数字孪生交通仿真在大型活动中的应用——以成都大运会为例

文图｜张栋 谢文斌 龚永刚

体育赛事、峰会论坛、展览会、演唱会等大型活动期间，举办城市出行人数庞大，交通服务要求高，交通保障工作面临巨大挑战。2023 年7 月28 日至8月8 日，第31 届世界大学生夏季运动会（以下简称大运会）在四川成都举行，为做好大运会的交通保障工作，成都市公安局交通管理局强化使命担当，科学精准施策，利用数字孪生交通仿真技术实现了对大运会专用车道等多项交通管控预案的在线推演，以数字化、智能化的方式研判管控方案实施的可行性，本文分享其工作思路及经验，以期与读者共勉。

一、大运会交通管控难点分析

大运会共计45 个赛会驻地和49 个场馆，分布在成都主城区及周边区域的各个方向。驻地与场馆间的交通需要频繁使用城市交通干道，赛事交通与城市交通大量交织。针对成都市交通出行规律，大运会期间宏观层面的交通特征分析、出行需求预测是制定交通管理与控制策略首先要解决的问题。

根据成都市日常交通管理经验与常态化的交通出行规律，大运会交通管控策略的制定难点主要集中在两个方面：一是成都诸多主要通勤线路的通行量已经接近饱和状态，叠加观赛交通流的情况下，设置赛会专用车道是否对全市交通状况造成较大范围的影响；二是大运会举办期间恰逢暑期刚刚开始，成都是重点旅游城市，在管控策略的制定上，需要综合考虑暑期与非暑期的交通流变化。

二、大运会数字孪生交通仿真实践思路

数字孪生是物理世界与网络世界虚实之间双向映射、动态交互、实时链接的关键途径。通过云计算、人工智能推理可将物理世界中城市交通行为映射到虚拟世界，以动态数据驱动、数据建模、交通感知、多源数据融合等技术为手段，将交通仿真嵌入数字孪生城市系统中，实现交通仿真与实际交通运行的相互映射。数字孪生交通仿真将离线仿真改变为在线模式，实时动态呈现城市整体路网需求和交通流，并根据历史数据预测整体路网需求变化和交通流变化。

在大运会交通管控策略规划阶段，利用数字孪生仿真系统，对政策执行前后的交通流仿真建模和分析，实时呈现交通运行指标。通过对政策执行前后交通运行指标的变化区域进行综合研判，为政策方案落地提供数据支撑和技术支撑。

三、大运会数字孪生交通仿真系统的搭建

基于大运会交通管控痛点和难点，在现有成都智慧交通一期、二期的建设成果支撑下，通过多源异构交通数据融合打造成都大运会数字孪生交通仿真系统。系统架构如图1 所示。

图1 大运会数字孪生交通仿真系统架构图

（一）构建数字孪生路网

将物理路网还原为数字孪生路网，以数字化的方式提供各种粒度的道路实体信息、道路拓扑关系等路网查询能力，通过数据清洗完成路口、路段信息的补充修正。最终产出一套成都数字化路网结构数据模型，实现路网、设施、设备、道路周边交通相关实体的逻辑数字化，构成车道级数字化逻辑路网模型及数据，提供道路、路口、路段、车道、设施、设备、道路周边交通相关实体等多种交通实体相互拓扑关联关系数据。

（二）多源异构交通数据融合

交通数据融合计算模块主要是汇聚城市基本路网拓扑信息、设施信息、路口渠化、交管动态数据（包括信号机数据、卡口/视频、线圈、微波数据等）、多源视频结构化数据和互联网数据，对多元数据进行治理和融合。通过交通数据底盘的建立，提供融合的、统一表达的、高质量的交通参数。成都智慧交通一、二期的感知数据与互联网导航数据、互联网位置数据（LBS）等进行融合计算，主要包括速度融合、流量融合、排队长度融合、在途量融合、事件融合、出行方式还原、轨迹补全等。

（三）宏观交通仿真模型搭建

宏观交通仿真是基于经典的流体力学建模道路的流量、密度和速度在时间和空间上的演化，进而来表征路网在时空上的变化特征，可以分为交通出行需求预测模型和道路交通系统仿真模型。其中需求预测模型会根据不同的交通事件对居民出行进行重新预测；仿真模型则基于交通流模型将OD 分配到仿真路网上，并通过不断迭代优化居民出行路径选择，最终达到用户均衡。

四、赛会前后数字孪生仿真实践结果

大运会期间成都市公安局交通管理局制定多项交通保障措施，本文仅针对大运会专用车道的仿真推演进行详细阐述。在仿真系统中，从成都绕城高速、三环路、东西轴线、解放路等主干道中设置18 条大运会专用车道，双向里程382.56 公里。

（一）仿真范围与评价指标定义

大运会专用车道设置影响仿真推演范围为“5+1”城区，包括锦江区、青羊区、金牛区、武侯区、成华区、高新区。

以延误指数判断区域拥堵和路段拥堵，标准如表1 所示。仿真时段划分标准为：早高峰7:30 ～9:30、晚高峰17:00 ～19:00、日平峰9:30 ～17:00、晚平峰19:00 ～22:00。

表1 区域拥堵和路段拥堵判断标准

（二）仿真评价区域

本次将仿真区域按照绕城高速、三环、绕城高速与三环间、三环以内，划分了四个评价区域，区域内道路不重叠。

（三）仿真结论

1.非暑期仿真结果

如表2 所示，非暑期设置大运会专用车道影响最大的区域是三环路和绕城高速，其中对早高峰的影响最明显。三环路早高峰延误指数由1.9 上升到2.15，状态由拥堵变为严重拥堵；晚高峰延误指数由1.77 上升到1.94，状态由缓行变为拥堵；午平峰延误指数由1.42 上升到1.57，状态由畅通变为缓行。绕城高速早高峰延误指数由1.75 上升到1.88，状态由缓行变为拥堵；绕城晚高峰延误指数由1.48 上升到1.59，状态由畅通变为缓行。三环内与绕城三环之间，受设置专用车道的影响较小。

表2 非暑期大运会专用车道仿真结果

2.暑期仿真结果

如表3 所示，暑期设置大运会专用车道影响最大的区域是三环路和绕城高速，其中对晚高峰的影响最明显。三环路早高峰延误指数由1.88 上升到2.09，状态由拥堵变为严重拥堵；晚高峰延误指数由2.15 上升到2.37，严重拥堵状态的延误指数上升10%；午平峰延误指数由1.7 上升到1.89，状态由缓行变为拥堵。绕城晚高峰延误指数由1.85 上升到2.01，状态由拥堵变为严重拥堵；早高峰延误指数由1.76 上升到1.89，状态由缓行变为拥堵。三环内与绕城三环之间，受设置专用车道的影响较小。

表3 暑期大运会专用车道仿真结果

（四）仿真结果验证

为验证本次交通仿真结果，工作人员使用高德城市交通“评诊治”分析系统对交通态势进行了跟踪。根据大运会交通仿真政策中的限行政策，2023 年7 月31 日至8 月4 日与日常尾号限行一致，属于在大运会期间最接近日常交通状态的时间段，因此本次仿真验证选用此时间段数据。具体校验流量准确率、速度准确率和堵点准确率。

流量准确率定义：根据卡口流量置信度选择评价路段集，计算路段集中仿真输出流量与卡口流量相比的准确率。计算逻辑如下：

其中，acc 表示预测准确率；T 表示仿真的时间段数量，一般T 等于仿真小时数；L 表示参加计算的路段的数量，l 表示具体路段；flowl,t表示路段l 在t 时间的实际流量；flowt表示所有路段在t 时间内的实际总流量。

mape(flowl,t)表示路段l 的总体预测平均绝对百分比误差，其计算方法为：

仿真准确率定义：根据卡口流量置信度选择评价路段集，计算路段集中仿真输出速度与实际速度相比的准确率。计算逻辑如下：

mape(speedl,t)表示路段l 的总体预测平均绝对百分比误差，其计算方法为：

堵点命中率定义：拥堵延误指数为严重拥堵和拥堵状态的路段集合，使用仿真结果与高德实际数据进行重叠比对。

仿真结果对比如表4 所示，以三环路与绕城高速为例。通过对重点关注的三环路和绕城高速路段的实际堵点和仿真预测的流量、速度及堵点进行对比，可以看出流量和速度的预测准确率均在80%以上，堵点的命中率在75%以上。

表4 仿真结果验证

五、结语

针对成都作为超大型城市举办大运会期间高强度、高汇聚、难管控的交通特征，对数字孪生交通仿真进行实践探索，在成都智慧交通一、二期建设的成果上，构建了成都数字孪生交通仿真系统的总体架构，分步骤地实现了孪生数字路网、多源异构交通数据融合、交通仿真模型等模块。在此基础上，以成都大运会专用车道的设置与保障为场景，针对成都绕城高速、三环路、绕城高速与三环路之间、三环路之内的路网运行状态进行了仿真推演，评估了设置赛会专用车道对全市交通状况的影响程度，并在实战演练当中对仿真推演的准确度进行了科学的评价。

本文虽验证了数字孪生技术与交通仿真技术相互融合的可行性和实战价值，但此次实践的应用场景在交通管理工作中属于中低频次。下一步计划将融合数字孪生和交通仿真，实现宏观、中观、微观一体化推演，将交通仿真广泛地应用到路口精细化治理的高频次日常交通管理工作中。