现整体调控。

那在你出行发生之前，包括你的选择行为，你的分配方案都可能有动态的优化，这样的话，未来我们其实不再是做预测，而是调整。因为我们可以告诉你新的方案，而这个新的方案实际上，就是调整我们未来的状态。

另外一个，管控能力优化的提升角度就是所谓的车路协同。

这个（如上图）右上角的那张图是美国交通部在2007年资助的一个研究，是一个人工智能专家做的，他在2016年左右的时候发布了一些研究，其中一个就是这个交叉口的视频。

大家看到这个交叉口里面的所有车，都是无人驾驶的车，那这个无人驾驶的车可以看到，已经不再需要什么信号灯了，这是一种理想状态。

那么至少这种数据，这种工具，这种技术，可以调整每一辆车的行为，为每一辆车的轨迹提供了非常好的环境。那么上面做的，就是我可以调整每一辆车的轨迹，我们期望状态或者理想状态可能是车的控制，或者交通控制已经统一为整体，不再有区别。

因为可以控制到每一辆车，但是如果我们现在还有信号灯，那么至少可以对车辆本身，根据状态做出非常好的优化。

四、结论展望

我还有三个总结。

第一，数据科学、交通工具和互联网等技术进步为交通控制带来巨大机遇和挑战；

第二，数据驱动不是最好的数据环境，更好地利用有限数据对当前应用更有价值；

第三，主动不仅仅体现在预测未来，还在于调整未来，在于提供更好个性化服务。