交通拥堵是当今时代公认的难题，智能交通被认为是当前很有潜力的重要缓堵途径。智能交通至少可以从两个方面缓解交通拥堵，一是智能网联车，基于智能车和V2X等技术，车辆可高速小间距行驶从而大幅提高道路通行能力，并抑制随机交通波的传播，以减少“幽灵式拥堵”。
二是主动地进行实时路网管理，从路网、系统层面提升公路交通系统的整体运行效率。要实现这样的目标，需要实时在线交通仿真系统提供在线的信息与决策支持，以帮助系统级的管理和效率优化，从而得到较好的效果。
2
实时在线交通仿真含义、功能与典型系统
实时是指仿真系统对数据的输入、处理和输出要及时完成，具有时效性，如果超过时效，那么仿真输出则失去了意义。
在线则是指仿真系统和实际交通系统直接连接并可对交通流运行过程产生影响，影响是通过具体的手段，如交通诱导、交通控制等途径，而不必靠人进行联系并做相应操作。
目前行业内有很多针对实时在线交通仿真目标而专门设计的仿真系统，如DynaMIT、DynaSmart-X、PTVOptima、Aimsunlive、DynasTIM等。
另外一种实现途径是通过对一些中微观交通仿真系统进行改造以满足实时在线交通仿真的目标，如Paramics、Vissim、Transmodeler等。对于这样的仿真系统来说，只要仿真运行得足够快，能够完成实时在线的目标，也可视作实时在线交通仿真系统。
三是决策支持，可离线/在线回答交通管理中的“Whatif？”问题，针对不同的操作得到定量的网络性能评估指标；在虚拟环境下提前检验交通信号/VMS/App交通信息发布等方法的效果，在实际对道路采用这些操作前对其进行比较和排序，最佳方案可迅速实施。
下图是实时在线交通仿真应用系统架构，通常位于交通管理中心，将历史数据和检测系统采集到的现场数据输入给前端融合模块进行滤波、归类和汇总等预处理，并将处理后的这些数据输入给实时在线仿真系统，仿真系统经过运算后产生的信息发布到云平台，通过另外的信息系统进行二次融合，产生可靠的出行诱导服务，并通过VMS、智能手机、车载导航系统等发布给终端用户使用；仿真系统也可对不同的交通控制方案进行实时在线仿真评估，并向交通管理中心推荐最优方案。
下面介绍一下国外的实时在线交通仿真系统发展概况。美国的交通估计和预测系统计划称为TrEPS，TrEPS从1995年开始发展，由美国联邦公路局提供支持，理论和技术体系较完整，现场测试广泛，有两套代表性系统，即麻省理工学院智能交通实验室研发的DynaMIT、西北大学交通中心研发的DynaSmart-X。
此外，还有一些商业软件，如德国PTV公司的PTVOptima，其主要思路是基于离线DTA结合实时在线交通状态推演，可用于大规模路网交通状态分析。
西班牙Aimsun公司的AimsunLive可实现微观仿真，也可实现中观仿真，中微观仿真结合提高仿真效率，路网中少部分路段可精细化微观仿真，在精度和计算效率之间获得折中；其具备的动态OD流量估计功能可根据实时路况从历史OD矩阵模板库中择优匹配，进行仿真推演。
国外实时在线仿真系统的测试方面，目前关于商业软件的一般很少看到，对于DynaMIT这样的研究型软件，最新的现场测试是在新加坡进行的。
由我研发的DynasTIM是国内的实时在线仿真系统，从2004年开始研发至今。DynasTIM主要由状态估计、状态预测与控制策略优化两部分组成。
其中需求仿真主要是估计路网动态OD流量，利用离散选择模型描述出行者的路径选择行为等。供给仿真主要采用中观交通仿真器来实现，用于模拟车辆如何在路段进行传播，基本趋近于一个微观的模型。
它采用的不是传统的跟车模型，每辆车的速度是根据前方一段距离的车流密度来进行计算，车辆也会进行换道，目的是为了转移至合适的车道以便连接到下游路段。
需求仿真的输出是车辆列表，其中每辆车具有确定的出发点、目的地、出行路径和出行行为特征；将这些车辆加载到中观交通仿真器（实现供给仿真功能）上进行仿真推演，就能获得估计的交通状态。
状态估计结束后，将结果作为交通预测的起点，对动态OD流量进行预测，并将预测OD加载到路网上进行仿真推演，就可以得到预测的交通状况。
在预测过程中同样需要通过交通需求和供给仿真来实现。我们基于OD流量估计的结果，采用自回归模型进行OD需求的预测，与此同时，还可以对交通诱导、信号控制等交通控制策略进行优化。交通需求仿真和交通供给仿真同样是交互的，并且需要仿真多遍，以达到产生稳定仿真输出结果的效果，这对于仿真速度的要求比较高，这样才能实现实时运行的目标。
下一模块是涟漪效应计算与诱导策略优化，这是针对未来的一种理想的交通状况，如可以实时跟踪到路网当中每一辆车的出发点、目的地、位置、速度等信息。基于获取的信息，可以对进入路网的每一辆车对于周边路网交通状态带来的影响进行定量计算，这称之为涟漪效应计算。
DynasTIM的主要功能模块包括以下几个部分，一是网络模块，现在可直接导入OpenStreetMap或shp等多种文件格式的路网文件，并能够直接转成DynasTIM格式的路网模型。
二是需求模块，主要涉及离线动态OD流量估计，该过程主要基于道路断面流量数据对实时在线运行时必要的先验OD流量进行估计。离线估计的优势在于可以采用对于计算效率要求不高的算法，算出结果即可；但针对大规模路网（例如OD对个数在10000以上）进行在线动态OD流量估计时，对于算法的计算效率要求较高，主要采用稀疏广义最小二乘算法，这样才能满足实时运行的要求。
三是供给模块，我们主要采用中观仿真模型，包括容量模型等，根据信号配时方案的绿信比结合进口道车道组的饱和流量，来计算车道组的通行能力或车道组的容量，将信号配时方案转化为车道组的容量进行处理。
在发生交通事故后，道路通行能力减少百分比也可通过容量模型进行刻画。车辆在路段上运动时可分为两个部分，即走行部分和排队部分，我们分别用速度-密度模型和队列模型来进行刻画。在路网较为拥堵、排队车辆很多的情况下，可以用简化的队列模型来刻画车辆的运动，以提高仿真的效率。
四是路径模块，在进行路网交通仿真之前，对于所有车辆OD对的有效路径都是从磁盘文件中一次性读取并存放到内存，这需要尽量节约内存空间，因此需要设计更加有效的数据结构；利用有效路径的嵌套特性，我们设计了一种路径存储结构和高效率的路径检索算法，每条OD有效路径仅采用3个整型数即可刻画。此外，也实现了基于FCD和卡口数据的OD检测路径的直接导入功能。
五是标定模块，标定对于仿真模型是否具有应用价值来说非常重要。DynasTIM采用离散选择模型来刻画路径选择行为，其中路径集合的生成和路径选择模型参数如何设置，是标定过程中需要重点考虑的。另外，对于部分路网，如果能够通过卡口等设备将车辆的行驶路径检测出来，我们将其定义为检测路径并作为相应OD对之间的有效路径；我们优先考虑检测路径作为OD对的有效路径，而不必采用某些模型或者算法进行计算生成。
在线标定主要涉及实时动态OD流量估计。我们在实验过程中发现，如果采用传统算法例如基于卡尔曼滤波的动态OD估计算法，在OD对数量较大的情况下（1万个甚至更多），计算速度会很慢，因此我们采用基于稀疏广义最小二乘算法的OD估计方法，即使OD对个数较多，计算效率也没有问题。
3
高速公路网现场数据实验（以DynasTIM为例）
首先介绍一下山东高速公路网现场数据测试，该测试于2012年进行，由山东省交通运输厅信息中心提供数据支持，山东高速公路网道路总长度超4700公里，互通立交桥49座，联网收费站309个，服务区和停车场172个。
山东省高速公路网概貌
我们基于山东高速路网收费记录数据进行统计发现，虽然OD对个数达28269个，但全天24小时OD流量≥50的只有2828个，全天24小时OD流量≥20的占全部OD流量比例为86%，很多OD对的OD流量都很小。
如下图所示是全天24小时的OD流量比较，这样做的目的是希望通过实时在线仿真来进行高速公路的流量预测，我们的思路是通过完整的高速公路收费记录获取真实的OD流量，通过已知的历史OD流量结合实时检测的断面流量进行推算，对高速公路路段上的流量进行预测。
进入收费站和离开收费站的流量变化幅度相对较小，我们将全省300多个收费站按照60分钟的统计间隔，对比入口流量和出口流量。落在45°斜率线上的点代表波动幅度为零，即昨天和今天的相同时段进入收费站的流量是一致的，越分散则代表波动范围越大。
下图是各路段相邻两天仿真分配的断面流量，我们将4月4日的OD流量通过中观仿真进行加载分配，将4月5日的OD流量通过仿真器加载分配来对比各路段的断面流量，发现波动幅度稍小，但也有30%的相对均方根误差。
中观交通仿真器测试的目的是将真实的路网动态OD流量作为中观交通仿真器的输入进行加载，收集中观交通仿真器的输出数据，主要是仿真输出的收费站的出口流量等，并将其与真实的收费站出口流量进行比较，以判断该仿真器的输出结果是否可信。
中观交通仿真器测试:15分钟汇总间隔
如下图所示，按照30分钟的汇总间隔进行统计可以发现，流量误差有所减小，在12%左右。
中观交通仿真器测试：30分钟汇总间隔
如下图所示，按照60分钟的汇总间隔进行统计，出口流量的相对均方根误差小于10%，精度超90%，
中观交通仿真器测试：60分钟汇总间隔
30分钟汇总间隔出口流量比较
实时交通估计与预测方法测试。接下来，我们需要通过实时在线仿真系统对交通状态估计和预测效果进行验证。由于当时山东高速只有收费记录数据，因此测试数据是通过真实数据加上虚拟人造数据得来的。
测试数据的产生方法为将当天的实际动态OD流量通过中观交通仿真器加载到路网上，得到高速公路各主线路段中间位置的断面流量，其中主线路段定义为相邻两个收费站之间的高速公路主线部分；并将通过仿真加载得到的这些断面流量当作真实断面流量检测器得到的数据，从而可进行路网交通状态的估计和预测。
我们以4月4日（前一天）的历史OD流量为先验信息，融合4月5日（当天）的实时检测断面流量数据进行交通状态的估计和预测，如下图所示，按照30分钟的汇总周期，估计误差约为12%，30分钟预测误差约为15%。
30分钟估计流量和预测流量
4
城市路网现场数据实验（以DynasTIM为例）
针对实际的城市路网，我们在2017年在深圳福田CBD进行了现场数据测试，由深圳市城市交通规划设计研究中心提供支持。
深圳福田CBD路网
我们建立了如下图所示的DynasTIM的路网模型，定义了134个交通小区，38个信号控制，359个流量调查点。基于这样的数据条件，我们首先假设所有的交通小区之间都存在OD流量，排除不合理的OD对（如果它们之间不存在合理的路径，这样的OD对我们认为是不合理的），得到初始OD对8398个。
我们采用递推最小二乘算法进行离线的OD估计，基于断面流量来反推动态OD流量，发现大部分OD对之间的流量很小，将其忽略后得到主要OD对为1319个。
在建立了历史OD流量数据后，我们模拟实时在线仿真推演的过程后发现，仿真输出的359个流量调查点的仿真流量和实际检测流量对比的相对均方根误差约为13%。
但在优化完成后我们发现，通过迭代优化，路网的性能还是得到了一定的改进，路网的吞吐量有少量增加，路网平均车速提升约12%，最大交叉口延误缩短约15%。
5
技术挑战
一是在交通建模的精细化程度和交通仿真结果的可信度之间需要取得合理平衡，并为模型参数的标定带来便利。
如果建模的精细化程度非常高，仿真的目的是期望精确还原每辆车的运行轨迹，实际驾驶者行为的多样性与随机性是否会淹没仿真结果的有用性是我们需要考虑的问题。
此外，我们在建模时采用中观仿真，尽量简化交通模型的目的是为了便于对模型参数进行标定，如果模型参数过多，那么在标定时将会非常困难，如何针对多模型参数进行有效标定，也是当前面临的技术挑战。
二是针对当前尚不完美的交通运行状态感知现状，如何让交通仿真变得更有应用价值，如提高区域交通控制和交通诱导系统的缓堵成效。
当前对路网中每辆车的位置、速度、出发点、目的地等信息进行实时跟踪尚不现实，基于传统的流量、速度等检测数据，能否建立更有应用价值的交通仿真和交通优化系统也是需要思考的问题。
三是探索与智能网联新能源汽车的结合，包括获得更丰富的交通状态感知数据、优化出行方案、分析和优化能源消耗等。
作者：重庆理工大学电气与电子工程学院副教授、硕士研究生导师林勇