当今城市中的交通体系在数十年的进步经过中，首先将重点放在私人交通上，其次是公共交通，最后才是适当地思考自行车和行人。

　　优先性的转变通常会导致道路路网和交通控制体系无法同时满足全部的道路运用者：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刻内通过，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刻而且过街所需的步行距离太长。

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

　　当然，在无法同时满足全部交通方法的前提下，大众所期望的未来的智能交通体系需要达到下面内容三大要点：

　　性能：智能交通体系的主要影响是帮助全部的道路运用者，包括各种交通出行方法，以最小的延误达到他们的目的地。因此，体系需要了解当前并预计未来的交通状况，满足多玩法出行方法，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决定因素难题，这就使得体系需要根据交通结构的变换随之调整，另一方面，还需要使体系运营者能够快速的对体系进行调整，仿真并测试相关的控制参数。尤其是要尽也许的避免重复职业。

　　放开性：为了有效的利用和规划预算，体系必须兼容已有的信号控制机/检测器设备，并支持尽也许多的放开标准。用户并不希望为了实现优化控制而去修改每壹个信号控制机和信号灯头。

　　现代交通体系应拥有壹个基础交通模型作为支撑

　　离线建模：用于确保全部常用的管理方式，情景方法和条件都得到正确的解析测试，而且交通信号体系总体运行良好。

　　基于模型的实时决策体系：用于帮助体系运营者运用合理的工具得出一系列可行的化解方法。实时交通决策还包括预测工具，对也许发生的交通难题进行预警。

　　自适应交通信号体系的校验和日常运行：该模型可以帮助交通体系更加连贯的执行已经指定的规划。将同壹个模型运用到离线和在线运营中可以更节省时刻和费用。

　　因此，下面内容技术需求可以用于支撑上述的三大要点

　　1. 自适应交通信号体系

　　体系需要自动适应交通结构的变化，将维护和调整的职业量最小化。自适应信号控制体系需要快速而且在线地调整不同交通出行玩法之间的优先性。已发生延误的PuT车辆需要获取更多的优先权，因此可以增进信号协调和/或单个车辆或行人的绿灯时刻，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，然而需要同时思考到其他道路运用者的情况，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体系。该体系可以提供减少拥堵和延误的计算方式，基于交通信号控制，VMS标识，导航规划和网络推送信息。

　　行人的延误需要思考等待的行人总数，因此要思考全部道路运用者的最优化。体系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体系中。体系可以计算并显示当前路网的运行情形，除了这些之后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刻和出行方法。市民可以根据APP或网页上提供的出行方法决定自己的出行。

　　信号控制的主要手段还是通过信号灯，然而可以运用信息板，网络，app，广播或其他通讯方法公开交通信息。

　　体系可以支持运用壹个离线的微观交通仿真程序进行区域范围内的交通控制，而且在仿真和实际体系中运用相同的交通供给。

　　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决定因素评估指标，使得体系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局用于自适应交通控制体系，以进步检测器数据丢失或损坏导致的影响。

　　为了进步稳定性，有必要使得全部的交通控制、交通建模和交通工程相关的软件运用同壹个路网模型，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运用不同的供给模型的话，后期维护的成本和体系的稳定性都将受到影响。因此决定因素是全部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，才能帮助体系管理者更好的得出难题的决策。预测结局需要至少覆盖未来30分钟内的交通演变，才能有助于解析交通难题的传播情况。

　　预测本身需要思考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刻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解析独特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壹个主路网，该路网必须包含采集的历史数据，对于壹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。当公交和私人小汽车共享途径时，那么预测需要包含公交车辆的预计到达时刻。

　　交通预测必须思考到现有的检测器数据。这意味着预测方式可以将现有模型扩展到预测层面，而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和历史动向数据进行对比，接着加载类似情况下的OD矩阵(从最接近的离线模型)，最后运用当前交通的通行情形运行路网仿真。这样创建的模型往往不能真正反映实际情况。体系应该尽也许运用公开的标准和协议，这使得体系具有更好的扩展性和兼容性。

　　3. 检测器/数据获取模块

　　交通信号体系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，而且为未来新增检测器提供放开性。

　　主推运用智能摄像头，由于相比于线圈，摄像头的维护成本相对低而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)，除了这些之后摄像头还有更多附加功能(例如安保，安全解析，天气预警，强制执行能)。

　　体系应当能够追踪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/更新体系背后的交通模型。

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

（转载）