“實際上我國擁有各種很好的信號控制系統，包括SCOOT、SCATS，但是沒有一個系統真正發揮了作用。”9月20日，在云棲大會“城市大腦智慧交通專場”上浙江大學智能交通研究所所長王殿海教授發表主題演講時曾表示。

王殿海教授還強調中國經過30多年的跟蹤、引進、消化、吸收、創新過程，有一些自主開發的典型高端產品在功能上已經不遜色于國際典型品牌，甚至在有些方面更具特色。并指出了我國信號控制系統存在的數據問題、交通問題和基礎問題。

以下為王殿海演講全文，未經本人核實

信號控制從1868年至2018年，已經走過了150年的歷史，這150年的歷史我們總結出了比較有特點的時間節點，比如1868年燃氣信號燈問世，到2018年的今天我們用到了AI，技術上的變化可謂翻天覆地。

中間的幾個階段，比如1917年美國鹽湖城開始使用聯動式信號系統，六個路口聯動;1930年美國、英國產生了氣動橡皮管式的車輛感應信號控制器動態數據;1970年SCOOT系統開發應用，動態數據開始大規模應用。

中國是上世紀80年代前后開始跟蹤、引進，截止到今天，我們經過30多年的跟蹤、引進、消化、吸收、創新過程，有一些自主開發的典型高端產品在功能上已經不遜色于國際典型品牌，甚至在有些方面更具特色。

下面我們梳理下交通信號控制的發展脈絡，我認為要想梳理清楚交通信號控制的發展脈絡關鍵是數據。

我們今天就以數據為線索，現在多個企業在做城市大腦，有多個城市在實踐應用城市大腦，在城市大腦中有多個版本，我參加的城市大腦評審就有好幾個版本。

那么，有了城市大腦以后，是不是就有了數據，是不是就有了智能的方案和無堵的交通?如果行，我們行在哪里;不行，又不行在哪，所以今天我們應該梳理交通信號控制的發展歷程、當前條件和未來走向。

說到城市交通信號控制系統的三個點，我認為是策略、數據和算法。數據在這里是線索，實際上策略是核心，一個城市交通控制的關鍵是看我們的策略，而策略需要數據來支持，策略的實現又需要靠算法來支持。

所以策略、數據和算法構成了這種三角關系，這種關系的目的是安全、效率和公平。這里需要注意，“公平”也是非常重要的，當今提起信號控制似乎是把“公平”忘了，我們說到信號控制似乎總是在想，如何做道路的效率會更高，如果做才可以讓車跑的更快。

數據在這里起到很重要的一個線索，下面我想從這么幾個階段講一下信號控制系統是怎么變化的。過去無數據，然后有了靜態數據，后來是斷面無標識動態數據，再后來是斷面有標識數據+離散斷面抽樣數據，將來可能是移動目標全標識數據。

無數據是信號控制的早期階段，比如說上個世紀30年代、20年代，甚至是50年代前都是沒有數據，但那個時候的控制策略實際上是動態，單點。因為那時候信號控制大部分是手動的，是無算法的，是真正的人工“智能”!“人工”是指手動，“智能”是指人腦。

優點是實時，兼顧多交通方式;缺點是人工操作，無法實現聯網控制，效果因人而異，有經驗的人就可以做的很好。社會價值上，這是早期的主要方式，現在仍有臨時應用，包括我們特大城市在內，還是在人工操作。

靜態數據有幾種數據，包括人工調查數據、設備采集而不能聯機優化的數據。靜態數據可以做定時的控制方案，單點和協調也可以做到，靜態數據的初期都是這么用。算法上來看，計算PI：排隊、延誤、通行能力等，PI是優化目標，優化參數是周期、綠信比、相位差、協調子區。

這個時期的算法簡單，系統穩定，這是它的優點。缺點是數據易老化，方案固定，對交通流的波動適應性差。社會價值來看，這是20世紀中期的主要方式，現今仍有大量應用，多數城市是現代控制系統降級使用的后果。

transyt系統實際上在美國用的特別多，上個世紀后半期一直在用transyt系統，其實好多國家都已經開始用動態控制了，但美國一直在用transyt系統，那么transyt系統這個特點是這樣的，他是一個靜態數據的配時，是脫機仿真優化。

那么控制策略上來看，他是定時式網絡優化控制。在算法上，是計算PI，計算綜合指標，主要考慮停車、延誤、油耗等參數。那么PI值實際上到現在來看，建模仍然是難點。

參數優化，關鍵是周期、綠信比、相位差、控制子區這四個參數，不同交通流條件下各參數與停車、延誤、油耗的定量關系建立是核心。那么相對差的優化，在transyt系統中，用了爬山法。

效果上，應該說transyt系統的研究思想和優化思路影響深遠，盡管目前已經落后，但實際上至今很多工作我們并沒有完成或實現。

再說斷面動態無標識數據，移動目標具體指的是車輛，比方說過車數，我們可以統計成流量、占有率、速度，但是我們不知道，這個車是誰?這種就是無標識，那么在無標識時代，主要傳感器，就是線圈、微波、地磁、雷達等等。那么這些數據采集主要就是流量、速度、占有率。

一般來說單線圈，做速度還不是很準確，雙線圈還準確一點，這個數據在我國有一段時間已經在大量使用，目標其實是一樣的，就是安全、效率和公平，但是這里的目標可擴充。由于我們有了網絡動態數據，其實我們的目標，不一定是傳統控制上的目標，我們的效率或者說我們的組織目標，都可以擴展，關鍵是看我們怎么使用這些數據。方式上，這種數據情況下使用的最多的方式是自適應點、線、面的控制。

算法上也是計算PI，因為這個好多的算法都是在transyt系統上發展起來的。參數優化還是周期、綠信比、相位差、控制子區這四個。

從優缺點來看，優點就是他是網絡控制，系統性強，對交通流的波動適應性好，缺點是對傳感器的依賴性高，對發生的位置比較敏感，還有對混合交通缺乏數據，以及過飽和交通控制效果不佳。

社會價值，這種數據所代表的相應控制系統，是當前的主流模式，在我國大城市、特大城市，周游城市普遍采用，但由于多種原因，導致現在的系統是降級使用。

比如第一個典型系統SCOOT，SCOOT系統現在已經漸漸退出我國市場，但是我們不能說，這個系統不好，這個系統可以說仍然是當前情況下最優秀的系統之一。這個系統的特點就是，網絡實時自適應協調，采用的是固定子區，傳感器(線圈)布設在上游的斷面附近，可檢測測量排隊，實施排隊控制。

從策略來看，他是在transyt思想基礎上發展起來的，算法上，主要有幾個特點：

第一，是擁擠度指標，在不同的擁擠度下采用不同的策略;

第二，交通流預測成為核心;

第三，參數優化采用小步距，勤調整策略，比方周期2-5分鐘，綠燈長大概4秒鐘，從這個角度來看SCOOT系統是非常靈敏的。

效果評價，SCOOT系統應該說是當今優秀的信號控制系統之一，但是他對數據要求比較高，對混合交通控制思想，他沒有策略，或者說策略較少，這樣情況下在我國就不是那么好用了。

下面說第二個動態交通系統SCATS。

SCATS應該說在我國使用較多，很多城市都在用，那么這個系統的特點也是網絡實時協調自適應配時，但他是方案選擇式，SCOOT是方案生成式。SCATS特點是線圈布設在停車線附近，這樣的情況下就要檢測車流，關鍵是檢測占有率。用占有率做綜合飽和度，所以說他這個綜合飽和度是很重要的，這個控制系統也是小步距調整。

SCATS和SCOOT最關鍵的分歧，在于SCATS是方案選擇式，SCOOT是方案生成式。

在算法優化上，SCATS是以飽和度為核心，控制系統里面不分大小車，只分占有率和時間長短，這樣的情況下不同的占有率，可以綜合成不同的車，所以說綜合飽和度很重要。那么綜合飽和度的幾個參數，像周期、綠信比、相位差他是按照一定的規則來選擇的。

那么他的控制效果是很好的，我們到澳大利亞一些城市，可以看到他的控制系統比較靈敏。比如說有的城市我們可以看到沒車的時候，立刻變成紅燈，等有車了，一會就變成綠燈，應該說效果是蠻好的，在我們國內，SCATS是占有率最高的外國控制系統。

下面說說我國的情況。

我國現在信號控制市場比較混亂，現在各地使用的信號控制系統繁雜，甚至同一個城市使用多種系統，系統水平、特點差別較大。比如有些地級市，100多個信號燈，竟然有9個信號控制系統。

我國幾個代表性的高端產品，能夠實現網絡實時協調自適應配時，但是也仍然存在著問題。

除了具有國外產品同等功能外，國內典型系統還考慮了非機動車交通流控制策略、平衡控制策略。

那么在我國目前存在的問題是什么?

第一個就是數據問題，一個是在獲取的層面上，其實我們國家傳感器布設密度低，有的信號交叉口有，有的信號交叉口沒有，還有傳感器損壞率高。應用層面上的問題，數據閑置，數值高擱這樣的問題到處都是。

第二個是交通問題，一個是擁堵問題擁堵到一定程度以后，我們傳感器就失去了作用，比如說我們SCATS系統，把線圈埋在了停車線上，四個方向都是滿負荷的，怎么判斷，沒法判斷了。包括SCOOT系統，當車隊上線到排隊檢隊器上，所有的方向都在排隊，還怎么做，沒發做。

另外是混合交通問題，我們對行人和自行車的數據，一無所知，沒法做。還有不規范交通，破壞了我們這個系統，比方說我們的左轉車，直行車，還有電動自行車闖紅燈等等問題，把我們系統設計好的一些算法，都打亂了。

第三是基礎問題，現在我們國家在做信號控制系統的時候，其實我們很多基礎性工作不充分，比如我們的渠化。還有基礎工程不扎實，基本理念不成熟。還有一個運維問題，我們缺少專業隊伍，我們誰在管這個信號控制，比如交叉口由警察來管，交警來管，一個交警支隊就兩三個人可以管信號配時，成千上萬個交叉口怎么做，做不來。

包括像上海，我們調研的時候，他們也提出這個問題，隊伍不足。

還有一個是應用評價，實際上我們擁有各種很好的信號控制系統，包括SCOOT、SCATS，但是沒有一個系統真正發揮了作用。現在需要創新，包括大學、企業都需要創新，但是更需要把我們已有的系統用好，我們投入巨資建成的系統，還沒有用好。

下面說離散斷面抽樣。

這是我們GPS數據，這個數據特點就是，大范圍、動態離散點數據、小樣本。那么這種數據對控制系統作用是對無實時動態數據系統的數據補充，方便系統運行效果評價。

優點就是，這個數據不需要投錢了，高德、滴滴可以給你了，那么這個數據我拿來就準備要用，其實我們交警已經有了很好的數據系統，自己沒用好。

缺點是需要樣本積累，因為你數據采用率低，所以需要積累，把一個月的，幾天的，一星期的打進去，然后看規律。既然是這樣，就需要參數推算，不是直接給出來的，因為數據量不足，不能形成實時動態方案，但是做靜態方案是可以的，這樣的數據與已有信號控制系統融合困難。

再說車輛有標識數據。

催生新一代交通信號控制系統，就是當前可以研發的。數據特點是：

我們的斷面有標識車輛數據，是指視頻和電子標簽，這樣我們的車輛數據是有標識，但是非機動車和行人的數據現在還沒有，GPS數據還是離散斷面抽樣。那么數據挖掘的價值還是比較大，比方說我們通過車輛大樣本軌跡，挖掘OD、排隊、延誤，停車次數，駕駛員的偏好等。如果我們把這些做下來，可能我們的控制系統，原來的算法，原來的策略就都變了。

控制策略提升方面，比如說在網絡自適應控制方面我們可以提升到，數據+模型雙驅動，原來我們是模型驅動，現在我們能做到數據、模型雙驅動，還可以增加網絡平衡控制。

那么我們控制就可以達到，控制+誘導。在算法層面上，數據挖掘、PI計算、參數優化還是要做的，還有部分人工智能技術。

那么這個問題就在于，由于缺少非機動車交通流數據，不能實現完全的智能控制。

那么下一個試點，可能就是全方式數據。

這個時候我們可以說是未來可預期的，這個數據特點大概是，車輛和斷面有標識，有視頻數據和電子標簽。

非機動車數據是可見到的，比方說阿里云要把這視頻做好了，數據做好了，人臉識別可以做到每個人，如果人臉識別可以分辨出人的數量、自行車的數量和方向運動模式就行了，那這個時候，我們的GPS數據還是有的，那我們這個時候控制車輛還可以提升到以人為本，主動控制。

像之前我們所講的控制都不是以人為本，以人為本就是我們控制對象直接具體到人，而不是車，其實我們控制的目標不是控制人是控制車，如果要是變成控制人，以人為本了，那我們就可能是信號控制形成規劃和形成服務結合在一起。

那么這個比誘導可能更近一層，做到行程規劃，所謂的路權規劃，這個在算法里面看就是精確的出行需求預測是核心，因為我們人能看到，車能看到，就把每個人和每個車的出行規律找到，找到以后，出行服務就可以告訴你如何出行，我認為那個時代可以做這件事。

這樣的情況下，我們人工智能技術會提升一步。

再下一個時代，是未來可以想象的。

可以想象的是車聯網時代的到來，車聯網可能十年、十五年，或許更長時間才能實現，如果在城市真能實現了車聯網。其實那個時候我們可以人聯網，每個人跟蹤，每輛車跟蹤，這個時候就是移動目標全部識別跟蹤，這樣情況下是個全息時代。

到了全息時代，我認為，智能控制可能就到了他的天地，但是無論是多優秀的智能控制，沒有人的策略是不行的，但人的策略可以加到智能控制里面去，這個時候就是以人為本，主動控制。所謂的主動控制，就是信號控制+行為控制+方式調節。

甚至那個時候會建議你坐地鐵，還是開車，還是步行，就不是說給你信號燈的問題，就達到了全局控制或者全域控制。

最后，我的結語就一句話：數據拓展控制策略，提升控制效果!

(新媒體責編：wb001)