基于在线仿真的交通信号管控应用模式思考

实时在线仿真技术搭建了交通大数据应用和交通管理、决策、控制应用之间的桥梁，能够真正实现交通系统“采集-研判-控制-评估”的业务闭环。首先，基于在线仿真技术实现交通运行监测与预警，实时监控全网综合交通运行状况，在线侦测交通异常情况，并通过短时交通预测，提前知悉综合交通变化趋势，实时发布未来交通信息。再者，根据交通运行状况识别关键通道和片区，实现交通信号方案战略级优化，利用交通出行需求和出行路径数据制定针对性的管控策略，通过仿真评估与实地运行评价进行控制效果反馈和自学习，迭代更新信号管控策略库。最终，支撑实时的信号优化应用，实时响应随机的交通出行需求和交通事件下的非常态交通状态变化。

交通状态监测是交通管控应用的重要基础。通过交通状态感知和评估，交通参与者能够掌握实时的路网运行状况。交通状态诊断是交通管控应用的重要环节。通过识别与预测拥堵路段，从根源上分析问题拥堵机理成因，区分拥堵程度，才能提供有针对性的、快速、高效的拥堵治理策略。

图1  交通状态监测与诊断流程

实时在线仿真的核心是对交通状态的还原和预测，能够输出OD分布和车辆路径分配结果，提供比检测数据更全面的数据。基于在线仿真结果，建立交通运行评价指标体系（如表1所示），对交通状态进行评估。

表1  交通运行评价指标

注：

1） 路段指数：利用路段速度数据，计算路段的平均行程速度与路段自由流速度的比值

2） 交通负荷度：通过宏观基本图标定区域的临界密度，计算区域密度与临界密度的比值

交通运行状态诊断包括拥堵预警和拥堵成因分析。通过路段指数判断是否发生拥堵，通过路段指数与历史平均路段指数的对比，判断是否为常态拥堵。在线仿真的预测功能在发生交通拥堵时，能够辅助交通管理者掌握拥堵的变化趋势，提前判断交通拥堵程度，决定是否需要采取一定的管控措施加以干预。在识别出拥堵后，通过对交通出行需求和交通运行状态的分析，判断造成拥堵的原因，从而制定针对性的管控措施。

图2  拥堵预警流程

常发性拥堵成因主要包括早晚高峰时段通勤出行需求增大、路网结构存在瓶颈、信号配时不合理三种情况。通勤需求造成的拥堵可以从拥堵发生的时间判断，在通勤时间之外拥堵情况会消失。路网瓶颈造成的拥堵可以从通行能力和平均车速判断，通常表现为瓶颈点上下游的通行能力和车速均大于瓶颈点。信号配时不合理造成的拥堵通常发生在信号交叉口的进口道，表现出不同进口道或转向之间的不均衡性，可以通过相位饱和度差异、进口道排队长度差异进行量化。

非常发性拥堵成因主要包括道路施工、交通事故、恶劣天气、节假日和大型活动，其中道路施工、节假日和大型活动属于计划性事件，交通事故和恶劣天气属于随机性事件。对于计划性事件，交通管理者可以提前将事件信息输入给在线仿真，利用在线仿真技术对事件的影响进行监视和评估。对于随机性事件，交通管理者录入事件信息往往是滞后的，也难以判断事件的持续时间。交通事故会占用部分车道，导致路段通行能力下降，在路网的局部形成临时的瓶颈点。恶劣天气则会造成路网大面积的通行能力下降和车速下降，且持续时间较长。根据不同类型事件的特征，通过在线仿真对事件进行自动识别，实时标定道路通行能力，捕捉事件的发生和结束。

基于在线仿真进行数据积累和自主学习是实现交通管控系统智能化的一项关键技术。在线仿真通过循环迭代与参数校核，能够输出每天每个时间片的OD和路径数据。通过分析这些数据，可以掌握交通出行需求的特征和变化趋势。交通信号管控流程如图5所示，包括：

1）根据交通出行需求特征和车流流向的分布情况，对交叉口进行分类和特征标记；

2）针对每种类型的交叉口确定管控策略和目标，包括是否需要协调、与哪些交叉口进行协调、优化目标是什么；

3）设计信号配时方案，调整相位结构、周期、相位差等；

4）利用仿真技术对信号配时方案进行评估和打分，对每个交叉口每种管控目标下都建立一张配时方案得分表；

5）基于交通状态监测、评估与诊断结果，进行实时信号方案优化与控制效果反馈，并学习不同交通状态下采用哪种信号配时方案能够达到最佳的期望控制效果。

基于在线仿真的信号管控方案优化具有以下优势：

1）基于在线仿真能够实时地优化信号方案，快速响应时变的交通状态；

2）基于在线仿真能够实时地获取信号控制效果反馈并学习，形成控制闭环。

需要特别说明的是，基于在线仿真生成的是战略级的信号配时方案，在此基础上，由信号机根据检测数据进行战术级的配时参数调整后执行方案。

图3  基于在线仿真的信号管控流程

利用仿真OD和路径数据，筛选研究范围内交通需求量最大的几个关键流向。这些流向在经过通行能力不足的路段或交叉口时，往往是容易发生拥堵，且在突发交通事件下交通状态容易受到影响。快速疏导这些流向的交通量，并重点监视这些流向的交通状态变化，对交通拥堵管理与控制具有重要意义。

（1）选择控制目标

信号管控策略的首要原则是防止交叉口排队溢出，保证交通秩序。对于各个转向的通行需求比较均衡的交叉口而言，选择以交叉口的总通过量最大或停车延误最小。通常在饱和度较大的时段以最大化通过量为目标，在饱和度较小的时段以最小化延误为目标。对于各个转向的通行需求不均衡的交叉口而言，如主次干路相交的交叉口，则给以不同转向不同的权重，优先考虑关键转向的通过最大或停车延误最小。

（2）选择协调子区

交叉口的协调控制一般考虑子区的协调时段和子区结构。基于不同时段下的关键流向识别，确定协调子区为关键流向所经过的交叉口，协调相位为组成关键流向的交叉口转向所在相位。以深圳市福田区新洲路为例，对北环大道立交至深南大道立交之间的新洲路段（包含“新洲-莲花”和“新洲-红荔”两个信号交叉口）进行关键流向识别。基于深圳市实时在线仿真系统，获取每15min的OD和路径数据。通过与地磁数据和卡口数据的断面流量对比，在新洲路搭建的实时在线仿真系统精度达到90%以上。通过分析不同特征日全天96个时间片的OD和路径数据发现，在早高峰时段，新洲路北往南的需求量最大，南往北方向次之，以及北往南车流左转进入红荔路的需求量也较大。因此，建议对“新洲-莲花”和“新洲-红荔”两个信号交叉口南北方向直行车流进行协调控制，同时对“新洲-莲花”北进口直行与“新洲-红荔”北进口左转进行协调控制。

图4  新洲路实时在线仿真系统

图5  新洲路交通需求分析

（3）方案生成

基于专家经验预先配置不同管控策略下的信号配时方案，包括相位结构设计和配时参数设计，组合形成信号配时方案库。相位结构的设计在相位不冲突的前提下，考虑协调需求和同一相位中的转向需求，防止在同一相位中部分转向的空放。当需要提高部分转向的通过量时，还可以设计相位搭接、一周多次等方案，通过给予部分转向更多的绿灯时间来提高通行能力。配时参数的设计在战略层面主要考虑周期的大小和相位差的选择，绿信比可以根据相位关键流量比划分，再由信号机根据检测数据进行调整。

信号方案评估与反馈是在线仿真对信号管控方案进行自主学习的重要环节。首先，通过对信号方案进行预评估，根据给定的管控目标对评估结果进行评分，对比信号方案的优劣，建立不同管控目标下的信号方案得分表。在生成信号方案时，选择当前管控策略下得分最高的信号方案。再者，以实际运行状态的评价结果作为反馈，更新信号方案的评分，形成自主学习闭环。

实时信号优化是动态交通管控的重要手段。结合实时监测与诊断对不同类型拥堵成因的识别与分析，虽然常发性拥堵因规律性较强可以离线完成信号方案优化，但调查研究表明，随着城市居民出行多样性的提升，城市居民的通勤出行占总出行需求的比例在逐步下降，交通出行特征的随机性和时变性将增强。传统的多时段定周期控制在逐步地细分时段，来适应出行需求的快速变化,也体现了对实时信号优化需求。当连续监测到交叉口的运行特征发生改变时，启动信号方案优化，重新生成信号管控方案，实现动态的时段过渡。

实时信号优化对非常发性交通事件管控的意义更加显著。对于计划性事件，虽然交通管理者可以提前生成管控预案，包括交通出行引导方案、车辆调度方案、交通管制方案等，但是在复杂的交通组织方式以及出行需求预测存在误差的情况下，对事件场景下的交通运行状态预估难度较大。在信号方案预案基础上进行实时信号调整有助于提升交通控制效果。对于无法生成预案的突发事件管理，通过对车辆的溯源和交通运行状态的研判，联动上下游信号协调方案和配时参数，控制突发事件下的拥堵蔓延和排队溢出，有助于保障交通秩序。此外，实时信号优化还可以跟动态交通诱导与车辆控制等管控措施相结合，响应动态交通重分配后的车辆流向和流量变化。

基于在线仿真的交通管控应用模式在深圳市福田区新洲路进行了实地测试。测试范围为北环大道立交至深南大道立交之间的新洲路段，全长约3千米。其中，“新洲-莲花”和“新洲-红荔”是两个十字型信号交叉口，包含17个受控转向和5个不受控右转渠化，形成30个交通流向，如表2所示。

图6  测试路段新洲路地图（左）和路网（右）

表2  交通流向及转向组合表（SNEW表示南北东西，LTR表示左直右）

根据2.2节中确定的管控策略，生成表3中的6套信号方案（方案0为原始方案），并利用仿真对信号方案进行评估，评估时段为7：30am-10：30am。表4展示了仿真输出的两个信号交叉口的转向流量、转向通行能力、转向延误、转向饱和度、转向最大排队长度的部分结果（以方案1，7：30-7：45时间片为例）。通过组合转向得到30个流向每个时间片的通过量、最大排队长度和车均延误，再统计各个流向的指标结果，对24套方案进行对比和选择。方案选择策略为：1）排队长度不超过原方案；2）7：30am-9：30am以通过量最大为目标；3）9：30am-10：30am以延误最小为目标。方案选择结果为：7:30-8:15执行方案3（小周期+一周多次），8：15-9：00执行方案1（大周期+一周多次），9：00-9：45执行方案3，9：45-10：30执行方案6（小周期）。

表3 信号配时方案

表4  信号交叉口评估结果（SNEW表示南北东西，LTR表示左直右）

表5  方案对比评估结果

根据方案评估结果，在2019年6月4日9：40-10：50在实地测试减小“新洲-红荔”交叉口信号周期。表6为测试时段内的地磁流量统计结果，由图7可知方案优化后新洲路的车流通过量增大。

表6  实地运行测试的地磁流量统计结果

图7  新洲路方案测试结果

参考文献：

[1]  Mahmassani H S , Hu T Y , Peeta S , et al. Development and Testing of Dynamic Assignment and Simulation Procedure for ATIS/ATMS Applications[J]. Simulation, 1994.

[2]  Benakiva M, Koutsopoulos H N, Antoniou C, et al. Traffic Simulation with DynaMIT[M]. Fundamentals of Traffic Simulation. 2010.

[3]  Zhou X , Taylor J , Pratico F . DTALite: A queue-based mesoscopic traffic simulator for fast model evaluation and calibration[J]. Cogent Engineering, 2014, 1(1):961345.