“实质上我国享有各种很好的信号控制系统，还包括SCOOT、SCATS，但是没一个系统确实充分发挥了起到。”9月20日，在云栖大会“城市大脑智慧交通专场”上浙江大学智能交通研究所所长王殿海教授公开发表主题演讲时曾回应。

王殿海教授还特别强调中国经过30多年的追踪、引入、消化、吸取、创意过程，有一些自律研发的典型高端产品在功能上早已不逊色于国际典型品牌，甚至在有些方面极具特色。并认为了我国信号控制系统不存在的数据问题、交通问题和基础问题。以下为王殿海演说全文，予以本人核实信号掌控从1868年至2018年，早已走到了150年的历史，这150年的历史我们总结出有了较为有特点的时间节点，比如1868年燃气信号灯问世，到2018年的今天我们中用了AI，技术上的变化堪称翻天覆地。中间的几个阶段，比如1917年美国盐湖城开始用于同步式信号系统，六个路口同步；1930年美国、英国产生了气动橡皮管式的车辆感应器信号控制器动态数据；1970年SCOOT系统研发应用于，动态数据开始大规模应用于。

中国是上世纪80年代前后开始追踪、引入，累计到今天，我们经过30多年的追踪、引入、消化、吸取、创意过程，有一些自律研发的典型高端产品在功能上早已不逊色于国际典型品牌，甚至在有些方面极具特色。下面我们辨别下交通信号掌控的发展脉络，我指出要想要辨别确切交通信号掌控的发展脉络关键是数据。我们今天就以数据为线索，现在多个企业在做到城市大脑，有多个城市在实践中应用于城市大脑，在城市大脑中有多个版本，我参与的城市大脑评审就有好几个版本。

那么，有了城市大脑以后，是不是就有了数据，是不是就有了智能的方案和无堵的交通？如果行，我们讫在哪里；敢，又敢在哪，所以今天我们应当辨别交通信号掌控的发展历程、当前条件和未来南北。说道到城市交通信号控制系统的三个点，我指出是策略、数据和算法。数据在这里是线索，实质上策略是核心，一个城市交通掌控的关键是看我们的策略，而策略必须数据来反对，策略的构建又必须靠算法来反对。

所以策略、数据和算法包含了这种三角关系，这种关系的目的是安全性、效率和公平。这里必须留意，“公平”也是十分最重要的，当今驳回信号掌控或许是把“公平”忘了，我们说道到信号掌控或许总是在想要，如何做到道路的效率不会更高，如果做到才可以让车跑完的更慢。数据在这里起着很最重要的一个线索，下面我想要从这么几个阶段谈一下信号控制系统是怎么变化的。

过去无数据，然后有了静态数据，后来是断面无标识动态数据，再行后来是断面有标识数据＋线性断面取样数据，将来有可能是移动目标仅有标识数据。无数据是信号掌控的早期阶段，比如说上个世纪30年代、20年代，甚至是50年代前都是没数据，但那个时候的控制策略实质上是动态，单点。因为那时候信号掌控大部分是手动的，是无算法的，是确实的人工“智能”！“人工”是指手动，“智能”是指人脑。优点是动态，顾及多交通方式；缺点是人工操作者，无法构建联网掌控，效果因人而异，有经验的人就可以做到的很好。

社会价值上，这是早期的主要方式，现在仍有临时应用于，还包括我们特大城市在内，还是在人工操作者。静态数据有几种数据，还包括人工调查数据、设备收集而无法联机优化的数据。静态数据可以做到定点的掌控方案，单点和协商也可以做，静态数据的初期都是这么用。算法上来看，计算出来PI：排队、延后、通行能力等，PI是优化目标，优化参数是周期、绿信比、相位差、协商子区。

这个时期的算法非常简单，系统平稳，这是它的优点。缺点是数据不易老化，方案相同，对交通流的波动适应性劣。社会价值来看，这是20世纪中期的主要方式，现今仍有大量应用于，多数城市是现代控制系统降级用于的后果。transyt系统实质上在美国用的尤其多，上个世纪后半期仍然在用transyt系统，只不过好多国家都早已开始用动态控制了，但美国仍然在用transyt系统，那么transyt系统这个特点是这样的，他是一个静态数据的配上时，是脱机建模优化。

那么控制策略上来看，他是定点式网络优化掌控。在算法上，是计算出来PI，计算出来综合指标，主要考虑到行驶、延后、油耗等参数。那么PI值实质上到现在来看，建模依然是难题。

参数优化，关键是周期、绿信比、相位差、掌控子区这四个参数，有所不同交通流条件下各参数与行驶、延后、油耗的定量关系创建是核心。那么比较劣的优化，在transyt系统中，用了爬山法。

效果上，应当说道transyt系统的研究思想和优化思路影响深远影响，尽管目前早已领先，但实质上至今很多工作我们并没已完成或构建。再说断面动态无标识数据，移动目标明确所指的是车辆，比方说过车数，我们可以统计资料成流量、占有率、速度，但是我们不告诉，这个车是谁？这种就是无标识，那么在无标识时代，主要传感器，就是线圈、微波、地磁、雷达等等。那么这些数据采集主要就是流量、速度、占有率。一般来说单线圈，做到速度还不是很精确，双线圈还精确一点，这个数据在我国有一段时间早已在大量用于，目标只不过是一样的，就是安全性、效率和公平，但是这里的目标可扩展。

由于我们有了网络动态数据，只不过我们的目标，不一定是传统掌控上的目标，我们的效率或者说我们的的组织目标，都可以拓展，关键是看我们怎么用于这些数据。方式上，这种数据情况下用于的最少的方式是自适应点、线、面的掌控。算法上也是计算出来PI，因为这个好多的算法都是在transyt系统上发展一起的。

参数优化还是周期、绿信比、相位差、掌控子区这四个。从优缺点来看，优点就是他是网络掌控，系统性强劲，对交通流的波动适应性好，缺点是对传感器的依赖性低，对再次发生的方位较为脆弱，还有对混合交通缺少数据，以及过饱和交通掌控效果不欠佳。社会价值，这种数据所代表的适当控制系统，是当前的主流模式，在我国大城市、特大城市，周游城市广泛使用，但由于多种原因，造成现在的系统是降级用于。比如第一个典型系统SCOOT，SCOOT系统现在早已慢慢解散我国市场，但是我们无法说道，这个系统很差，这个系统可以说道依然是当前情况下最杰出的系统之一。

这个系统的特点就是，网络动态自适应协商，使用的是相同子区，传感器（线圈）埋设在上游的断面附近，可检测测量排队，实行排队掌控。从策略来看，他是在transyt思想基础上发展一起的，算法上，主要有几个特点：第一，是挤迫度指标，在有所不同的挤迫度下使用有所不同的策略；第二，交通流预测沦为核心；第三，参数优化使用小步距，诚调整策略，比方周期2－5分钟，绿灯宽大约4秒钟，从这个角度来看SCOOT系统是十分灵敏的。效果评价，SCOOT系统应当说道是当今杰出的信号控制系统之一，但是他对数据拒绝较为低，对混合交通掌控思想，他没策略，或者说策略较较少，这样情况下在我国就不是那么好用了。

下面说道第二个动态交通系统SCATS。SCATS应当说道在我国用于较多，很多城市都在用，那么这个系统的特点也是网络动态协商自适应配上时，但他是方案自由选择式，SCOOT是方案生成式。SCATS特点是线圈埋设在停车线附近，这样的情况下就要检测车流，关键是检测占有率。用占有率做到综合饱和度，所以说道他这个综合饱和度是很最重要的，这个控制系统也是小步距调整。

SCATS和SCOOT最关键的分歧，在于SCATS是方案自由选择式，SCOOT是方案生成式。在算法优化上，SCATS是以饱和度为核心，控制系统里面不分大小车，只分占有率和时间长短，这样的情况下有所不同的占有率，可以综制备有所不同的车，所以说道综合饱和度很最重要。那么综合饱和度的几个参数，像周期、绿信比、相位差他是按照一定的规则来自由选择的。那么他的掌控效果是很好的，我们到澳大利亚一些城市，可以看见他的控制系统较为灵敏。

比如说有的城市我们可以看见没车的时候，马上变为红灯，等有车了，一会就变为绿灯，应当说道效果是蛮好的，在我们国内，SCATS是占有率最低的外国控制系统。下面说道说道我国的情况。我国现在信号掌控市场较为恐慌，现在各地用于的信号控制系统繁复，甚至同一个城市用于多种系统，系统水平、特点差异较小。比如有些地级市，100多个信号灯，居然有9个信号控制系统。

我国几个代表性的高端产品，需要构建网络动态协商自适应配上时，但是也依然不存在着问题。除了具备国外产品同等功能外，国内典型系统还考虑到了非机动车交通流控制策略、均衡控制策略。

那么在我国目前不存在的问题是什么？第一个就是数据问题，一个是在提供的层面上，只不过我们国家传感器埋设密度较低，有的信号交叉口有，有的信号交叉口没，还有传感器损坏率低。应用于层面上的问题，数据闲置，数值高搁这样的问题四处都是。第二个是交通问题，一个是交通堵塞问题交通堵塞到一定程度以后，我们传感器就丧失了起到，比如说我们SCATS系统，把线圈埋在了停车线上，四个方向都是满负荷的，怎么辨别，不了辨别了。

还包括SCOOT系统，当车队上线到排队检队器上，所有的方向都在排队，还怎么做，没发做到。另外是混合交通问题，我们对行人和自行车的数据，一无所知，不了做到。还有不规范交通，毁坏了我们这个系统，比方说我们的左转乘，平行车，还有电动自行车闯红灯等等问题，把我们系统设计好的一些算法，都被打乱了。

第三是基础问题，现在我们国家在做到信号控制系统的时候，只不过我们很多基础性工作不充份，比如我们的渠化。还有基础工程不坚实，基本理念不成熟期。

还有一个运维问题，我们缺乏专业队伍，我们谁在管这个信号掌控，比如交叉口由警员来管，交警来管，一个交警支队就两三个人可以管信号配上时，成千上万个交叉口怎么做，做不来。还包括像上海，我们调研的时候，他们也明确提出这个问题，队伍严重不足。还有一个是应用于评价，实质上我们享有各种很好的信号控制系统，还包括SCOOT、SCATS，但是没一个系统确实充分发挥了起到。

现在必须创意，还包括大学、企业都必须创意，但是更加必须把我们有数的系统用好，我们投放巨资竣工的系统，还没用好。下面说道线性断面取样。

这是我们GPS数据，这个数据特点就是，大范围、动态线性点数据、小样本。那么这种数据对控制系统起到是对无动态动态数据系统的数据补足，便利系统运营效果评价。

优点就是，这个数据不必须投钱了，高德、滴滴可以给你了，那么这个数据我当作就打算要用，只不过我们交警早已有了很好的数据系统，自己不行好。缺点是必须样本累积，因为你数据采用率较低，所以必须累积，把一个月的，几天的，一星期的打进去，然后看规律。既然是这样，就必须参数推算出，不是必要给出来的，因为数据量严重不足，无法构成动态动态方案，但是做到静态方案是可以的，这样的数据与有数信号控制系统融合艰难。再说车辆有标识数据。

促成新一代交通信号控制系统，就是当前可以研发的。数据特点是：我们的断面有标识车辆数据，是指视频和电子标签，这样我们的车辆数据是有标识，但是非机动车和行人的数据现在还没，GPS数据还是线性断面取样。那么数据挖掘的价值还是较为大，比方说我们通过车辆大样本轨迹，挖出OD、排队、延后，行驶次数，驾驶员的偏爱等。

如果我们把这些做到下来，有可能我们的控制系统，原本的算法，原本的策略就都逆了。控制策略提高方面，比如说在网络自适应控制方面我们可以提高到，数据＋模型双驱动，原本我们是模型驱动，现在我们能做数据、模型双驱动，还可以减少网络均衡掌控。那么我们掌控就可以超过，掌控＋诱导。

在算法层面上，数据挖掘、PI计算出来、参数优化还是要做到的，还有部分人工智能技术。那么这个问题就在于，由于缺乏非机动车交通流数据，无法构建几乎的智能控制。那么下一个试点，有可能就是仅有方式数据。这个时候我们可以说道是未来可预期的，这个数据特点大约是，车辆和断面有标识，有视频数据和电子标签。

非机动车数据是可看到的，比方说阿里云要把这视频作好了，数据作好了，人脸识别可以做每个人，如果人脸识别可以辨别出有人的数量、自行车的数量和方向运动模式就行了，那这个时候，我们的GPS数据还是有的，那我们这个时候掌控车辆还可以提高到以人为本，主动掌控。像之前我们所讲的掌控都不是以人为本，以人为本就是我们掌控对象必要明确到人，而不是车，只不过我们掌控的目标不是掌控人是控制车，如果要是变为掌控人，以人为本了，那我们就有可能是信号掌控构成规划和构成服务融合在一起。那么这个比诱导有可能更加将近一层，做行程规划，所谓的路权规划，这个在算法里面看就是准确的上下班需求预测是核心，因为我们人能看见，车能看见，就把每个人和每个车的上下班规律寻找，寻找以后，上下班服务就可以告诉他你如何上下班，我指出那个时代可以做到这件事。

这样的情况下，我们人工智能技术不会提高一步。再行下一个时代，是未来可以想象的。可以想象的是车联网时代的来临，车联网有可能十年、十五年，也许更加长时间才能构建，如果在城市真为能构建了车联网。

只不过那个时候我们可以人联网，每个人追踪，每辆车追踪，这个时候就是移动目标全部辨识追踪，这样情况下是个全息时代。到了全息时代，我指出，智能控制有可能就到了他的天地，但是无论是多杰出的智能控制，没有人的策略是敢的，但人的策略可以特到智能控制里面去，这个时候就是以人为本，主动掌控。所谓的主动掌控，就是信号掌控＋不道德掌控＋方式调节。

甚至那个时候不会建议你坐地铁，还是驾车，还是步行，就不是说道给你信号灯的问题，就超过了全局掌控或者全域掌控。最后，我的结语就一句话：数据扩展控制策略，提高掌控效果！。

本文来源：obo体育官网-www.pczsqjy.com