2024年4月29日，我所邀请到了在美国密西根大学土木工程系任博士后研究员、兼职讲师的王兴民博士，在浙江大学紫金港校区安中大楼B226举行了题为“基于网联车轨迹数据的交通信号灯优化：从模型方法到落地测试”的学术报告会。
王兴民博士2018年本科毕业于清华大学汽车工程系（现车辆与运载学院），2023年获得密西根大学土木工程与科学计算博士学位，师从Henry Liu教授。主要研究方向包括交通流理论，交通网络模型，以及交通控制，特别关注在智能网联环境下的城市交通系统的控制和优化。主要研究方法包括贝叶斯统计，网络科学，机器学习及优化等，在大规模时空间交通数据，包括地图数据以及网联车数据的处理以及挖掘等方面有丰富的经验。博士期间主要致力于研究基于网联车轨迹数据的交通信号控制方法，相关研究成果发表在《自然-通讯》等杂志，并且通过密西根大学技术成果转让独家授权与美国通用汽车公司。
在报告中，王博士介绍了他研究和开发的利用低渗透率网联车轨迹数据的交通信号灯配时优化方法。交叉路口的交通信号灯控制是在现有的基础设施与道路条件下，缓解城市交通拥堵最有效的方式之一。传统的交通信号控制高度依赖于路侧传感设施，然而受限于高额的安装和维护成本，其并没有大规模应用于交通控制系统中，大多数路口依然运行人工标定的固定配时方案。网联车轨迹数据可以广泛收集自网约车，导航软件等，基本覆盖了每一个交叉路口。虽然有优于传统路侧传感器的空间覆盖率，网联车轨迹数据的主要瓶颈在于其有限的渗透率（通常低于10%）。在这样的挑战下，他们提出了“概率时空图模型”，建立了低渗透率网联车轨迹和点排队模型的映射关系。这个模型可以直接利用低渗透率车辆轨迹构建路口的平均交通状态模型，不依赖于任何路侧传感器，进而对交通信号灯配时进行优化。王博士等人基于这一模型开发了一个高度集成的自动化信号灯优化系统，在与通用汽车公司以及当地交通管理中心的合作下，在密歇根州伯明翰市进行了全城的落地测试，测试结果显示主要干线的通行延误和停车次数显著降低。报告结束后，与会师生们展现出对王博士报告内容的浓厚兴趣，积极踊跃地与王博士进行了深入的交流讨论。王博士耐心而详细地回答了这些问题，让在场听众都获益匪浅。这次活动不仅为学术界提供了一个交流与分享的平台，也促进了相关领域的研究和实践的深入发展。在未来，我们期待更多此类的学术交流，通过深入的学术交流讨论，集思广益，探索更多的可能和机遇，助力社会进步与发展。
