针对交通工程和智能技术的融合发展趋势，《智能交通工程：从状态感知到机理认知》聚焦智能交通工程的感知辨识和认知推演两个层面，主要内容包括数据驱动的城市快速路车辆时空轨迹重构、基于自动车辆识别数据的机动车出行路径识别、片段化观测条件下的机动车出行链提取、大规模路网交通状态估计与拥堵溯源、基于宽度学习的出行方式选择行为建模、考虑时空关联性的目的地选择行为建模、基于半监督学习的路径选择行为建模、交通网络运行态势推演系统开发等。

第1章绪论
　　1.1交通工程和智能技术的融合趋势
　　当今世界，新一轮科技革命和产业变革正在孕育兴起，全球科技创新呈现新的发展态势，学科交叉特征日益突出，需求牵引的趋势更为凸显。随着人工智能、大数据、自动驾驶等新技术不断取得突破，交通运输行业正在发生革命性的变革，深刻改变着交通工程学科的内涵与方法论，并涌现出一大批前沿热点科学技术问题。
　　1.1.1交通工程研究范围和特点
　　“衣、食、住、行”是人们基本生活条件的四要素，“行”就是指交通。早在1933年国际现代建筑协会就通过了有关城市规划建设的纲领性文件《雅典宪章》，定义了城市的四大功能：生活、工作、游憩、交通。城市交通是这四大功能的基础支撑。《雅典宪章》还明确了城市交通的基本功能是完成人和物的空间移动。交通的发展依赖于交通工具的变革，交通工具的变革又依赖于科学技术的发展，在现代社会中，更依赖于交通工程科技的发展。
　　一般认为，交通工程（trafficengineering）是研究交通系统中人、车、路、环境等各要素的内在规律、交互关系及协同优化的专业和学科，旨在实现综合交通系统安全、高效、绿色、便捷、经济的目标。各国学者对交通工程的理解、认识虽然不完全一致，但有两个基本共识：一是交通工程是从道路工程中分化出来的，它的主要研究对象是道路（公路、城市道路）交通；二是交通工程主要解决道路交通系统规划与管理中的科学问题。但进入21世纪以来，随着区域综合交通体系及城市综合交通系统的逐步建立，交通工程的研究对象已经从单一的道路交通扩展至多方式的综合交通运输系统。
　　交通工程的研究内容主要包括交通特性分析技术、交通调查方法、交通流理论、通行能力与服务水平分析方法、交通系统规划理论与方法、交通系统设计方法、交通系统管理控制方法、交通安全技术、交通环境与可持续方法，以及交通工程的新理论、新方法、新技术等。交通工程学科的发展始终以满足社会需求和解决实际问题为出发点和落脚点，具有明显的行业特征和鲜明的“大行业、多学科、强交叉”特点。现代交通系统（特别是城市交通系统）是典型的非线性复杂巨系统，蕴含着丰富的科学问题，这些问题的解决往往依赖于交通工程，涉及土木工程、系统科学、信息科学、行为科学、控制科学、管理科学等多个学科。
　　1.1.2智能技术助力交通强国建设
　　《交通强国建设纲要》指出，推动交通发展由依靠传统要素驱动向更加注重创新驱动转变，打造一流设施、一流技术、一流管理、一流服务；强化前沿关键科技研发，瞄准新一代信息技术、人工智能、智能制造、新材料、新能源等世界科技前沿，加强对可能引发交通产业变革的前瞻性、颠覆性技术的研究；大力发展智慧交通，推动大数据、互联网、人工智能、区块链、超级计算等新技术与交通行业深度融合。
　　业界广泛认为，人工智能的核心能力可以分为三个层次：计算智能、感知智能、认知智能。简单理解，计算智能即快速计算、记忆和储存能力；感知智能，即视觉、听觉、触觉等感知能力，目前非常热门的人脸识别、语音识别即是感知智能；认知智能则更为复杂，包括分析、思考、理解、判断的能力。
　　从现阶段人工智能的发展来看，随着计算力的不断发展、储存手段的不断升级，计算智能可以说已经实现；而随着移动互联网的普及，大数据、云计算等技术的发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触点等与感知相关的感知智能也在快速发展；在计算智能和感知智能发展基础上，人工智能正在向能够分析、思考、理解、判断等的认知智能延伸，真正的智能化解决方案已经显现端愧。可以说，人工智能的发展已经到了由感知智能向认知智能迈进的临界点；由感知智能向认知智能转化，是新一代人工智能的发展趋势。
　　以新能源智能汽车为例的现实图景：新一代智能汽车除了应用系统感知的智能，实现对周边环境的感知和处理，还必须通过车网协同、车路协同，甚至综合处理超感知的因素，比如地理、交通、路口、信号、气象等实时信息，从而实现更加安全、便捷、高效的智能服务。
　　1.1.3智能交通工程研究发展态势
　　面向世界科技前沿和国家重大需求，智能化是交通工程学科未来发展的必然要求，体现在目标、对象和条件等方面。本书所指的智能交通工程（intelligent traffic engineering）意为智能化交通工程，是更广义的智能交通（intelligent transportation）概念的子集，它综合交通参与者（人）、载运工具（车）、基础设施（路）等要素，从系统优化角度聚焦智能化背景下交通系统的建模分析、规划设计和管理控制等内容。当前，智能交通工程研究呈现出以下发展态势：
　　（1）交通大数据技术推动综合交通系统规划向精细化、精准化方向发展。现代城市每天产生海量庞杂、异质多元、大范围时空关联的数据，蕴含着丰富的价值信息。通过对大数据的深度挖掘，可以更准确地刻画城市综合交通系统的运行状
　　态与演变规律，更深刻地揭示综合交通系统需求与供给间的相互作用机制。在交通需求分析方面，基于数据驱动方法研究复杂的多模式出行行为，实现多模式交通需求的动态辨识和精准预测，成为研究热点；在交通网络承载能力分析方面，基于交通网络宏观基本图的动态承载能力分析模型越来越受到国内外学者的重视。基于数据驱动方法研究复杂的多模式出行行为，发展多模式交通需求的动态辨识和预测，推动综合交通系统规划向精细化、精准化方向发展，是大幅提升城市综合交通系统规划设计水平、实现综合交通系统供需平衡和整体效能提升的有效途径。 （2）移动互联新环境、新技术推动道路交通流调控向多模式协同、智能主动方向发展。移动互联新环境下，物联交互、系统互联技术的快速发展改变了传统道路交通数据的获取手段，推动了以车路协同、自动驾驶为主要特征的新一代道路交通系统的快速发展，同时大数据和人工智能技术的发展也为交通流基础理论和多目标交通调控理论与方法体系的重构提供了重要手段。随着智能网联车辆的持续发展、大数据和人工智能技术在交通领域的不断渗透，兼顾非机动化和机动化出行的混合交通流建模仿真与协同调控、统筹考虑智能网联和非智能网联车辆的微观交通流建模仿真和车辆（车队）控制、基于大数据和人工智能技术的道路交通时空资源问题诊断与主动调控基础理论与方法，成为新的发展趋势。
　　（3）多源信息环境推动交通设计与调控从单目标优化向兼顾效率、安全及环境多目标协同优化方向发展。近年来，道路交通安全与环境污染日趋严峻，成为危害人民生命财产安全与身体健康的重要因素。道路交通系统具有高度非线性、时变、随机、不确定和强耦合等特性，导致道路交通事故风险产生机制与交通环境污染时空演变规律极其复杂，但传统交通设计与调控通常以效率为单一优化目标。多元异构交通大数据和智能网联技术为精确感知交通事故风险状态与环境污染时空分布，解析交通设计、交通流运行状态与交通事故、环境污染之间的复杂关联规律提供了前所未有的数据条件和实验研究条件，随着国家对交通安全和节能减排的日趋重视，建立多目标协同优化的交通设计与调控基础理论成为趋势。
　　1.2交通状态感知和出行机理认知的演进关系
　　我们认为，随着交通工程和人工智能技术的融合应用，在海量的车辆轨迹数据和其他数据的支撑下，动态追溯交通流的来源和去向以及揭示隐藏在背后的出行行为意图成为可能。这将重塑智能环境下的交通工程技术方法和交通管控模式，实现由表象的交通状态感知（traffic state perception）向源头的出行机理认知（travel mechanism cognition）的演进，也契合新一代人工智能发展由感知智能向认知智能转化的大趋势[3]。
　　1.2.1交通状态感知：基于断面/路段的技术路线
　　以交通流为对象、信息流为主线，当前智能化交通管控系统通常包括“感、辨、控、管”四个层面的功能即交通信息感知、状态辨识、信号控制、系统管理。其中，信息感知是基础，利用路侧/移动端等主被动检测设备获取交通系统中人、车、路、环境等要素的特征信息；状态辨识是关键，利用海量信息准确地识别当前交通流并预测未来交通流状况。这两个层面是进一步实施精准高效交通管控措施的前提，考虑到获取信息只是手段，由此把握状态才是目的，所以本书将其合称为交通状态感知。
　　当前我国大多数城市都面临着日趋严重的交通拥堵问题，如何有效治理交通拥堵是管理部门和研究人员共同关心的课题，而治堵方案的精细化水平很大程度上取决于对交通拥堵现象的感知和认知能力。现有交通拥堵识别方法多以路段为单元采集和提取交通状态信息，仅能回答“拥堵位置在哪里？程度如何？”而无法量化解析拥堵交通流的来源和去向，更无法深刻认知造成拥堵的出行行为机理及演化规律。
　　举个有趣的案例，2020年2月，欧洲的一位艺术家西蒙？韦克特（Simon Weckert）做了一场“挑战谷歌地图”的数据实验。他在柏林街头用小推车拖着99部手机闲逛，尽管道路空空，但谷歌地图显示他所经过的路段均变成拥堵路段（图1.1）。该艺术家用99部手机轻易地欺骗了谷歌地图，在空无一车的街道上人为制造了“交通拥堵”，其原因是手机导航软件难以获取和利用交通流量、轨迹等更能反映拥堵本质的信息，仅根据平均路段行驶速度判别是否拥堵，很容易产生误判现象。
　　1.2.2出行机理认知：基于轨迹/路径的技术路线
　　交通流是在特定交通供给和管控措施下大量复杂个体出行的宏观涌现结果，造成交通拥堵现象的根源在于交通供需失衡，诱因是交通流状态失稳。因此，缓解交通拥堵的理想思路是一定要抓住交通的本质——出行、问题的关键——路径。出行是为一定目的、以一定方式、在一定时空范围内的位移；路径的两端是出行起讫点，路径结构基本决定了出行距离和耗时。以往限于固定断面的流量、速度和占有率等粗粒度信息，交通管控业务侧重对“流”的被动管理，即对已发生的交通流进行合理引导和控制以均衡交通负荷，但是难以兼顾对“源”的主动调控，即以出行机理解析为基础由“流”反溯至“源”的源流并控[51。
　　近年来，伴随着车辆电子标识、高清视频电子警察、移动互联网、智能网联出行等技术的不断发展和深入应用，各种移动式和固定式车辆检测设备已大范围、高密度投入使用，交通信息的感知粒度越来越细，海量个体车辆轨迹和路径数据的获取成为可能，在实现城市道路交通流运行状态感知的同时，也为深刻认知出行机理进而精准实施源流并控提供了更加丰富的数据来源。
　　在合适的数据支撑下，以路径为单元刻画机动车个体出行选择行为，经集计后测算流量和速度等交通流参数，进而挖掘交通运行状态信息，不仅可以实现交通拥堵的溯源分析，即回答“拥堵流量从哪儿来，到哪里去？”这一现实难题，还可以深度解析交通拥堵产生和演化的影响因素。
　　与“挑战谷歌地图”案例对比，本书提出一种基于轨迹/路径的兼顾速度和流量信息的交通拥堵溯源技术（图1.2）。依托我国广泛布设的视频电子警察系统，结合其他多源数据，推断每一辆车的每一次出行信息，包括起讫点、行驶路径
　　以及时空轨迹丨即各时刻所处位置）等，实现全车型行驶速度和全路网交通流量的可靠估计，从根本上避免“挑战谷歌地图”实验中异常样本导致的路网运行状态误判。同时，统计分析经过拥堵路段车辆的来源与去向路径，进一步探究机动车驾驶员的出行选择行为。
　　1.2.3未来拟突破的关键技术问题
　　在人工智能技术由感知智能向认知智能演进的新趋势下，新一代智能交通管控系统应当具备感知辨识（眼看）、认知推演（脑想）、管理控制（手抓）多层面贯通的整体功能（图1.3）。但是，我们认为目前各层面上仍存在一些技术瓶颈：
　　（1）外在表象“看不全”。多源检测数据体量大，高维表征空间数据稀，难以实现微观、局部、全局以及特殊场景下路网运行状态的精准感知，无法支撑多尺度状态可观和可测的基础要求。
　　（2）内在机理“想不清”。交通系统开放扰动杂，个体出行行为差异大，难以实现道路网、公交网、轨道网等多模式交通网

目录
“智能工程前沿丛书”序
前言
第1章 绪论 1
1.1 交通工程和智能技术的融合趋势 1
1.1.1 交通工程研究范围和特点 1
1.1.2 智能技术助力交通强国建设 2
1.1.3 智能交通工程研究发展态势 2
1.2 交通状态感知和出行机理认知的演进关系 3
1.2.1 交通状态感知：基于断面/路段的技术路线 4
1.2.2 出行机理认知：基于轨迹/路径的技术路线 5
1.2.3 未来拟突破的关键技术问题 6
1.3 本书内容及章节结构 7
参考文献 8
第2章 数据驱动的城市快速路车辆时空轨迹重构 9
2.1 概述 9
2.2 基于插值算法的个体车辆时空轨迹重构模型 9
2.2.1 GPS 轨迹定位误差修正模型 9
2.2.2 基于插值算法的个体车辆轨迹重构算法 11
2.2.3 个体车辆轨迹重构精度评价方法 17
2.2.4 交通流基本图及其参数提取方法 18
2.3 基于运动波理论的全时空车辆轨迹重构模型 22
2.3.1 Newell运动波模型的特性 22
2.3.2 考虑车辆顺序的Newell运动波模型 24
2.3.3 考虑超车行为的车辆时空轨迹重构算法 26
2.3.4 基于数据融合的车辆时空轨迹重构框架 28
2.3.5 全时空车辆轨迹重构精度评价方法 28
2.4 案例分析 30
2.4.1 案例背景及数据准备 30
2.4.2 浮动车轨迹重构与误差分析 32
2.4.3 全时空轨迹重构与误差分析 37
2.5 本章小结 43
参考文献 44
第3章 基于自动车辆识别数据的机动车出行路径识别 45
3.1 概述 45
3.2 观测数据与行驶路径匹配模型 46
3.2.1 符号定义 46
3.2.2 模型构建 47
3.3 候选路径集生成算法 48
3.4 AVI 观测点对似然概率 51
3.4.1 时间分析 51
3.4.2 空间分析 54
3.5 案例分析 54
3.5.1 数据来源 54
3.5.2 候选路径集生成 56
3.5.3 未知参数估计 56
3.5.4 识别精度与计算效率 57
3.5.5 AVI观测点间距对匹配精度的影响 58
3.5.6 GNSS样本数量对匹配精度的影响 60
3.5.7 路径候选集大小对匹配精度的影响 60
3.6 本章小结 61
参考文献 61
第4章 片段化观测条件下的机动车出行链提取 64
4.1 概述 64
4.2 基于概率图的出行链提取模型 66
4.2.1 符号定义 66
4.2.2 图模型结构 67
4.2.3 匹配概率推导 68
4.2.4 观测概率 70
4.2.5 转移概率 74
4.3 候选子行程表生成算法 79
4.3.1 后缀树模型 79
4.3.2 候选集生成算法 81
4.4 *优出行链求解算法 81
4.4.1 候选图模型 81
4.4.2 *优解求解算法 82
4.5 案例分析 84
4.5.1 对比方法 84
4.5.2 评价标准 85
4.5.3 对比分析 86
4.5.4 敏感性分析 88
4.6 本章小结 90
参考文献 90
第5章 大规模路网交通状态估计与拥堵溯源 92
5.1 概述 92
5.2 多测度交通流参数提取方法 93
5.2.1 平均行程速度 93
5.2.2 路段流量 94
5.3 多尺度动静交通状态判别模型 94
5.3.1 路段层次动态交通状态估计 94
5.3.2 区域层次动态交通状态估计 95
5.3.3 静态交通状态估计 96
5.4 大规模路网交通状态估计应用案例 96
5.4.1 案例路网概况 96
5.4.2 基础数据收集 98
5.4.3 多测度交通参数提取 99
5.4.4 多尺度动静交通状态判别 100
5.5 基于路径的交通拥堵溯源方法 101
5.6 交通拥堵溯源应用案例 104
5.6.1 问题描述 104
5.6.2 基于拥堵溯源的关键路径识别 105
5.6.3 基于多关键路径的交通信号协调控制 106
5.7 本章小结 115
参考文献 115
第6章 基于宽度学习的出行方式选择行为建模 118
6.1 概述 118
6.2 选择行为分析理论 120
6.2.1 离散选择模型 120
6.2.2 神经网络模型 121
6.3 宽度选择模型 122
6.3.1 数学表述 123
6.3.2 Vanilla-BCM和Res-BCM 125
6.4 案例分析 128
6.4.1 数据获取 128
6.4.2 超参数空间 128
6.4.3 结果分析 129
6.4.4 在线连续数据流的动态推理实验 135
6.5 本章小结 136
参考文献 136
第7章 考虑时空关联性的目的地选择行为建模 138
7.1 概述 138
7.2 目的地选择行为时空特征 139
7.2.1 数据来源 139
7.2.2 目的地提取 140
7.2.3 时空关联性分析 140
7.3 时空关联性的效用表达方法 142
7.3.1 目的地选择模型 142
7.3.2 考虑时空关联的效用修正 143
7.3.3 OD对异质性描述与建模 143
7.4 目的地候选集生成算法 145
7.5 案例分析 147
7.5.1 目的地选择模型参数估计 147
7.5.2 目的地选择模型精度评价 149
7.6 本章小结 150
参考文献 151
第8章 基于半监督学习的路径选择行为建模 153
8.1 概述.153
8.2 数据获取方式及特点 154
8.3 考虑观测异质性的路径选择模型 156
8.3.1 问题定义 156
8.3.2 模型构建 156
8.4 路径选择模型半监督参数估计方法 158
8.4.1 有监督学习 158
8.4.2 无监督学习 159
8.4.3 半监督学习 160
8.5 案例分析 161
8.5.1 路径选择模型参数估计 161
8.5.2 路径选择模型精度评价 164
8.5.3 路径选择模型计算效率评价 164
8.6 本章小结 166
参考文献 166
第9章 交通网络运行态势推演系统开发 169
9.1 概述.169
9.2 需求分析与架构设计170
9.2.1 功能需求分析 170
9.2.2 系统架构设计 171
9.3 态势推演算法 173
9.3.1 人口生成 173
9.3.2 出行链生成 174
9.3.3 动态交通分配及迭代 177
9.4 可视化界面开发 179
9.4.1 交通流量分析 181
9.4.2 拥堵溯源分析 183
9.4.3 运行状态分析 184
9.5 本章小结 186
参考文献 186
附录 活动时长分布估计 187
A.1 相似图结构 187
A.2 活动时长分布估计模型 188
A.3 模型求解 189
索引 190