一、概述
十九大报告明确提出贯彻“交通强国”新发展理念，意味着我们将在新时代开启建设交通强国新征程。加快推进综合交通、智慧交通、绿色交通、平安交通 “四个交通”建设，以“五新”全面落实党的十九大精神。
城市交通以“畅通有序、文明和谐”为运行目标，是城市经济、文化、生活品质发展的重要基础和保证，而实现该目标离不开智慧交通的坚实基础支撑，进一步提高城市现代化水平与竞争力。截至2017年12月底，南京市机动车保有量已达256万辆，其中载客小型机动车197万辆，同比增幅为11.4%，主城区常住人口日出行总量超过1000万次。道路设施与公众出行需求的矛盾日益突出，部分交叉口在部分时段交通需求严重不均衡，全市高峰时段多个区域出现较为明显的拥堵现象。通过分析发现，南京主干道占全市道路里程48.18%，但是仅分担28.9%的车流量，而城市快速路里程虽然仅占全市道路里程3.2%，但是承担了全市23.2%的车流量，全市路网交通量分布不均衡，快速路车流量严重饱和。
目前，南京正在逐步完善各类道路交通信息采集系统的建设，逐步实现传统的交警自有数据和外部互联网、手机信令数据的融合应用。并利用大数据、人工智能等技术深挖城市路网内车辆运行规律，以支撑各类环境、场景下的交通信号优化工作的推进。因此，南京市公安局交通管理局联合南京莱斯信息技术股份有限公司、阿里云计算有限公司、南京云创大数据科技股份有限公司开展基于人工智能技术的道路交通信号控制技术研究。主要包含道路交通状态识别、交通需求预测、信号智能控制以及效益评估反馈等内容。本文以信号控制优化为核心，阐述基于UGIS静态数据，电子警察、正向雷达、互联网、手机信令等动态数据的交通流运行规律分析技术。
二、交通状态识别的基础分析模型设计
传统的交通流分析多以单路口、存在性数据分析为主，对交通流的连续性、路网内车辆的运行规律分析较少。且城市GIS数据在以往的应用中也多以展示为主。因此在研究过程中以城市地理信息系统（Urban Geographic lnformation System, UGIS）为基础，通过将交通流检测数据与UGIS数据相结合进行更全面的交通流参数分析。
（一）城市地理信息系统（Urban Geographic lnformation System）
城市地理信息系统（UGIS）是将反映城市现状、规划、变迁的各类空间数据（如地形、地貌、建筑、道路、综合管线等）以及描述这些空间特征的属性数据通过计算机进行输入、存储、查询、统计、分析、输出等的一门综合性空间信息系统。基于UGIS，在传统的路网数据基础上细化道路交叉口的各项设计参数以精细化研究路口交通流运行状态。
（二）基于数据特性的分析单元设计
动态交通信息不仅包括公路和城市道路上所有移动物体所具有的特定信息，诸如车速、车型、车流量、道路路口状态、非机动车和行人的状态、突发事件等，也包括这些信息与历史数据的对比分析，从而判断它的趋势变化。从先进的交通管理系统（ATMS）角度分析，动态交通信息按数据来源可以分为以下几类：
（1）按信息采集时间：历史数据和实时动态数据；
（2）按信息特点：定性数据、定量数据和图像数据等；
（3）按信息采集系统的不同：交通流检测系统数据、电视监视系统数据、视频检测系统数据、浮动车采集系统数据和人工报告数据；
（4）按信息类别：流量数据、车速数据、占有率数据等；
（5）按信息采集的方式：固定检测器数据、移动检测器数据。
研究过程中，主要针对正向雷达、电子警察两类交警自有数据，手机信令和互联网外部数据进行综合分析。根据各项数据的基本特点和UGIS的特性，按照车道级划分出下游出口道、路口、进口道渠化段、路段、上游出口道五维空间的数据分析基本单元，并根据各类交通参数检测设备和数据特点进行动静态数据匹配关联。
通过动态数据分析基本单元对进口道渠化段内各车道的车辆到达、消散，路段内的拥堵、排队以及上下游出口道内的车辆占有等状态进行识别预测。并根据路口间（含长路径）的行程时间、平均速度、OD变化等状态进行识别和预测。
（三）多元数据特点分析
目前在研究应用的数据主要有正向雷达数据、电子警察检测数据、互联网数据和手机信令数据。不同特点的数据通过基本分析单元映射至UGIS，并根据各项数据特点进行交通参数统计分析。
正向雷达数据能够检测进口到渠化段内各车道多断面的过车数据、各车道排队数据和下游出口道内的指定区域内指定位置的断面过车、各车道排队数据。
电子警察数据能够高效的采集过车数据，通过关联分析能够刻画出路网内车辆运行轨迹，通过时空分析能够描绘路网内交通密度变化的时空图谱。
互联网数据能够快速的反映数据分析单元内各空间的交通流运行状态、平均延误时间以及路径和区域内的行程时间和平均车速等特点。
手机信令数据主要是用于分析出行的OD点，通过拟合电子警察检测数据，能够对关键路径、关键车流进行更高效的时空预测。
三、人工智能技术在交通状态识别和预测中的应用
由于交通系统具有强随机性、连续性、拥挤混合等复杂的特性，早期基于模型的分析方法诸如经典的浅层学习算法、时间序列的自回归统计、k近邻、贝叶斯网络、支持向量回归等，在处理数据量和数据类型渐趋庞大的交通系统时性能不够理想。通过研究发现，人工智能技术在交通流分析中的常用框架有混合神经网络，包括循环神经网络及其变体、卷积神经网络、堆叠的自编码器深度神经网络等深度学习框架以及多任务学习等。
（一）交通流状态识别与预测的人工智能框架图
随着数据维度的不断增加，用于交通流状态识别与预测的浅层模型已经不能很好地适应现有的大数据环境。鉴于对大数据的处理能力以及结构的可拓展性，基于数据驱动的人工智能模型受到了广泛的关注，这类模型可以自动提取交通流数据的相关高层特征，其整体框架图如图1所示。
图1整体框架图
（二）人工智能技术在交通状态识别中的应用
为了更好地对未来的交通流状态进行预测，以实现更有效的交通管理，首先需要进行准确的交通状态识别。
基于UGIS数据和交通流运行参数，并提取天气、节假日、早晚高峰、重要活动、周围居民状况以及管制措施等信息，建立交通流的机理模型，消除仅基于过车数据单一信息的不确定性和增强系统AI模型的鲁棒性，减弱不确定影响，并结合交通流本身的随机特性，实现机理交通流的数据计算和随机混合。
通过分析发现在车头时距分析中，各类模型有不同应用结果。其中负指数分布模型描述车辆到达具有较高随机性，密度低时的单列车流车头时距；移位负指数分布模型描述车流量低，不能超车的单列车流车头时距；M3分布模型描述交通较为拥挤，部分车辆成车队状态时采用；Erlang分布模型根据交通量大小和拥挤程度选取对应参数值描述交通流。而通过将实际的排队长度、拥堵长度、平均行程时间、平均速度等数据结合建立性能指标函数，在所建立的车辆离散动态系统中，根据粒子群算法、遗传算法等优化方法求得性能指标下最优的交通信号控制时间。
（三）人工智能技术在交通状态预测中的应用
正如前文所述，准确的交通流状态识别为可靠的交通流预测提供了坚实的技术基础。然而，相比于单一道路，大型路网的交通流预测的计算复杂度更高，且需要模型兼具灵活性和可扩展性。鉴于人工智能技术很好地契合了这种需求，因而近年来，基于该技术的交通流预测模型在工业界得到了越来越广泛的应用。该部分将从预测时长的角度出发，阐述基于人工智能模型的解决方案。
1.短时交通流预测
在短时交通流预测领域，传统的浅层机器学习方法在小型路网的预测问题上已取得成效，但其处理大型路网的预测问题的局限性，使得深度学习方法引起了工业界和学术界的充分关注。循环神经网络及其变体长短时记忆网络有利于捕获时间序列数据的长依赖特性。与此同时，卷积神经网络因其在模式识别上的优越性，对于提取城市交通拥堵模式以及了解拥堵的演变过程有很好的效果。因此，在交通流预测问题上，迫切需要开发一种联合的深度学习框架对数据的隐藏特征和时间序列的长依赖性进行建模。
基于循环神经网络和卷积神经网络的算法采用联合的深度学习框架进行短时交通流预测，首先通过卷积神经网络获取交通流数据的局部趋势特征和尺度不变特征，并利用长短记忆循环神经网络获取交通流数据的长期依赖周期性的特征。随后，将获取的时空特征合并到基于特征层的融合层中。最后将特征传输到回归层，实现预测，其框架图如图2所示。
图2基于循环神经网络和卷积神经网络算法的框架图
2.长时交通流预测
现有交通流预测的深度学习模型性能主要侧重于短时的交通流预测，长时的交通流预测问题仍未解决。并且，现存模型大多只利用单个参数预测，忽略了客观存在的参数相关性。并且，主流模型通常采用经典框架，可拓展性差，缺乏针对具体交通场景问题的个性化设计。
为此，基于残差网络和反卷积神经网络的算法考虑了车流量、速度和占用率这三个参数间的关联性，将三者视作RGB的三个通道作为模型的输入。采用的模型由两部分构成：残差网络和反卷积神经网络。首先，通过残差网络提取交通流的特征。随后基于时空交通流特征，利用反卷积网络解码出第二天的交通流信息，以实现长时交通流的预测。其算法框架图如图3所示。
图3 基于残差网络和反卷积神经网络的算法框架
其中，残差反卷积网络模块的具体结构如图4所示。
图4残差反卷积模块结构
四、总结
在研究过程中发现，互联网数据能够有效识别大部分的城市拥堵节点，而针对学校、医院、菜市场、临街商铺等特殊路段，补充交通流采集系统内的排队、过车以及速度等实时数据，能够较为完整的刻画出城市路网的交通状态。通过融合跟踪车辆出行轨迹，对具有相同出行轨迹的车辆进行时空位置提取，能够实现对特定道路或特定交通流途经路径进行状态预测。在下一步工作中，将通过路网交通状态和交通流预测的结果研究如何利用人工智能技术进行交通信号控制方案的优化。
