“智行合一”，人工智能建设美好城市

2020-01-16汪俊

智能建筑与智慧城市 2020年1期

关键词：信号灯合肥市合肥

文/汪俊

1 合肥市人工智能建设发展历程

1999年，是合肥的宝藏时代，成立轻轨办、市府广场改造、徽园的建成、北京华联和东方商城开业。

2009年，合肥交通还不发达，大家出门主要靠公交、出租车、电动车，私家车还不多，路也不算堵。

2014年，曾经的圆形天桥、繁闹的女人街、古老科教书店、热闹的小香港，都成为合肥人心中最深处的记忆。破而后立，这是城市发展的代价。

2016年，合肥城市建设与经济飞速发展，“大湖名城，创新高地”不仅仅是个口号。然而居民出行的机动化程度增加，合肥市的机动车保有量逐年提升，路段的通行压力日益增大，路口的缓行现象日益突出，城市拥堵排名全国居前。2016年12月，《智慧合肥建设“十三五”规划纲要》出台，明确指出聚焦城市交通物联感知、优化控制和综合服务三个层面，构建智慧交通综合管理与应用服务体系。

2017年12月，习近平总书记主持集体学习国家大数据战略，强调要推动实施国家大数据战略，加快完善数字基础设施，推进数据资源整合和开放共享，保障数据安全，加快建设数字中国，更好服务我国经济社会发展和人民生活改善。

繁重的科学和工程本是由人脑承担，如今计算机不但能完成这类任务，而且能够比人脑做得更快、更准确。随着人工智能的发展，人工智能技术的引入，引发链式突破，推动经济社会各领域向智能化加速跃升。

2 人工智能的重要性体现

我国发展人工智能具有良好基础，国家在人工智能科技研发、应用推广和产业发展等方面推出了一系列政策和措施，人工智能领域持续取得重要进展，语音合成、语音识别技术世界领先，感知智能、认知智能等技术具备跨越式发展能力。安徽省在人工智能领域具有良好的先发优势，以科大讯飞为代表的人工智能龙头企业在国际上获得广泛关注和认可，并建有全国唯一定位于人工智能领域的国家级产业基地——“中国声谷”。

3 人工智能在生活中的具体应用

立足于合肥市交通整体现状的基础上，合肥交警携手科大讯飞、中科院自动化所及清华大学（以下简称“项目研究团队”），针对核心示范区，从流量感知、信号优化、智能语音应用及交通事件研判四个方面着重考虑，解决合肥市交通痛点问题，以此改善交通拥堵现状，提高合肥交通智能化水平。

2018年11月，“项目研究团队”在合肥市包河区徽州大道-芜湖路沿线率先试点，利用AI算法实现了信号配时优化。整套方案采用视频方式监测数据，可以精准识别道路上每一条车道的全量数据，包括交通流量、车辆排队长度等。同时，基于中科院自动化所和清华大学团队提出的平行强化学习新方法，根据感知到的道路车流拥堵情况，对交通进行实时的区块化综合治理，算法可择优给出基于统计指标的分时段相位配时方案；结合传统信号灯时钟同步和相位协调的方式，方案通过计算实验对连续通过4个路口的车流合理分割策略的择优并投入执行，保证流量均匀分布，避免集中在某个路口导致的交通压力过大。

初步测试的优化效果为：排队长度降低13%左右，西方向直行排队长度稍微增加（绿灯时间调整到其他三个方向）。未来，“项目研究团队”期望实现路网交通数据到后端AI智能体的实时交互，实现信号灯实时控制策略。

目前交通信号控制大多采用单点控制、绿波控制，只能做到局部最优，无法做到全局最优。项目研究团队基于平行强化学习的信号控制可以将区域多个信号路口控制建模并计算，“牵一发而动全身”自适应实现整体全局优化，不再需要人工对交通区域进行控制子区划分，无需单独操作某个局部参数，无需要大量人工干预，可以实现区域信号控制效果的全局最优或次优解。合肥交通信号控制即将迈入“AI控制时代”。

流量不均衡现象时常伴随公民出行每一天，不均衡程度、不均衡时段、不均衡方向（潮汐现象）等各项指标都对路口信号灯相位设置、配时长短影响甚大。早晚高峰、午间高峰是每个城市最繁忙的时段，合理有效的设置信号灯相位、配时长短，有效缓解路面压力，减轻路网拥堵指数不仅是合肥交警首要任务，也是公民最迫切的诉求。

4 人工智能的发展难点

异常突发事件，往往带有一定的偶然性与“灾难性”，对于交通而言，突发事件往往造成事件地交通拥堵、混乱，如果不及时处理疏导，甚至会造成拥堵区域蔓延扩散。项目研究团队所采用实时电警流量作为数据源，一方面全面准确定位不均衡时段、不均衡方向、不均衡程度，另一方面动态感知各个高峰期来临与结束时刻，同时对于突发事件、异常事件具有精准感知力，能有效应对以上场景下的信号控制。

5 解决措施

采用中科院自动化研究所团队开创性提出的平行智能管理与控制相关理论与方法，根据真实交通场景，结合当前大数据和云计算等技术，采用面向智能交通管控的平行强化学习技术优化信号灯控制，提出构建人工交通系统+强化学习网络的面向交通流量控制与引导的平行智能技术框架。

信号灯优化的平行交通技术方案主要分为三个阶段：首先基于合肥真实交通数据构建人工交通系统；然后在人工系统中对信号控制方案进行优化；最后将优化后的信控方案通过平行执行应用于真实交通场景中。

在构建人工交通系统阶段，以合肥真实路网、信号灯相位及传感器配置为基础，保持人工系统中的相关配置信息与真实系统一致，并在此基础上基于真实电警卡口过车数据生成相应人工车流。人工交通系统可较为准确地模拟真实交通系统运行规则，同时为信号控制研究提供了计算实验及测试评估环境。

在信号控制方案计算优化阶段，采用基于策略迭代的平行深度强化学习算法，从零开始自主地学习信号控制策略。一个强化学习系统主要由环境与智能体构成，两者通过状态，动作及回报进行交互。

环境为智能体提供当前时刻的交通状态，如各检测点的车流量、平均速度、排队长度及各信号灯的相位。智能体基于当前状态计算并选择相应控制策略并执行控制动作，控制动作将指示信号灯是否切换到下一相位。在动作执行后环境将会切换到下一个时刻的状态，并向智能体返回即时回报，即时回报衡量了当前控制策略的性能。例如，如果路口各向车辆均衡度较高并且路网净流出车辆数为正，则控制策略将会有较高的即时回报。同时，智能体的控制策略通过神经网络实现，网络的输入为当前人工交通环境的状态，输出为信号灯是否切换相位的动作指令。在信号优化过程中，通过策略迭代算法执行计算实验，训练该策略网络以最大化控制方案在特定时段的累积回报。

通过计算实验得到的控制策略，能够在人工系统中提升区域路网车辆通行量，减少车辆的等待时间，均衡路口各向流量。在实际部署阶段，由计算实验择优生成的信号配时方案被部署到真实交通系统中。

真实系统与人工系统同时运行，一方面该信控方案将在真实交通场景中有效引导系统有序运行，提升真实交通系统整体运行效率。另一方面，真实交通运行效果进一步作为输入被人工交通系统学习，作为经验累积，增强系统智能水平。

在人工系统的信号优化算法性能测试中，就整个建设区范围信号优化效果来看，平行交通管理与控制的方案较现有方案在路口排队长度、车辆等待时间、路网车辆总数等指标均上均有明显提升。区域路口车辆排队长度，全网排队长度在高峰期、平峰期均减少25%左右；区域路口车辆等待时长，全网平均等待时长在高峰期、平峰期分别减少30%、28%左右。

通过平行强化学习信号优化算法，能准确预测并感知早高峰时段的车流分布情况，及时应对各种各向车流，指导信号灯快速、安全、稳定的疏导路面交通情况，减轻路面执勤民警的压力。