未来智能交通系统展望

更智能更智能、更互联：未来智能交通系统

1. 引言

交通问题的分析与理解通常受限于特定领域的数据来源。近年来，面向车‐基础设施‐行人（VIP）互联环境和大数据的新兴技术使得收集、存储、分析、使用和传播多源数据变得更加容易且成本更低。连通的 VIP环境也使系统更加灵活，能够实施实时管理和控制措施以提升系统性能。在连通环境中，车辆、基础设施和行人可以通过点对点连接协议或通过4G或更先进的电信网络的集中式系统交换信息（VIP环境）。此类技术被认为是城市生态系统中最具潜在颠覆性的技术之一。信息的交互和交换可以在车对车（V2V）、车对基础设施（V2I）、行人对基础设施（P2I）或车对行人（V2P）之间发生。鉴于连通环境的优势及其独特特性，理解当前智能交通系统如何适应连通环境至关重要。本文旨在：（1）回顾智能交通系统（ITSs）和智慧城市的发展趋势；（2）探讨将车‐基础设施‐行人互联环境引入这些系统的可行路径。

本文组织如下。下一节回顾智能交通系统的当前趋势。在第3节中，我们讨论智慧城市及相关的人工智能（AI）技术。连通环境的概念在第4节中进行了描述。最后，第5节提供了关于未来智能交通系统和智慧城市的见解。

2. 智能交通系统当前趋势

由于车辆交通、公共交通、货运甚至行人交通等各种出行需求的大幅增加，由交通引起的拥堵、事故和污染问题正变得日益严重。为解决这些问题，人们开发了能够整合传感、通信、信息传播和交通控制等广泛系统的智能交通系统。任何智能交通系统要实现其功能，都需要三个基本组成部分：数据采集、数据分析和数据/信息传输。

数据采集

数据采集组件用于收集交通系统中的所有可观测信息（例如，道路网络中特定位置的交通流量、特定路段的平均行程时间、公交线路的上车乘客数量等），以进一步分析当前交通状况。传统上，采用感应线圈检测器[1,2]（通过车辆经过时在线圈中引起的电流变化来检测车辆存在）和气压管[3]（通过管内压力变化来检测车辆存在）来采集交通量和瞬时速度等基本交通信息。然而，由于这些方法实施成本高，且在安装过程中对交通造成影响，因此正变得越来越不受欢迎，尤其是在拥堵区域。

由于传感与成像技术的进步，视频摄像头和射频识别（RFID）扫描仪正越来越多地被考虑用于交通数据采集。可以在网络的不同位置安装摄像头以收集交通视频。随后使用专门设计的图像处理软件（例如Autoscope）来确定交通流量、速度、车辆类型等信息[4,5]。在此背景下，自动车牌识别[6,7]是一项关键的研究领域，因为通过车牌的识别与匹配，可以提供路径选择和出行时间等附加信息。另一方面，射频识别数据（RFID）通常可在支持非接触式支付的地点（例如香港的Autotoll和八达通系统）或货运运输中获取。通过对唯一 RFID的匹配，可提取诸如路径选择和出行时间等不同的交通相关信息[8,9]。

近年来，由于智能手机和先进通信技术的普及程度不断提高，全球定位系统（GPS）数据[10,11]、来自蓝牙和WiFi组件的媒体访问控制（MAC）地址[12,13]以及手机数据[14,15]正逐渐可用于交通状况甚至出行行为的分析。与上述列出的数据源相比，这些新型数据更贴近个体层面，因为这些设备通常具有个性化特征，并能够实现持续追踪（例如GPS和手机数据）。凭借这些特点，可以开展更为详细或与行为相关的分析。

数据分析

智能交通系统的数据分析组件旨在利用从各种来源（如感应线圈检测器、GPS等）收集的交通数据，提供多种信息以及管理/控制措施。传统上，采用预先定义和预先校准的模型，如交通均衡模型[16,17]、流量模型[18,19]以及信号交叉口的各种模型[20,21]，来评估交通状况并提供必要的响应。近年来，计算能力的提升以及对更详细评估的需求，推动了微观仿真和基于代理的模型在数据分析组件中的发展[22,23]。

由于引入了新的数据来源，这些模型已得到扩展，能够有效利用新数据，从而提高评估的准确性和详细程度[8,13,14,24]。

数据/信息传输

智能交通系统的数据/信息传输组件有助于将收集到的数据传递至运营中心进行评估，并向出行者和基础设施发布信息和/或管理/控制措施。用于传输采集数据的技术已从有线发展到光纤，再到无线网络（如 3G/4G、WiFi等）结合云平台的方式。在信息发布和控制/管理策略方面，相关技术已从传统的交通标志和广播发展为可变信息标志[25]、移动应用[26]和车载信息[27]，这得益于通信技术的不断进步。

通过这些基本组成部分，智能交通系统可根据其功能分为两类：先进 traveler 信息系统（ATIS）和先进的管理系统（AMS）。每类的详细信息如下所述。

先进的 traveler 信息系统

ATIS系统旨在通过提供各种信息（例如出行时间、等待时间、可用停车位等），帮助出行者做出出行决策（如方式选择、路径选择、出发时间选择等）。在众多应用中，出行时间估计/预测[8,10,28]和路线引导系统[29,30]是最常被研究的领域，因为它们能够直接影响出行者的选择，尤其是路径选择。随着上述数据采集方法和通信技术的进步，所提供的出行时间和路线引导信息可以更加准确并实现实时更新。借助额外的数据来源（如GPS数据、手机数据等），其他实时信息也可提供给出行者。例如，通过智能手机应用程序自动获取驾驶员拍摄的道路状况图像，并对其进行分析，可用于实时确定路边可用停车位[31]。另一个例子是，利用公交车乘客通过不同蜂窝基站传输的手机信号信息，来预测公交车到站时间[32]。

先进的管理系统

AMS系统旨在不同情况下对交通系统内的各种基础设施和运营方进行控制或管理，以确保交通系统的效率与安全。在相关文献中，此类控制/管理技术被应用于干线道路[33]、高速公路[34]、货运运输[35]、公共交通服务[36]以及事件/紧急情况[37]。随着数据源的丰富、数据分辨率的提升以及信息传播方法的改进，实现实时且精细化的管理成为可能。例如，Fu和Yang [36]基于实时公交位置信息提出了公交车驻留控制策略，以调节特定站点的公交发车间隔。尽管这些研究人员仅在仿真实验中验证了其模型，但为如何利用新型信息源进行交通管理提供了有益见解。Kurkcu等[37]提供了另一个实例，利用开放数据源和社交媒体数据进行事件检测，这是事件管理流程的关键第一步。

3. 智慧城市及相关人工智能技术综述

上一节介绍的智能交通系统旨在解决与交通相关的问题，并提高交通系统的整体效率。这些智能交通系统属于智慧城市框架内的智能交通范畴，近年来日益受到关注。在学术文献中，目前尚未就智慧城市的构成达成共识，存在多种定义[38,39]。例如，Hall [40]提出，智慧城市会监控其组成部分（如道路、建筑物等），以更好地优化资源、规划预防性维护活动并监控安全，同时最大化对市民的服务。而Lombardi等人[41]则认为，智慧城市是利用信息与通信技术（ICT）作用于人力资本、社会资本与关系资本以及环境问题的城市。这些定义还取决于利益相关者的背景和政府的关注重点[42]。例如，学术界认为提升生活质量是智慧城市的主要目标，而私营企业中的利益相关者可能将效率作为首要目标[42]。尽管定义多样，但采用先进的电子/数字技术（如信息与通信技术）、将信息与通信技术或其他电子硬件嵌入城市基础设施，以及提升利益相关者在系统不同方面的利益，是智慧城市的三个共同特征或维度。

关于功能，智慧城市可以分为六个不同的组成部分[39,41,43,44]：智能治理、智能经济、智能人力/社会资本、智能环境、智能生活和智能交通。智能治理旨在利用信息通信技术提高公共部门组织在管理公共资源方面的效率和透明度，并鼓励公众参与决策。智能经济的目标是运用信息与通信技术及相关技术，提升制造链的生产力，并加强和巩固在线交易，以促进电子商务的发展。智能人力/社会资本旨在通过提供来自智慧城市其他组成部分生成的丰富信息，提高公民的教育水平和公众积极参与程度。其目标还包括收集个人意见和态度，因为这些数据是政府所能获得的最佳信息之一。智能环境的目标是减少污染并解决其他环境问题，最终通过技术手段提升城市/城市的可持续性。智能生活旨在通过在城市和基础设施中实施先进技术，改善生活质量（如安全、住房质量、社会凝聚力等）。智能交通有时因其关注人员高效出行而被归入智能生活范畴，它试图利用先进的信息与通信技术优化物流和交通系统，为乘客和货物提供高效、安全、环保的服务。基于这些组成部分，已设计[41,45]用于评估智慧城市绩效，并帮助决策者制定政策，为迈向更智能的城市铺平道路。

在智能交通和智能交通系统的背景下，必须根据来自传感器和利益相关者的可用信息，实时进行各种估计、预测以及管理与控制技术。交通相关问题的特点是变量众多，参数关系尚不明确，数据量大但不完整，目标和约束条件也不清晰[46]。近年来，人工智能相关技术凭借其在知识构建方面的独特优势，已被应用于智能交通和智能交通系统中。人工智能是指机器通过理性感知环境（分析来自各类传感器的数据），并做出理性决策以最大化实现目标的可能性[47]。解决交通问题常用的人工智能方法包括人工神经网络、支持向量机和贝叶斯网络。

人工神经网络（ANN）

人工神经网络（ANN）通过考虑隐藏层和充分的训练，能够在输入与输出之间进行非线性映射，适用于变量间参数关系尚不明确的交通问题。在文献中，ANN通常被用于状态估计/预测[48,49]、事件检测[50]、交通/基础设施控制[51]以及行为分析[52]。

支持向量机（SVM）

与ANN类似，支持向量机（SVM）是一种监督学习模型，用于分析输入数据，但更侧重于阶段/情景的分类。因此，尽管SVM已被应用于其他与交通相关的问题[53,54]，但在智能交通系统（ITS）背景下，其主要应用于事件检测[55,56]和事故预测[57,58]等问题。

贝叶斯网络

与纯数据驱动的ANN和SVM不同，贝叶斯网络是一种统计模型，能够考虑控制变量的概率和条件依赖。在 ITS文献中，贝叶斯网络已被用于多种交通问题[59,60]，但主要应用于关注交通预测[61,62]以及与事件/事故相关的问题[63,64]时。

更智能更智能、更互联：未来智能交通系统

4. 智能交通的连通环境

由于信息与通信技术及相关传感技术的显著进步，当前趋势是将车辆自动化与通信系统（VACS）安装并应用于车辆中。研究表明，VACS能够提升联网车辆的个人安全、舒适性、便利性以及排放性能[65]。此外，预计VACS还有望通过交通控制提升整体交通效率[66–69]。配备VACS的联网自动驾驶车辆（CAVs）数量将在未来十年内迅速增加。与此同时，在短期内，常规的人工驾驶车辆（RHVs）仍将在市场中占据重要地位[70,71]。因此，道路将很快由联网自动驾驶车辆和人工驾驶车辆共同使用。

联网自动驾驶车辆（CAVs）和车辆自动化与通信系统（VACS）在市场中的渗透可能会提升高速公路网络性能和交通流效率。这还将使得能够实施单车速度和换道建议等控制方案，而这些方案在人工驾驶车辆（RHVs）中无法实现。如Diakaki等人[65]所述，响应交通流量状况的VACS，即自适应巡航控制系统（ACC）和协同自适应巡航控制系统（CACC），会改变宏观交通流的特性。此外，由于CAV反应时间缩短，可通过减小车头时距来提高交通流效率[70,72,73]。在混合自主性单道环形道路实验中（由22辆人工驾驶车辆组成，位于230米环形车道上），Stern等人[74]通过在交通流中引入一辆联网自动驾驶车辆以抑制环路不稳定性，实现了超过40%的燃油消耗节约。然而，针对新兴VACS对网联自动驾驶汽车与人工驾驶车辆混合交通流动特性的潜在影响及其改善交通流运行能力的研究仍较为有限[65,75]。

与车内乘员相比，行人是最脆弱的道路使用者。行人在道路交通伤亡总数中占很大比例（例如，2010年有27.3万名行人死亡）。目前的研究重点是开发基于高级驾驶辅助系统的行人保护系统。由于存在各种障碍物以及驾驶员反应时间不足，这类系统在复杂城市环境下的性能容易受到影响。车对行人（V2P）通信技术旨在解决行人与交通碰撞的问题，以提高行人安全。

由于信息与通信技术（ICT）的进步以及智能设备的普及，交通领域的连通环境概念得以扩展，并已跨越物理边界。在相关文献中，交通网络通常仅被建模为面向交通基础设施的有向图。然而，交通网络应包含人类、物理基础设施、感知型道路标线以及多式联运系统。因此，更合理的做法是从网络空间、社会空间（人类行为）和物理空间（CSP空间）三个维度来考虑完整的交通网络。目前，关于构建一种灵活的分层交通网络模型的讨论日益增多，该模型旨在数字重构CSP空间时融合物理、语义、逻辑和感知网络[76]。

5. 智能交通系统与智慧城市未来

从上一节的综述可以看出，智能交通系统的未来体现在连通环境的多个层面（即网络、社会和物理层面）。基于这一理解，本节旨在对未来智能交通系统和智慧城市的发展提供一些见解，包括：来自网络来源的信息分析、CSP网络建模以及连通环境中的流量模型。

5.1. 从网络来源分析公众态度与感知

除了可以通过各种传感器收集的物理数据外，从网络来源（如社交媒体）获取的公众态度与感知是了解城市状态及其交通系统绩效的另一类有前景的数据来源。因此，未来智能交通系统应利用这些数据源来监控和管理交通系统。为了从社交媒体数据源（如推特上的公众评论）中提取有用且有意义的信息，建议采用基于自然语言处理（NLP）的算法，并结合预定义语义结构进行数据分析。该NLP算法应能够检测可能引发潜在交通问题的社会事件和/或公众评论（例如足球比赛结束后的拥堵），或揭示公众对交通系统/当前政策的态度和感知。此外，借助时间和空间标记的社交媒体数据，还可以估计交通问题的范围和严重程度（例如关于上午8点列车中断后列车服务延误的评论）。

5.2. CSP交通网络建模

为了更好地融合CSP空间的数据以及其他新兴的多源数据，应开发一种CSP模型，以实现数据的关联与融合。未来，应考虑在CSP空间的数字化重构中，构建一个整合物理层、语义、逻辑和感知网络的分层交通网络模型。可通过认知计算和/或概率推理模型实现跨层级（即网络层、社会层和物理层之间）的网络连接，以刻画网络连接关系。可利用统计学和自然语言处理技术（NLP）研究跨域数据的关联规则。例如，可在蓝牙强度与交通量之间，或建筑能耗与行人流量之间建立时空关联规则。

在构建这一分层交通网络模型时，由于存在大量可用交通信息，它将是确定和定义足够有效实施各种服务所需的信息类型和数量（在时间和空间分辨率方面）的关键。

5.3. 联网环境下的流量模型

随着车辆自动化与通信系统（VACS）的日益普及，未来的智能交通系统（ITS）必将应用于包含联网自动驾驶车辆（CAVs）和人工驾驶车辆（RHVs）的混合交通环境中。由于联网自动驾驶车辆的行为/特性与人工驾驶车辆存在显著差异，因此理解此类混合车辆环境中的流动特性对于智能交通系统的应用至关重要。需要在微观层面和宏观层面建立扩展的车辆流模型。在微观层面，将考虑新的跟车模型（CF模型），以纳入与联网自动驾驶车辆相关的特性（如不可靠的车辆通信、通信延迟、编队驾驶协议、联网自动驾驶车辆渗透率等）。此类跟车模型可用于智能交通系统中基于路段的控制设计。而在宏观层面，则应在网络级流量模型的构建中考虑联网自动驾驶车辆相关特性，以支持区域监控与规划（例如监测某一区域的拥堵程度、设计基于区域的拥堵收费方案等）。