方緯科技李可先：以精準數(shù)據(jù)助力一體化智慧交通管理

以下為演講實錄。

各位領導、各位專家、各位嘉賓，大家下午好！我是方緯科技的李可先，下面由我給大家分享一下交通精準數(shù)據(jù)是如何助力智能交通管理的。

人類的認知基本上是這樣一種遞進，首先是獲取數(shù)據(jù)，接著基于數(shù)據(jù)提取信息，然后在這些信息中找到規(guī)律，也就是我們所說的知識，最后基于這些知識產(chǎn)生出智慧。在交通行業(yè)也是類似的，我們舉一個例子，拿卡口過車來說，車輛過車記錄就是數(shù)據(jù)，進而形成車輛的出行軌跡等等信息，基于這些信息可以掌握一些知識，可以研究這個車輛的出行規(guī)律，它的居住地、工作地在哪里，什么時候行駛到哪段路上，基于這些規(guī)律這些知識，就可以得到一些智慧的東西，比如，可以實現(xiàn)基于個體車輛的精準誘導，某某車主，基于你的通常行駛路徑，發(fā)現(xiàn)你今天上午晚10分鐘出行，最后到公司的時間和平日是差不多的；某某車主，發(fā)現(xiàn)你有很多違法未處理，系統(tǒng)知道你日常停車位置，如果再不及時處理，就將依法到停車地進行處置了。這些聽起來好像很未來，但是實際上都已經(jīng)在方緯科技的項目地實現(xiàn)了。

除了剛才的一個例子，再給大家看看還有哪些和交通管理相關的數(shù)據(jù)、信息或者知識。例如，一座城市出行量較大的是哪些車，哪些車才是交通的管控重點？在我們的一個項目地發(fā)現(xiàn)，20%的車輛行駛了大約90%的里程，這些車大部分是公交車、出租車，還有大量的疑似非法營運車輛，這不就是我們交通管控的重點么？這就是基于數(shù)據(jù)得到的知識：只需要管理好這20%的車，把交通需求量很大的這些車管理好，就管理好了90%的交通出行。

再一個例子，一座城市常行駛的外地車有多少，外地車的行駛特征是什么樣的，很多城市都開始限外，為什么要限外，哪種方式限更合理？這些也可以基于相關的數(shù)據(jù)、知識來分析。

以廣州為例，2017年的數(shù)據(jù)如圖所示，有6.2%的車是屬于“本地化使用”的外地車，但是它們，占了所有外地車70%左右的出行里程，研究這6.2%的外地車的管理策略，再考慮偶發(fā)過境的外地車，基本上就可以很好地管好全市的外地車的出行。這個也是通過數(shù)據(jù)產(chǎn)生知識，才得到智慧的。

一座城市有多少違法車輛在上路行駛，它們的出行規(guī)律是怎樣的，高發(fā)路段有哪些？這也是可以源于數(shù)據(jù)得到的知識，在方緯科技的一個項目地，每周大概有4000多輛車違法上路，占比約3%，基于這些車的常行駛路徑，就可以發(fā)現(xiàn)某幾條路很可能會高發(fā)違法，或者說因為高發(fā)違法，很可能會導致事故發(fā)生。這樣針對違法車輛高發(fā)行駛路段進行監(jiān)控，及時做隱患排查，就可以很好地降低違法行為和事故的發(fā)生。

只有真正理解道路路網(wǎng)的特性，分析診斷通行不暢的地點，才能提前進行調(diào)整，整體過程都源自于數(shù)據(jù)而得到的知識。

但是很多城市并沒有意識到交通數(shù)據(jù)能夠產(chǎn)生這樣的知識，可能有很多的原因，比如數(shù)據(jù)不完備、質(zhì)量差、利用率低，實際上過去可能更多是通過業(yè)務導向認知這些數(shù)據(jù)和知識的。以卡車過車圖片來說，很早之前闖紅燈抓拍的技術就已經(jīng)支持了，但近幾年才意識到除了捕獲闖紅燈事件外，還可以把所有車輛過車信息記錄起來，并且基于這點衍生出很多的業(yè)務應用。這實際上就是所謂的業(yè)務導向?qū)е碌?，需要做這項業(yè)務，才想到需要認知這個信息。

反過來，如果變成知識導向會是什么樣的情況？我們有一個項目案例，也是以闖紅燈抓拍，在項目實施之前，當?shù)匾呀?jīng)做了很多數(shù)據(jù)梳理，甚至說做了所謂的智慧大腦的業(yè)務，但我們發(fā)現(xiàn)它沒有對數(shù)據(jù)質(zhì)量的標準有一個清晰的認知，從而導致了不少烏龍。例如系統(tǒng)發(fā)現(xiàn)有一輛車在上午9點鐘過了一個路口，同時又發(fā)現(xiàn)過同樣車牌的車在4公里外過了另外一個路口，通過AI分析認為這是一個套牌車，而人工核查發(fā)現(xiàn)實際是同一輛車，原來這兩個路口的時鐘不同步，實際兩個過車記錄不是同一時間點發(fā)生的。為什么會出現(xiàn)這樣的情況？過去闖紅燈只做違法圖片的分析，沒有人深究到底是9點違法還是9點05分違法，因此時間是否同步并不是關鍵點，這就是業(yè)務導向的數(shù)據(jù)認知，他不會關注和業(yè)務需求無關的細節(jié)。但是如果是認知導向，就需要精準知道每一個交通狀況是如何發(fā)生的，需要獲取交通的精準數(shù)據(jù)，這時候就會發(fā)現(xiàn)時間基準是一個很重要前提條件。

可見，只有真正獲知交通的精準數(shù)據(jù)，獲知車輛以及路網(wǎng)的相關特征，才真正能認識交通，才能為后續(xù)的智能管理做好支撐，有點像用一個CT機去解構交通，獲取精準數(shù)據(jù)。

那么，如何才能認知精準的交通數(shù)據(jù)呢？我們認為，首先需要有一個完備的數(shù)據(jù)，有一個全時全域全量的數(shù)據(jù)的采集，要能覆蓋所有的車輛出行。它檢測的特征基本上有以下幾點：第一是要識別個體車輛的出行，而且它是全覆蓋的，不管是對車輛的覆蓋還是對路網(wǎng)的覆蓋時間維度的覆蓋；第二是檢測的具體的位置信息一定要和道路的通達性強相關。

除了完備的數(shù)據(jù)采集外，還需要有一個可計算路網(wǎng)的模型，通過這個模型知道路承載力是怎么樣的，知道各路段路口之間的邏輯關系是怎樣的，這樣才能知道這個路網(wǎng)有怎么樣的車流，也就是怎么樣的容量進去之后，路網(wǎng)會產(chǎn)生怎么樣的結果，精準認知這個路網(wǎng)的通行能力、承載力和容量。同時需要有一個基于身份檢測的交通模型，認知每一倆車的出行特征、出行需求，然后求解當前狀態(tài)并推測下一時段狀態(tài)。通過這兩個模型，我們就可以真正掌握精準的交通信息。

這里的精準是指我們可以掌握任意時刻、任意路段、任意車輛的狀態(tài)信息，這是我們在宣城的案例，知道某一個具體時段在這一條路段的平均行駛速率，也知道在這個時段這條路上跑了多少輛車，分別是哪些車，各個車道的通行能力是怎么樣的情況。比如右邊的這個圖，這里有一個高亮的小車，我們知道它在什么時刻通過了哪個路口，在這個路口是怎么行駛的，在下一個路口又是怎么樣行駛的，通過這些信息得出這輛車的出行規(guī)律，這輛車從哪里出發(fā)到哪個位置，每天是怎么出行的，什么時間點經(jīng)過哪些路段，這就是它的出行特征。

通過剛才說的交通數(shù)據(jù)的精準掌控，就可以支撐后續(xù)的一系列的業(yè)務。這個幾個精準是針對車輛、路口、路段、停車場等交通要素的，從時間空間幾個維度，對容量、需求、狀態(tài)進行求解。

這里給大家舉幾個精準數(shù)據(jù)助力業(yè)務應用的例子，第一個是擁堵成因分析。在談及交通大腦或者AI賦能的時候都會提及擁堵成因分析，但是我們和很多交警領導溝通交流，大多數(shù)實現(xiàn)方案只能達到兩個效果：第一是判斷出這是一個常態(tài)擁堵，常態(tài)擁堵有可能和這個道路特性相關，和常發(fā)的車流特性相關，優(yōu)化常態(tài)擁堵的空間不大；第二是可以發(fā)現(xiàn)異常擁堵或者稱之為偶發(fā)擁堵，檢測出了一個交通事件，然后自動告警將這個事件告訴管理人員，由人去現(xiàn)場核實這個事件，再去解決它。我們看看，檢測、認識一個事件，然后把這個事件告訴我們，這是屬于智慧嗎？是屬于知識嗎？可能它只是告訴了你一個信息。

如果有精準交通數(shù)據(jù)，可能整個事情的處理方式就不太一樣了。我們有一個很有意思的案例，我用這個系統(tǒng)界面來說明一下。這個界面可以告知這段時間有多少輛車在這個路段通過，在這個信號控制的策略下，這個車流能以多大的速度通過。當前檢測到進入路段的車不多，離路段的承載能力差很遠，信號控制方案也沒有什么問題，有足夠綠燈時間可通行，基于需求和容量信息，推斷路段狀態(tài)應該是很順暢的，但是實際檢測到的狀態(tài)發(fā)現(xiàn)行駛速率起不來，這是一個異常情況。大多數(shù)的AI智能分析到這就完成了，這里有異常了，你去現(xiàn)場看一看。

而我們的案例中有了全量的精準數(shù)據(jù)，再進一步分析發(fā)現(xiàn)，這個問題高頻出現(xiàn)的路段凡是出現(xiàn)這樣的狀態(tài)，就會有兩輛車在路段中檢測到，進一步分析發(fā)現(xiàn)這兩輛車是為旁邊的餐館送貨的車，路本來不寬，車輛違章停車在這里卸貨，道路就堵住了。這個案例告訴我們交通擁堵成因分析，需要很好地了解交通流本身的需求，知道路網(wǎng)的容量承載能力，然后去判斷這個狀態(tài)對不對是否符合預期，才能通過一系列的精準交通數(shù)據(jù)分析得到知識或者是智慧的解決方案。

除了擁堵成因分析外，基于全量精準交通數(shù)據(jù)對信號控制做評價和優(yōu)化，也會得到更好的效果。在一個三線城市有一個交警業(yè)主和我溝通，他們聘請了一個優(yōu)化服務團隊進行信號優(yōu)化，到年末優(yōu)化團隊給他的工作報告中他發(fā)現(xiàn)，優(yōu)化團隊每個季度重點優(yōu)化了15-20個路口，他發(fā)現(xiàn)一年下來三、四季度優(yōu)化的路口和一、二季度的非常相近，感覺就像是轉(zhuǎn)了個圈。每次優(yōu)化的確都把那些重點路口擁堵狀態(tài)緩解了優(yōu)化了，為什么一年內(nèi)又回轉(zhuǎn)回來？感覺就象把擁堵的點不斷地移到下一路口，最后就轉(zhuǎn)一圈。他問我這種情況怎么處理？老實說我沒有真正給他解決，但是我給他做了這樣一個評價：首先給出全年在道路上行駛的車輛數(shù)量，給出這樣一個數(shù)據(jù)，從年頭到年尾，在網(wǎng)行駛車輛總數(shù)增長了12%，路沒變寬跑的車多了，優(yōu)化團隊基本上還能保證道路運行狀況是差不多的，說明這個團隊還是有在干活的；然后分析各個月份的交通運行數(shù)據(jù)，發(fā)現(xiàn)優(yōu)化團隊并沒有把他們的全力發(fā)揮好，我們發(fā)現(xiàn)在早晚高峰，6月、7月執(zhí)行的幾套信號控制方案，整個市區(qū)的道路，尤其是30多個重點路口的道路通行能力是最好的。我就建議讓優(yōu)化團隊嘗試以6月、7月全市的所有信號路口的優(yōu)化方案作為基礎，然后再看看有沒有可能在這一塊進一步調(diào)優(yōu)。優(yōu)化團隊聽取了我們的意見，然后就在6月、7月的方案上進一步調(diào)優(yōu)，據(jù)后續(xù)檢測到數(shù)據(jù)，新方案在各個路口的通行能力上又做了一個很好的提升?？梢?，只有掌握全量的精準數(shù)據(jù)，才能更好地對信號路口進行評價，并進一步給它優(yōu)化建議。

通過精準數(shù)據(jù)可以分析車輛出行規(guī)律，并對車輛行駛路徑進行預判做出精準查控。例如我們宣城案例，對一個交通違法的車輛進行精準查控和抓捕，系統(tǒng)分析出這倆車經(jīng)常出現(xiàn)的地方和對應時段，要抓捕就太容易了。同時也對違法渣土車進行了專項整治工作，不到三個月的時間，我們就通過事前預警，或者是在路上的執(zhí)法，讓違法上路、未審批或者時空越界的違規(guī)行為快速下降。

交通管理部門會經(jīng)常出報告，給上級領導或者給公眾。有了精準數(shù)據(jù)，這個報告就從一個在天上純描述的內(nèi)容變成在地上有實際數(shù)據(jù)支撐的內(nèi)容。報告里面的數(shù)據(jù)是可以實現(xiàn)數(shù)據(jù)穿透，比如這里講有30%的車，這30%的車到底是哪些車，可以精確到具體的每一輛車，這些車跑了哪些路，也有具體路段路口數(shù)據(jù)。通過這樣的基于精準數(shù)據(jù)的報告，才能有效支撐相關的交通管理政策，真正體現(xiàn)“用精準數(shù)據(jù)說話，彰顯交管政策智慧”。

我們認為只有這樣掌握交通精準數(shù)據(jù)之后，才能真正地實現(xiàn)AI賦能，或者說真正實現(xiàn)智慧交通的管理。如果數(shù)據(jù)不精細不準確，那所謂的智能就只能是鏡中花水中月。這就需要從認知精準交通數(shù)據(jù)開始，然后再去構建整個智慧交通管理。

這里是方緯科技的一些實戰(zhàn)應用項目，包括廣州南沙、宣城、宿遷、淮南等地，有機會大家都可以去看一看。 

最后，one more thing，我們已經(jīng)進入車路協(xié)同的時代，這就更需要交通精準數(shù)據(jù)，需要掌握交通精準數(shù)據(jù)的可計算路網(wǎng)。車和路無時無刻都在交換他們的數(shù)據(jù)，也在產(chǎn)生新的數(shù)據(jù)，如果數(shù)據(jù)不精準，再往后推進就會遇到很大的障礙。我們方緯科技也做了一點點小貢獻，在我們的幾個項目地提供了城市級的車路協(xié)同驗證環(huán)境，還有OpenITS開放研究平臺，歡迎業(yè)內(nèi)的各界同行一起在我們的驗證環(huán)境里面探討如何更好的利用交通精準數(shù)據(jù)，在智能交通領域在車路協(xié)同領域做一些新的嘗試和發(fā)展。

以精準數(shù)據(jù)助力一體化智慧交通管理，我的匯報就到這里，謝謝大家。