挑戰

交通控制中心依靠監控攝像系統、現場工作人員和監控交通流的感應器等一系列設備來管理主要交通路線。交通運營人員不但要監控交通網絡的現狀更要對隨后即刻發生的狀況進行監控。交通運營人員往往通過調整交通信號配時、時速限制、控制車道使用等手段來處理交通事件，并通過可變信息標志發布信息，或通知現場交通管理人員進行干預和處理。因為現場交通管理人員熟悉交通流，并了解公共假期、壞天氣或是道路施工對交通流所造成的影響。

智能交通系統種類各異如智能通道（通過對時速限制的調整來管理過多交通需求造成的擁堵）、自適應交通燈、和匝道控制（控制進入快速路的交通流量）。這些工具將實時優化系統容量并改善交通網絡的運營。然而這些方法都是被動的，不能預測未來而只是實時對當下發生的狀況作出反應而已。

交通模型師不但要詳細地了解包括每個交通燈路口紅綠燈時間在內的道路通行能力，而且還要詳細地了解交通需求，然后搜集不同時段的交通數據，并對模型進行矯正以確保模型可以代表現實交通網絡的運營狀況。

有效的工具將保證交通運營人員能夠對交通網絡作出可靠的估算和預測。該有效工具可以被用來規劃交通網絡的通行能力，并保證交通網絡能夠對任一預測增加的交通需求作出反應并滿足這樣的需求。交通網絡設計人員依靠模型來掌握新開發項目對交通需求的影響，從而為決策提供支持。

交通模型師對交通網絡當下發生的狀況并不知情，模型于他們而言代表的是一個結合數據和模型方法的特定天典型的高峰時段。交通管理者清楚正在發生什么但是不能對接下來所發生的狀況進行預測；而交通模型師可以預測交通網絡改變對通行能力和需求所造成的影響，但卻不知道當下發生的狀況。但要怎樣將兩者結合起來呢？

概念

比起以前，現在不但可以從交通網絡、網約車、導航系統、手機數據等渠道獲取大量實時數據，而且還可以通過感應器來搜集實時數據。有越來越多的信息被交通模型師和交通管理中心所利用，對出行模式和實時交通狀況的認知就會越來越強。提供當下發生交通狀況的可視化表達及現有的需求的目的旨在提升對交通狀況的了解和認識。

通過在模型里整合多源數據，將離線模型調整成實時模型，便可以對交通網絡在接下來一個或兩個小時內5、10或30分鐘之后發生的交通狀況有一個全局的了解并得以評估道路在時間序列里所發生的狀況。

結合實時數據的交通模型可以有效減少只是依賴實時數據方法所造成的誤差，比如說數據樣本過小時，一輛送貨車的連續停頓都可以被錯誤理解成交通堵塞。并且當一條道路完全沒有實時數據的時候，模型會根據周邊有實時數據的道路狀況填補空白進行預測。

結合實時數據的交通模型將帶來兩大明顯好處。一是通過路段上下游的的數據傳遞來擴大實時平臺的覆蓋范圍；二是更精確更大的覆蓋范圍地幫助了解交通狀況。

但這還不是最主要的好處。最主要的好處在于預測交通事件對交通所產生的影響，這是憑單獨的實時數據而力所不能及的。一旦路段上發生交通事故，控制中心人員則需要知道網絡在特定條件下會發生什么并把握路網的運營狀態。控制中心的運營人員可以精確計算出交通事件對交通造成的影響，包括出行時間、排隊長度，以及分析上下游的路口是否運行順暢。

模型 + 實時數據

通過實時數據和模型的結合，用戶在執行仿真任務的同時能夠看到接下來的20、30或60分鐘內交通事故對交通的影響，包括排隊長度和延誤。

模型利用該信息可以測試不同的情景方案以緩解交通事故所造成的影響，比如說調節信號燈設置或是調整信號方案以增加道路的通行容量。這樣一來， 交通流量得以疏導，駕駛員也可以自主選擇避免交通事故及排隊情況。

模型將允許交通控制人員對不同種情景方案進行測試，并通過諸如出行時間、距離或尾氣排放等不同指數進行比較，并最終選定最佳方案。這將允許交通控制人員‘未卜先知’且更加有效而主動地管理路網。

舉例來講，如果某條路段上發生了交通事故，現如今的做法往往是通過路段上游的可變信息標志警告駕駛員前方擁堵或是直接顯示到達目的地的預估時間，然而此目的地可能并非是駕駛員想要到達的目的地。

交通控制人員不知道會造成什么交通影響也給不出更多信息，因此駕駛員要靠自己來評估其行程所受到的影響程度。另外，駕駛員也可以通過不同導航系統收集到的實時數據來獲取一些信息。然而這些數據并沒有通過中央平臺來整合，因此不同駕駛員將從不同數據來源獲取不同的信息和路徑選擇，這樣一來交通控制人員難免會遭遇如何管控整個網絡的瓶頸。

交通控制人員可以依靠模型來測試一條特定的誘導路線，比如說通過增加平行路線的綠燈時間來改善通行時間。他們也可以在可變信息標志上發布更加具體和詳細的交通信息以誘導駕駛員選擇通行能力較強的路線。這樣一來，交通運營人員將不會過度依賴智能交通系統或是僅僅提供少到可憐的信息讓駕駛員去自主選擇，而是會發揮愈加主動的作用。

大家平常使用的智能手機、導航Apps或是其他導航設備及汽車內置導航系統等都在提供不同種路徑選擇方案。通過控制中心提供的路徑選擇方案或是類似PTV Optima一樣的功能性平臺，交通運營人員可以有針對性地干預影響單個駕駛員行為或是某類特定位置特定公共交通使用者的特定駕駛員行為。

整體來講，交通控制人員將有能力評估交通事件的影響，評估不同情景方案以降低交通影響并根據多種KPIs來選出最佳情景方案。與此同時，交通運營人員也將通過使用現場基礎設施或是其他ITS機制來提升路網通行能力。系統也可以為駕駛員提供實時的甚至是可預測的通行時間。這也可用來將交通需求誘導到通行率增加的道路。

路網運營人員可以將PTV Optima及其實時預測方法納入控制中心，而此舉只需付出與修路擴容或是其它硬件設施投資相比極少的投資。并且，這將覆蓋整個路網。

INRIX預測在到2025年的十年間，英國的擁堵成本將高達630億英鎊，大概每年每一百萬人口平均為一億歐元。

如果僅利用該擁堵成本的5%便可以投資搭建覆蓋整個路網范圍的交通模型，再結合實時數據就能夠改善交通擁堵，縮短通勤時間，為社會經濟帶來積極影響并提升人們的日常出行體驗。我們何樂而不為？！

解決方案

PTV集團研發的PTV Optima正是將實時數據和交通模型完美結合的解決方案。到目前為止，維也納、都靈、莫斯科、阿布扎比、巴黎等國際上很多城市正在使用PTV Optima。如維也納利用PTV Optima作為其整合智能交通系統的一部分以緩解交通擁堵并影響駕駛員行為。同時還將PTV Optima與維也納最繁忙交通走廊的交通信號燈運營相結合，信號配時方案用PTV Optima作為虛擬“流量探測器”來不斷更新。其最后結果表明通行時間下降了50%，延誤減少了60%，與此同時尾氣排放量也降低了15%。

交通運營人員將針對性考慮交通事故及交通網絡等相關干預策略并結合手頭可利用的ITS工具來通過PTV Optima發布交通信息并影響交通網絡的各方參與者。PTV Optima 將實時數據與交通模型相結合，無縫銜接交通模型師和交通控制人員的各種信息和手段，進而高效而安全地管理路網，并實現交通預測。