❖ 交通数据特性分析
交通大数据在交通控制中的应用目标有三个。
第一，全面感知交通需求；
第二，实时响应交通需求；
第三，以数据驱动交通控制。
交通感知数据包括：车流数据、客流数据、物流数据、道路施工数据、交通气象、交通环境及城市活动、紧急事件等多各方面，这些数据变化都需要交通控制系统做出及时响应。
分析交通数据，要从多个角度看待交通感知的特性。
首先从数据产生的时空角度来看，感知空间上，分为断面检测、区域检测和全域检测;感知时间上，交通检测分为短时检测和连续检测。
从数据精度、采样率上，既有全样本检测、也有抽样的数据，比如来自互联网的轨迹数据通常只要5%到10%左右的样本量，而定点检测设备输出的基本是全样本的数据。从检测精度来看，既要看到统计上的准确性，也要关注数据的实时性，要根据控制场景需求对数据的准确、实时进行分析。
从数据获取方式上，传统的检测方式多为单向传感式检测，通过存在型检测或通过型检测来获取交通数据。随着车路协同技术的发展，以通信交互为主的数据获取方式可以获得更加多维的交通数据。
不同的数据属性对控制方法、控制理论的研究以及对控制系统的研发都会带来巨大的影响。
从数据属性维度看，传统数据通常关注的是流量、速度、占有率等，多维数据可以描述个体的身份ID、实时的坐标位置、路径选择信息、OD关系等等。
此外，从交通供给需求角度，不仅要知道车，可能还要知道道路通行能力、路网结构和它当前的服务水平，包括交通与环境数据、紧急事件、城市活动、道路工程等。
所有的数据结合才真正是交通大数据，而不仅仅是来自互联网的数据。
❖ 控制系统分类分级
有了数据之后，交通控制系统在利用数据进行控制优化时，也同样有很多问题值得思考，不同的控制方法，会产生完全不同的控制效果。
我们从两个角度来分析这个问题：优化时间粒度、优化运行方式。我们谈到控制优化，往往会直接联想到用数据做配时优化，方法有两种。
第一种是方案级优化。利用统计数据生成配时方案，或者在备选的方案当中选择相对优秀的方案，我将这种优化定义为方案级优化。
第二种是实时优化。交通感知数据实时（秒级）上传，系统实时对控制进行优化和调整并立即执行。
优化的方案生成之后，它的运行方式有三种。
第一种是下端运行。将方案形成，并且通过网络协议将方案下载到前端控制设备中，然后进行方案切换运行。
第二种是中心运行。实时优化，实时运行。
第三种是分级运行，中心运行与下端运行结合。
从运行模式上看，如果一个完全不同的方案替换现有方案，控制器通常需要方案过渡，这个过渡过程通常会对交通现状造成极大扰动。
实时优化系统是不断的在秒级水平上实时微调方案，并及时运行，可以避免方案过渡造成扰动，能够实现平滑运行。
方案在中心运行和下端运行进行有效结合，中心实时响应交通数据并做宏观优化，下端针对现场需求做微观修正。
大数据应用于交通控制，一定要以交通控制系统为基础，不同的优化运行方式，对数据有不同的需求，实现不同控制效果，所以我尝试着对现有的控制系统进行分级。
我将这个评价从L0到L3进行分级。
L0是单点运行，能够保障基本的交通安全，按照时间表运行或进行基本的感应控制。
L1指信号控制机首先是联网的，在中心能够对信号运行状态进行监控，具有联网的统一授时，能够进行远程配时，远程人工干预。
L2系统是在L1的基础上，具有交通检测能力，能够进行中心状态监控、统一授时、远程配时、远程干预。系统能够进行方案级的优化、执行能力，比如分时段的方案生成、自动方案选择等功能。
L3级系统在具备L2级系统的基础上，具备实时的交通感知能力，能够实时响应交通流变化，实时进行方案优化并实时执行优化决策。
目前，我们看到的现状是：绝大多数信号控制系统是L1级别，部分城市建设的是L2、L3系统，但是由于运行维护的原因，实际运行在L1水平，能够运行在L2、L3水平的系统很少。
❖ 交通数据与交通控制
随着交通感知技术的发展，地磁、视频、微波雷达等传感技术为交通控制带来了丰富的数据源，互联网轨迹数据以及未来的车路协同技术会带来更加丰富的数据源，如何适应不同的交通控制需求，挖掘数据潜力是一个重要的研究方向？
应用于交通控制的数据包括：传统的交通检测数据有全样本量，多是基于断面检测（如线圈、地磁、传统视频虚拟线圈），或者小区域检测（如广域雷达、基于人工智能的视频分析等）;最近几年出现的来自互联网的轨迹数据;以及来自第三方的事件数据、影响交通的环境数据、气象数据、城市活动数据等。
这些数据应用于不同的控制场景，各具特点，我试图给这些数据在不同控制方面的应用效果打分，比如传统数据可以用来优化周期、绿信比、相位差，可以做感应控制请求、扩展、方案优化，或者是实时优化等；轨迹数据可以应用于控制评价、交通事件发现等。
也有一些我还没有考虑周全的，比如轨迹数据是否能够应用到感应控制上，事件数据是否能用来影响周期的相位差等，这里面有很多需要进一步研究的话题。
❖ 案例
（如上图）这是SCOOT系统界面以及SCOOT系统优化的基本原理。SCOOT基本排队模型，上游的检测形成排队，以及到路口的饱和通行能力，通过对排队模型和消散能力的运算或者周期、绿信比等参数来优化路口。这样的模型需要的是上游实时准确的存在检测，并输出精准的检测脉冲，因此对检测器的类型、检测域特性有严格的要求。
上图是实际应用效果的界面，这个路口由两相位组成，可以看到实时自适应的系统控制效果，周期与每个信号阶段的时长都在实时变化，这些变化的依据就是来自现场的实时交通感知数据。
最后总结一下，大数据应用于交通控制，首先要有可以响应大数据的基础控制环境，实时自适应系统就是承载大数据应用的基础平台。
