所謂“城市交通超腦”，指的是一個基于“在線交通仿真技術”，以大數據、人工智能和在線交通仿真為核心要素，集管理和服務于一體的綜合交通管理平臺，它可以做出頂層管理決策，對城市交通進行全方位統籌治理。

城市里的朋友相約見面，但凡有人遲到，最有可能的原因就是這一個：堵車。似乎人人都可以說出自己城市的很多個“堵點”，堵車成為一個人人都能產生共鳴的話題。對于這個問題，專業人士提出了許多解決方案，比如聯網收費ETC系統，城市道路電子警察、車載導航、信號控制系統，城市公交系統車輛到/發時間播報，停車場RFID識別，以及無人駕駛等等。然而這些技術雖然各有優點和作用，但往往各自為政，仍然需要相當程度的人力監管，也無法從根本上緩解交通堵塞。

而要真正改善城市交通現狀，建設新型智慧城市，就必須實現交通管理的智慧化轉變，讓交通系統實現獨立思考、自主決策和智慧運營。這便是清華大學“未來交通”研究中心研究團隊聯合科進英華集團打造“城市交通超腦”平臺的目的。所謂“城市交通超腦”，指的是一個基于“在線交通仿真技術”，以大數據、人工智能和在線交通仿真為核心要素，集管理與服務于一體的綜合交通管理平臺，由大數據運營體系、評估評價體系、專家決策體系和管理控制體系4個體系組成。該平臺可實現交通態勢實時監控、交通業務在線綜合管理、交通信息服務便民、交通信號燈優化控制、區域交通組織與交通誘導科學開展，以及交通突發事件預測預報和影響范圍預估。

駕駛行為分析

在探究城市交通問題的原因時，個體差異與整體交通量的影響不可忽視。例如，在處理交通擁堵問題時，需考慮交通參與者之間的相互協作對交通流運行效率的影響，而在交通安全方面則需對交通參與者的行為進行識別與區分。因為人的參與，交通系統成為一個具有很強非線性、動態性和隨機性等特征的復雜系統。

同樣，智慧化的“城市交通超腦”平臺建設過程中，最重要的變量是交通參與者（駕駛員/行人/自行車等）的行為與交互模式，因此研究團隊首先進行了駕駛行為研究。

為采集駕駛員的駕駛行為數據，研究團隊共啟用兩個實車數據采集平臺：一是自主建立的交通環境綜合檢測車，二是英國南安普頓大學交通所建立的儀表化檢測車(InstrumentedVehicles，IV)。采集的數據來自不同性別、年齡層次、駕齡等的百余名駕駛員，測試時間達近千小時，共數百萬條實測數據，涵蓋各類城市交通狀況。針對駕駛行為數據無法直接用于識別的難題，獨創性地建立“駕駛風格/駕駛狀態/駕駛行為”的駕駛行為解析模型，并提出組合動態核的模糊C均值聚類算法來挖掘和量化駕駛風格。

在對行人與自行車行為進行仿真研究的過程中，研究團隊通過視頻監測平臺，利用攝像機記錄行人、機動車和非機動車的靜態與動態信息，并提出實時視頻時空解析算法，用于提取行人/自行車行為軌跡。此外，還針對行人與車輛的交互作用，收集了大量行人過街的行為數據，提出無信號交叉口自行車沖突避讓行為仿真模型，并對有/無信號燈控制、有/無斑馬線等情形進行驗證分析。

在線交通仿真

有了海量的交通大數據，還需要能夠真實反映交通參與者行為的微觀交通仿真模型。然而，傳統的離線仿真技術難以直接應用于城市交通管理決策當中，為此，研究團隊打造了可通過“數據-模型-仿真決策”三要素進行在線交通管理與控制的城市在線動態交通仿真平臺FLOWSIM。

城市動態交通仿真平臺FLOWSIM包括感知層、融合層、應用層和展現層。由于交通數據的獲取方式多種多樣，如視頻監控獲得的視頻、圖片類的半結構/非結構化的數據、地磁圈獲得的流式數據、出租車的GPS數據等，因此數據結構、維度、密度、特征各不相同，使得與實時交通數據進行對接成為技術難點。研究團隊利用基于大數據的時空存儲技術，通過深度神經網絡技術將這些數據進行跨域融合，獲得在線交通仿真平臺可識別與使用的標準化數據。

融合層和應用層基于拓撲分解方法，將城市自適應地劃分為小區域，在計算機集群的不同節點中單獨計算后通過節點通信將結果合并。展現層以二維和三維的形式真實再現交通場景，建立符合中國國情的動態交通仿真平臺。

多重創新提升決策效率

城市交通超腦能夠根據城市交通大數據對交通狀況進行實時評估，提供實時在線的專家決策方案，并做出頂層管理決策，對城市交通進行全方位統籌治理。在城市交通中，各類決策都需要快速反應，而傳統交通仿真在解決交通問題時，需要遍歷不同解決方案的測試，因此具有嚴重的滯后性。此時，計算機神經網絡的深度學習技術則可以發揮作用。利用深度學習技術，“城市交通超腦”可以根據以往的處理經驗，從系統中迅速找到交通分配方案，使運算時間節省90%以上。

在暴雨等惡劣氣候環境中，交通路網會出現部分路段失效或路口失效等情況。針對該情況，基于完整路網模擬的交通仿真將無法適用，取而代之的是節點失效和動態路網重構方法。研究團隊利用該方法對交通進行仿真模擬，使得仿真平臺準確重構實時動態路網，真實模擬交通網絡。以此制定的在線交通分配方案，在受氣象災害影響的情況下，可以讓城市汽車行程時間縮短50%。

為了提高交通超腦能力，研究團隊進行了其他多項技術創新。例如，提出了基于交通大數據的城市路網功能層次劃分評價技術，將浮動車、出租車等動態數據源與GIS靜態數據進行快速地圖匹配與數據融合，對路網實際運行狀況和各等級道路功能層次劃分進行評估與評價。與傳統只基于靜態數據分析路網功能層次不同，路網狀態與功能狀態在線評估方法支持對城市路網交通狀態進行在線評估，是進行渠化與信號燈優化、區域定向交通誘導與交通安全管理的前提與基礎。

信號燈與路口也是研究團隊關注的重點。研究團隊提出了基于深度增強網絡的路網信號實時控制方法。在城市動態交通仿真平臺的支持下，以單位時間內最大化利用交叉口路面空間為目標，動態優化路面渠化系統與交叉口信號燈配時，使道路通行能力最大化，進而實現城市交通系統的“時空優化”與路網調度的智能化升級。

在車流動態調配與定向誘導方法方面，研究團隊提出區域車流動態調配計算方法，在動態交通仿真平臺的基礎上形成區域交通車流動態調配方案。該方案以路段通行能力最大與流量均衡為主要目標，基于動態OD、特定目的地與不同類型的車輛等條件進行交通誘導，最終實現路網的交通流均衡分布，進而縮短城市交通平均旅行時間。

除此之外，研究團隊還提出了涉及交通安全和異常事件感知的創新方案。例如基于視頻監控的占用緊急停車帶的警示方法與系統，可“先知先覺”的交通異常事件預先感知、交通組織與疏導技術等。目前，通過一系列創新技術，研究團隊已獲得與交通超腦相關的發明專利7項。

━━━━

研究團隊的研究最大限度地挖掘和利用現有道路設施潛力，不但將大幅減少交通瓶頸和擁堵路段，而且將全面消除設施利用率低、浪費資源的節點和路段，引導車流均衡分布，提高區域路網運行效率和服務水平。迄今為止，研究團隊以技術開發、技術服務、技術咨詢等多種服務型式，將“城市交通超腦”研究的相關技術推廣到北京、天津、杭州、南寧等城市并實現應用，每年可為出行者平均縮短4%～15%的出行時間。

當前，城市交通超腦已經成為有人/無人駕駛混行交通系統及全無人駕駛系統的未來交通管理控制核心。接下來，研究團隊將把無人駕駛汽車的駕駛行為加入到仿真中，將“城市交通超腦”的功能進一步延伸，使其作為城市未來交通管理控制的核心，最大限度地開發城市交通潛能，助力智慧城市建設。