余志教授
中山大学智能工程学院教授、博士生导师
一、开篇
信号控制问题其实是我最不敢讲的主题，原因有三。第一，在交通领域，我最不懂的就是信号控制。讲大数据、图像视频处理、AI，我的底气都更足些；第二，我认为信号控制是最难的；第三，现在谁都可以谈信号控制，而且公说公有理，婆说婆有理，所以是一个很难讲的主题。
交通系统优化与控制的基础，其实就是讲能力、需求和状态。我斗胆用基础交通理论的视角来看，怎么解决交通问题？
我将分享四个方面的内容。第一，掌握供给与需求，是求解交通问题的基础，我将从传统交通理论说起。第二，如何掌握需求和控制？我认为，认知每一辆车的每次出行，是掌握需求和控制的基础。第三，和大家分享，这两年我们从宣城到上海的应用情况，归纳为全量认知、广域赋能。第四，我也总结了一个新模式，和大家分享讨论。
二、掌握供给与需求，求解交通问题的基础：从传统交通理论说起
（一）回顾：交通信号控制的数据、目标、算法
2017年在无锡年会，我第一次分享的题目是“浅议交通信号控制的三要素——数据、目标和算法”。我当时得出一个结论就是，根据实际可采集的数据情况，来决定控制目标，由目标生成成熟的算法。目前我没有看到谁有很厉害的算法，只有在有数据条件的情况才能支持。
也就是说，要做好控制必须有完备的数据、合理的目标、成熟的算法。我没有看见谁有很牛逼的算法，只有满足数据条件才能支持。
图12017中国智能交通年会演讲主题
（二）交通系统优化与控制的三大要素及其关系
在这个基础上，我再来讲清楚为什么数据决定目标和算法？这取决于我们对需求和能力的认知，以及它们之间的状态关系，是解答交通问题的三要素。
路网结构和信号控制决定通行能力，OD和路径决定通行需求。其中路径不是由系统选择的，是由驾驶员决定的。所以驾驶员决定的需求，然后直接导致交通状态。
好多年前无锡所让我写一个短篇，当时我提到交通的“四态”，也就是不拥不堵、拥而不堵、因拥致堵、不拥而堵。但有时候很多人连“四态”都没有搞清楚，是有原因的。
图2交通系统优化与控制的三大要素及其关系
搞清楚“四态”的前提是，要在时空维度了解能力、需求，才能推导状态。
从空间来看，就是宏观、中观、微观，包括路口、路段、区域和停车场四大要素，从时间来看，历史、现在和未来，包括短期、中期和长期。
（三）拥堵四态：不拥不堵、拥而不堵、因拥致堵、不拥而堵
从这张图也可以看出来，A状态是不拥不堵，也就是流量较小，速度较高；B状态是拥而不堵，也就是流量较大，速度中高，这是交通控制最好的状态；C状态是因拥致堵，也就是流量较大，速度较低；最糟糕的是D状态，流量较小，速度又低。
出现D状态一般是两种情况。一种是本身需求很小，但堵住了，多是因为事故导致的；还有一种情况就是交通是典型的非线性特征，也就是抛物线。我们对非线性这个词一定要敬畏，凡非线性意味着我们没办法求解，导致当需求增加，流量没法再增加甚至下降，这是交通难题的本质，我们不要挑战这个事情。
图3拥堵四态
（四）传统单点信号控制是基于三要素关系的求解
交通系统和其他系统不同，有些系统需求不断增加，但流量和供给都可以保持稳定。比如电信系统，光纤可以按照通信的最大需求去提供。但是道路不能无限度扩建，这是最难的。
但是要解决交通问题，就必须知道流量、需求和状态的关系。比如最简单的例子，信号控制的点控。我好多年前做信号控制，我就去研究这一个点的控制规模。目前我们用的最多的，就是分时段周期控制。分时段周期控制背后的基础是什么？是日复一日，流量和需求都是重复的，并且是同等的，意思就是今天早上8点和明天早上8点的需求是一样的，所以我们用同样一个周期。到12点是另外一个需求，我们再改变一个周期，这是分时段控制的基础，基于需求和能力的调配来决定的。交通给了我们这样的财富，节假日、休息日、非休息日有非常高的重复需求和状态，基于此，才能周期控制。
图4点控方式
第二个是感应式控制，是现在行业谈的最多的方式。简单说，就是车来了，就让你走。其实它是基于对需求的认知，在2秒或5秒内有一辆车要来？或者有几辆车要来？当我们知道这个需求，可以在合理的相位中，在合理的时间里延长3-5秒，让车通过。无论是线圈、视频监控还是用雷达，甚至是最传统的警察来引导，都是先对需求进行认知，才能对能力进行掌控。
图5感应式控制
第三个是自适应控制。自适应控制就是以周期为范围来动态调整，当车来的时候，根据数量需求，来调配能力，实现动态控制路线。
图6自适应控制
（五）基于流量检测无法求解区域控制问题
需求、能力和状态三者关系是传统理论的基础，不是新事物，但没有被真正掌握。传统的这些方法，为什么好用？是因为传统的检测，包括统计意义上的评估，都能迎合或符合需求的认知。因为有了认知，我们才能根据需求来调控状态。
现在行业很多人都说自己有很厉害的区域信号控制，但实际上没有人做，因为这是一个不可解的问题。特别是以线圈流量为感知能力的，没有办法求解一个区域信号多交叉口区域范围的信号组织能力问题，找不到它的最优匹配的最小解，数学上不可解。我想说的是，我们不要挑战数学和挑战物理。我认为要解决交通问题，需要清楚个体需求OD和路径，归根结底是要掌握过去、现在、未来每一辆车的每一次出行。
图7面控方式
这是我讲了很多年的例子，从图中的O到D，有四条路径，在每一条路上放一个流量传感器，检测率就是100%，但是没有办法通过这四个检测，来判断从O到D是走了哪条路径？这是著名的四路径问题，在这个方程里，要四个约束才能完成求解。传统的交通人也很聪明，就天天假设各种概率和分配模式，然后找出所谓的解，这都是没有用的。但如果我们是检测车牌或者身份，同样这四条路，我们只要装两个传感器，就能完全清楚是走了哪一条路径，知道路径才能求解。而且只有当我们大量掌握80%、90%路径的情况下，我们才有可能求解区域控制问题。
图8“四路径”问题
（六）准确的需求，来源于每一辆车的每一次出行
总的来说，我认为所有信号控制优化的基础是掌握需求和能力。能力比较好掌握，路网就在那里，信号也是可控的，那么主要就是解决如何认知需求。只有我们真正掌握了过去、现在和未来的需求，我们才有可能求解交通问题。如果是完全自动驾驶，那么需求就是完成清楚的，交通问题也是可解的，这是由数学决定的，那么交通效率一定有很大提高。
图9准确需求的条件
三、交通信息物理系统：认知每一辆车的每一次出行
（一）构建交通信息物理系统：可计算路网+个体行为活动模型
于是，我重新定义交通认知的基础是掌握每一辆车的每一次出行。本着这样的理念，我在过去5年做了一个尝试，就是把要计算的任何一个城市封闭起来。第一是确定城市所有的边界道路和市域边界，在城市交通信号控制系统或指挥系统中圈起来，比如上海就有130条边界道路。
图10封闭的城市可计算空间
第二是把每一条道路的标志标线变成可计算的，把通行逻辑放在计算机里面。不同于电子底图，在系统中的可计算路网是讲数学逻辑的，例如实线不能变道，虚线可以变道；也不同于GIS，GIS只有空间管理坐标，没有交通行为关联矩阵。但我们这个系统有两个矩阵，一个是空间坐标矩阵，一个是交通行为矩阵，这样才能计算，比较接近现实的仿真系统。
图11计算单元
那么，第三个问题又来了。驻停的车辆怎么算？我们不可能把所有停车场都接进来，也没有所有停车场的数据。在道路清楚、边界清楚后，我定义了虚拟停车场，凡是边界围成的地方就是停车场，这个计算是有误差的，因为车辆进了虚拟停车场也可能在开车。但在系统里是驻停的，这也没关系。我构建了一个封闭的计算空间，这样一来每一辆车在这个封闭空间里只有三种状态，要么离开了这个城市，要么是在城市道路行驶，或者是在任何的虚拟停车场停着。这行驶的每一辆车必须具体到你是谁？你在哪里？你在干什么？我是一辆一辆的算，先不算算不算得准？算不算得准和理论无关，跟数据有关系。
图12虚拟停车场
（二）IDPS是交通感知、认知、赋能系统
总的来说，就是在以可计算路网、城市边界出入口、虚拟停车上构成的封闭计算空间中，个体化认知每一辆车的行驶和进停等动静态体征，然后在数字孪生环境下，掌握每一条路口、路段、停车场、区域的宏微观交通状态，由此形成人、车、路高度协同的一体化道路交通管理新模式。
图13IDPS系统架构
（三）从理论到实践：从宣城到上海
2017年我到宣城做交通。很多朋友给我留了一句话说，余老师你找到一个桃花源，小宣城可以，但大城市不行。2019年我来到上海，现在还有朋友问我，余老师，你做了几条道路？我干的这么一件事，不是几条道路，是整个上海市共1.9万公里，一条不落。从2019年到上海，我心里早就知道，这个理论城市规模越大越好用。
我不是为上海人做广告，但我确实很感谢他们，他们挺伟大的，愿意顶住压力，让我做风险这么大的尝试，我也推荐大家去上海看看系统。
在宣城，我们用日均220万条数据掌握了日均8万辆车的28万次出行。基于可计算系统，现在我们在上海用日均6亿多条数据认知了日均445万辆车的1440万次出行。
图14从理论到实践：从宣城到上海