本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

一次遇紅燈，一路都紅燈。

家人們，提到通勤堵車，那種等待的痛苦是否依舊歷歷在目？

還真別說，這種難受勁兒，每天經歷的人可不在少數。

央視最新曝出來的一個極端通勤數據直接上了熱搜：

我國超過1400萬人忍受著單程耗時超過60分鐘的極端通勤！

這背后的原因，刨除“住得遠”這個硬傷之外，“交通擁堵”明顯成為罪魁禍首。

開車通勤的人最怕一路遇紅燈“走走停停”，哪怕是打車，很多司機師傅也會為了選擇信號燈較少的線路。“躲”紅燈變成了一場人和路口的博弈。

難道就沒有什么方法，能讓咱們出門享受一路“綠”到底的痛快嗎？

有的。

而且還是已經有人實現了“綠燈自由”的那種。

一路“綠”到底，通勤耗時“打半折”

不繞彎子，直接上答案。

這個辦法就是讓紅綠燈變得更加聰明。

前不久，央視財經在北京的一段道路上做了實際測試。

他們在駕車行駛過程中可謂是出師不利，上來便遇到了一個紅燈。

但測試人員卻信心滿滿地說：

接下來，我們遇到的將全是綠燈。

并且神奇的事情，在車輛啟動前就已經開始上演。

紅綠燈上并未設有倒計時的功能，但車內導航的App，卻在顯示紅燈的倒計時：“5、4、3、2、1”……

倒計時完畢，對面的綠燈也隨即“如期而至”：

然后在接下來的道路測試中，還真就如測試所說，遇到的所有紅綠燈，都一路飄“綠”。

路遇8個綠燈，一路暢通無阻！

這便是讓紅綠燈變聰明之后的結果了。

但其實測試員們行駛的這段路與普通的道路還有所區別，它們被稱為“綠波帶”。

（“綠波帶”是指車輛在特定道路上以規定車速行駛時，紅綠燈會視車流的整體情況將綠燈起始時間做調整，保證車輛暢行無阻。）

在綠波帶范圍內的道路上，會接入各種智能的交通數據傳感器。

例如電子警察、卡口、地磁、雷視一體機等等，相當于給這段道路裝上了“慧眼”，能準確敏銳地捕捉路面實時情況的數據：

而后這些數據還會實時地被上傳到“交通大腦”，通過AI的算法分析，能夠快、準、狠地做出判斷。

最后，“交通大腦”便可以對紅綠燈下達命令：

在規定好的路段車速（綠波車速）內，調整車流經過各個路口的綠燈起始時間，確保車輛到達時剛好遇到綠燈。

現在，知道為何能在北京亦莊實現“綠燈自由”了吧？

總結來說，就是給對應道路上“裝眼睛”、“換腦袋”、“接神經”，讓紅綠燈變得更加聰明。

而且這一套“功夫”可不只是在北京獨有，在諸如湖南的株洲、長沙，河北保定、重慶永川、廣州黃埔等城市均已上線。

值得一提的是，株洲的天元區目前已經有66個路口加持了這種“聰明”的buff，形成了7條主干線的動態綠波帶。

株洲市市民李先生在體驗完這套“功夫”之后表示：

以前開車走黃河南路全程需要20多分鐘，十多個路口走走停停。

而現在只需要11分鐘，10個信號燈基本“一路綠燈”。

一組更為精準的數據是——

• 路口的車均延誤下降了22%，優化區域的擁堵指數下降了13.4%，
• 司機因紅綠燈停車次數下降38%，提高通行效率12.7%
• 整個天元區，區域的平均速度上升了10.6%，擁堵指數下降了9.7%

由此可見，讓紅綠燈變得更聰明，確實對緩解交通擁堵起到了一定作用。

那么接下來的一個問題便是：

“紅綠燈”是怎么變聰明的？

這套能讓紅綠燈變聰明的“功夫”，正是來自百度的AI智能信控系統。

信控，顧名思義，就是信號控制的意思。

而這套系統與傳統信控系統的區別主要包含以下兩點：

• 精準預測
• 全域調控

首先我們來聊聊這個“精準預測”。

之前在做預測方面的工作，往往采用的都是歷史數據來訓練。

但這在瞬息萬變的路面交通上卻是行不通，這數據還真得是實時的那種。

因此，剛才我們提到綠波帶上的智能數據采集傳感器（路網數據、互聯網數據和專網數據），就起到了非常重要的作用。

而且這些數據不僅僅是被采集這么簡單，在此之后還要用圖神經網絡做“大融合”和“查缺補漏”。

也就是說，道路上車輛擁擠程度的演變，需要實時地“盡收眼底”，這就彌補了此前因數據缺失而導致預測不準的情況。

而后這些完備數據會實時地傳送到背后的“交通大腦”，通過深度學習等AI手段進行深入智能分析和優化決策。

更具體來說，百度的這套信控系統，可以根據不同時間段的交通情況，自動預測生成適合各路口交通狀況的紅綠燈配時方案。

在這種精準預測的能力之下，對于像救護車這種特殊車輛的意義和價值就顯得格外突出。

當路面上的傳感器系統實時監測到一輛救護車，交通大腦便會通過自動化的手段配置紅綠燈。

在它沒有達到路口之前，就會提前亮綠燈放行：

而對于已然發生事故的路段，百度AI信控系統同樣是基于精準預測的能力，通過在后臺協助交警等方式，將一部分車流引導到不太擁堵的道路上。

如此一來，就做到了提前防止因交通事故而引發的擁堵進一步蔓延。

但也正如剛才所說，交通這事畢竟“牽一發而動全身”，如果僅僅關注一條路面上的擁堵情況是遠遠不夠的。

這也就是百度AI智能信控系統的第二大亮點——“全域調控”。

更具體一點來說，這套系統之所以能夠做到精準預測，正是因為它是基于全局視角來做決策。除了要做到數據的全域采集之外，背后的分析和決策控制也要需要具備全域性。

它不是僅僅對于單點（一個十字路口）或干線（一個路段）進行優化。而能夠實現以主車流路徑為基礎，通過深度學習等方法實現動態子區劃分，也就是區域級調控——基于得到的精準預測信息，對城市路網進行動態子區劃分，運行不同的控制策略。

針對單點子區（一個路口），系統將傳統自適應控制模型與強化學習結合，可以更智能有效地對路口進行控制。

針對協調子區（一條路段），系統會將路段車速、排隊清空等動態需求綜合考慮進來。如此一來，便可以干線進行動態協調，保證了不同時段主干線反向的綠波帶，讓用戶有一路綠燈通行的良好駕駛體驗。

針對擁堵子區（一個區域），技術上采用的是自適應的溢流、截流控制，不僅能夠對擁堵區域這一個點進行預警，更是通過上下游聯動控制提前消除擁堵風險；以及可以在擁堵發生后對車輛進行快速疏散、消除擁堵。

這個平臺的一大特點是通過數據驅動的方式實現策略參數的自動調優。相比以往專家調優的方式，能夠實現全天延誤下降5%、調優成本下降接近30倍，效率方面可以說是有了明顯的提高。

據了解，百度是在業界首個采用這種方式來建模整個區域交通數據的。

這也就不難理解，為什么在這種系統加持之下，不僅能夠兼顧全域的整體路況，對于局部亦可做出“快、準、狠”的決策了。

那么在此能力背后，還有一個問題需得探討：

為什么要做這些？

很明顯的一點，隨著經濟的高速發展，無論是發達國家亦或是發展中國家，都或多或少的在承受著交通擁堵所帶來的困擾。

而且這個問題還在呈現持續增加的態勢，例如隨著我國道路交通量便的急劇增加，機動車平均時速逐年下降、出行時間延長。

隨之而來的問題便是更大的燃油消耗以及環境污染，并且還會造成巨大的經濟損失。

但不止于社會層面，于個人，交通擁堵等帶來的過長通勤時間還會讓幸福感大打折扣。

中國科學院學者便曾對4199名居民進行的問卷調查結果顯示，通勤時間越長，心理健康水平便會越差。

不僅如此，更有研究指出交通擁堵還會與個人心臟、呼吸道等疾病相掛鉤。

而在政策方面，城市交通智能管控也一直是我國智能交通系統的發展重點。

正如百度CEO李彥宏在《智能交通》一書中所述：

我國有著領先的科技人才紅利，有著豐富的人工智能應用場景，有著無可比擬的良好政策環境，智能交通建設必將走在世界前列。

未來，由新技術、新理念、新模式構建的智能交通系統，將有望降低90%交通安全事故；10年之內，依托交通效率提升，城市擁堵問題將基本解決。

這也就不難理解，為何百度會不遺余力地發力于智能交通領域了。

One More Thing

有意思的一點是，以往很多AI的訓練都是在模擬系統中完成。

但從百度AI信控系統中來看，我們人類置身于路面交通，似乎也成為了AI訓練的一個要素。

虛實結合的味道似乎是越發明顯了。