6月底，因華為自曝與北京市交管局聯合進行智慧信號燈優化工作試點（鏈接如下：http://www.its114.com/html/news/company/2018_06_95133.html），進而對人工智能用于信號控制、智慧交通產生了一些討論，主要發言人是辛武平博士，其2001年畢業于華南理工大學自動化科學與工程學院，于2014年獲取美國紐約大學交通運輸工程以及計算機工程博士學位，目前在美國某公司任職。ITS114將討論整理如下，與您共同學習。未經討論參與者審定，如有曲枉之處，還請見諒。

田宗忠教授：這么多高科技企業進入信控領域算是我們的幸運，無論真正效果怎樣。不過大家一直公認的是：基礎搞不好什么AL，智慧都無用武之地。北京真的想做好，那么多基本的設計問題都需要先解決。我對北京和其它城市實施的左轉待行區設計一直不太看好。 

梁康之：瞎子摸象。 

@辛武平：華為TrafficGo的AI應用，一是配時優化，一是時段優化。利用AI技術路線做配時優化，目前的相關研究從理論到實踐，還是"一鍋粥"階段，大部分干的是"掛羊頭，賣狗肉"的活，賺的是吆喝，賣的是眼球。

另一方面，利用AI的技術路線做時段優化，從理論到實踐，都是可行的，因為歸根到底，就是數據純數據分析，特征提取的問題了，正是AI和相關技術路線的強項。

辛武平：所以，利用AI來做配時優化，因為需要較強的交通工程/交通流理論和實踐的領域內知識（domain specificin sight sand knowledge)，成功的關鍵是將領域內知識有效的映射到AI技術路線上，而不是反之，就目前的應用看，還沒發現哪一家有做到。

兩句話總結：AI做配時優化-存疑；AI做時段優化-可行！

 田宗忠教授：@辛武平(KLD)  不知道為什么一定要加上這些耀眼的詞匯，其實想解決的和如何解決都是早已存在的現象。一個例子就是建模，是不是所有的建模選擇都可以稱為AI或智慧？做時段優化，AI的數據分析手段應該是非常有效的，不需要領域模型。不過，時段優化問題，本身就是并不復雜線性維度，用經典統計方法，應該也沒問題。@辛武平(KLD) 分時段也主要是確立目標，目標可以定量，但怎么定量確因人而異，不好統一。分時段不僅是選擇什么配時方案，還有是否協調或自由感應模式....

 辛武平：@ZongTian（田宗忠)內華達大學 田老師好。我覺得您說的這幾個要素，正是AI（相關知識代表，數據分析，特征提取技術）的強項。因為這幾個要素，不需要特別深入的領域內知識，比如自適應信號內部工作機理，只需要把相關要素符號化，再輔以相關數據就可以了。

辛武平：這跟信號配時不同。信號配時的有效性，需要相關交通工通，交通流理論，交通模型等等各方面領域內的洞見和理解，并不容易建立從領域內知識到通用AI技術路線的映射。所以，AI用在信號配時——我存疑；用在時段優化——我認為還是可行的，不妨一試。 

田宗忠教授：@辛武平(KLD) 我對AI沒有經驗，也不敢亂說。總覺得信號控制工作即復雜又簡單。可以靜觀AI究竟能做出哪些超出傳統方式的解決辦法。 

王小剛：我關注用什么值去做時段劃分的訓練。 

辛武平：是一個非常有趣，非常相關的問題。可以用人訓練，系統自學習，提取經驗。也可以基于大數據特征自提取。

 王小剛：我覺得可以通過感應控制或者是某種自適應的配時效果反饋去學習，還要建立在傳統的配時模式下才好。

 辛武平：從AI的角度，時段優化問題的維度是線性維度；配時優化問題的維度，是NP-Hard的非線性維度。"某種自適應的配時"及其體現的效果,可以做為數據起點。

辛武平：自適應信號系統的配時歷史記錄，可以作為AI數據分析的起點。但話說回來，從AI本身的角度，這就是一個純數據分析，特征提取的透明過程，不太需要過多的領域內洞見和知識。

 王小剛：是這個意思，不然如何憑空引入AI？好的感應控制或自適應是實時交通流的對應反映，其歷史配時的累計，而后可前饋預制，加以訓練，是可以做時段優化的。 

辛武平：就是"可行"而已。到底是否在"可行"的基礎上會"更佳"，還是"多此一舉"，我也不清楚。

 楊慶巖：冒個泡，我們還不清楚來訓練AI的數據是否是接近全樣本，數據收集系統能否提供全樣本數據，因為再好算法，數據不完整也是白搭——一己之見。最近看到一篇文章，MIT的一個實驗，用負面樣本訓練AI，結果得出一個憤世嫉俗的AI。

 辛武平：@楊慶巖 楊兄好。"全樣本"或者"數據的代表性"問題，也是一個有趣的問題。回到"時段優化"這個問題本身，前面已述，這個問題的維度是線性維度，數據的全樣本問題應該不是大問題。當優化的時間片以分鐘為單位的話，那對現在AI的算力是小兒科。這里的關鍵詞：時段分析，有限維度，時間片。“時段優化"的維度有限，特征提取不需要太多的領域內洞見，是關鍵所在。 

戴高：從感應或自適應歷史數據365天分類歸納多時段控制，國內我知道至少有2家企業N年前已完成了，優不優不說，我們也是4年前就完成了。采用包絡線面積法，再給個差值最大限制。田老師說的對，沒有商業價值的驅動，小技術領先太久還蠻累。不過對AI、大數據等，我還是持非常歡迎的態度，也喜歡開放的合作。

 辛武平：@戴高_重慶攸亮 時段優化，是個聚類分析問題，也是最大概率密度的最優估計問題。戴總說的"包絡線重疊陰影",實際上體現的是一種聚類分析或大概率密度最優估計的算法。而且這類算法的復雜度，是常數時間復雜度。

辛武平：AlphaGo的成功點燃了大家對AI的熱情和期待。但好像人們都忽略了一點，AlphaGo背后的主力程序設計師黃世杰，本身就是圍棋（業余）六段高手。AI技術在交通信號控制領域的成功，最后還是需要交通領域的專家，把交通領域特有的結構性數據和數據內在的內生的聯系，映射到AI算法里面。

辛武平："目前AI技術在交通信號控制優化方面的應用，似乎沒有太多領域內的體察和洞見（insights)，屬于盲目"套公式"的階段。"另外，就算有人（公司）有這種能力，真正有效的把交通領域特有的結構性數據結構和這些結構內生的關系，映射到AI算法里面，具體的做法，估計也不會公開---因為那屬于行業機密吧。就好像數據壓縮算法，比如zip,算法都是公開的，但在某個行業，有些特殊的數據結構的特性可以利用，進行特殊的壓縮處理，可以大幅提高壓縮率。這種就屬于秘而不宣的行業秘密了，雖然基本算法依然是很常見的算法。

辛武平：@戴高_重慶攸亮 時段優化，就是最優化時段的起點和終點，就是對起點和終點數據聚類。包絡線可以歸一化為類概率分布曲線，包絡線陰影不就是最大概率的分布么？算法的復雜度是時間常數復雜度，是因為時段優化的時間軸，以分鐘為精度的時間片窮舉，一天一共60x24=1440分鐘。對一個目標時段（比如早高峰）的起點和終點尋優，bigO的上界就是=O（1440x1439)是個常數有限值。換句話說，算法可以非常非常快！

辛武平：總結來說，戴總的時段優化算法，可以抽象歸一到一類算法，這類算法的的計算速度很快，因為是常數時間復雜度。

辛武平：@戴高_重慶攸亮 沒有別的意思，也沒有情緒。就是一個角度來看這個時段優化問題。邏輯上，是承接為什么AI（深度學習，數據挖掘技術）用在時段優化上，是可行的。這是一個卻很有趣的問題。

辛武平：最后我還是忍不住，再添一句，因為這個問題太有趣了。戴總說的算法，還真算是一種AI應用。聚類分析和概率密度的最優估計，就是常見的（AI）數據挖掘技術。