2025年11月19日~22日，2025中国智能交通大会在海口隆重召开。2025年11月22日的道路交通控制与优化论坛上，北京博研智通科技有限公司产品总监孙永力先生就《破解城市交通‘最后一公里’：轻量化工具赋能精准治理》作主题分享，本文系现场演讲整理而来，未经本人审核，如有错漏，敬请谅解。

0

1

四大痛点：成本高人才缺效率低

国内不少城市城市在智能交通建设方面已经走在相当前沿的水平，但仍有许多城市尚处于试点或实验区阶段，通常只是选取个别路口、一两条主干道或某个片区进行尝试。原因在于目前相关的算法大多仍依赖于高精度数据，即对数据质量要求较高，这导致需要在路侧部署感知设备，如雷达、雷视等设施，这些设备的建设确实需要一定的周期和经费投入。因此，在推进城市大范围应用的过程中，存在多方面的制约因素，其中之一便是我们反复提到的——缺乏联网联控的基础支撑。

第二个制约因素，正如前面所提到的，是算法对精准数据的依赖，而我们缺乏的是交通数字底盘。如何构建这一数字底盘？布设雷达类设备固然是一种方法，但实际上，当前互联网数据的渗透率已越来越高。能否利用互联网数据来构建数据底盘，并以其为基础实现精准的信号配置与控制？正是带着这个问题，我们开展了一系列探索。

当前，各城市已建设了许多城市大脑、数据平台等系统，这意味着我们已经能够从宏观层面精准掌握城市的交通运行态势，包括何处拥堵、甚至拥堵趋势的预测。然而，精细化的交通控制仍然是一大挑战。其原因在于，从数据认知的广度到精细化治理的深度之间，存在一条鸿沟。将数据认知转化为路口级可执行的实施方案，目前仍有一定距离。这“最后一公里”的难题，严重制约了智能交通建设投资回报率的提升，也阻碍了城市交通治理现代化转型的进程。

因此，针对这一问题，需要再次回到城市道路交通控制与优化的经典难题上进行探讨。

首先，成本构成显著的制约因素。当前的治理方案需要铺设大量雷视设备，单个路口的建设成本通常高达数万元以上。许多城市因建设成本过高而导致项目搁浅，也有不少项目因运维成本问题使得前期投入最终沦为烂尾工程。实际上，我们观察到不少路口已安装了一体机设备，但这些设备在后台是否得到有效利用，仍需进一步思考。

其次，人才匮乏问题突出。尽管我们倡导以数据驱动替代人工经验，但正如之前所讨论的，现有数据往往存在各种不足。算法模型依赖精准的数据支撑，这导致算法未能实现大规模推广应用，因而仍停留于一事一议的层面。即使采用相同算法，针对不同场景也需要进行参数调整与配置，因此信号优化工作依然需要大量专业交通工程师的支撑。

再次，治理效率低下。从发现问题到解决问题，通常需要7至15天的周期。治理方案本身并非无效，但有效的方案往往在实施时已滞后于实际需求，最终大多成为事后补救措施。

最后，可持续性面临挑战。目前各城市的项目建设多采用建管分离的模式。项目启动时往往声势浩大，专家介入后优化效果立竿见影，但一旦项目结项、团队撤离，由于缺乏专业人员有效使用系统、或后期运维困难，项目便逐渐搁置。这不仅使得前期优化经验无法传承，优化方案也因未能持续迭代更新而失去效用，最终一切回归原点，只能等待新一轮项目重新启动。

02

轻量化、精准化、可持续化的治理新范式

针对以上难点，我最终提出了一个轻量化、精准化、可持续化的治理新范式。我们希望通过轻量化工具，为交通数据配备精准的“手术刀”，开展有效的数据治理，并在此基础上进行数字化改造。我们并非期望直接通过互联网数据生成精准的方案，而是追求使生成的方案能够逐步逼近最优解。

轻量化工具的主要目标是化繁为简。首先，仅利用互联网数据进行信号优化，从而大幅降低前期投资成本。其次，基于云端的SaaS化服务，减少了前期复杂漫长的集成工作，能够快速上线、快速见效。此外，将复杂的业务功能封装为简易指令，降低专业门槛，使更多人能够快速上手，而无需依赖专家经验或长时间培训。

轻量化工具主要是在传统算法基础上衍生出的新型算法。其核心在于不依赖精准数据来生成精准方案，而是通过历史数据进行迭代，持续更新配时方案，并沿着交通趋势不断寻优，逐步逼近最优解。

03

三大支柱实现

其次是精准诊断。通俗而言，当一个路口出现严重拥堵或失衡时，需要准确判断其原因：若是路口本身配时不合理，则优化该路口配时；若已超出该路口承载能力，则需进行全域协同控制，优化关键路口配置；若是因交通事件引发，则应触发相应的事件处理机制或算法。

我们通过外部网络实现方案生成后，可借助标准接口，经安全边界一键下发至信号机。方案实施后，持续监测交通指标数据，从而实现评估，通过评估、优化、再下发的流程，形成一个持续闭环的机制。

04

持续迭代闭环

轻量化工具的最终技术路径，旨在构建从数据到行动的最短链条，完成从交通感知、分析研判、优化控制到效果评价的持续迭代闭环。目前该工具已通过实验验证，正在大规模推广应用。

以高峰时段为例，首先根据路口拥堵程度判断其是否适合实施绿波控制。其次，依据入口方向排队长度及路段平均速度，动态调整相位差与潮汐协调方向，实现准动态绿波控制。相比多时段静态绿波方案，该方法能显著提升通行效率。

此外，通过交通数据能够清晰判断路口的具体状况。系统可针对不同类型的拥堵路口，调用对应的调优算法。该过程主要利用车道级互联网路况信息进行分析，判断该路口能否自行消化拥堵，若能自行消化，则进行绿信比调整，即在拥堵方向增加绿灯时间，畅通方向减少绿灯时间，通过本路口的内部协调实现削峰填谷；若本路口无法独立解决拥堵，则启动区域协调优化。通过协调关联路口的配时方案与通行能力供给策略，将主干路上过长的排队长度分散至关联路口，由其他路口协助消化，最终实现拥堵的转移与消散。

05

数据的融合应用

另外，轻量化工具已实现互联网数据与路侧检测数据的融合应用。未来若交通数字底盘真正建立，期望能融合各方数据并加以综合运用——这种综合并非简单的数据叠加。

例如，在本案例中，一条主要干线上必然有关键路口，选取两个关键路口作为主备路口（考虑硬件设备可能故障），并在这两个路口布设雷视一体机，这两个路口实行全天自适应控制，系统可根据交通状况判断是否需要阶段性调整信号周期。

其次，其他路口则基于互联网数据，并与主路口进行协同，以此选择配时方案，实现绿波协调，同时，系统持续监测每个路段的车辆平均速度及下游路口排队长度，动态调整相位差。如此呈现的效果是：对于一条协调绿波干线而言，其各路段建议的灵活速度可以不同，并非统一值；且我们不要求驾驶员按预先设定的固定速度行驶，而是根据车辆实际通行速度，阶段性动态调节绿波带的协调时间。这样做既贴合实际通行需求，也避免了因频繁调整周期、不同品牌信号机协调机制差异而引发的协调波动问题。主路口一旦协调中断两三分钟极易导致交通卡死，此方法也有效规避了此类风险。

通过我们的实验验证，将以往被动式的应对转变为主动式干预，确实能够提高响应速度并提升人力效率。同时，由于我们是基于实际交通需求进行交通控制优化，因此能够切实提升交通参与者的出行体验。

06

未来展望

下一步，我们将结合交通数据底盘，采用SaaS模式为城市管理者提供服务，以期进一步推动智能信号控制的智能化升级，也希望能与交通数据平台联网联控等模块相结合，共同实现最终的优化目标。

具体而言，我们计划从三方面推进：首先，将与AI大模型深度融合，构建交通信号控制智能体，实现自学习、自评估与自优化。其次，推动区域优化治理，从以往的单点优化转向宏观区域、中观干线与微观路口的三级闭环配时策略体系。最后，我们还将推动在允许专家干预的前提下，实现问题发现、策略生成与评估的全流程自动化，从而全面提升城市交通信号控制的精准性、时效性与智能化水平。