阿里巴巴张欣：人工智能与交通工程同等重要

9月19日，以“驱动数字中国”为主题的2018杭州云栖大会将隆重召开。全球64个国家共6万多名嘉宾云集云栖小镇分享数字科技创新成果。在本次大会上，阿里云城市大脑资深算法专家张欣发表了《城市大脑·人工智能+信号灯的新进展》主旨演讲，本文由演讲者录音整理，未经演讲者审核，如有错漏，敬请指正。

阿里云城市大脑资深算法专家 张欣

张欣：今天在这里和大家介绍阿里云在城市大脑、人工智能信号灯的一些实践探索，包括一些新进展和面临的挑战和一些思考工作。目前我们的交通已经处在一个互联网大数据的时代，在这样的背景下，我们来探索，用人工智能的方法是不是可以让信号灯能做得更智能，使得交通出行变得更加通畅。从宏观上，现在已经有了人工智能，让交通感知变得更全面，使得认知变得更深刻，决策变得更正确。

阿里云的人工智能+信号灯是从2016年开始研究，最早提出了“互联网+信号灯”概念，着眼点是怎么把互联网的大数据跟传统交通流数据融合在一起，使其能够产生更大的价值。从2017年下半年开始到现在，我们逐步来看怎么把更多的人工智能方法融入到传统的交通工程和交通理论里，进而实现信号灯的优化调控。

今天我分享的重点就在于“人工智能+”，从三个方面来分析：一是人工智能+信号优化的方法，二是人工智能+信号优化的探索实践中遇到的问题，三是对 “人工智能+信号灯”的一些想法和思考。

一、人工智能+信号优化的方法

CHU SHU

主要包括几个层面的问题，一是路口级配时优化：数据驱动的供应标定与需求修正；二是区域配时优化，即基于区域车流规律识别的网状绿波协调；三是人工智能与专家知识的融合，基于流量路径交互的在线区域优化；四是区域划分管理，基于网络结构的和交通流状态的图分割模型，五是基于数据驱动信号优化评价。这五个点都是我们目前人工智能+信号灯的实践中重点开展的工作内容。

01

路口配时优化

路口级配时优化工作比较简单，因为单个路口配时相对简单。简单的流程如图所示，优化重点是能获取路口的交通供需强度，根据供需强度来决定路口信号灯的配时周期，以及各个相位所需的时间。这里采用的是数据驱动的方式，数据驱动涵盖两个方面，一是路口通行能力分析。二是路口交通流需求挖掘，最后我们把这些修正后的交通需求和通行能力结合在一起，考虑通用相位结构关系的配时方案来进行优化。

具体来讲，从通行能力的角度来分析，我们知道有很多传统理论，比如历史过车数据或者相位绿信比时间，来推导车道饱和流率和车道绿灯损失时间等等，现在有了大数据以后，可以通过数据的方式来去获取。这些数据的好处是，第一动态性比较强，可以知道该路口实时的动态信息；第二，其实每个路口的计算指标都是有差异的，并不是说每个路口都是统一计算理论，因此大数据可以更精确计算出每个路口的相位通行能力。

从路口交通流需求挖掘的角度，通过多元的数据融合方式，我们能知道车道流量，然后通过数据识别出口排队长度和进口停车次数，进而修正交通流量的需求，最后放到信号优化模型里，实现信号的最优调控。

02

区域级配时优化

我们在实践中也发现，如果只是一个简单的相位关系的话，不算是一个优化问题，一个公式计算就可以推导。但我们通常在实践中遇到的是各种复杂特殊的相位结构关系。举例说明，我们通过建立优化模型可以求解得到最终的配时方案。但其实，我们在实践中单位可优化的空间非常小，我们只是用它来确定周期和最大最小率时间，真正要去寻找的信号优化空间，还是要从整个区域网络关联性的角度来出发，怎么实现更好的优化和协调。

区域信号配时优化方法最简单的是单向绿波协调，如图所示。但其实单向配时协调并不是一个优化问题，只是根据旅行时间不断往前推导，这个几十年前就已经这么做，实际上对道路的通行效率总体提高并不大。

十几年前就已经有双向的绿波协调。双向绿波协调考虑两个方向，这是一个互相妥协的关系，就变成了一个优化问题，我们可以用优化模型和工具来进行求解。但在实践中，真正一个主干道车流从头开到尾的车流比例是相对比较小的，更多的从中间某个路口汇入，或者从另外一个点出去，是很多股车流的叠加。这样的优化方案看起来效果可能比较好，但在实践中发现通行效率并不一定有很大提高。

一个主干道路车流有四个方向，转向车流加进来之后，主干道就不只是两股车流，而是十几股车流，这些车流怎么去优化？这就需要建立更强大的模型来去解决这样的问题。主干道车流一开始一来一回像是一双筷子一样，那现在已经变成一个狼牙棒了。这里有很多的狼牙棒，代表很多车流方向，每个车流方向都有很多的汇入和汇出。一个区域里可能有几百股的车流，通过大数据能够掌握区域的车流规律以后，怎么去进行优化？

原则很简单，根据车流加权来看，每个流量方向的权重越大，车流越大，我们给这个方向车流的配套方案就越大。用优化模型求得一个全局自由、平衡，最后得到个区域的最优信号方案。

具体来讲，区域信号配时优化有两个很重要的操作步骤，第一是数据驱动，我们需要掌握区域的交通流量。交通流量具体包含车道路段的流量、路口的转向流量、OD的分布规律、车流路径和流量，掌握了这些流量以后，就可以做一个区域优化的模型。这个区域的优化模型，最关键是需要通过网络建模，包括路口间的网络，路口内的网络，来构建一个全局优化模型，最后以流量加权的最大绿波带宽来解决优化问题。

03

人工智能与专家知识的融合

在这个基础上，我们再进一步考虑的问题是，到目前为止，从单点到区域，都是用机器来考虑问题，我们也深知大数据或人工智能能反映问题，但是它还是比较机械的，如果你模型建好了，它能根据模型的目标得到最优解，但这里其实有很多信息并不一定能直观的体现，未来，我们会得到很多专家的支持，未来的交通是什么样的情景，我们也在研究和思索，怎么样把信号控制系统和专家经验结合起来。

我们最基本的想法还是回到车流，因为车流是一个很好的交互，计算机能够很好地去运用，我们的专家也能很好地去掌控和调控。如图所示，

早高峰需要减小南部区域的交通压力，要调控的话，就只需要把所有往南部去的车流量调小，然后重新优化，最后得到的优化结果就可以使得往南的车流适当的减弱。 比如我们基于车流调整的准实时优化方案，其管理需求通过调整OD/路径流量和转向流量比实现。所以通过这样的方式，可以让信号优化和专家经验在一定程度上进行有效结合，形成基于车流调整的准实时优化方案，通过调整OD/路径流量和转向流量比实现管理需求。

04

区域划分管理

如果把交通看成一个大型网络的话，通常一个城市现在都是上千或者几千个信号灯，所以我们需要分区管理，现在分区管理的方式都是根据人的管理经验来划分的，我们也经常在实践中看到，比如优化了三四个路口，绿波通行很通畅，但很容易产生一个现象，就是把车流都堆到分界点上，导致分界点产生排队或者拥堵状况。针对这样的问题，我们认为合理的区域划分是解决问题一个很重要的方式。在这个过程中，可以用到一些人工智能的地图模型来去做相应的建模和求解。针对这个区域网络的网络流，找到一个最佳的划分点，再根据交通流量进行调整。有了这样的划分管理，进行优化以后，区域交通网络之间就不会造成太大的问题。

05

区域信号优化评价指标体系

目前，信号优化实践项目还缺乏一种客观的评价机制，比如说我们是用实地跑车，或者是视频或数车的方式来计算排队。既然有了大数据，就可以用大数据的方式来产生客观的评估。比如，我们可以用几千辆车或几万辆车的规模来去做更客观的优化效果验证，来证明这个信号优化方案到底在哪些指标上有提升，或者哪些指标上还存在问题。在指标的设计上，从区域主干道和路口这几个层次，我们分别要进行相应的设计。每个最基本的设计在实践中也进行了基本的验证了，这在一定情况下是有效的，这个有效主要体现在，一是从数据的角度来说，可以客观地产生比较稳定的结果，二是从指标的结果来说，比较容易理解且比较能反映问题。这个工作我们还在探索过程中，很希望能够跟业界的同行专家和老师们一起来探讨更有效合理的评价方式。

把这些能力逐步沉淀下来，就形成了信号优化引擎。在这个层面，我们认为可以在一定程度上来解决一些问题。

二、人工智能++信号优化的探索

CHU SHU

01

人工智能++·认知

这个人工智能++，其实并不是在创造新的概念，只是在探讨是不是可以做得更智能一些。更智能怎么做？比如说，这个交通网络，从物理的网络结构来说是静态的，但如果我们把交通流量融合进去，视为一个动态的网络。在这里，我们想构建一个物理的交通网络，在城市大脑平台上进行一个定向，把物理交通网络的动态关系反应出来，这样就知道交通网络的路口之间和动态连接的长度关系。为什么要知道这个？如果知道区域内不同路口的动态连接很强，也就是交通流很大的话，那就把它们放在一起来考虑优化。如果两个路口虽然物理上离得非常近，但实际上路口之间的车流没有交集，那就可以把它分开来考虑。我们用这样的动态方式来分解优化这些车流。

举个例子，我们把杭州大约5000个信号灯路口的交通流信息和交通状况信息叠加到这个网络上，然后去学习和了解每个路口之间的动态连接强度关系，在这里，每一个点代表1个入口，基于每个时间段上交通流的强度，他们会动态组合在一起再分开。组合在一起的时候，我们可以作为一个区域来协同优化，分开的时候，它们之间没有太大的关联，我们就可以分开进行协调优化。

02

人工智能++·混合交通态信号优化决策

再进一步，人工智能还可以做什么？现在还有个没完全解决的一个问题，混合交通态信号优化。当我们看一个区域交通网络的时候，经常会看到某些路口可能是饱和或者排队的。这个混合交通态在空间上是动态变化的，这也是非常复杂的状况。针对这种状况，我们认为不应该用一个单独的方式去做，通常需要它、相邻的路口一起来协调。现在的做法，要么不解释这个区域处于什么状态，要么就是解决方法非常针对某一类的问题和解决排队的问题。针对这样的状况，要做的事情是用统一的模型来去求解，使得这个模型上既能解决拥堵路口问题，又能提升区域通行效率。

03

人工智能++·基于区域饱和预测的信号优化决策

其实每个区域已经做过很多大数据的分析工作，基于区域内在途车辆的历史数据，然后结合历史上区域的交通状态，再去分析出来相应的规律，当区域的车辆达到一个什么样的程度，会产生一个什么样的交通状态，掌握这个规律以后，再进行信号灯优化调控时，我们就可以实时监控这个区域的在途车辆。然后根据周围更大的区域内看车辆汇聚的程度。如果汇聚程度很可能超过它的临界点时，那就提前启动预警。通俗的说，在这个区域要达到承载能力之前，我们提前来去调控周围几级管控区的信号灯，来使得往这个区域汇集的车流在一定程度上得到抑制，这是正在解决的一个问题。

融合了人工智能++的信号优化工作，即从数据驱动的区域网络上的协作最关键的两个点，第一仍然是数据驱动。第二，要站在宏观网络角度来考虑信号灯，而不是把信号灯看成一个单独个体。如图所示，

这里的“分”指的是通过数据驱动和人工智能的方式，把网络合理的、动态的分解成不同的区域。“合”就是包括混合交通态区域信号优化决策和基于区域饱和预测的信号优化决策。

04

信号优化的人工智能+++问题探索

现在还有更多可以探索的东西。比如非公共周期如何协调，这项工作是非常复杂。包含其他的周期，比如半周期，三周期，1/4周期等等，还有没有可能做更灵活动态的相序优化，或者信号灯优化跟出行者的路径选择之间的交互关系怎么样？还有信号优化与组织优化的协同，这些都可以去进一步探索。在这个探索过程中，开始的时间并不长，目前也很难找到一个现实环境下的真正试验场。所以最好的办法也许是通过仿真环境的方式先去求解，然后再去看有没有真正适合的实验环境。

三、人工智能+信号灯的方法思考

CHU SHU

我先来介绍一下我们在实践中积累出来对人工智能的理解，人工智能是一个好东西，但是它并不是万能的，我们认为，人工智能和交通工程、交通理论同等重要。

从信号优化问题的角度来说，它们有不同的内在逻辑或者方法，比如站在传统交通工程的角度，我们会讲关键路口，讲协调方向，主干道理论模型和经验参数。有了大数据以后，很多都可以用数据的方式，自动得到一些参数。而站在另外一个比较极端的角度，如果只是人工智能来做优化，它不会去理解这个领域的知识，它只会判定，做对了奖励，做错了惩罚。这种情况应用到实践中，我们一天可能被奖励或者惩罚几十亿次，所以这也只是在特定场景下，它才是有效的。所以我们认为交通工程和人工智能都同等重要。我们选择什么样的方案，取决于我们的现实条件。当我们的数据非常完备，或者当未来是完全自动驾驶状态，不用考虑非机动车和人的时候，那可以完全用人工智能的方式，这也许是可行的，但目前我们还没有达到那个状态。

最后总结一下，我们所做的实践和探索。从“知”的角度，大数据已经能提供超视距、预感知和动态感知的能力。在“行”的方面，我们可以把人工智能的能力发挥到极致，结合交通理论，交通工程，能让信号灯在一定程度上突破现有的做法，达到最优。最后再提一点，我们现在在做的这个事情，实践应用只有两年，还是比较有限。

虽然我们的工作已经沉淀到数据融合引擎、控制优化引擎、实时仿真引擎中，但相信这个领域还有非常多可以尝试和探索的地方。也许大家有了同样的数据以后，可以比我们做得更好。很希望将来大家都能在这个领域里一起探索以及合作，让交通信号灯和交通变得更好更优！