解析现代化智能交通系统发展现状

　　当今城市中的交通系统在数十年的发展过程中，首先将重点放在私人交通上，其次是公共交通，最后才是适当地考虑自行车和行人。

　　优先性的转变通常会导致道路路网和交通控制系统无法同时满足所有的道路使用者：私人交通所希望的绿波会收到公交优先的影响，有轨电车和公交车受制于交通拥堵而无法在专用的绿灯时间内通过，自行车拥有自己的非机动车车道但仍需要在交叉口前停车，行人需要等待漫长的红灯时间并且过街所需的步行距离太长。

　　但与此同时，城市污染和总体出行需求又在集聚上升，为每一种交通系统增加了更多的压力，也暴露出了它们的缺陷。

　　当然，在无法同时满足所有交通方式的前提下，人们所期望的未来的智能交通系统需要达到以下三大要点：

　　性能：智能交通系统的主要作用是帮助所有的道路使用者，包括各种交通出行方式，以最小的延误达到他们的目的地。因此，系统需要了解当前并预计未来的交通状况，满足多模式出行方式，并更有效地进行交通管理。

　　便于实施：由于设备维护也是一大关键问题，这就使得系统需要根据交通结构的变换随之调整，另一方面，还需要使系统运营者能够快速的对系统进行调整，仿真并测试相关的控制参数。尤其是要尽可能的避免重复工作。

　　开放性：为了有效的利用和计划预算，系统必须兼容已有的信号控制机/检测器设备，并支持尽可能多的开放标准。用户并不希望为了实现优化控制而去修改每一个信号控制机和信号灯头。

　　现代交通系统应拥有一个基础交通模型作为支撑

　　离线建模：用于确保所有常用的管理方法，情景方案和条件都得到正确的分析测试，并且交通信号系统总体运行良好。

　　基于模型的实时决策系统：用于帮助系统运营者使用合理的工具得出一系列可行的解决方案。实时交通决策还包括预测工具，对可能发生的交通问题进行预警。

　　自适应交通信号系统的校验和日常运行：该模型可以帮助交通系统更加连贯的执行已经指定的计划。将同一个模型运用到离线和在线运营中可以更节省时间和费用。

　　因此，以下技术需求可以用于支撑上述的三大要点

　　1. 自适应交通信号系统

　　系统需要自动适应交通结构的变化，将维护和调整的工作量最小化。自适应信号控制系统需要快速并且在线地调整不同交通出行模式之间的优先性。已发生延误的PuT车辆需要获得更多的优先权，因此可以增进信号协调和/或单个车辆或行人的绿灯时间，以减少排放和延误。

　　根据运营商的需要，可以有条件或无条件的实施公交优先，但是需要同时考虑到其他道路使用者的情况，使得公交优先对其他车辆的影响性最小。

　　需要提供基于软件的决策系统。该系统可以提供减少拥堵和延误的计算方法，基于交通信号控制，VMS标识，导航规划和网络推送信息。

　　行人的延误需要考虑等待的行人总数，因此要考虑所有道路使用者的最优化。系统需要至少每五分钟计算道路路网的绿波，再将信号协调运用到系统中。系统可以计算并显示当前路网的运行状态，此外还可以预测未来小时内交通情况，这样一来出行者可以选择合适的出行时间和出行方式。市民可以根据APP或网页上提供的出行方案决定自己的出行。

　　信号控制的主要手段还是通过信号灯，但是可以使用信息板，网络，app，广播或其他通讯方式发布交通信息。

　　系统可以支持使用一个离线的微观交通仿真程序进行区域范围内的交通控制，并且在仿真和实际系统中使用相同的交通供给。

　　2. 基于模型的实时决策支持

　　决策支持工具应提供定制化的关键评估指标，使得系统管理者可以快速的评估城市的交通运行质量。可以提供交通状况的计算结果用于自适应交通控制系统，以提高检测器数据丢失或损坏导致的影响。

　　为了提高稳定性，有必要使得所有的交通控制、交通建模和交通工程相关的软件使用同一个路网模型，这样任何路网中的修改只需要操作一次。如果不同的软件程序使用不同的供给模型的话，后期维护的成本和系统的稳定性都将受到影响。因此关键是所有定义的供给模型都只需被定义一次即可同时用于多个软件平台中。

　　用于决策支持的基于模型的预测工具需要至少每5分钟更新一次，才能帮助系统管理者更好的得出问题的决策。预测结果需要至少覆盖未来30分钟内的交通演变，才能有助于分析交通问题的传播情况。

　　预测本身需要考虑到已知的道路施工情况和交通事故。这意味着实时的宏观模型需要在空间和时间上连续性的传播由于事故或其他事件导致的交通瓶颈。

　　如果需要做某些交叉口或细部的模型，可以将宏观模型导入到微观仿真中做指定区域的仿真，这种情况通常适用于分析特殊事件对指定区域的影响(例如交通事故导致的堵塞)。

　　基于模型的预测需要来源于一个主路网，该路网必须包含采集的历史数据，对于一个几百万人口的城市来说，可以每5分钟预测至少300个交叉口和3000公里道路路网。

　　为了保证此类规模的路网可以进行快速的预测计算，实时模型必须为宏观模型。当公交与私人小汽车共享路径时，那么预测需要包含公交车辆的预计到达时间。

　　交通预测必须考虑到现有的检测器数据。这意味着预测方法可以将现有模型扩展到预测层面，并且当前检测的交通流量必须准确输入到模型中。因此，不能简单地将前一分钟采集到数据与历史趋势数据进行对比，然后加载类似情况下的OD矩阵(从最接近的离线模型)，最后使用当前交通的通行状态运行路网仿真。这样创建的模型往往不能真实反映实际情况。系统应该尽可能使用公开的标准和协议，这使得系统具有更好的扩展性和兼容性。

　　3. 检测器/数据获取模块

　　交通信号系统需要能够从不同类型的检测器中获取/处理数据，以此避免供应商锁定数据，并且为未来新增检测器提供开放性。

　　推荐使用智能摄像头，因为相比于线圈，摄像头的维护成本相对低并且能够提供更精细的输入数据(例如根据车辆类型进行车流统计)，此外摄像头还有更多附加功能(例如安保，安全分析，天气预警，强制执行能)。

　　系统应当能够追踪GPS点(从城市app中)的轨迹数据从而得到车速信息，修复OD矩阵用于校验/校准/更新系统背后的交通模型。

　　如果同一条道路路段上存在两种或更多种类的检测器，系统应当可以融合数据，并且针对可靠性更高的检测器给予更大的权重。