一、讲座信息
主题:利用新兴交通数据进行大规模路网交通管理-以无人车和网约车数据为例
主讲人:香港理工大学 马玮 助理教授
直播回放地址:https://www.bilibili.com/video/BV1Gi4y1V7zr
PPT下载地址:https://github.com/JinleiZhangBJTU/Transportation_with_Machine_Learning
或公众号后台回复 “GitHub”
二、提纲
马老师的研究方向是基于新型数据驱动的交通建模,以及利用人工智能和ML学习和管理使用多源数据的复杂时空传输网络,近几年关注的领域如下:
本次讲座主要内容如下:
(1)基于无人车数据的交通感知研究;
(2)通过网约车数据测量和降低网络不平衡水平;
三、背景
现今的交通系统作为一个集成多种交通方式(模态)的系统,在进行交通系统仿真的时候需要考虑多种交通方式换乘行为,而不仅仅只考虑单一交通方式。同时随着时代科技发展,交通系统的结构和内容发生了改变:(1)单一出行方式向多模态出行方式转变;(2)单一交通网络向复杂多模态交通网络转变;(3)出行选择和决策多样化;(4)交通网络规模增大。
随着新的交通系统越来越复杂,传统基于单一模态的交通理论工程模型无法充分捕捉到复杂交通路网的时空信息,同时通讯技术和数据采集技术的提升提供了新型的多模态数据,通过对多模态数据进行大数据分析以及机器学习有助于更好的管理和评估整个交通网络系统,可是这些方法获得的结果都缺乏相应交通理论的支撑,因此如何利用新型数据构建出基于多模态数据驱动的交通理论工程模型进行交通分析决策是非常具有研究价值的。
四、主体内容
(1)基于无人车数据的交通感知研究
无人车拥有很大潜力增加道路的安全程度,减少道路的拥堵,改善道路路况,减少燃油消耗和环境的污染,同时更重要的是随着无人车技术发展越发成熟,将重新定义交通系统基础设备(红绿灯,停车场,公共交通运输系统)。
现如今无人车研究领域主要针对于混合交通系统(AVS和Human-driven vehicles),其中Human-driven vehicles的驾驶模式由驾驶人进行决策,不受系统控制,其中难点在于:(1)如何通过控制无人车的驾驶行为来影响Human-driven vehicles的行驶决策;(2)如何通过优化无人车的驾驶行为的数据来间接优化整个交通运输系统拥堵程度。
这是都需要提前获取路网上的交通信息作为输入放入交通管理模型,但是由于Human-driven vehicles的数据是没办法直接获取,所以需要通过一种方法去估计整个道路的状态。
传统数据采集方式主要有路网传感器进行断面车辆统计、GPS速度采集(无法获取流量)、摄像头流量采集等,这些方法都存在一个共性问题:数据采集频率低导致很难满足大规模的路网交通控制需求的,因此本次讲座提出了一个新的概念,将无人车作为一个控制器的同时将它视为观察器,这是因为无人车本身需要通过观察周围车辆状态来提高自身的安全程度,因此它可以感知周边车、车辆的交通信息,如何通过它获取的感知信息数据来估计交通状态是研究难点。
研究学者将无人车分为五种驾驶等级,分级依据了人对无人车的干预程度,基于这个等级结合其道路感知状态可以分为了三个层次。(1)前方障碍物识别(2)车辆范围识别检测(3)车辆追踪。这三个层次的感知会因为周边障碍物造成的视野阻碍,造成对周围的车辆感知出现偏差,无法获取全局车辆状态信息(速度,车辆数量等),因此为了解决这个问题,马老师提出一种基于数据驱动的估计方法。
这个方法主要根据时空图中无人车的轨迹获取无人车轨迹区域周边的车辆信息,并对时空图进行栅格化处理,以此计算每个被感知到的栅格在时空密度和速度的信息,同时对已知状态信息的时空进行填涂,由此得到一个带有未观测数据的时空矩阵,最后通过传统矩阵估计的方法,将矩阵进行补全,估计出未观测到的密度数据情况。并基于估计出来的密度矩阵,对速度矩阵进行回归分析,将时空图中空白栅格进行补全。
(2)通过网约车数据测量和降低网络非均衡水平
咨询服务公司发现超过价值6000亿的市场可以通过搭车服务解决,比如租车服务,出租车服务,替代公共交通服务等,随着网约车、出租车在交通系统的占有率越来越高。
这类交通方式在系统中的地位越来越重要,有数据显示,随着网约车的兴起,在一定程度上导致城市的拥堵,这是因为当系统中创造了一种新的交通需求,那么一定就会有乘客从其他的交通需求向新需求进行转移,比如公交,步行,骑行方式向网约车方式的转移,这类情况会导致更多的公共资源浪费和环境污染的同时交通出行费用并没有回馈给公共交通系统,后续公共交通系统的维护运营的资金就会减少,为此一些政府部门提出让网约车服务公司缴税来缓解资金压力,但是现实中网约车服务公司的利润率不高,税负会增加公司的运营压力,严重影响行业生态,双方都不是既得利益者,最后导致整个交通系统形成恶性循环。
为此马教授从交通工程角度去考虑,发现政府公共机构职能部门可以获取的实时交通状态的信息很少(速度、流量),其中路线选择、出发时间和交通需求的数据获取仍然具有挑战性,而网约车服务公司例如滴滴公司每天可以获取106TB的有效车辆轨迹数据。由此假设如果政府职能部门和网约车服务公司进行合作,公司提供脱敏数据帮助政府职能部门进行交通系统调控管理减轻拥堵,同时政府减免网约车服务公司的税负,从而得到一个双赢的局面。
基于这个假设,马教授提出了一个根据网约车源数据(RV)建立的新指标:网络不平衡水平(NDL),并根据这个指标进行交通管理。该指标主要通过用户均衡原理,得到用户均衡条件,获取在OD的线路中车流量的cost离差和(实际时间长度和最短时间长度的差值)来表示偏离用户均衡的程度。通过观察这个离差和(NDL)在时间上的变化去检测整个路网上不均衡的状态。
NDL指标需要采集特定OD下的实时路径流量,这个流量数据在传统的交通领域是很难获取的,但是对于网约车服务公司来说,这一类数据是比较容易收集到的,假设网约车用户行为与普通出行行为是一致的,就可以根据网约车的出行轨迹来获取到NDL指标。
![]() |
而计算NDL指标估计值是需要上下车的地点和时间,这类数据可能会泄露司机和乘客的个人信息,因此为确保数据隐私,马老师提出了一种数据共享的方案,将轨迹数据转换为区间旅行时间,这样就完成了数据脱敏操作,不会含有个人信息并且可以用于NDL指标的计算,不平衡水平也可以从zone -zone旅行时间进行数据估计,最后用NDL指标进行评价和管理交通系统。
五、下期预告
主题:面向交通数据的多情景空间选址优化及强化学习实践
主讲人:王少华,中国科学院地理科学与资源研究所地图学与地理信息系统专业博士,美国伊利诺伊大学厄巴纳-香槟分校CyberGIS中心博士后。
时间:2020年8月1号晚8点(由于有时差,这次晚一个小时哦),具体时间请关注公众号后续通知。