本文来自微信交流群：交通信号控制论坛。群内不定期发起关于信号控制方面的讨论，参与讨论的来自全球各地的华人交通信号学者以及国内的教授学者、企业技术负责人等。6月底，因华为自曝与北京市交管局联合进行智慧信号灯优化工作试点（链接如下：//www.ladysslipper.com/html/news/company/2018_06_95133.html），进而对人工智能用于信号控制、智慧交通产生了一些讨论，主要发言人是辛武平博士，其2001年毕业于华南理工大学自动化科学与工程学院，于2014年获取美国纽约大学交通运输工程以及计算机工程博士学位，目前在美国某公司任职。ITS114将讨论整理如下，与您共同学习。未经讨论参与者审定，如有曲枉之处，还请见谅。
田宗忠教授：这么多高科技企业进入信控领域算是我们的幸运，无论真正效果怎样。不过大家一直公认的是：基础搞不好什么AL，智慧都无用武之地。北京真的想做好，那么多基本的设计问题都需要先解决。我对北京和其它城市实施的左转待行区设计一直不太看好。
梁康之：瞎子摸象。
@辛武平：华为TrafficGo的AI应用，一是配时优化，一是时段优化。利用AI技术路线做配时优化，目前的相关研究从理论到实践，还是"一锅粥"阶段，大部分干的是"挂羊头，卖狗肉"的活，赚的是吆喝，卖的是眼球。
另一方面，利用AI的技术路线做时段优化，从理论到实践，都是可行的，因为归根到底，就是数据纯数据分析，特征提取的问题了，正是AI和相关技术路线的强项。
辛武平：所以，利用AI来做配时优化，因为需要较强的交通工程/交通流理论和实践的领域内知识（domain specificin sight sand knowledge)，成功的关键是将领域内知识有效的映射到AI技术路线上，而不是反之，就目前的应用看，还没发现哪一家有做到。
两句话总结：AI做配时优化-存疑；AI做时段优化-可行！
田宗忠教授：@辛武平(KLD) 不知道为什么一定要加上这些耀眼的词汇，其实想解决的和如何解决都是早已存在的现象。一个例子就是建模，是不是所有的建模选择都可以称为AI或智慧？做时段优化，AI的数据分析手段应该是非常有效的，不需要领域模型。不过，时段优化问题，本身就是并不复杂线性维度，用经典统计方法，应该也没问题。@辛武平(KLD) 分时段也主要是确立目标，目标可以定量，但怎么定量确因人而异，不好统一。分时段不仅是选择什么配时方案，还有是否协调或自由感应模式....
辛武平：@ZongTian（田宗忠)内华达大学 田老师好。我觉得您说的这几个要素，正是AI（相关知识代表，数据分析，特征提取技术）的强项。因为这几个要素，不需要特别深入的领域内知识，比如自适应信号内部工作机理，只需要把相关要素符号化，再辅以相关数据就可以了。
辛武平：这跟信号配时不同。信号配时的有效性，需要相关交通工通，交通流理论，交通模型等等各方面领域内的洞见和理解，并不容易建立从领域内知识到通用AI技术路线的映射。所以，AI用在信号配时——我存疑；用在时段优化——我认为还是可行的，不妨一试。
田宗忠教授：@辛武平(KLD) 我对AI没有经验，也不敢乱说。总觉得信号控制工作即复杂又简单。可以静观AI究竟能做出哪些超出传统方式的解决办法。
王小刚：我关注用什么值去做时段划分的训练。
辛武平：是一个非常有趣，非常相关的问题。可以用人训练，系统自学习，提取经验。也可以基于大数据特征自提取。
王小刚：我觉得可以通过感应控制或者是某种自适应的配时效果反馈去学习，还要建立在传统的配时模式下才好。
辛武平：从AI的角度，时段优化问题的维度是线性维度；配时优化问题的维度，是NP-Hard的非线性维度。"某种自适应的配时"及其体现的效果,可以做为数据起点。
辛武平：自适应信号系统的配时历史记录，可以作为AI数据分析的起点。但话说回来，从AI本身的角度，这就是一个纯数据分析，特征提取的透明过程，不太需要过多的领域内洞见和知识。
王小刚：是这个意思，不然如何凭空引入AI？好的感应控制或自适应是实时交通流的对应反映，其历史配时的累计，而后可前馈预制，加以训练，是可以做时段优化的。
辛武平：就是"可行"而已。到底是否在"可行"的基础上会"更佳"，还是"多此一举"，我也不清楚。
杨庆岩：冒个泡，我们还不清楚来训练AI的数据是否是接近全样本，数据收集系统能否提供全样本数据，因为再好算法，数据不完整也是白搭——一己之见。最近看到一篇文章，MIT的一个实验，用负面样本训练AI，结果得出一个愤世嫉俗的AI。
辛武平：@杨庆岩 杨兄好。"全样本"或者"数据的代表性"问题，也是一个有趣的问题。回到"时段优化"这个问题本身，前面已述，这个问题的维度是线性维度，数据的全样本问题应该不是大问题。当优化的时间片以分钟为单位的话，那对现在AI的算力是小儿科。这里的关键词：时段分析，有限维度，时间片。“时段优化"的维度有限，特征提取不需要太多的领域内洞见，是关键所在。
戴高：从感应或自适应历史数据365天分类归纳多时段控制，国内我知道至少有2家企业N年前已完成了，优不优不说，我们也是4年前就完成了。采用包络线面积法，再给个差值最大限制。田老师说的对，没有商业价值的驱动，小技术领先太久还蛮累。不过对AI、大数据等，我还是持非常欢迎的态度，也喜欢开放的合作。
辛武平：@戴高_重庆攸亮 时段优化，是个聚类分析问题，也是最大概率密度的最优估计问题。戴总说的"包络线重叠阴影",实际上体现的是一种聚类分析或大概率密度最优估计的算法。而且这类算法的复杂度，是常数时间复杂度。
辛武平：AlphaGo的成功点燃了大家对AI的热情和期待。但好像人们都忽略了一点，AlphaGo背后的主力程序设计师黄世杰，本身就是围棋（业余）六段高手。AI技术在交通信号控制领域的成功，最后还是需要交通领域的专家，把交通领域特有的结构性数据和数据内在的内生的联系，映射到AI算法里面。
辛武平："目前AI技术在交通信号控制优化方面的应用，似乎没有太多领域内的体察和洞见（insights)，属于盲目"套公式"的阶段。"另外，就算有人（公司）有这种能力，真正有效的把交通领域特有的结构性数据结构和这些结构内生的关系，映射到AI算法里面，具体的做法，估计也不会公开---因为那属于行业机密吧。就好像数据压缩算法，比如zip,算法都是公开的，但在某个行业，有些特殊的数据结构的特性可以利用，进行特殊的压缩处理，可以大幅提高压缩率。这种就属于秘而不宣的行业秘密了，虽然基本算法依然是很常见的算法。
辛武平：@戴高_重庆攸亮 时段优化，就是最优化时段的起点和终点，就是对起点和终点数据聚类。包络线可以归一化为类概率分布曲线，包络线阴影不就是最大概率的分布么？算法的复杂度是时间常数复杂度，是因为时段优化的时间轴，以分钟为精度的时间片穷举，一天一共60x24=1440分钟。对一个目标时段（比如早高峰）的起点和终点寻优，bigO的上界就是=O（1440x1439)是个常数有限值。换句话说，算法可以非常非常快！
辛武平：总结来说，戴总的时段优化算法，可以抽象归一到一类算法，这类算法的的计算速度很快，因为是常数时间复杂度。
辛武平：@戴高_重庆攸亮 没有别的意思，也没有情绪。就是一个角度来看这个时段优化问题。逻辑上，是承接为什么AI（深度学习，数据挖掘技术）用在时段优化上，是可行的。这是一个却很有趣的问题。
辛武平：最后我还是忍不住，再添一句，因为这个问题太有趣了。戴总说的算法，还真算是一种AI应用。聚类分析和概率密度的最优估计，就是常见的（AI）数据挖掘技术。
