你是否曾有過這樣的經歷——有時遇上一個紅燈，接下來的每個路口就全是紅燈；有時卻是一路的綠燈？這並非個人的運氣好壞，而是背後一套交通燈系統執行的系統在起作用。
訊號燈設定不科學、配時不合理的直接後果就是擁堵不堪的路況和漫長的通勤時間，這對於數以億計的白領一族和城市居民來說，絕對是 每天最令人煩心的事情之一。如何讓訊號燈「聰明」起來，正在成為搭建一套「智慧交通系統」最為核心的問題。
現在，面對城市擁堵這個棘手的大難題，上海交通大學關新平教授團隊、上海交通訊息中心張揚提出一種新型拓撲網路 Linkage Network，用於建模道路網路、展示交通流量的傳播規律（propagation pattern）。
先解決交通預測問題
為了實現交通的智慧化控制，我們需要建立一套有「預知能力」的系統，預測是智慧交通系統（ITS）中最基礎、最重要的任務。
以上海市交通訊息中心為例，高度準確率的交通預測可以幫助控制交通流量。同時，大規模交通擁堵意味著大量市民聚集在某個特定地點，因此交通預測還可以透過提前通知管理人員來預防公共事件或交通事故的發生，以及及時部署應急預案。
關於交通預測的研究有很多，但仍然存在很多侷限。
很多現有方法把交通預測僅當作時序問題來處理，但一個路段的交通條件與其他路段的情況強相關，因此一定不能忽視整個交通網路的整體資訊。有些路段的交通條件呈現出很強的季節規律，但大部分路段不具備此類特徵。
論文中展示了具備強週期性的路段（左圖），以及不具備此類特徵的路段（右圖）。
也有一些方法期望引入額外的時空資料來輔助交通預測。這種方法一定程度上解決了全域性資訊的問題，但額外的資訊會導致大量算力消耗。道路系統的時空強相關特性表明使用區域性資訊分別進行交通預測不等於全域性預測。
突破之道
上海交通大學和上海市交通訊息中心（TIC）的研究者們提出了一種全新的機制來處理交通預測任務，並解決上述侷限。
據介紹，該機制包括兩大關鍵部分：Linkage Network 和線上預測器 Graph Recurrent Neural Network (GRNN)。新型拓撲網路 Linkage Network 用於建模道路網路、展示交通流量的傳播規律。基於 Linkage Network 模型設計的新型線上交通預測器 GRNN 用於學習交通道路圖中的傳播規律。它可以基於圖資訊預測所有路段的交通流量，顯著降低了計算複雜度，同時還能保持高準確率。
此外，它還可以預測交通趨勢的變化。基於現實世界資料的實驗表明本研究提出的方法優於現有的預測方法。
該方法的架構如下圖所示：
其中 Linkage Network 用來充實道路網路圖所包含的屬性資訊，展示交通傳播規律這一重要屬性，從而說明交通變化的內部機制。而 GRNN 用於挖掘和學習該交通規律，並同步進行全域性交通預測。
LINKAGE NETWORK
道路網路和 Linkage Network 之間的區別。
我們可以看到，Linkage Network 具備兩大優勢：
包含的資訊更加豐富，尤其是其展示了交通道路的傳播規律。
僅在 Linkage Network 的定義下，即可設計演算法來學習交通模式。
GRNN
GRNN 包含傳播模組（propagation module），可以在交通流量沿著道路網路擴充套件時向 linkage network 傳播隱藏狀態。由於交通傳播對交通情況有直接影響，因此 GRNN 可以利用學得的傳播規律輕鬆生成預測結果。
GRNN 架構圖示。
在這種結構下，GRNN 有兩大特點：
GRNN 成為一個序列到序列的模型，克服了 GNN 的侷限性，後者不擅長處理流動資料；
GRNN 可以學習 linkage network 代表的傳播模式並同步預測區域性交通狀況。
研究人員表示，訓練整個 GRNN 用的是 BPTT 演算法。
實驗對比
為了驗證演算法能否真正預測交通擁堵情況，研究者使用上海市交通訊息中心（TIC）的原始計程車軌跡資料集進行了測試，如下圖所示：
原始計程車軌跡資料分佈圖，右側附圖即該研究選擇的子圖。路段的亮度越高，該路段的樣本越多。
為了驗證新模型的準確度，研究人員還找到了 5 種基準模型進行對比：HA、ARIMA、GBRT、SVR 和 GGNN。實驗證明，GRNN 的效果大大好於此前人們提出的方法。
實驗結果
表 1：不同方法的對比結果。GRNN 方法成績領先。
圖 8：GRNN 和 GBRT 的效能。可以看出，神經網路的預測與真實情況基本一致。
未來可期
在國內，上海無疑是「智慧城市」運動的先行者。自 2011 年以來，上海已經實施兩輪三年行動計劃，」智慧城市」系統形成了相對完備的頂層設計和推進機制，並連續 3 年在國家權威機構釋出的資訊化排名中名列全國第一，為城市提供智慧化服務的雲端「大腦」和服務能力已達到國際水平。在推進智慧城市建設的第六個年頭，上海這座現代化國際大都市的先行經驗頗具借鑑和分享價值。
也許在未來，指揮我們在街道上通行的交通訊號燈都將由神經網路控制，這個未來並不遙遠。紅綠燈將不再只是「燈」，它能透過多渠道自行感知和收集相關交通資料，再運用自己的「大腦」進行分析研判，給出訊號控制和交通組織的最佳方案。
國內科技巨頭也有著智慧交通的願景。11 月 8 日，百度創始人、董事長兼 CEO 李彥宏在第五屆網際網路大會上發表演講時介紹了百度在智慧交通方面的進展。他表示，百度和中國不少城市有合作。比如在北京，百度將從海淀區開始，接管所有的紅路燈，智慧實時的進行調整。根據預算，可使交通擁堵時的等待時間減少 30%-40%。此外，他還透露，百度與上海也在智慧交通、自動駕駛以及工業升級等方面有合作。
在杭州構建智慧城市的阿里巴巴也已有智慧交通的實踐，阿里巴巴集團技術委員會主席王堅在今年的雲棲大會上曾表示，阿里一直在利用城市大腦的資料探勘引導交通，讓市內道路中的堵點逐漸化解，提升通行速度。杭州道路的擁堵程度已從 2013 年的全國前十退至了今天的 80 多位。
今天，因為技術的發展，一個杭州人去上班可以比北京人晚一個小時出門。
那麼上海呢？