交通问题与经济发展息息相关，若城市发展带来的经济收益无法抵消交通拥堵带来的经济损失，则城市难以继续发展。解决问题前需先寻得问题根源。现实中造成交通拥堵有六大原因：

　　1. 城市规划不合理 2. 路网结构不合理，支路网不发达。 3. 公共交通分担率低。 4. 法制观念淡薄，交通违法现象严重。 5. 交通设计不合理、路通组织混乱。 6. 信号灯配时不合理，缺乏优化。

　　针对上述六大原因，大华股份智慧交通算法总工梅雨做客雷锋网，详述了大华在城市交通拥堵治理层面的实践、思考。

　　他提到，全面的精确的交通检测是做好交通治理的前提条件。交通治理必须要深入到具体的场景中去，全面考虑场景的多个交通维度，才能够逐个解决。

　　其中，AI视频算法使得交通检测迈向3.0时代，通过AI图像分析，识别人、车、路的几何特征、运动特征和社会特征，通过人、车围观轨迹与多源数据融合，进行多层次分析，识别交通违法、交通拥堵、交通干扰等问题。

　　大华提出AI+大数据城市交通拥堵治理方案从交通检测开始，依次对各种交通问题进行诊断、治理、评价，形成一个完整的闭环。

　　通过检测技术，以路口检测为中心，延展到路段和区域，从拥堵程度、信号控制、交通冲突、道路渠化、违法、事故6个维度，50个以上的具体指标进行诊断。诊断后，由云端系统在后台进行大数据分析，然后进行自动推荐治理策略，帮助管理者进行决策。随后，对每项治理措施前后、整个路口的综合交通效率进行对比评价。

　　随着经济和科技的发展，人们在享受城镇化和现代化带来的便捷和舒适的同时，也在忍受交通拥堵所带来的烦恼。似乎城市越发展，交通越拥堵。

　　百度和高德每年都会发布城市交通报告，以百度报告为例，在2019年度全国城市交通拥堵排名中，北京、上海、广州依然在榜，首堵城市已经从北京变成重庆。从拥堵变化趋势上来看，前五位拥堵加剧的城市和前五位拥堵缓解的城市都有所变化。总的来说，拥堵逐渐从一线城市扩散到了中小型城市。

　　交通问题与经济发展息息相关，城市经济快速发展带来了拥堵问题，交通拥堵却也反过来成为抑制城市发展的一个重要因素。

　　举个例子，在一个叫“模拟城市”的游戏中，玩家扮演市长的角色，从一片空地开始规划城市，发展工商业，吸引城市居民，修建道路水电等设施。玩家一开始会玩得很开心，因为城市发展的非常迅速。

　　但是在持续建设中玩家会发现城市问题越来越多，其中最难解决的问题就是交通拥堵。到后期，由于交通问题，城市已经很难再扩张了。

　　现实情况同样如此，如果一个城市的发展带来的经济收益无法抵消交通拥堵带来的经济损失，城市会达到一个平衡，很难继续发展。根据交通部的统计数据，交通拥堵带来的经济损失占据每年GDP的5~8%，达数千亿人民币，要知道，中国目前经济发展基本处于GDP每年百分之六点几的水平。

　　因此，城市管理者对交通问题高度重视。但实际中往往面对许多问题难以解决：城市路网的拥堵区域有哪些？拥堵如何快速定位？拥堵如何快速消散？

　　大多数城市在早期规划中并未考虑到交通因素，城市规划不合理，居住区与商业区、工业区太分离。如果一个城市把中心区全部规划成了商业区、工业区，所有的居住区放在城市外围，就会导致无法避免的、大量的通行。

　　很多城市倾向不断加宽马路，扩容主干道，忽略支路网建设。支路网发达的城市，一条路堵车，车辆可以通过支路网找到很多替换路线。

　　反之，以主干路为主的城市发生拥堵时，车辆没有多少可选择的替代方案，只能在主干路上等待。大多数人有一个误区，认为路少是拥堵的主要原因，所以应该多修路。其实，除了道路本身是稀缺资源，交通从时空分布上就是不均匀的。

　　每天早晚高峰的交通流量非常大，其余大部分时间是非拥堵状态，流量小。如果按照高峰时期的流量需求去修路，会导致大量的道路资源浪费。从经济学角度，一定是按照平均的交通流量修路，这就导致了管理者很难从修路的角度解决交通拥堵问题。

　　公共交通是提高道路资源利用率，缓解交通拥堵的一种方式。简单计算一下，一辆公交车以承载90个人，一辆小汽车平均承载1.5个人，公交车占道面积是小汽车2倍，所有公交车对道路资源的利用率是小汽车的30倍左右。

　　交通违法是导致交通拥堵的一个重要原因。比如行人、非机动车闯红灯，非常容易引发车辆和行人的相互干扰，进而引起拥堵。

　　一旦导致事故，路口路段常会被完全堵死。这种情况往往出乎人们意料，非常容易发生上班迟到、错过重要会议等事件。

　　具体来讲，是指一些路口的几何设计、渠化设计、人车交通组织分流不合理。这种现象很常见，比如没有自行车道，自行车只能和机动车混合行驶；路口太宽，没有二次过街设施；路口转弯半径不够等等。

　　这是早期城市设计时没有仔细考虑交通因素的结果，问题遗留下来管理部门也很难找到足够的动力重新修路。

　　交通信号配时的专业性很强的，很多没有足够的专业知识或精力去做这种配时优化工作。而且信号配时是一个长期的过程，一个路口在某段时间调优了，也许随着交通流的变化，方案又不适用了。所以信号优化需要持续进行。

　　近年互联网+交通、AI+大数据+交通、5G车路协同、自动驾驶等新技术名词的出现，会对交通拥堵治理带来什么样的影响？

　　2010年随着“易道用车”等一系列网约车产品的出现拉开了互联网+交通时代的序幕。网约车改变了人们的出行方式，但是它给拥堵带来正面还是负面影响其实还存在争议。

　　正方则认为网约车的便利性也可能让原本选择私家车出行的人选择网约车，道路需求变少。但不容置疑的是，网约车以及随后出现的共享单车、定制公交等其他互联网+交通下的新产物，极大地方便了人们的日常出行。

　　第二个阶段是AI+大数据+交通时代。随着人工智能和计算机算力的提升，AI和大数据这两个名词在交通领域也非常活跃。

　　以阿里云为代表的各种城市大脑，通过对海量数据的深入挖掘，对城市交通的实时监测，使交通治理进入了数据时代，这也是目前各个智能交通企业积极推广的技术方向。但总体上，各地的城市大脑还远未成熟。

　　第三个阶段是5G+车路协同时代。在此阶段，车车通信，车路通信将会成为标准。由此带来的新技术，包括未来的自动驾驶，都将给交通带来更多的想象。

　　未来的5-10年，在5G基站、北斗通讯等大量基础设施建设下，车路协同、自动驾驶技术将飞速发展。我认为，这部分的市场会随着大基建呈递进发展，但短期内这些技术对交通缓堵不会有实质性的改变。故近5-10年能落地的城市拥堵治理技术依然要靠AI+大数据。

　　大华提出了AI+大数据的城市拥堵治理解决方案，是以视频检测为核心，全面深入挖掘分析交通问题，并提供全面化和精细化的拥堵治理方案。我们从交通检测开始，依次对各种交通问题进行诊断、治理、评价，形成一个完整的闭环。

　　我们先看看交通检测1.0时代，我称为截面检测时代。交通信息都通过一个截面检测器获取，包括车流量、车速、占有率等信息。这种检测器以磁感应线圈为代表，一般埋在停车线附近，当车经过线圈时会产生电平，从而收集交通信息。

　　2.0时代是空间检测时代。检测器以雷达为代表，它是通过毫米波段的雷达频率检测车辆的空间信息，从而获得车辆在空间的排队长度，空间占有率和区间车速。

　　浮动车检测器是另一类空间检测器，通过一些装有GPS的出租车，或者开着百度、高德导航的机动车，实时把GPS信息发给指挥中心，帮助其判断交通状况。但浮动检测存在一个弊端，即不是所有的车都有GPS，这导致车少的地方交通检测会不准确。

　　交通检测1.0和2.0时代，本质上是识别车辆在空间中的物理信息，缺少对交通深层次信息的分析。我们提出基于AI视频算法的交通检测，使交通检测迈向了“交通问题检测”的3.0时代。

　　我们通过AI图像分析，识别人、车、路的几何特征、运动特征和社会特征，包括车和人的微观运动信息，标志标线信息，还包括车和人的身份信息。因此无论是宏观上的交通态势分析，还是微观上的车辆轨迹分析，都可以进行更深层次的挖掘。

　　搭配高清地图，信号配时，事故数据等多源数据，可以识别出交通违法、交通拥堵、交通干扰等等问题。

　　交通违法识别。摄像头可以在白天和夜间检测到众多违法现象，比如驾驶员打电话、副驾驶不系安全带等都能被高清摄像头捕捉。

　　严重拥堵识别。主要识别路口溢出、二次排队。路口溢出是指排队延伸到上游路口出现堵塞的现象。它会导致侧向道路的车辆无法在绿灯时间通过交叉口，常常会使侧向道路也出现溢出，从而引发更大范围的堵塞。

　　二次排队是指路口通行能力不足，入车流大于输出车流，导致车辆要等多次红灯的现象。二次排队很容易演化成路口溢出，造成大面积的拥堵。我们的视频算法针对二次排队做了特殊的优化，通过对轨迹深层次地挖掘实现了排队长度的实时跟踪，从而可以精确的识别二次排队的出现。

　　交通信号不合理识别。包括路口失衡和路口空放等。路口失衡是指各个方向的车流不均衡，这是典型的信号配时不合理的体现，即一个方向的绿灯时间长车却少，另一方向绿灯短而车却多。

　　我们结合信号灯数据，用视频分析车流的饱和度，能准确地识别路口失衡现象，识别准确率超95%。当无法获得信号灯信息时，还可以直接通过过车数据对信号灯进行推断，这种在信息缺失情况下的准确度也能达到90%以上。

　　交通干扰识别。包括机动车与行人、非机动车之间的干扰，车辆之间的干扰等。机动车、非机动车和行人混合行驶是中国道路交通的一个典型特征，我们的AI视频算法可以分别识别出人、车和非机动车的轨迹，通过对轨迹时空特征的深入分析挖掘，判断出干扰类型和严重程度。

　　举个车与车之间干扰的例子，有些路口的左转车和对向的直行车是同时放行的，在一些大流量的路口，同时放行时左转和直行会出现严重冲突。我们的视频算法可以对干扰进行识别，同时还会根据背景交通流判断是否为严重干扰。

　　“哨兵”雷视一体机，是由雷达和视频检测器相结合的检测器，检测范围大，检测距离可达200米。雷达的缺点是不能检测交通中的身份信息、社会信息等，雷视一体机可作为雷达检测器的完美补充，达到200米范围内的全感知。

　　“哨兵”双目抓拍单元，它在传统电警卡口基础上增加一个摄像头，以此增大拍摄范围，解决路口大型车检测困难的问题。

　　通过这些检测技术，我们以路口检测为中心，延展到路段和区域，从拥堵程度、信号控制、交通冲突、道路渠化、违法、事故6个维度，50个以上的具体指标进行全方位诊断。

　　以路口为例，通过绘制路口的健康图谱，做到诊断结果的可视化。然后管理者可以根据自己关心的重点，针对性的关注重点路口。健康图谱最大的优势是对交通问题的严重性进行分级，明确地告诉管理者，什么是最紧急、最需要处理的问题。

　　诊断后，由云端系统在后台进行大数据分析，然后进行自动推荐治理策略，帮助管理者进行决策。值得注意的是，一种交通问题可能有多种策略，必须要综合治理才能取得效果。

　　比如某路口可能需要从信号控制、违法整治、交通区域化三个维度进行治理，甚至可能需要交通现场辅助解决问题。我们也有完整的评价体系。

　　既对每项治理措施进行前后的对比评价，也对整个路口的综合交通效率进行评价，从而形成完整的治理闭环。

　　行人违法。统计发现行人肇事死亡人数中21%是因为闯红灯。而且一人闯红灯容易带动一群人闯红灯，即使未发生交通事故，也极易引起交通拥堵。

　　不过有研究发现路口等待时间超过90秒，容易引发行人不耐烦情绪。因此应该辩证地看待此现象，先确定信号灯的设计是否合理。

　　如若是红灯时间过长，则优化信号灯或改善交通设施，比如增加天桥或二次过街设施。如若的确是行人法制意识淡薄，检测器检测到闯红灯意图后，通过扬声器提示行人退回停止线；若不听，在大屏幕上曝光其图像信息。人脸数据会被保存在数据库中，方便对屡次违法的人员进行追责。

　　车辆违法。每年因闯红灯死亡的人数占交通事故总死亡人数的10%，约4000多人。目前针对小型车闯红灯已经有完善的解决方案，但是大型车，尤其是大货车闯红灯现象非常普遍，且难以对其进行处罚。

　　这是因为，处罚取证需要4张照片，第1张是车辆在停车线张是红灯时车辆跨过停车线张是完全跨过停车线张是有车牌信息的特写，综合4张照片才能对闯红灯进行处罚。

　　但由于电警的车牌识别范围限制，通常很难拍到大货车完整的取证照片，因此大货车闯红灯难以被处罚。我们针对这类大货车问题提出一种解决方案，可兼顾大型车和小型车的违法取证。另外，我们会对驾驶员拍照识别，对经常违法人员进行特殊标记，方便跟踪和调查。

　　交通干扰治理。以不礼让行人这一种交通干扰类型的治理为例。我们以人车轨迹分析为基础，自动识别干扰问题严重的路口。根据干扰的类型，推荐是否布置不礼让行人检测相机和处罚设备。

　　停车管理。停车管理面临全天候执法难度大，无规范停车意识，临时停车难管理等问题。我们以此提出了移动抓拍和绿色停车的解决方案。

　　移动抓拍是将“探路者”相机安装在车辆上方，随着执法车辆的移动随时对违停车辆抓拍取证，不受固定位置的限制。

　　绿色停车是我们的一次大胆创新，具体是在路侧某些区域划定绿色的停车区块，车辆只能在区块内停车。停车会规定一个停车时间，比如两分钟，供车辆临时上下车。如果超过时间，先短信提示，时间过长则处罚。绿色停车的概念是为了引导驾驶员停在规定区域内，减少乱停车的交通现象。

　　路口渠化优化。有些城市使用可变车道优化路口渠化，将原来固定的车道标识变为动态的可变指示牌，以此来解决某些路口左转直行排队不均衡、转向流量比变化剧烈的问题。可变车道其实是比较昂贵的方式，除了需要对道路进行改造，也需要特别注意违法变道，闯红灯等违法现象，因此不建议随意实施。

　　交通不均衡的问题一般可以通过信号灯进行调节，只有在极端不均衡时，才考虑改变道路渠化。另外一方面，可变车道一定要与信号灯进行联动变化。有些地方的可变车道只看路口排队长度，发现排队不均衡就调整车道，与信号灯没有任何关联。

　　这种情况并不能很好地提升路口的整体通行效率。只有当信号灯已经是最优的前提下，再调整可变车道，才能保证通行能力的提升。经过推算，某些情况下通行能力甚至能达到20%的提升。

　　路口失衡优化。前面提到信号灯配时不合理现象非常常见，会造成路口失衡和空放。而合理的信号配时，往往需要有经验丰富的交通工程师对路口进行实地调查后才能设计出来。

　　此种方式固然好，但成本非常高，而且当交通流随着时间变化后，方案可能变得不再适用。配时需要反复优化，费时费力。

　　我们的自适应协调控制，可以实时调整信号方案，弥补固定配时方案的弊端。我们的一大特色是检测器可以感知排队长度、流量、车型、占有率等多元参数，可高精度检测检测200米范围。在此基础之上，AI智能算动态平衡各个流向的交通饱和度和排队长度，使无论在低饱和度，还是在交通流非常大，高饱和的情况下，算法都能表现稳定和高效。

　　第一种是防溢出的信号灯控制。简单讲就是“开源节流”，“开源”即扩大即将溢出的路口的下游通行能力，给下游更多绿灯，使下游的车走得更快。“节流”为控制上游，减少上游进入路口的车流。

　　方案听起来简单，实际执行非常复杂，因为整个道路不可能只有一个瓶颈点，拥堵时可能会出现多个瓶颈点，要控制车流一定要找到最关键的车流，使控制不会影响其他瓶颈点。我们通过视频识别出关键的车流路径，并对关键节点进行节流和开源的控制，从而缓解路口溢出的现象。

　　第二种是“闯绿灯”管控。“闯绿灯”指的是当车辆发现前面车辆排队很长，马上就要溢出到路口时，即便当时是绿灯，也不应继续驶到路口中央。中国道路交通安全法做了明确规定，但实际中很多驾驶员都没有遵守这项规定。

　　国外有一种做法是在路口画的网格线（yellow box），车辆不允许在yellow box里停车。国内也有相应的标志标线，但落实很少。我们的方案提出了“闯绿灯”的管控方法，可以对此行为及时提醒以及处罚，可以培养驾驶员不“闯绿灯”的意识。

　　道路干线信号优化。最后再讲下我们的干线动态双向绿波优化。双向绿波的一个优化痛点是排队长度难以确定，排队会阻碍绿波带中的车辆，如果不考虑排队的影响，绿波会失效。

　　常说的绿初协调、绿中协调、绿末协调，就是针对于排队问题进行的经验化处理。我们针对痛点设计了动态双向干线绿波控制算法，算法可以根据检测到的排队长度，自适应调整相位差。

　　同时我们采用两种优化控制策略：固定绿性比优化和固定非协调相位优化。对于流量大的路口，采用固定绿信比方式，同步优化各个方向的绿灯时长，保证每个方向都不出现过饱和情况。

　　对于主路和支路相交的路口，可能支路的流量会很小，要跑最小绿。这时最高效的方式是只优化主线的绿灯时长，固定支路的相位时间。另外我们的算法还支持相序的自动优化，车速引导，以及对绿波进行自动分区，保证各个子区都有最大的带宽。

　　交通治理是一个非常复杂的系统工程，我认为全面的精确的交通检测是做好交通治理的前提条件。交通治理必须要深入到具体的场景中去，全面考虑场景的多个交通维度，才能够逐个解决。

　　在新时代，AI+大数据技术赋予了交通治理更强大的武器和弹药，但是交通治理仍然任重道远，需要每一个交通出行者和城市交通的管理者共同努力，共同把我们的城市建设得更加的安全、更加的通畅。

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　推荐在孩子15岁之前给他看这套《漫画版变通》，因为读了《漫画版变通》的孩子会比同龄人更加的聪明！

　　推荐在孩子15岁之前给他看这套《漫画版变通》，因为读了《漫画版变通》的孩子会比同龄人更加的聪明！

　　推荐在孩子15岁之前给他看这套《漫画版变通》，因为读了《漫画版变通》的孩子会比同龄人更加的聪明！