梁凌宇
广州市高科通信技术股份有限公司
摘要：发展智能交通系统是各大城市解决交通拥堵问题的重要战略。目前智能交通系统已经发展到中高级阶段，结合新兴的人工智能、大数据、5G技术的智能交通解决方案已经成为研究和工程应用的热点。但目前的技术方案无法精准满足个人出行需求，无法实现可控出行。本文提出了一种在L5级别无人驾驶实现前的解决方案，并创新性的把先进的交通流预测技术、导航技术、互联网+数据以及合理的商业模式结合，在很大程度上解决了前面所提出的问题，而且可以作为实现MaaS（Mobility-as-a-Service，"出行即服务"）的重要基矗
关键词：交通流预测 MaaS 人工智能 无人驾驶
1.背景及现状痛点
1.1 背景
车多人多、交通拥堵是目前大城市的通玻ITS（Intelligent Transportation System）是未来交通系统的发展方向，它是将先进的信息技术、数据通讯传输技术、电子传感技术、控制技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合交通运输管理系统。ITS可以有效地利用现有交通设施、减少交通负荷和环境污染、保证交通安全、提高运输效率，因而，日益受到各国的重视。而其中实现自动驾驶乃至智慧综合出行则是其中的一个重要支点。
在中国而言，近年来各地政府都开始提出"数字政府"的概念，大力实施大数据战略，着力建设智慧城市，提升市民幸福感和提高政府效率。其核心特征为利用云计算、大数据、移动互联网、物联网、人工智能等新技术逐步形成大数据驱动的新机制。而智慧城市很重要的一个板块就是交通管理方面的智慧化，其具体要求为建立一体化的指挥体系，建立大数据驱动的智能交通指挥系统，采用警力围着警情转的指挥调度和勤务机制，建立"警力使用成本"概念，达到精准投放、高效节约、解放警力的效果。建立城市道路交通协调自适应控制系统，并搭载交通大数据，实现交通控制由点控到线控、面控，进而实现在城市战略层次上的全区域交通协调控制。依托互联网交通大数据平台，采用神经网络、深度学习等人工智能方法，实现实时动态的交通信息发布，实现对交通出行者的精准推送、有效引导。
1.2 现状痛点
目前我国ITS系统智能交通系统已经发展到中级阶段，通过采用视频摄像头、各种传感器、GPS定位的浮动车等丰富的检测手段，为交通管理部门提供了大量、多源的实时数据以及沉积了海量历史数据。由于视频数据、感应线圈、浮动车等数据的异构使得目前的ITS系统的数据多为独立的孤岛，并没有有机地结合起来为交通系统，特别是实时控制和实时诱导系统提供更高级的服务。但事实上，目前的智慧交通系统离前述目标有较大差距；归纳起来，现在存在的主要问题有：
1）路面交通信息感知能力薄弱
2）数据处理能力偏弱
3）短时预测和突发事件干扰考虑不全
4）无法为出行者提供定制化精准化的服务并对交通信号控制进行实时反馈优化
目前无论是交通管理部门、交通运输部门、各大出行导航系统都只能基于本部门/公司所能收集的数据，进行统一的外向发布和推送，属于广播式的服务模式；无法根据出行者的需求以及出行者的驾驶习惯等方面做精准的优化；另一方面，交通管理部门也未能根据实际的交通出行需求进行实时的交通信号控制方案的优化。
5）缺乏交通综合出行联动
事实上，市民出行已经不满足与单一的出行方式，很多时候需要跨越多种出行方式，如自驾、公交、自行车等实现市内的出行；而对于跨市跨省的出行，则更需要联动综合交通工具包括城际高速、高铁、飞机等方式；另外，还需要综合考虑动态交通和静态交通（如租车、停车）等方面的需求。这也是目前业界比较热门的MaaS（Mobility-as-a-Service，"出行即服务"），但实际上并没有形成一个业界公认的实现模式。
6）智慧城市推广缺乏抓手
2.解决思路
结合上述背景及现状管理部门和出行者的痛点，我们进行了相关研究分析。得出了如下针对性的解决思路。
1）全面提升感知能力，提升后台处理能力
通过全面感知路面交通信息，多渠道采集交通管理信息，采集的信息主要包括路面地理地图、气象、交通流量、交通事件、通行情况等；通过建立共享合作机制，与交通运输部门共享道路运输企业、车辆、驾驶人及从业人员登记信息，车辆通行轨迹、交通流量、交通视频监控等信息，与做互联网出行的几家龙头公司建立合作机制，共享获取交通运行数据、交通拥堵信息、交通诱导信息；通过实时、持续掌握交通基础信息、交通运行态势，合理调配各类交通管理资源，实现"路面感知"、"勤务调度"、"执法管控"的闭环管控体系，实现大数据驱动的交通管理新机制。
在ITS中，信息是最核心的内容之一，系统的各种功能都是以信息应用为中心展开的。信息的采集、传输、存储、分析处理及应用，实现了交通管理从简单静态管理到智能动态管理的转变。交通信息的严格定义是指与交通系统的四个基本要素（人、物、交通工具、交通设施）相关联的信息。
2）加强全系统的联动
智慧交通系统的核心部分即为通过信号控制来管理机动车、行人等交通参与者的行为，同时通过交通诱导来引导交通参与者合理出行，形象一点比喻的话，我们可以认为路面和车辆的传感器相当于交通系统的"眼耳口鼻"，而控制和诱导是智慧交通系统的"手和脚"，背后的综合控制系统相当于大脑。交通大脑属于智慧交通建设与发展的阶段性目标，而与之相辅相成的城市大脑终极目标是跟未来的自动驾驶、智慧城市、V2X车联万物等相结合，成为支撑城市可持续发展的重要基础设施。
如果说当前的交通建设更多是可以使得交通系统可以"耳聪目明"从而实时准确获取所需信息的话，那么做好综合规划和协调则是实现其从"聪明"到"智能"的关键一步；而如何进一步实现对于交通系统从"智能"到"智慧"的进一步升华，根据经验和数据分析挖掘可以让其真正具有预见性和主动性，并进行科学决策。
3）打通互联网数据与专网数据的接口
目前一方面主流的出行服务公司如腾讯、高德、百度、滴滴，主要都在互联网上运营，其数据也都沉淀在互联网络上；同时公众也可以通过互联网的网站、社区、微信、微博等途径上传交通需求和实时交通情况和突发事件；而交通信号控制方案以及交通管理部门所建设传感器采集的数据一般都在公安专网或者视频专网内，因此要实现多维度的交通数据以有利于出行方案的优化，就有必要打通这些数据之间的接口。从这一层面来看，技术上是不存在太大问题的。
4）为市民提供专用出行APP或小程序，提供个性化服务
需要解决前述的个性化服务问题，就必须有可以直接通达各交通出行者手上的载体和工具，目前来看最佳方式就是移动互联网时代的APP或小程序方式（以下简称APP）。
此专用APP可以实现原有的基本出行导航功能，还可以将出行的OD（Origin-Destination，可理解为出行需求）信息以及时间需求上传。后台可综合所有相关出行者的数据，自动结合路况信息进行路径规划计算，同时对各交通信号控制路口的各方向通行需求进行汇总，同步进行在线交通仿真，优化信号灯的控制方案，实现交通通行能力或效率的最大化。
同时，本APP还可以实现对出行者的主动诱导，除了包括传统的路线规划外，还可以提供前方交通灯实时状态、路段建议车速、甚至实现车道级别的精准指引，让出行者的行为更有预见性，主动实现相关数据的实时拟合，在宏观角度上尽可能让更多人获得最优出行方案，也在客观上让公众实现了更为安全的出行。
5）进一步提供综合出行服务，并作为智慧城市抓手
解决了出行问题，就可以进一步拓展智慧城市智慧生活智慧服务的需求，用户黏性也得到了进一步的增强。因此，通过上述APP可以建立一个良好的生态系统，成为后续智慧城市其他服务逐步进行推广的很好一个抓手。
3.技术路线及应用场景
3.1 技术路线
结合上述思路，我们拟定的技术路线如下。
期刊文章分类查询,尽在期刊图书馆
1）增加相关前端（并把原有前端统一接入），实现交通信息的多源数据全息感知；
2）在现有基础上进行交通信号控制的优化；
3）考虑交通事故、突发时间、环保检测综合信息等内容；
4）开发并推广专用智慧交通APP，接入实时交通需求；
5）打通互联网数据与专网数据，形成双网双平台的协同；
6）综合上述信息，实现个性化交通导航，并对相关交通信号进行实时调整控制；
7）配套相关试点、推广政策、效果宣传等内容。
8）完成试点，规模区域性推广；
3.2 应用场景
自动驾驶的核心是完全的可规划性和可控性，车辆（或其他交通工具）出发前只需要预先规划好三个要素：时间、出发地、目的地，就可以通过系统实现路线和驾驶方式等的自动规划，如同通信网络传输数据一样简洁可控。
而在我们所提出的解决方案中，完美的实现了这一愿景。车辆驾驶出行者只需要预先设置时间、出发地、目的地，系统即可进行相应的规划。由于目前场景下还存在大量不可控不受控的出行者，因此交通信号控制还是必要的，但由于此时的信号配时会根据实际的交通出行需求进行匹配，因此可以做到相对精准可控，从而可以实现道路承载能力和效率的最大化。同时，由于驾驶者的预见性得到提高，也从另外一个层面保障了交通的安全性。此外，由于驾驶路线还会根据各用户驾驶习惯和车辆状况等个性化数据进行规划，这一点也可以让车辆驾驶者的参与积极性更高。
自动驾驶会在五年后成为新常态，而在目前技术条件还不成熟的情况下，我们提前沿用这一理念，构建可延续的智慧交通，到无人驾驶相关技术和配套设施、应用场景成熟时，我们提出的这一应用可直接衔接到无人驾驶时代。
4.亮点和效益
4.1 亮点
1）打破了互联网企业和传统政府管理部门的困局
2）这种方案的实现模式体现了主动服务的特点
3）培养用户粘性，可以拓展智慧城市智慧生活的其他业务
4.2 效益
1）经济效益
通过我们实际测算和试验，一辆3年车龄、排量为1.6升的机动车在通过路段平均车速为50km/h的灯控路口时，通过本系统的实施，保守估计可以有30%的灯控路口可以实现少停车一次的话，那么一天节约的燃油就是40万*10*30%*0.05=6万升。这是一个非常可观的数字，而且我们可以看出，上述作为典型试验的车况属于保有机动车中燃油消耗水平接近平均甚至偏低的水平，因此这个数据已经非常保守了，实际可以节省下来的燃油应该还远不止这个数字。而这还只是对一个二线城市来推算的结果，如果推广到全国乃至国际市场，可想而知是如何庞大的一个数字。
2）社会效益
少消耗的燃油不只是具有明显的直接经济效益，显而易见的是还可同时大大减少对环境的污染。如果加上提升的交通效率，缩短人们的通勤时间而带来的幸福感提升以及对GDP的直接贡献，可以说间接带来的经济社会效益还远不止我们所计算的那么简单。
此外，通过实施这一智慧城市交通系统，还可以大大减轻对于交通管理专业人员在数量和质量上的要求，且可以通过信息化手段进一步提升交通系统的效率，从而减轻政府财政负担，这也是带来的直接经济效益和社会效益。
5.实施可行性
5.1 技术储备
我们团队前期引入美国麻省理工的先进数学模型，已自主研发智能交通集成指挥调度系统，可实现控制、诱导、视频等子系统对接和管理，作为所需搭建的智慧城市交通系统之基础平台；已对大数据处理相关技术进行研究，对于支持向量机(SVM)等算法进行了深入分析和实际编程模拟，并就如何运用相关算法至交通数据方面进行了相关研究。我们还具备大型云计算、大数据平台、数据挖掘分析、人工智能等技术框架基础，有大型移动互联网APP、小程序等开发基矗知识产权方面已经有相关发明专利、软件著作权等储备。
5.2 行业理解
我们长期与相关政府信息化部门合作，与交通管理部门、交通运输部门有长期信息化系统合作经验，对于交通行业需求乃至智慧城市相关板块的需求有较深认识；对于政府和民众两方面的诉求和痛点都有较为深入的调研。
在前期调研过程中，我们也已获多个地市级交警支队科技部门支持，可提供经脱敏的实际交通流参数供本项目使用。
5.3 整合能力
我们长期在智能交通领域发展，着强大的相关资源整合方面的能力。对不同来源、不同层次、不同结构、不同内容的资源进行识别与选择、汲取与配置、激活和有机融合，使其具有较强的柔性、条理性、系统性和价值性，并创造出新的资源，我们可以实现整体的资源最优配合。
我们目前可以获取的资源包括但不限于：政府资源、专家资源、学术资源、产业资源等，只要方向正确，并在执行层面强力推动，项目所需的配套资源相对来说比较容易获取和整合。
5.4 发展效益
如前所述，自动驾驶常态下的智慧交通形态由于相关元素可控可以做到非常简洁。在目前阶段，我们只须通过简单的经济手段获取目前车辆的目的地，就会直接提升智慧交通的层次，从而形成直接的经济效益和社会效益。
而且正如我们在前面3.2节应用场景里面分析的一样，这一场景不止在自动驾驶领域可延续，还可以在大出行乃至大生活场景下实现可延续。在这些场景下，由于沉淀了大量的用户习惯和个性化数据，我们可以提供的相关服务都会非常精准，因此必然存在海量的商业机会。因此，本项目的发展效益非常良好，不需要太多的持续投入，就可以形成良性的商业生态圈。而越早投入，抢占制高点，就越能获取更大的商业价值和行业话语权。
【参考文献】
杨兆升. 关于智能运输系统的关键理论--综合路段行程时间预测的研究[J]. 交通运输工程学报, 2005, 1(1): 65-67.
姚智胜. 基于实时数据的道路网短时交通流预测理论与方法研究 [D]. 北京: 北京交通大学博士论文, 2007
Tan, M.,Wong, S., Xu, J., Guan, Z., Zhang, P. An aggregation approach to short-term traffic flow prediction [J]. Intelligent Transportation Systems, IEEE Transactions on, IEEE, 2009, 10, 60-69
Gui Fu，Feng Lu，Yufeng Wu. A Method of Image Analysis for Mobile e-Police[J]. The International Conference on Engineering and Information Management,2011,5107-5110.
Chan K Y, Dillon T S, Chang E. An intelligent particle swarm optimization for short-term traffic flow forecasting using on-road sensor systems[J]. Industrial Electronics, IEEE Transactions on, 2013, 60(10): 4714-4725.
达庆东, 段里仁. 交通流非参数回归模型[J]. 数理统计与管理, 2003, 22(4): 41-46.
尹宏宾, 徐建闽, 黄仕进. 基于模糊神经网络的信号交叉口交通量预测[J]. 华南理工大学学报(自然科学版), 2000, 28(6): 11-15.
Faouzi N E E, Leung H, Kurian A. Data fusion in intelligent transportation systems: Progress and challenges-A survey[J]. Information Fusion, 2011, 12(1): 4-10.
论文作者:梁凌宇
论文发表刊物:《中国西部科技》2019年第22期
论文发表时间:2019/11/26
标签：交通论文; 数据论文; 智慧论文; 系统论文; 互联网论文; 实时论文; 城市论文; 《中国西部科技》2019年第22期论文;