主页 > 专家观念 > 正文
张福生:交通大数据与实时自习惯操控
2019-08-26 来历:城市路途交通精密办理资源共享渠道

  ❖交通数据特性剖析交通大数据在交通操控中的使用方针有三个。

  榜首,全面感知交通需求;

  第二,实时呼应交通需求;

  第三,以数据驱动交通操控。

  交通感知数据包含:车流数据、客流数据、物流数据、路途施工数据、交通气候、交通环境及城市活动、紧急事情等多各方面,这些数据改变都需求交通操控体系做出及时呼应。

  剖析交通数据,要从多个视点看待交通感知的特性。

  首要从数据发生的时空视点来看,感知空间上,分为断面检测、区域检测和全域检测;感知时刻上,交通检测分为短时检测和接连检测。

  从数据精度、采样率上,既有全样本检测、也有抽样的数据,比方来自互联网的轨道数据一般只需5%到10%左右的样本量,而定点检测设备输出的根本是全样本的数据。从检测精度来看,既要看到计算上的精确性,也要重视数据的实时性,要根据操控场景需求对数据的精确、实时进行剖析。

  从数据获取办法上,传统的检测办法多为单向传感式检测,经过存在型检测或经过型检测来获取交通数据。跟着车路协同技能的开展,以通讯交互为主的数据获取办法能够获得愈加多维的交通数据。

  不同的数据特色对操控办法、操控理论的研讨以及对操控体系的研制都会带来巨大的影响。

  从数据特色维度看,传统数据一般重视的是流量、速度、占有率等,多维数据能够描绘个别的身份ID、实时的坐标方位、途径挑选信息、OD联系等等。

  此外,从交通供应需求视点,不只要知道车,或许还要知路途途通行才能、路网结构和它当时的服务水平,包含交通与环境数据、紧急事情、城市活动、路途工程等。

  一切的数据结合才真正是交通大数据,而不只仅是来自互联网的数据。

  ❖操控体系分类分级

  有了数据之后,交通操控体系在使用数据进行操控优化时,也相同有许多问题值得考虑,不同的操控办法,会发生彻底不同的操控作用。

  

  咱们从两个视点来剖析这个问题:优化时刻粒度、优化运转办法。咱们谈到操控优化,往往会直接联想到用数据做配时优化,办法有两种。

  榜首种是计划级优化。使用计算数据生成配时计划,或许在备选的计划傍边挑选相对优异的计划,我将这种优化界说为计划级优化。

  第二种是实时优化。交通感知数据实时(秒级)上传,体系实时对操控进行优化和调整并当即履行。

  优化的计划生成之后,它的运转办法有三种。

  榜首种是下端运转。将计划构成,而且经过网络协议将计划下载到前端操控设备中,然后进行计划切换运转。

  第二种是中心运转。实时优化,实时运转。

  第三种是分级运转,中心运转与下端运转结合。

  从运转形式上看,假如一个彻底不同的计划替换现有计划,操控器一般需求计划过渡,这个过渡进程一般会对交通现状构成极大扰动。

  实时优化体系是不断的在秒级水平上实时微调计划,并及时运转,能够防止计划过渡构成扰动,能够完成滑润运转。

  计划在中心运转和下端运转进行有用结合,中心实时呼应交通数据并做微观优化,下端针对现场需求做微观批改。

  大数据使用于交通操控,必定要以交通操控体系为根底,不同的优化运转办法,对数据有不同的需求,完成不同操控作用,所以我尝试着对现有的操控体系进行分级。

  我将这个点评从L0到L3进行分级。

  

  L0是单点运转,能够保证根本的交通安全,依照时刻表运转或进行根本的感应操控。

  L1指信号操控机首要是联网的,在中心能够对信号运转状况进行监控,具有联网的一致授时,能够进行长途配时,长途人工干涉。

  L2体系是在L1的根底上,具有交通检测才能,能够进行中心状况监控、一致授时、长途配时、长途干涉。体系能够进行计划级的优化、履行才能,比方分时段的计划生成、主动计划挑选等功能。

  L3级体系在具有L2级体系的根底上,具有实时的交通感知才能,能够实时呼应交通流改变,实时进行计划优化并实时履行优化决议计划。

  现在,咱们看到的现状是:绝大多数信号操控体系是L1等级,部分城市建设的是L2、L3体系,可是因为运转保护的原因,实践运转在L1水平,能够运转在L2、L3水平的体系很少。

  ❖交通数据与交通操控

  跟着交通感知技能的开展,地磁、视频、微波雷达等传感技能为交通操控带来了丰厚的数据源,互联网轨道数据以及未来的车路协同技能会带来愈加丰厚的数据源,怎么习惯不同的交通操控需求,发掘数据潜力是一个重要的研讨方向?

  

  使用于交通操控的数据包含:传统的交通检测数据有全样本量,多是根据断面检测(如线圈、地磁、传统视频虚拟线圈),或许小区域检测(如广域雷达、根据人工智能的视频剖析等);最近几年呈现的来自互联网的轨道数据;以及来自第三方的事情数据、影响交通的环境数据、气候数据、城市活动数据等。

  这些数据使用于不同的操控场景,各具特色,我企图给这些数据在不同操控方面的使用作用打分,比方传统数据能够用来优化周期、绿信比、相位差,能够做感应操控恳求、扩展、计划优化,或许是实时优化等;轨道数据能够使用于操控点评、交通事情发现等。

  也有一些我还没有考虑周全的,比方轨道数据是否能够使用到感应操控上,事情数据是否能用来影响周期的相位差等,这儿面有许多需求进一步研讨的论题。

  ❖事例

  

  (如上图)这是SCOOT体系界面以及SCOOT体系优化的根本原理。SCOOT根本排队模型,上游的检测构成排队,以及到路口的饱满通行才能,经过对排队模型和散失才能的运算或许周期、绿信比等参数来优化路口。这样的模型需求的是上游实时精确的存在检测,并输出精准的检测脉冲,因而对检测器的类型、检测域特性有严厉的要求。

  

  上图是实践使用作用的界面,这个路口由两相位组成,能够看到实时自习惯的体系操控作用,周期与每个信号阶段的时长都在实时改变,这些改变的根据便是来自现场的实时交通感知数据。

  最终总结一下,大数据使用于交通操控,首要要有能够呼应大数据的根底操控环境,实时自习惯体系便是承载大数据使用的根底渠道。

  北方工业大学 张福生

Copyright © 2007-2022 ftdce.com All Rights Reserved
服务热线:010-64708566 法律顾问:北京君致律师所 陈栋强
ICP运营许可证100299号 京ICP备10020099号  京公网安备 11010802020311号