交通擁堵是大城市人人頭疼的“城市病”， 也是交通管理部門遇到的難題。 比如， 你剛駕車從一個十字路口經過、快到下一個路口時紅燈亮起， 只能等待新一輪綠燈的到來， 既延誤了交通出行時間， 又降低了整體道路上車輛通行的速度。 是的， 你每天都能遇到的信號燈該優化了。
在今年交通領域頂級峰會TRB（transportation research board）交通運輸研究年會上， 滴滴智慧交通團隊在現場分享了一篇論文， 題為Traffic signal optimization using crowdsourced vehicle trajectory data（《基於軌跡資料的交通信號優化》）， 介紹了以軌跡資料驅動的智慧交通信號監控和優化系統。
基礎資料：持續可靠且低成本的資料管道
交通信號控制系統的高效有序運行對於城市交通管理來說至關重要， 而大部分的信號控制方案很長時間才更新一次， 有時候長達三到五年， 這就直接導致了低效的交通信號運行以及不必要的交通擁堵。 一個主要原因就在於缺乏交通資料的採集成本太高。
軌跡資料在優化交通方面可以怎樣使用？首先， 用軌跡資料來估計交通流量， 並重構全域交通資訊。 滴滴構建了TS圖來評價六個交叉口的信號協調的表現。
圖1 根據滴滴車輛軌跡生成的時空圖（左）以及根據交通模型估計的全量車輛軌跡的時空圖（右）
圖1為一個樣例， 橫軸表示時間， 縱軸表示距離。 圖中的軌跡表示車輛向下游方向行駛， 軌跡中平坦的部分代表車輛停車加入路口排隊。
優化方法：感知+評估+優化+實施的閉環系統
有了持續可靠的交通資料作為可靠基礎， 就可以對信號燈系統進行優化。 僅需利用滴滴上的軌跡資料作為唯一的資料來源， 便可構建一種閉環的智慧交通信號監控和優化系統。 整個迴圈的反覆運算過程包括：感知、評估、優化、實施這四部分。
圖2 閉環的評估優化過程
具體的方法則包括交通需求預估、軌跡視覺化、參數優化這三個步驟。 首先要做的是交通需求預估， 只需使用已有的歷史軌跡資料即可。 經過實踐證明， 即使是在很低的滲透率， 如1%到6%， 用車輛軌跡資料對交通需求進行預測， 也可達到一個不錯的精確度。
最後要做的是參數優化， 細分為時間段劃分、週期時長與相位差優化兩個步驟。 所謂時間段劃分， 最典型的方案是分為早高峰、晚高峰、平峰這三種時段。 至於週期時長（本次綠燈到下次綠燈的總時長）和相位差（相鄰路口綠燈的時間差）， 則對主幹道的信號協調有著意義深遠的影響。
對於不飽和的路段， 相位差和週期時長採用經典的組合方法來優化；對於過飽和的路段， 擴大綠波不再是主要目標， 而是將過飽和帶來的影響最小化。 為了減少紅燈信號期間的溢流所導致車輛停在十字路口區域，
此外， 根據車輛延誤還可識別過飽和度。 如果車輛延遲超過一個信號週期， 可能是由於相位過飽（綠燈時間不夠）所導致的， 這時候就需要針對綠信比（綠燈時間占比）進行優化， 並優先考慮主幹道和高流量相位。 如果不是過飽和的車輛延誤， 那麼目標就是平衡流量/通行能力的比率。 基於這兩個規則， 就可以構建最終的綠信比優化模型。
落地案例：交通延誤指標降低27.85%
濟南曾經是全國十大擁堵城市之一， 特別是經十路交通堵塞情況比較嚴重。 為此， 滴滴團隊採用上述方法對這一重要道路的信號配時進行優化。 首先選擇沿路的六個交叉路口進行調查， 使用軌跡資料估算交通量，然後與卡口採集到的資料進行對比驗證，平均絕對百分比誤差僅為8.6％。之後，選擇早高峰、晚高峰、平峰三個時間段，對信號配時方案進行優化，前後對比如表1所示。
可以看到，優化之後的信號燈，在實際應用中改善了絕大部分的延誤指標，其中晚高峰時段的主幹道延誤指標降幅最大，為21.87%。整體來看，在大眾最為關注的早晚高峰期，道路總體延誤指標均降低了10%以上。效果最好的是紅燈溢流車輛，也就是信號燈變化後停滯在交叉路口的車輛數量，減少了80%以上。
另一個落地的案例為緯十二路，前後變化情況如下：
需要指出的是，在緯十二路上，滴滴對早、晚高峰兩個時間段的信號配時做了優化。從實際表現來看，早高峰時間段，幹道延誤指標降低了27.85%；晚高峰期間，幹道延誤指標減少了13.3%，交叉口延誤指標也降低了8.98%。
可見，滴滴海量軌跡資料在交叉口信號控制方面的應用，確實為緩解“城市病”提供了一種行之有效的解決路徑。
使用軌跡資料估算交通量，然後與卡口採集到的資料進行對比驗證，平均絕對百分比誤差僅為8.6％。之後，選擇早高峰、晚高峰、平峰三個時間段，對信號配時方案進行優化，前後對比如表1所示。
可以看到，優化之後的信號燈，在實際應用中改善了絕大部分的延誤指標，其中晚高峰時段的主幹道延誤指標降幅最大，為21.87%。整體來看，在大眾最為關注的早晚高峰期，道路總體延誤指標均降低了10%以上。效果最好的是紅燈溢流車輛，也就是信號燈變化後停滯在交叉路口的車輛數量，減少了80%以上。
另一個落地的案例為緯十二路，前後變化情況如下：
需要指出的是，在緯十二路上，滴滴對早、晚高峰兩個時間段的信號配時做了優化。從實際表現來看，早高峰時間段，幹道延誤指標降低了27.85%；晚高峰期間，幹道延誤指標減少了13.3%，交叉口延誤指標也降低了8.98%。
可見，滴滴海量軌跡資料在交叉口信號控制方面的應用，確實為緩解“城市病”提供了一種行之有效的解決路徑。