文圖|張棟 謝文斌 龔永剛
體育賽事、峰會論壇、展覽會、演唱會等大型活動期間,舉辦城市出行人數龐大,交通服務要求高,交通保障工作面臨巨大挑戰。2023 年7 月28 日至8月8 日,第31 屆世界大學生夏季運動會(以下簡稱大運會)在四川成都舉行,為做好大運會的交通保障工作,成都市公安局交通管理局強化使命擔當,科學精準施策,利用數字孿生交通仿真技術實現了對大運會專用車道等多項交通管控預案的在線推演,以數字化、智能化的方式研判管控方案實施的可行性,本文分享其工作思路及經驗,以期與讀者共勉。
大運會共計45 個賽會駐地和49 個場館,分布在成都主城區及周邊區域的各個方向。駐地與場館間的交通需要頻繁使用城市交通干道,賽事交通與城市交通大量交織。針對成都市交通出行規律,大運會期間宏觀層面的交通特征分析、出行需求預測是制定交通管理與控制策略首先要解決的問題。
根據成都市日常交通管理經驗與常態化的交通出行規律,大運會交通管控策略的制定難點主要集中在兩個方面:一是成都諸多主要通勤線路的通行量已經接近飽和狀態,疊加觀賽交通流的情況下,設置賽會專用車道是否對全市交通狀況造成較大范圍的影響;二是大運會舉辦期間恰逢暑期剛剛開始,成都是重點旅游城市,在管控策略的制定上,需要綜合考慮暑期與非暑期的交通流變化。
數字孿生是物理世界與網絡世界虛實之間雙向映射、動態交互、實時鏈接的關鍵途徑。通過云計算、人工智能推理可將物理世界中城市交通行為映射到虛擬世界,以動態數據驅動、數據建模、交通感知、多源數據融合等技術為手段,將交通仿真嵌入數字孿生城市系統中,實現交通仿真與實際交通運行的相互映射。數字孿生交通仿真將離線仿真改變為在線模式,實時動態呈現城市整體路網需求和交通流,并根據歷史數據預測整體路網需求變化和交通流變化。
在大運會交通管控策略規劃階段,利用數字孿生仿真系統,對政策執行前后的交通流仿真建模和分析,實時呈現交通運行指標。通過對政策執行前后交通運行指標的變化區域進行綜合研判,為政策方案落地提供數據支撐和技術支撐。
基于大運會交通管控痛點和難點,在現有成都智慧交通一期、二期的建設成果支撐下,通過多源異構交通數據融合打造成都大運會數字孿生交通仿真系統。系統架構如圖1 所示。
圖1 大運會數字孿生交通仿真系統架構圖
將物理路網還原為數字孿生路網,以數字化的方式提供各種粒度的道路實體信息、道路拓撲關系等路網查詢能力,通過數據清洗完成路口、路段信息的補充修正。最終產出一套成都數字化路網結構數據模型,實現路網、設施、設備、道路周邊交通相關實體的邏輯數字化,構成車道級數字化邏輯路網模型及數據,提供道路、路口、路段、車道、設施、設備、道路周邊交通相關實體等多種交通實體相互拓撲關聯關系數據。
交通數據融合計算模塊主要是匯聚城市基本路網拓撲信息、設施信息、路口渠化、交管動態數據(包括信號機數據、卡口/視頻、線圈、微波數據等)、多源視頻結構化數據和互聯網數據,對多元數據進行治理和融合。通過交通數據底盤的建立,提供融合的、統一表達的、高質量的交通參數。成都智慧交通一、二期的感知數據與互聯網導航數據、互聯網位置數據(LBS)等進行融合計算,主要包括速度融合、流量融合、排隊長度融合、在途量融合、事件融合、出行方式還原、軌跡補全等。
宏觀交通仿真是基于經典的流體力學建模道路的流量、密度和速度在時間和空間上的演化,進而來表征路網在時空上的變化特征,可以分為交通出行需求預測模型和道路交通系統仿真模型。其中需求預測模型會根據不同的交通事件對居民出行進行重新預測;仿真模型則基于交通流模型將OD 分配到仿真路網上,并通過不斷迭代優化居民出行路徑選擇,最終達到用戶均衡。
大運會期間成都市公安局交通管理局制定多項交通保障措施,本文僅針對大運會專用車道的仿真推演進行詳細闡述。在仿真系統中,從成都繞城高速、三環路、東西軸線、解放路等主干道中設置18 條大運會專用車道,雙向里程382.56 公里。
大運會專用車道設置影響仿真推演范圍為“5+1”城區,包括錦江區、青羊區、金牛區、武侯區、成華區、高新區。
以延誤指數判斷區域擁堵和路段擁堵,標準如表1 所示。仿真時段劃分標準為:早高峰7:30 ~9:30、晚高峰17:00 ~19:00、日平峰9:30 ~17:00、晚平峰19:00 ~22:00。
表1 區域擁堵和路段擁堵判斷標準
本次將仿真區域按照繞城高速、三環、繞城高速與三環間、三環以內,劃分了四個評價區域,區域內道路不重疊。
1.非暑期仿真結果
如表2 所示,非暑期設置大運會專用車道影響最大的區域是三環路和繞城高速,其中對早高峰的影響最明顯。三環路早高峰延誤指數由1.9 上升到2.15,狀態由擁堵變為嚴重擁堵;晚高峰延誤指數由1.77 上升到1.94,狀態由緩行變為擁堵;午平峰延誤指數由1.42 上升到1.57,狀態由暢通變為緩行。繞城高速早高峰延誤指數由1.75 上升到1.88,狀態由緩行變為擁堵;繞城晚高峰延誤指數由1.48 上升到1.59,狀態由暢通變為緩行。三環內與繞城三環之間,受設置專用車道的影響較小。
表2 非暑期大運會專用車道仿真結果
2.暑期仿真結果
如表3 所示,暑期設置大運會專用車道影響最大的區域是三環路和繞城高速,其中對晚高峰的影響最明顯。三環路早高峰延誤指數由1.88 上升到2.09,狀態由擁堵變為嚴重擁堵;晚高峰延誤指數由2.15 上升到2.37,嚴重擁堵狀態的延誤指數上升10%;午平峰延誤指數由1.7 上升到1.89,狀態由緩行變為擁堵。繞城晚高峰延誤指數由1.85 上升到2.01,狀態由擁堵變為嚴重擁堵;早高峰延誤指數由1.76 上升到1.89,狀態由緩行變為擁堵。三環內與繞城三環之間,受設置專用車道的影響較小。
表3 暑期大運會專用車道仿真結果
為驗證本次交通仿真結果,工作人員使用高德城市交通“評診治”分析系統對交通態勢進行了跟蹤。根據大運會交通仿真政策中的限行政策,2023 年7 月31 日至8 月4 日與日常尾號限行一致,屬于在大運會期間最接近日常交通狀態的時間段,因此本次仿真驗證選用此時間段數據。具體校驗流量準確率、速度準確率和堵點準確率。
流量準確率定義:根據卡口流量置信度選擇評價路段集,計算路段集中仿真輸出流量與卡口流量相比的準確率。計算邏輯如下:
其中,acc 表示預測準確率;T 表示仿真的時間段數量,一般T 等于仿真小時數;L 表示參加計算的路段的數量,l 表示具體路段;flowl,t表示路段l 在t 時間的實際流量;flowt表示所有路段在t 時間內的實際總流量。
mape(flowl,t)表示路段l 的總體預測平均絕對百分比誤差,其計算方法為:
仿真準確率定義:根據卡口流量置信度選擇評價路段集,計算路段集中仿真輸出速度與實際速度相比的準確率。計算邏輯如下:
mape(speedl,t)表示路段l 的總體預測平均絕對百分比誤差,其計算方法為:
堵點命中率定義:擁堵延誤指數為嚴重擁堵和擁堵狀態的路段集合,使用仿真結果與高德實際數據進行重疊比對。
仿真結果對比如表4 所示,以三環路與繞城高速為例。通過對重點關注的三環路和繞城高速路段的實際堵點和仿真預測的流量、速度及堵點進行對比,可以看出流量和速度的預測準確率均在80%以上,堵點的命中率在75%以上。
表4 仿真結果驗證
針對成都作為超大型城市舉辦大運會期間高強度、高匯聚、難管控的交通特征,對數字孿生交通仿真進行實踐探索,在成都智慧交通一、二期建設的成果上,構建了成都數字孿生交通仿真系統的總體架構,分步驟地實現了孿生數字路網、多源異構交通數據融合、交通仿真模型等模塊。在此基礎上,以成都大運會專用車道的設置與保障為場景,針對成都繞城高速、三環路、繞城高速與三環路之間、三環路之內的路網運行狀態進行了仿真推演,評估了設置賽會專用車道對全市交通狀況的影響程度,并在實戰演練當中對仿真推演的準確度進行了科學的評價。
本文雖驗證了數字孿生技術與交通仿真技術相互融合的可行性和實戰價值,但此次實踐的應用場景在交通管理工作中屬于中低頻次。下一步計劃將融合數字孿生和交通仿真,實現宏觀、中觀、微觀一體化推演,將交通仿真廣泛地應用到路口精細化治理的高頻次日常交通管理工作中。