论文阅读8——大数据赋能交通信号控制可减少城市碳排放

原文地址：Big-data empowered traffic signal control could reduce urban carbon emission | Nature Communications

开源数据地址：https://doi.org/10.5281/zenodo.14591154

开源代码地址：https://github.com/RafaDD/BigData-TSC

论文翻译：

Big-data empowered traffic signal control could reduce urban carbon emission

大数据赋能交通信号控制可减少城市碳排放

摘要：

城市拥堵是一项紧迫的挑战，不仅增加了排放，还影响了交通效率。现在，大数据收集和处理技术的进步使自适应交通信号成为可能，为缓解拥堵提供了一种前景广阔的策略。在我们对中国 100 个最拥堵城市的研究中，大数据支持的自适应交通信号将高峰时段的出行时间减少了 11%，非高峰时段减少了 8%，预计每年可减少 3173 万吨二氧化碳。尽管每年的实施成本为 14.8 亿美元，但包括二氧化碳减排、时间节省和燃油效率在内的社会效益却高达 318.2 亿美元。要广泛采用这种技术，就必须加强数据收集和处理系统，这凸显了政策和技术发展的必要性。我们的研究结果凸显了大数据驱动的自适应系统在缓解交通拥堵和促进城市可持续发展方面的变革潜力。

正文：

道路交通是全球主要的碳排放源，每年产生约 58.8 亿吨温室气体（GHG）（以 CO₂ 当量计算），占总排放量的 11.9%，在所有行业中排名第三 。城市拥堵进一步加剧了这些排放。在伦敦等城市，仅交通拥堵每年就造成约 220 万吨二氧化碳排放，相当于道路交通总排放量的 15%，这需要悉尼（12,000 平方公里）大小的松树林才能抵消2 。巴黎（280 万吨，13%）、柏林（0.42 万吨，10.5%）和阿姆斯特丹（0.06 万吨，7%）也出现了类似的拥堵影响 。这种情况在中国快速发展的特大城市尤为严重，高交通需求和基础设施限制加剧了与交通拥堵相关的排放。在中国，交通排放从 1990 年的 960 万吨激增至 2021 年的 996 万吨--城市化和经济增长带动的年复合增长率为 7.83% 。对于苏州、成都和哈尔滨等城市而言，减少交通拥堵可能会分别减少 0.95 兆吨（12.7%）、1.53 兆吨（14.2%）和 0.98 兆吨（12.9%）的二氧化碳排放量 。城市交通排放量的增加对中国 2060 年实现碳中和的目标构成了挑战，并威胁到与可持续城市、基础设施和气候行动相关的可持续发展目标（SDGs）的进展。

缓解城市拥堵和交通排放的努力可归入 “避免-转变-改善”（ASI）框架 。避免 "战略旨在通过紧凑的城市规划以及拥堵定价和交通限制等政策减少出行需求。转移 "战略鼓励人们从私家车转向可持续的出行方式，如公共交通、自行车和步行，通常还辅以公交导向发展（TOD）措施。避免 “和 ”转变 “战略都需要在基础设施或政策变革方面进行大量投资，这可能是时间和成本密集型的，而 ”改善 "战略则侧重于提高现有交通系统的效率，往往能立即缓解拥堵状况。自适应交通信号控制就是 “改善 ”战略的一个例子，它通过动态调整信号时间来优化交通流量，减少对扩大道路容量的需求。大数据收集和处理技术的最新进展使城市能够大规模实施自适应信号灯，使实时调整成为可能，并加强了整体交通管理。

关于自适应交通信号控制的研究已历经数十年，从早期的启发式方法发展到数据密集型强化学习方法。自适应控制系统主要分为两类：基于周期的方法（如韦伯斯特算法、SCATS 和 SCOOT、）和基于相位的方法（如最大压力和强化学习算法）。基于周期的方法可保持相位设置的一致性，因其所需数据较少且可为驾驶员提供简单明了的规则而得到广泛应用。基于相位的方法可实时调整相位，具有更强的适应性，但在中国城市面临挑战，因为及时、高质量的数据往往有限，而且需要仔细考虑当地的驾驶和行人行为。虽然现在可以获得多源交通数据，但收集和处理这些数据的成本仍然很高，有时还不可靠。因此，减少对数据的依赖、提高对数据误差的鲁棒性的信号配时更新方法仍然非常重要。在这种情况下，交通控制算法的新颖性并不是关键，关键在于其与现有数据的兼容性。因此，韦伯斯特方法等更简单的基于周期的算法在中国得到了广泛应用，尤其是与城市大脑等平台相结合时。杭州和南昌的试点项目显示，行程延误减少了 15%以上，这证明了自适应控制在取消长期交通限制的同时不会增加拥堵的潜力。

虽然试点项目和针对孤立交叉口 的广泛研究显示了前景，但针对自适应交通信号对整个城市影响的系统性研究--尤其是考虑到拥堵和减排方面的影响--仍然有限。为解决这一问题，我们的研究评估了大数据驱动的自适应信号灯在特大城市的大规模实施情况，特别关注人口超过 1000 万、拥有数千个信号灯路口的城市地区。针对这一研究空白，我们利用 OpenStreetMap 的道路数据和高德地图的交通速度数据，在中国 100 个最拥堵的城市进行了模拟。我们的分析量化了孤立交叉口和整个城市层面的拥堵和减排情况，确定了影响拥堵缓解的关键社会经济和基础设施因素，并评估了自适应信号系统的成本效益。通过对城市规模自适应交通信号的全面研究，我们的研究推进了对智能交通管理的理解，并为开发符合中国可持续发展目标的低排放、高效的城市交通解决方案提供了见解。

结论：

自适应交通信号如何缓解城市拥堵？

为了说明自适应信号灯在减少拥堵和排放方面的潜力，我们首先分析一个标准的四路交叉路口。在这种交叉路口，每个交通相位由信号周期内分配给不冲突交通流的绿灯和黄灯间隔来定义（图 1a）。高效的相位配时要求精确分配绿灯时间，并优化各相位的周期长度。传统的预计时信号灯根据历史平均值（如每小时或高峰期数据）分配固定的绿灯时间，缺乏对交通需求实时波动的适应性。相比之下，自适应信号灯可根据当前交通状况动态调整绿灯时间，减少绿灯时间分配与实际交通需求之间的不匹配（图 1b）。这种灵活性表明，在全市范围内实施自适应信号灯可以大大改善交通流量，缓解交通拥堵。

图1|预定时和自适应交通信号控制之间的比较。a对于典型的四路信号交叉口，指定的交通阶段旨在为成对的非冲突交通流提供通行权。例如，在第一阶段，允许向南行驶和向北行驶。相配对于提高每个信号周期中的交叉口效率至关重要。b使用预先定时的阶段计时方法，交通阶段的绿灯时间长度在一段时间内保持固定（水平实心线）。相比之下，自适应方法根据实时交通量数据连续调整绿灯时间。因此，每个阶段的绿色时间（或比率）需求和供应之间的差距可以最小化。

自适应交通信号还通过最大限度地减少车辆停车和空转时间来减少排放。在人口稠密的中国城市，十字路口频繁靠近（城市中心平均相距约500米），这意味着车辆在典型的出行中会遇到多个停靠站。此外，城市交通的复杂性，包括与行人和骑自行车的人的互动，往往导致十字路口额外的制动和空转，加剧排放并降低交通效率。这项研究直接比较了预定时信号和自适应信号的平滑交通流和减少排放的能力，并通过将韦伯斯特的方法应用于两者来控制信号计时。关键的区别在于数据输入：预先定时的信号依赖于静态历史数据，而自适应信号使用实时数据来动态调整绿灯时间。这种动态调整减少了车辆停止和减速，从而降低了拥堵和排放。

为了量化这些优势，我们在上海进行了一次跨越17.37公里和20个信号交叉口的演示旅行。使用机动车排放模拟器（MOVES）模型，我们评估了自适应信号对驾驶模式和二氧化碳排放的影响。自适应控制显着减少了制动和空转时间，空转时间从13分钟减少到6.78分钟，制动时间从16.47分钟减少到14.72分钟，有效地将空转时间减半。这一减少，加上中低速条件下巡航时间的增加，平均行驶速度提高了17%，行程持续时间缩短了7分钟。

驾驶模式的这些改进显着减少了排放。在演示路线上，由于制动和空转的减少，一氧化碳排放量从4.85公斤下降到4.05公斤。总体而言，自适应信号实现了16%的净二氧化碳排放量减少（图2b），这表明优化的信号配时不仅可以改善交通流量，还可以通过减少十字路口的停车和空转来减少排放。

图2|自适应交通信号对车辆行驶速度、驾驶模式和二氧化碳排放的影响。a在上海，通过自适应交通信号灯，演示车辆的行驶速度从22.68公里/小时提高到26.55公里/小时。b演示行程各种驾驶模式持续时间的比较：自适应信号减少了交叉路口制动（模式0）和空转（模式1）所花费的时间，巡航时间显着增加（模式3和模式10）。c演示旅行期间，一氧化碳排放量从4.85公斤减少到4.05公斤（减少16%）。d不同驾驶模式的二氧化碳排放量比较显示，减少制动和空转带来的排放量减少超过了巡航期间的排放量增加，从而净减少16%。详细驾驶模式定义请参阅补充表1。

为了评估自适应信号对系统范围更广泛的影响，我们进行了基于模拟的实验，以分析系统性能与不同水平的自适应信号部署之间的关系。使用一切照旧（BAU）场景，以所有交叉口预先定时为基线，我们逐步增加了上海各地自适应信号的比例。结果表明，在高峰和非高峰时段，随着自适应实施的百分比的增加，旅行速度和行程时间的减少都呈几何增长（补充图1）。值得注意的是，仅在前20%的十字路口部署自适应控制即可将高峰时段的出行时间减少8%，而在此之后，回报就会递减。这一发现与优先顺序策略一致，其中交通量大的十字路口可以产生最大的好处35。因此，旨在实施自适应信号以实现最佳拥堵缓解的城市应该优先考虑交通量最高的十字路口。

中国缓解拥堵的潜力

我们的研究强调，缓解拥堵的潜力在中国城市中心广泛存在，远远超出了上海等大城市。我们利用高德2022年排名中国100个最拥堵城市的数据，模拟了从预先定时交通信号到自适应交通信号的转变，观察到了重大影响。值得注意的是，97个城市的平均速度出现了有意义的增长（超过1%），49个城市高峰时段速度增幅超过10%。总的来说，这些改进使高峰时段的出行时间减少了11%（相当于节省79，695小时），非高峰时段的出行时间减少了8%（节省42，080小时）（补充图2）。对于以前曾报告过整合大数据以增强信号自适应性的城市来说，我们的基线场景（BAU）考虑了其现有的自适应交通信号。从空间上看，缓解潜力最大的似乎集中在沿海和省会城市，这些地区是中国经济网络的组成部分（图3a-c）。根据出行时间缩短对这些城市进行排名，我们发现上海、北京、哈尔滨、青岛和深圳位居前五，仅上海在高峰时段就显着缩短了高达6581小时，减少了18%，平均每趟节省9分钟（图3d）。

图3|高峰时段出行速度和出行时间的变化。BAU场景（所有交通信号都预先定时）（a）、目标场景（所有交通信号都是自适应的）（b）和百分比变化（c）下平均速度的地理分布。d按每小时出行时间减少量计算的城市排名，对于排名前50名的城市，出行时间减少量用排名的乘势函数进行计算;对于排名后50名的城市，出行时间减少量用排名的线性函数进行计算。基础地图的应用无需GADM数据的认可（https：//gadm.org/）。

有趣的是，我们的分析揭示了出行时间变化和城市排名之间的截断功率关系。具体来说，我们观察到排名前50的城市的功率函数和排名后50的城市的线性函数（图3d）。这一发现表明，高排名城市的拥堵缓解潜力迅速减弱，但低排名城市的缓解潜力较慢。例如，北京（4339小时）的出行时间缩短为上海的66%，而深圳和沉阳（分别排名第5和第10）的出行时间缩短仅为10%。我们假设，排名较低的城市之间的差异主要是由于受人口等社会经济因素影响的旅行需求的变化。相比之下，对于排名靠前的城市来说，出行时间减少的巨大差异是由出行需求和速度变化共同决定的。

为了探索100个城市缓解拥堵潜力的基础设施和社会经济决定因素，我们进行了多元线性回归分析（表1）。我们的研究结果表明，基线BAU速度、道路长度和人口对速度改进产生负面影响。具体而言，基线速度、道路长度和人口的增加1%对应于潜在速度提高的减少约1.1%、3.3%和2.3%。这与预期一致，即更高的基线速度留下的改进空间较小，而且人口和道路长度的增加表明市中心地区的出行需求更大，使缓解交通拥堵更具挑战性。相比之下，根据购买力平价（GDP（PPP）），街道更笔直、国内生产总值更高的城市表现出更大的速度提升潜力。总而言之，我们的结果表明，实施自适应方法在拥堵水平高、经济水平高和街道设计良好的城市中最为有利。

表1|速度提升与城市指标的回归分析

碳减排

根据气候观察数据库3的数据，2021年100个城市的年道路交通二氧化碳（CO RST）排放量约为4.77亿吨。我们的分析表明，实施自适应交通信号灯可以每年减少3173万吨二氧化碳排放量，这些城市的排放量减少了6.65%（图4）。这一减少相当于中国每年用电动汽车取代916万辆（3.30%）汽油汽车所实现的抵消（见方法）。各城市的二氧化碳减排潜力差异很大，从三亚的16吨到上海的167吨（图4a），排名前10的城市贡献了总减排量的近30%，而排名后10的城市仅贡献了1.64%。即使是排名较低的城市，例如减少了5.09%的长沙，在考虑城市空气质量和健康成果的百分比改善时，也显示出显着的减排潜力。

图4|减少二氧化碳排放。a典型城市的二氧化碳年减少量直方图，用虚线表示百分比变化。b按BAU年度二氧化碳排放量排名前10位的城市：深色条表示预测的总排放量，而浅色条表示自适应交通信号灯下的潜在减少量，标记为减排量和百分比变化。c 100个城市每年交通运输二氧化碳减排量。

交通排放减少受到基线排放和适应性信号影响的影响。2021年，各城市BAU二氧化碳排放基线差异很大，从三亚的0.5百万吨到重庆的20.6百万吨。一般来说，BAU排放量较高的城市表现出更大的绝对减排潜力;然而，减排量与BAU排放量并不成正比。例如，尽管上海的BAU排放量低于重庆（图4 b），上海的减排潜力更高（1.67百万吨vs 1.52百万吨）。这凸显了城市在实施之前评估其具体减排潜力的重要性，因为城市特定的特征可能会显着影响结果。

假设行程需求和路线选择稳定，减排主要通过最大限度地减少制动和空转持续时间以及提高单个车辆行驶速度来实现。在拥挤的城市地区，低效的驾驶模式和降低的速度严重影响了排放。根据MOVES模型，即使对这些驾驶模式进行适度改进也可能会导致大幅减少。除了一氧化碳排放之外，自适应信号还可以减少与PM2.5和O-Eu污染有关的空气污染物的排放。因此，自适应交通信号不仅有助于减少二氧化碳排放，还有助于通过减少污染物暴露来改善公共健康。这将自适应交通管制定位为中国追求碳中和并与可持续发展目标保持一致的关键战略。

成本和收益

为了有效缓解拥堵和排放，自适应交通信号需要对实施成本和由此产生的效益进行全面评估（图5a-d）。最重要的成本组成部分--实时交通检测--需要连续的交通量数据，这会产生相当大的费用。我们的估计表明，实现100个城市的目标拥堵缓解需要总投资约14.8亿美元，涵盖初始设置和持续维护（图5 f）。具体来说，根据对最近145个现场案例的分析，假设每个检测器的使用寿命为71个月，交通检测器的初始安装成本预计为13.1亿美元36。此外，年度运营和维护成本估计约为1.7亿美元。毫不奇怪，由于交叉口的规模和网络密度，较大的城市承担了更高的成本。

集成多个现有数据源可能会降低实施成本。使用感应线圈检测器、监控摄像机和浮动车数据的组合，可以在没有交通检测器的交叉路口进行数据替换（补充表2）。然而，部署这些解决方案往往是复杂的，因为公共和私人实体的交通检测器和信号的所有权不同。我们将多源数据集成解决方案分为三层：（1）使用单部门数据的低障碍部门解决方案;（2）需要部门间协作和政策支持的跨部门解决方案;（3）公私合作伙伴关系，以更高的实施障碍提供更广泛的数据覆盖范围。更高层的解决方案承诺更少的流量检测成本，但需要难以量化的协调成本。City Brain等集中式智慧城市系统凸显了跨部门共享的潜力，以降低检测实施成本，同时支持网络治理37，以实现从交通量高到交通量低的地区的有针对性的部署（补充图4）。

自适应交通信号的社会效益是巨大的，主要是减少了行驶时间和燃料消耗。根据关于中国旅客愿意为缩短的旅行时间付费的声明偏好（SP）调查数据38，每年节省的时间价值约为15.6亿美元。行驶速度的提高进一步有助于减少燃料消耗，估计每年可节省158.3亿美元的燃料（图5f）。此外，自适应信号产生环境效益，每年减少的二氧化碳排放量约为144.4亿美元。除了一氧化碳排放之外，自适应信号还有助于减轻NO和VOC等空气污染物，以及交通事故和噪音。这些环境效益的全部范围难以准确量化，这意味着实际价值可能更高。尽管如此，我们的估计与中国的碳中和政策优先事项一致，强化了自适应交通信号在环境政策中的相关性。总的来说，自适应信号每年可为100个城市带来约318.2亿美元的社会和环境效益，效益成本比约为21.6。这一引人注目的比例凸显了自适应交通信号是缓解城市拥堵和改善环境的高效策略。

个别城市的评估显示出显着的差异，100个城市中有一半的城市的效益成本比超过30，近四分之一的城市的效益成本比超过50（图5e）。这些高比率在很大程度上是由燃油节省和二氧化碳排放量减少推动的，而各个城市的出行时间效益和实施成本相对一致。然而，乌鲁木齐和伊利等城市可能无法仅从旅行时间节省中立即获得净成本效益，效益成本比低于1/3（补充图3）。然而，当考虑到更广泛的社会和环境收益时，这些城市的总体效益是成本的20倍以上，主要是由于减排和节省燃料。这些研究结果表明，狭隘地关注缓解拥堵的城市可能会受益于采取更全面的观点，因为我们的研究强调了自适应信号的巨大社会和环境共同效益。

尽管取得了这些令人鼓舞的成果，但中国的许多试点项目--例如杭州和NanChangan的试点项目--仍然主要集中在缓解拥堵上，而往往忽视了更广泛的环境和节能效益。这一差距的出现部分原因是估计全市减排量的复杂性。我们的分析提供了对这些共同效益的重要见解，强调了自适应交通信号支持城市可持续发展并为政策调整提供信息的战略潜力，以便在中国大城市更广泛地实施。

讨论

预计中国的城镇化率将从2021年的62.5%提高到2050年的80%，向大城市的移民增加既带来拥堵挑战，也带来脱碳机遇。数据收集和处理的进步现在使自适应交通信号成为管理拥堵和减少城市排放的实用解决方案。这项研究引入了一个系统性框架，用于在全市范围内建模和评估大数据驱动的自适应交通信号的好处，特别是在人口超过1000万的特大城市。我们的研究结果表明，虽然自适应信号的出行时间减少和实施成本通常相似，但减排的好处往往超过成本。即使在旅行速度和排放量的提高可能较为温和的较小城市，我们的研究也提供了宝贵的见解。这些城市可以应用我们的框架来评估自适应交通信号的更广泛的社会和环境优势，甚至可能为政策转变提供信息，以利用大数据实现有针对性的交通减排目标。

由于数据可用性的限制，我们的收益成本分析可能会低估自适应信号的价值。首先，实施成本可能被高估;中国城市越来越多地利用来自导航和叫车应用程序的多个来源的浮动汽车数据（例如，高德地图、滴滴），可能会降低浮车渗透率高的路口交通检测器的安装成本。然而，由于缺乏全面的数据，我们无法量化这种影响。其次，我们没有考虑与交通流量更平稳相关的降噪和事故缓解等共同效益。尽管存在这些限制，我们的分析为政策制定者提供了强有力的参考，随着更全面的数据的出现，我们有机会完善效益成本的准确性。重要的是，我们的研究结果支持采用自适应交通信号作为城市可持续发展和减排的宝贵工具，即使是保守估计。

道路运输贡献了全球二氧化碳排放量的11.9%，位居全球前三大排放行业之列，数据驱动中国的碳中和和可持续发展目标（SDG）具有显著的潜力。未来的研究可以扩大我们的框架，通过研究综合的减排潜力“避免ShiftImprove”解决方案。例如，进一步的研究可以探索“改善”措施，如动态可变车道和绿波协调，“转移”战略，如以公共交通为导向的发展，和“避免”的方法，如15分钟的城市概念。我们的框架和模型为评估城市范围内的拥堵和减排战略提供了基础，与实现城市可持续发展的更广泛努力保持一致。

图5|实施自适应交通信号控制的成本和效益。各城市成本和效益的地理分配：实施成本（包括交通检测器的安装和维护）（a）受益于减少的旅行时间（b）、减少的汽油消耗（c）和减少的一氧化碳排放（d）。e，100个城市的效益成本比。f，100个城市的净成本和效益，负值代表成本，正值代表效益。基础地图的应用无需GADM数据的认可（https：//gadm.org/）

方法

数据源

我们从OpenStreetMap获取道路网数据，并调整了广州和杭州等城市的城市边界误差（https：//www.openstreetmap. org/）。城市边界、人口和GDP数据是从GHS城市中心数据库中检索的（可访问https://ghsl.jrc.ec.europa.eu/ghs_stat_ucdb2015mt_ r2019a.php）。GHS城市中心数据库（GHS-UCDB）根据从GHSL源与开放科学领域中可用的其他源集成收集的一组多时态主题属性来描述称为“城市中心”的空间实体。城市中心由1 x 1公里统一全球网格中居民人口和建筑面积的特定分界值定义。2022年11月2日至11月8日期间的交通数据，包括中国百强城市的速度和拥堵水平，收集自高德（https：report.amap.com/ dialogue/index.do）。有关杭州和南昌试点项目的信息来自在线报告和研究。

2021年BAU交通二氧化碳排放基线数据取自气候观察数据库（https：www.climatewatchdata.org/ ghg-emissions）。为了估计汽油消耗量，我们使用了工程收件箱中汽油的二氧化碳排放结果（可访问https：//www.engineeringtoolbox.com/co2-emissionfuels-d_1085.html）。汽油价格于2022年11月8日从Trading Economics中检索（可访问https://tradingeconomics.com/ commodity/汽油）。我们收集了智能交通系统联合计划中记录的145个现场项目的数据，以估计十字路口自适应交通信号的安装和维护成本（可访问https：//www.itskrs.its.dot.gov/）

实验设置

我们使用了一系列基于模拟的实验来评估预定时和自适应交通信号计时方法的性能。道路网络查询、行程生成和模拟环境校准是实验设置的三个主要任务（补充图5a）。

道路网络查询

我们使用OSMnx 39包来查询给定多边形边界的道路网络。当查询道路网络时，我们将“Network_style”设置为“drive”选项，以包括城市中车辆的可驾驶公共街道（但不包括服务道路）。然后将道路网络划分为8 x 6个相同的交通区，以生成合成出行。

合成旅行生成

我们使用两步程序来生成城市中心区域内的合成出行：（1）出行需求估计，和（2）出行路线分配。我们使用重力模型40、41来估计模拟期间成对交通区之间的出行需求（T）。使用统一随机选择模型来选择交叉口位置作为每次行程的起点和目的地。使用这样的模型，指定交通区内的每个十字路口都以相等的概率被选择。

其中m表示交通区的人口。由于原始人口数据是城市规模的，因此我们通过将总人口乘以交通区道路长度的比例来估计m。脚注i、j分别用于表示起点交通区和目的地交通区。r表示起点和目的地交通区中心点之间的欧几里得距离。在模拟环境校准步骤中估计每个城市的参数a、β、γ、δ。

要将行程（T）分配给旅行路线，我们首先将整个模拟期分为10分钟间隔。在每个时间间隔中，我们使用基于预期旅行时间的最短算法（Dijkstra算法）进行行程分配。BPR功能用于估计路段的预期行驶时间（tt）。

其中，ttf是限速行驶时通过路段的时间成本。x表示之前时间间隔中分配给路段的行程，在模拟期开始时，x设置为0。

模拟环境校准。

我们将道路网络输入CBEngine 45并生成合成行程，以模拟城市的交通。CBEngine是一款交通模拟器，可进行城市规模的交通模拟。为了缩小模拟和现实世界之间的差距，我们使用试错程序来迭代调整行程需求参数（即，参数-a、β、γ、δ），以最大限度地减少城市规模观察到的平均速度与模拟的平均速度之间的差异（补充图5 b）。观测到的速度数据是在2022年高峰和非高峰时段从高德检索到的。

交通信号计时。

我们使用交通量数据来计算两个信号计时变量：（1）周期长度和（2）每个交通阶段的绿灯间隔长度。我们对所有四路交叉口使用了图1a中所示的典型阶段设置。对于三路交叉口，四个信号相之一会根据交叉口配置而被丢弃。这里，我们使用韦伯斯特方法1、17、18来计算信号周期长度。该方法需要估计每个交通阶段的饱和流量、临界流量比和损失时间。这里，我们使用脚注i来表示交通阶段。对于任何交通阶段，饱和流量（si）估计为通过无信号高速公路的最大流量，并在10轮模拟中求平均值。为了计算临界流量比（yi），我们需要识别交通阶段中具有最大观测流量（qi）的临界交通流。然后计算临界流量比，

在每个交通阶段，每个绿色间隔的开始部分（启动损失时间）和每个黄色间隔的一部分（通行损失时间）不可被车辆使用，这两个时间的总和会影响一个阶段的损失时间li。这里，假设每个阶段的损失时间为5秒。使用临界流量比和损失时间，信号周期长度计算如下。

其中和分别表示信号周期中所有交通阶段的总临界流量比和损失时间。而标n表示一个循环中的总阶段数，一般情况下，对于典型的四路交叉口，n = 4。

接下来，每个交通阶段的绿色间隔长度如下计算，并假设所有阶段的黄色间隔为3秒。

值得注意的是，预定时和自适应方法在信号定时更新频率和更新所使用的数据方面有所不同。在这里，我们提出的自适应方法使用前一个信号周期中收集的实时体积数据来更新下一个周期的信号计时。相比之下，预先计时的方法使用历史交通量数据每15分钟更新一次信号计时变量。历史交通量数据由相同的道路网络模拟生成，但行程出发时间有所不同。

场景设计。

为了评估所提出的自适应方法的性能，我们为100个城市设计了一组基线BAU和目标交通场景。在BAU的情况下，城市市中心的所有交通信号都预先设定了时间。预设的交通信号灯计时是使用韦伯斯特方法从合成历史流量数据中得出的。合成历史交通量与目标场景交通量相当，但由于指定行程出发时间选择的随机性，差异较小。

在我们的目标场景中，我们使用我们提出的自适应方法实现了部分或所有路口信号。为了探索城市缓解拥堵的潜力，我们使用了具有所有自适应交通信号的目标场景。为了研究实施率的影响，我们根据一小时内所有交通流的总交通量对所有交叉路口进行了排名，并从高到低交通量选择了交叉路口。我们假设交通管理机构会遵循这样的准最佳实施顺序，因为高交通量的十字路口往往更关键。

城市拥堵。

我们使用总行程时间、平均行程速度、二氧化碳减排和燃油消耗节省来评估所提出的自适应方法的好处。出行时间和行驶速度的选择分别考虑了司机和交通警察的观点。我们通过从模拟器查询行程轨迹来计算平均行程速度和总行程时间。对于旅行- j，通过减去旅行的到达和出发时间来计算旅行时间（TTj）。然后通过对所有行程进行总和来获得总行程时间（TTT）。为了计算平均行驶速度（v），我们计算总行程距离（TTD），然后将其除以总行程时间。

其中，TTj和TDj是行程的行程时间和行程长度-j。这样的量化使得车辆行驶的每公里都有意义且公平。

运输排放。

基准交通排放数据来自气候观察数据库，该数据库报告称2021年中国与交通相关的排放总量为9.9635亿吨。鉴于道路运输占全球交通排放量约73.46%，中国道路运输排放量预计为每年7.3189亿吨。为了估计城市特定排放量，我们根据城市人口规模分配了这个总数，假设城市内的人均排放量与全国平均水平一致。

为了评估自适应交通信号对交通排放的影响，我们使用了机动车排放模拟器（MOVES），这是美国环境保护局开发的道路排放模型。MOVES模型因其车辆特定功率（SPP）框架而在研究和政策中的应用而受到认可46 -48，该框架可以进行详细的排放分析。在该框架中，根据瞬时速度、加速度、道路等级和道路负载系数在微观层面上计算每辆车辆的SPP。使用以下公式计算SPP：

其中，vt 是车辆在 t 时刻的速度（米/秒），at 是车辆在 t 时刻的加速度（米/秒2 ），m 表示车辆质量（吨）；A、B、C 分别对应滚动阻力系数、旋转阻力系数和空气阻力系数，因车辆类型而异。例如，对于 39 座轿车，A = 0:1565，B = 2:002 × 103，C = 4:926 × 104，m = 1:479 吨。虽然道路坡度也是 VSP 中的一个因素，但默认 MOVES 假设坡度为零。

利用 CBEngine 的车辆轨迹数据，我们根据瞬时速度对车辆驾驶模式进行了分类，并计算了 VSP 值。每辆车的排放量根据每种驾驶模式的特定排放率进行量化（见补充表 1）。所有车辆出行的总排放量（TE）计算如下：

其中，Ei,t 表示车辆 i 在 t 时间段内的排放量。自适应交通信号灯通过最大限度地减少交叉路口的怠速和制动时间来影响车辆的驾驶模式，MOVES 模型考虑了这一点，从而使我们能够估算出这些自适应交通信号灯带来的二氧化碳减排量。

自适应交通信号可以通过减少空转时间和尽量减少交叉路口的制动来影响车辆的驾驶模式。通过比较预调交通信号和自适应交通信号条件下的排放数据，我们评估了自适应交通信号带来的二氧化碳排放量的减少。利用 MOVES，我们估算了自适应信号灯带来的每辆车的平均排放变化，并根据城市人口规模将这一差异按比例放大，以代表城市级别的变化。通过这种方法，我们可以估算出在全市范围内实施自适应交通信号可实现的二氧化碳减排总量。燃料消耗以汽油为基础进行估算。工程工具箱》中的数据显示，燃烧 1 千克汽油大约会产生 3.3 千克二氧化碳，因此我们将二氧化碳减排量乘以系数 0.30，计算出汽油消耗量的减少量。

为了估算需要被电动汽车取代的汽油车数量和比例，我们首先使用《我们的数据世界》49 中的数据计算汽油车和电动车每乘客公里二氧化碳排放量的差异。然后，我们利用中国汽车的年平均行驶里程来确定汽车换成电动发动机后每年的减排量。最后，我们将通过自适应信号实现的总减排量除以每年每辆车的减排量，从而估算出每年需要更换的车辆数量。然后，将这一数字与 2022 年中国私人拥有车辆总数进行比较，计算出所占百分比。

实施成本和社会效益。

实施成本是根据智能交通系统联合计划中记录的 145 个实地项目估算的。实施成本包括一次性安装成本和每年的运行维护成本。每个交叉路口的安装成本在 22,000 美元至 82,300 美元之间，平均为 48,069 美元。每个路口每年的运行和维护费用估计为 1079 美元。整个自适应交通信号控制系统的寿命估计平均约为 71 个月36 。因此，每個路口每年的實施成本為 9203 美元，包括安裝和运营成本。

通过调查旅行者对节省旅行时间的支付意愿（即旅行时间价值）来估算旅行时间效益。采用了 2018 年在南京市进行的陈述偏好（SP）调查的结果38。调查显示，出行时间价值的平均估计值约为每小时 4.84 美元（或 30.39 元人民币）。将出行时间价值与高峰和非高峰时段节省的总出行时间相乘，即可估算出出行时间效益。

我们采用了一项研究的结果，该研究使用全球大气模型模拟全球温室气体减排对空气质量和人类健康的益处52。根据该研究，中国的货币化排放效益估计平均为每吨二氧化碳 455 美元。汽油被用作估算燃料消耗节约效益的替代品。汽油价格取自 Trading Economics，为每吨 1646 美元（取自 2022/01/20 日）。排放量和燃料消耗量效益的估算方法是将单位效益分别乘以二氧化碳排放量和汽油消耗量的总减少量。

限制

本研究评估了自适应交通信号控制在缓解城市拥堵和交通排放方面的效果。分析范围仅限于中国前 100 个拥堵城市（按高德排名），涵盖每天 6:00 至 23:00 的高峰时段，不包括拥堵程度最低的时间和地点。这一限制可能对我们的结果影响甚微，因为自适应信号灯和预调信号灯在不拥堵条件下的表现类似（例如，乌鲁木齐和伊犁的车速变化低于 1%）。出行时间效益基于 2018 年的出行时间节省值数据，而基准 BAU CO₂ 排放量则使用 2021 年的数据计算，假定社会经济条件稳定。虽然由于中国经济的增长和出行需求的增加，这可能低估了效益，但结果仍然证明了自适应信号灯在缓解拥堵方面的成本效益。

自适应信号灯带来的车速提高可能会诱发更多的出行，因为人们会选择开更多的车或走更远的路，这可能会抵消一些拥堵效益。由于数据限制，我们的模型并不能完全捕捉到诱导需求，但自适应信号灯通常支持更高的交通流量和更顺畅的交通流。改善公共交通53,54 等补充措施可通过鼓励人们转向可持续交通模式来抑制诱导需求。有必要开展进一步研究，评估自适应信号灯对行人和骑自行车者等非机动车用户的影响。

尽管存在这些局限性，但本研究深入探讨了自适应交通信号在减少拥堵和排放方面的作用，强调了一种具有成本效益的城市减碳方法。

我们的研究结果强调，自适应信号灯和其他数据驱动方法为城市解决拥堵问题提供了可行的途径，同时有助于实现可持续发展目标，特别是 “可持续城市和社区 ”以及 “气候行动”。这项工作还强调了综合数据共享系统的必要性，以支持自适应信号和其他数据驱动的城市治理措施，从而加强了跨部门数据整合在可持续城市管理中的重要性。

数据可行性

Data supporting the findings of this study are available within the article (see “Data sources”) and our Zenodo repository at https://doi.org/10.5281/zenodo.14591154.

代码可用性

We use CBEngine for simulating city-scale traffic in this study. CBEngine is freely accessible by users and can be downloaded at https://github.com/CityBrainLab/CityBrainLab. The code for this research is available at https://github.com/RafaDD/BigData-TSC.