TRB是目前国际交通领域知名度最高、参与人数和国家最多的学术盛会。第97届年会于2018年1月7日至11日在美国首都华盛顿特区举行。TRB年会是内容会覆盖到所有的交通运输模式，并且在接近750个不同的会议和研讨会中会有超过5000个展示，面向示政策制定者、行政人员、从业者、研究人员、行业以及学术团体。

在本次TRB年会上，有一个我们熟悉的面孔出现，那就是滴滴。作为全球领先的移动出行平台，滴滴一直致力于成为全球最大的智慧交通综合服务提供商，切实改善城市交通、普惠大众出行。在年会上，滴滴智慧交通团队现场分享了一篇论文，题为Traffic signal optimization using crowdsourced vehicle trajectory data（《基于轨迹数据的交通信号优化》）

在这篇论文中，一个非常重要的部分就是轨迹数据。轨迹数据是什么？它们从哪儿收集又可以怎么使用？今天的分享，我们就帮大家解读这些问题。你会发现交通信号优化其实并没有那么晦涩难懂。

交通信号控制系统的高效有序运行对于城市交通管理来说至关重要，大家不知道的是，我们身边大部分信号灯的控制方案很长时间才更新一次，有时候三到五年才更新一次，这就直接导致了低效的交通信号运行以及不必要的交通拥堵。

为什么会这么久才调整控制方案呢？一个主要原因就在于缺乏交通数据的采集成本太高。

目前，实现交通信号优化的数据来源主要有两种渠道。第一种渠道是交管部门埋设在道路基础设施里的车辆检测器，需要花费大量资金购买、布置，并易受到损害；第二种渠道是来自以滴滴平台为代表的网约车车辆轨迹数据，即使是很低的渗透率（1%-10%），也可反应出有效的交通信息，并被利用起来优化交通信号，是一种成本低且可持续使用的数据来源。

那这个神奇的轨迹数据到底是什么呢？轨迹数据是时空环境下，通过对一个或多个移动对象运动过程的采样所获得的数据信息，包括采样点位置、采样时间、速度等，这些采样点数据信息根据采样先后顺序构成了轨迹数据。用大白话说，滴滴的这些车辆轨迹数据就是通过车辆上的定位设备积累出来的。

这些轨迹数据在优化交通方面可以怎样使用？首先，用轨迹数据来估计交通流量，并重构全局交通信息。滴滴构建了TS图来评价六个交叉口的信号协调的表现。

根据滴滴车辆轨迹生成的时空图（左）以及根据交通模型估计的全量车辆轨迹的时空图（右）

图1为一个样例，横轴表示时间，纵轴表示距离。图中的轨迹表示车辆向下游方向行驶，轨迹中平坦的部分代表车辆停车加入路口排队。左图显示了滴滴车辆的原始轨迹，右图显示了所有车辆的估计轨迹，其中包括滴滴车辆和普通车辆。

通过与卡口所采集到的数据进行直观对比，滴滴的轨迹数据准确率高达91.4%。恰恰也是这些数据，让交通信号优化终于找到了持续、可靠且廉价的数据渠道。