数据驱动的交通预测与控制

交通与社会的发展和人们的生活密切相关。但不容忽视的是，随着经济的发展和人们生活质量的提高，各类交通问题日益凸显，交通拥堵问题越来越严重，已成为世界性难题。尤其是我国，人口众多，居住密度大，人们的出行频率高，交通拥堵相比其他国家更为严重，除影响人们的出行效率外，也对运输、物流造成巨大的损失。据粗略统计，我国交通拥堵每年造成的损失占GDP的5%〜8%，相当于每年GDP的增速，而欧美日等发达国家和地区仅为1%〜3%。如2020年我国的GDP已经突破100万亿元，交通拥堵造成的损失即达5万多亿元，这个数字可谓触目惊心。因此，解决交通拥堵问题被提上国家战略层面，国家“十三五”发展规划、新一代人工智能发展规划和交通强国建设纲要均对开展智能交通管控的基础理论方法、技术、装备研究开发以及研究范式提出明确要求。

中国科学院自动化研究所十多年来一直致力于交通拥堵问题的研究，以交通预测与控制作为关键问题，采用多种先进的科学方法进行深入研究，着力打造智能交通系统。

据中国科学院自动化研究所副研究员吕宜生介绍，交通预测与控制面临的主要问题;一个是数据的缺失，一个是影响因素的繁杂，一个是环境的开放性。比如北京有两千多万人，不同的人有不同的出行行为，对这些出行行为进行一定的刻画是非常困难的;又如天气情况、房屋框架、局部地区举办大型活动等，都会对交通状况产生较大影响。另外，虽然在道路上设置了很多传感器，但是不一定能够全部正常运行，所以交通大数据就难以保证质量。而且交通系统除有工程特性外，还受到社会因素的影响，不可能开展大规模的重复实验，一是成本高，二是有些问题也是不能真正去做实验的。这些问题给开展交通问题研究带来较大的困难，如何把影响交通系统运行的外部因素嵌入交通时空预测模型中进行相关分析，是要花大力氣去做的工作。

关于数据驱动的交通预测与控制具体研究工作，吕宜生介绍，科研团队主要从以下几个方面开展了研究工作设计。

一是开展大规模路网动态的交通预测，主要是基于一些时间序列方法开展研究。自2012年以来，研究团队在平行交通系统的框架下，面向交通大数据的发展形势，利用深度学习方法，开展交通预测。这一做法在国际上也是开展得比较早的。主要是把交通路网大规模的交通流时空特征通过多模块加以抽取，然后进行融合分析，得到的预测结果比较好。

另外，因为路网也是图的结构，用神经网络图和路网结构结合进行交通预测也是当前研究的一个技术点，也是一个研究方向。神经网络图可以很好地对路网结构进行表征，但当时间序列表征不足，可以考虑某一时间片段路网图的时间特征和空间特征，进行融合预测交通状况，通过构建时间图和空间图并设计一个模块在公开数据集上进行比较，采用时空同步聚合方法，以得到非常好的预测结果。

在交通预测过程中，还涉及交通数据的弥补问题，可以用TSCE制造编码机，完成对数据的转换弥补，并开发相关的模型，对不同的数据模式进行相关的处理。对于数据不全的问题，可以利用深度学习模型进行增广，开展一些数据合成。

二是开发一个面向特大城市交通系统的访问平台。利用这个平台可以进行一些交通管控实验的评估，然后进行优化，来开展一些具体的工作。比如可以借鉴一些好的交通信号配置策略，构建一个交通信号管控智能机器人，创建一个基于策略推荐和机器学习的管控系统，提升城市交通信号配置水平和交通管控能力。该系统在杭州市的一千多个路口进行了实际应用，大幅度提高了交通信号配置能力，处理效率提高了2〜3倍，大大减少了报警次数。

三是充分利用手机序列数据对北京市居民的出行活动进行一些相关分析。通过15种简单的出行形态刻画出北京市全体居民的出行模式，联合北京市规划院对北京市的交通出行状况进行模拟，也支撑了北京市中心区的规划和机场建设等相关的一些工作。

四是设计了一个具有标准符合性特色的、基于硬件在环技术的交通控制系统装备平台，部署在无锡公安部交通管理科学研究所检测中心，对于全国交通信号管控设备的标准符合性检测发挥了较大作用。

吕宜生解释，交通系统是一个开放的、复杂的巨系统，涉及的问题很多。对交通进行预测与控制可以有多种方法，比较好的一个是数据驱动，另一个是机制模型驱动，但是数据驱动比机制模型驱动更为精准，二者可以结合使用。在缺少交通数据时也可以使用数据模型进行计算，以作为参考。