滴滴信号灯优化的秘密 | 权威解读_业界动态_极速快3规律
公司网站:www.hn3L.com

  • 访问三联
    手机网站

  • 关注三联
    微信公众帐号
 
当前位置:> 首页 > 业界动态
 
 

联系我们

Contact Us

行 政 部
0379-62370778
0379-62370779 office@hn3L.com

人力资源
0379-60108980  hr@hn3L.com

项目管理
0379-60170001 project@hn3L.com

业务拓展
0379-60170008 market@hn3L.com

实训部
0379-62370775
0379-62370779
PT@csiply.org.cn

CSIP运管中心
0379-62370778
0379-62370779 csiply@csiply.org.cn

北京办事处
010-53606092
010-53606093
beijing@hn3L.com

紫金城
洛阳市西工区王城大道纱厂西路北洛阳市软件公共技术服务平台2楼

北京办事处
北京市苏州街人民大学附近大行基业大厦19楼1908室

滴滴信号灯优化的秘密 | 权威解读

发布时间:2018-04-11 供稿人:河南三联

 

交通拥堵是大城市人人头疼的“城市病”,也是交通管理部门遇到的难题。比如,你刚驾车从一个十字路口经过、快到下一个路口时红灯亮起,只能等待新一轮绿灯的到来,既延误了交通出行时间,又降低了整体道路上车辆通行的速度。是的,你每天都能遇到的信号灯该优化了。


在今年交通领域顶级峰会TRB(transportation research 

board)交通运输研究年会上,滴滴智慧交通团队在现场分享了一篇论文,题为Traffic signal optimization using crowdsourced vehicle trajectorydata(《基于轨迹数据的交通信号优化》),介绍了以轨迹数据驱动的智能交通信号监控和优化系统。

   

基础数据:持续可靠且低成本的数据渠道

交通信号控制系统的高效有序运行对于城市交通管理来说至关重要,而大部分的信号控制方案很长时间才更新一次,有时候长达三到五年,这就直接导致了低效的交通信号运行以及不必要的交通拥堵。一个主要原因就在于缺乏交通数据的采集成本太高。


目前,实现交通信号优化的数据来源主要有两种渠道。第一种渠道是交管部门埋设在道路基础设施里的车辆检测器,需要花费大量资金购买、布置,并易受到损害;第二种渠道是来自以滴滴平台为代表的网约车车辆轨迹数据,即使在低渗透率(1%-10%)的情况下,也可反应出有效的交通信息,并被利用起来优化交通信号,是一种成本低且可持续使用的数据来源。


轨迹数据在优化交通方面可以怎样使用?首先,用轨迹数据来估计交通流量,并重构全局交通信息。滴滴构建了TS图来评价六个交叉口的信号协调的表现。

图1 根据滴滴车辆轨迹生成的时空图(左)以及根据交通模型估计的全量车辆轨迹的时空图(右)

   

1为一个样例,横轴表示时间,纵轴表示距离。图中的轨迹表示车辆向下游方向行驶,轨迹中平坦的部分代表车辆停车加入路口排队。左图显示了滴滴车辆的原始轨迹,右图显示了所有车辆的估计轨迹,其中包括滴滴车辆和普通车辆。通过与卡口所采集到的数据进行直观对比,滴滴的轨迹数据在平均误差方面仅为8.6%,也就是说准确率高达91.4%。这也意味着,交通信号优化终于找到了持续、可靠且廉价的数据渠道。

    

优化方法:感知+评估+优化+实施的闭环系统


有了持续可靠的交通数据作为可靠基础,就可以对信号灯系统进行优化。仅需利用滴滴上的轨迹数据作为唯一的数据源,便可构建一种闭环的智能交通信号监控和优化系统。整个循环的迭代过程包括:感知、评估、优化、实施这四部分

 

 

图2 闭环的评估优化过程

 

具体的方法则包括交通需求预估、轨迹可视化、参数优化这三个步骤。首先要做的是交通需求预估,只需使用已有的历史轨迹数据即可。经过实践证明,即时是在很低的渗透率,如1%到6%,用车辆轨迹数据对交通需求进行预测,也可达到一个不错的精确度。其次要做的是轨迹可视化,即根据轨迹数据生成时空图以及延误图表,让交通工程师可以直观地了解各个路口的具体交通情况。


最后要做的是参数优化,细分为时间段划分、周期时长与相位差优化两个步骤。所谓时间段划分,最典型的方案是分为早高峰、晚高峰、平峰这三种时段。至于周期时长(本次绿灯到下次绿灯的总时长)和相位差(相邻路口绿灯的时间差),则对主干道的信号协调有着意义深远的影响。


对于不饱和的路段,相位差和周期时长采用经典的组合方法来优化;对于过饱和的路段,扩大绿波不再是主要目标,而是将过饱和带来的影响最小化。为了减少红灯信号期间的溢流所导致车辆停在十字路口区域,优化效果还需要确保当红灯信号开始时,交通流能够移动而不是在路口中心排队等待。

 

此外,根据车辆延误还可识别过饱和度。如果车辆延迟超过一个信号周期,可能是由于相位过饱(绿灯时间不够)所导致的,这时候就需要针对绿信比(绿灯时间占比)进行优化,并优先考虑主干道和高流量相位。如果不是过饱和的车辆延误,那么目标就是平衡流量/通行能力的比率。基于这两个规则,就可以构建最终的绿信比优化模型。

 

落地案例:交通延误指标降低27.85%

济南曾经是全国十大拥堵城市之一,特别是经十路交通堵塞情况比较严重。为此,滴滴团队采用上述方法对这一重要道路的信号配时进行优化。首先选择沿路的六个交叉路口进行调查,使用轨迹数据估算交通量,然后与卡口采集到的数据进行对比验证,平均绝对百分比误差仅为8.6%。之后,选择早高峰、晚高峰、平峰三个时间段,对信号配时方案进行优化,前后对比如表1所示。

 


可以看到,优化之后的信号灯,在实际应用中改善了绝大部分的延误指标,其中晚高峰时段的主干道延误指标降幅最大,为21.87%。整体来看,在大众最为关注的早晚高峰期,道路总体延误指标均降低了10%以上。效果最好的是红灯溢流车辆,也就是信号灯变化后停滞在交叉路口的车辆数量,减少了80%以上。


另一个落地的案例为纬十二路,前后变化情况如下:



需要指出的是,在纬十二路上,滴滴对早、晚高峰两个时间段的信号配时做了优化。从实际表现来看,早高峰时间段,干道延误指标降低了27.85%;晚高峰期间,干道延误指标减少了13.3%,交叉口延误指标也降低了8.98%。


可见,滴滴海量轨迹数据在交叉口信号控制方面的应用,确实为缓解“城市病”提供了一种行之有效的解决路径。

 

 

电话:0379-60108890  邮箱:office@hn3L.com
地址:王城大道与九都路交叉口王城商务楼11层
豫ICP备13011333号-1 Copyright 极速快3规律 版权所有