广州市交通规划决策支持平台构建实践

大数据和人工智能等新技术不断迭代为交通规划获得更精细化的数据以及新的分析手段提供了基础。广州市交通规划决策支持平台在传统交通规划模型基础上，升级传统定量分析方法，提升交通规划编制、评估与实施水平，转换形成更具科学的政府决策能力 ^[1] 。

城市交通规划编制历来重视数据支撑分析，常用的传统交通规划模型对超(特)大城市的交通建设发挥了重要作用，但也存在范畴局限和价值缺失的困局 ^[2-3] 。随着信息技术不断发展，传统交通规划模型初步实现了与交通大数据的融合促进，并不断探索交通与土地利用一体化模型、交通碳排放模型、居住和就业岗位识别模型以及基于活动链的交通模型方面的实践 ^[4-7] ，但本质上仍是网络交通流分析以及以集计模型为导向 ^[8] 。后疫情时代，数字经济已成为中国经济增长新的着力点和突破口，交通数字化转型是大势所趋 ^[9] ，当前集中于城市交通运营管理的智慧交通系统、交通运行管理平台等数字化建设，而服务于城市交通规划决策的数字平台尚处于探索阶段。

数字化技术已成为交通规划决策的重要技术手段 ^[10-11] ，协同传统交通规划模型持续升级、集成新的系统性交通数据分析方法及软件平台是行业转型的重要抓手。数字化技术的优越性在于能较好促进传统交通规划模型的计算精度和效率提升以及应用操作简便化，实现模型中大量高维数据矩阵的显现化和公开透明，为城市交通规划方案编制提供更多数据信息，同时融入以非集计模型为导向的大数据分析技术，助力更为科学的交通规划政策制定。

20世纪80年代，广州市开始创建交通规划模型，并持续开展广州市交通规划模型年度维护项目，同时编制广州市交通发展年度报告，从体系上保障模型维护更新与支撑实践应用。以国际惯用的交通产生、交通分布、方式划分和交通分配四阶段模型框架为基本盘，结合历次广州市交通发展战略规划，从研究范围、数据基础、模型输出层面来看，广州市交通规划模型可划分为三代(见图1) ^[12] 。

图1 广州市交通规划模型发展历程

资料来源：文献[12]。

1）第一代模型：中心城区宏观模型。

广州市于1993年引进交通发展战略模型“START”和网络分析模型“TRIPS”等先进技术，基于居民家访、交通量等传统交通调查数据，在中心城区建立了基于交通大区的START战略模型和基于交通小区的TRIPS网络分析模型，支撑中国首个城市交通发展战略规划编制，使广州市交通决策由经验决策走向量化数据决策。模型输出指标主要是道路交通量、拥堵车速、路段饱和度等机动化道路评价指标。第一代模型推动了广州市道路功能分级和中心城区大规模骨架道路建设，将高峰时段道路平均车速从1993年17 km·h ^-1 提升至2004年22 km·h ^-1 ，缓解了城市交通拥堵，成为中国首个系统性交通发展战略与交通规划实施相结合的模型。

2）第二代模型：宏中微观一体化的市域交通模型。

进入21世纪，为化解城市发展空间不足的困局，广州市提出“南拓、北优、东进、西联、中调”的空间发展战略，对城市交通规划模型的需求不仅仅满足于道路交通及宏中观的静态交通分析，更关注城市轨道交通及中微观的动态交通分析。为此，结合2005年广州市第二次居民出行调查及2006年第二轮城市交通发展战略规划契机，广州市新引进CUBE，VISUM/VISEM/VISSIM，EMME/2，Synchro plus Simtraffic等宏中微观模型基础平台，注重与GIS融合，构建形成宏中微观一体化的市域交通模型，提升了广州交通规划模型的完整性、精确性。模型输出指标新增了公共交通走廊客流量、公共交通出行分担率、公共交通出行时耗、交通能耗和污染物排放量等公交优先及交通环境评价指标。第二代模型重点构建了多方式竞合下的“道路交通—城市轨道交通”双快网络分析系统，促进广州市域形成以城市轨道交通为支撑和引导的多中心、组团式、网络型的空间结构，并促使中心城区公共交通占机动化出行比例由2005年46%提升至2017年60% ^[13] ，自此广州市以公共交通为主导的交通发展模式逐步建立。

3）第三代模型：基于大数据的区域多层次综合交通运输模型。

党的十八大以来，在新型城镇化和信息化的双重影响下，广州市着力推进大都市圈建设和数字经济转型，要求城市交通规划模型走向区域且更为数字化。结合2018年广州市第三次居民出行调查及互联网位置、移动通信等大数据，广州市建立了广东省域—广佛莞同城化—广州市域的区域多层次综合交通运输模型，力求将模型后台隐蔽数据显现为“数据底盘—模型输出—前端展示”一体化集成，重点新增综合交通运输协调模式下的区域交通分析以及直接关联人、生态约束的评价维度。模型输出指标新增了对外交通结构、通勤幸福感、交通碳排放量等提质增效评价指标。结合2035年广州市交通发展战略规划方案测算 ^[14] ，广州与大湾区核心城市的轨道交通出行时耗为60 min以内，对外出行中市内出行时耗为27 min，市民通勤出行减少的时间相当于多休8天年假，城市交通人均碳排放量为1 t·人 ^-1 ·a ^-1 。

在对大数据精准治理等价值效用已达成广泛共识的背景下，传统交通规划模型面临无法深度融合大数据、技术内核局限、评估维度难以满足新决策标准及要求等挑战。

1）大数据与小样本调查数据融合技术有待提高。

传统小样本调查数据总量精度高，但无法做到广域覆盖。大数据具有覆盖面广、大抽样比例揭示对象结构的优势，但往往是局部对象的大样本，难以实现全对象关联。因此，既要发展大数据，又要发展小数据，这已经成为交通规划定量分析的共识。受限于两类数据维度属性不同而难以融合，实践中大数据与小数据往往“两张皮”，尽管各自在基础数据提供、参数标定等模型构建方面都发挥了重要应用，但两者在“总量—结构”的优势互补方面尚处于起步阶段。

2）集计导向的模型内核难以应对精细化决策支持。

进入存量发展阶段，城市对交通治理的精细化水平要求上升，城市交通关注点由重点功能区转向每一个角落、每一个鲜活的个体。传统以四阶段为框架的集计模型在应对精细化决策支持需求方面明显不尽人意，这与交通分区底盘、模型架构、集计统计分析方法等紧密关联，且模型尺度范围越小，与个体关联的模型输出指标愈发不准确、不好用。

3）模型输出以过于专业的网络交通流指标呈现。

模型必须从专业走向通俗。除传统交通量、速度、饱和度等交通工程指标外，要引入更多有温度、易感知的评估维度，并构建通俗化的交通规划模型应用和展示界面，以提升模型常规应用的可操控性，而非交通模型师专属及维护使用。同时，要加强模型底层过程数据的展示、解析和共享，增强数据现象背后原因分析和支持多情景方案推敲的响应能力。

基于新时期城市可持续发展新价值要求 ^[15] ，城市交通规划转型要更好地统筹满足人的美好生活、生态可持续和为城市提供持续发展动力的需求。城市交通规划数字化转型的重点是利用大数据和移动通信数字化技术提升传统交通规划模型的计算精度、分析维度和精细化水平，在此基础上集成可独立支持规划决策的交通大数据分析技术，形成传统交通模型、大数据技术两大类定量分析方法相融合的交通规划决策支持平台，促进城市交通规划编制、评估与实施更为完整、准确、全面。

决策支持平台建设以WebGIS和时空大数据等开源信息框架技术为基础，构建交通地理信息数据便捷获取、处理、分析、可视化的算法模型，实现多源异构数据高效融合，提供灵活可定制的时空信息服务和数据挖掘分析能力，将数据服务化、方法模型化、结果图表化。通过“数据—业务—应用”三层衔接，推动交通信息资源汇集、管理、共享与深入应用，形成数据管理、业务管理、应用展示一体化的交通规划决策支持平台，平台总体技术架构如图2所示。

图2 广州市交通规划决策支持平台总体技术架构

资料来源：文献[1]。

1）基础设施层。

基础设施层由基础软件、基础硬件、网络设备和保障系统等组成，通过合理配置软硬件环境，搭建了一个稳定、可扩展、安全的服务平台，用于接入传感设施采集的交通和城市空间信息，并通过超融合策略实现对服务器节点状态、主机资源调度、系统性能、应用程序接口(Application Program Interface, API)服务状态等平台运行状况进行监测，保障平台稳定运行。

2）数据资源层。

完整、规范和准确的交通信息数据是全面建设交通规划决策支持平台的核心，是全面开展交通分析和研究的基础。平台通过汇集多个来源的业务数据与新兴数据，建立了交通多源时空数据库，包括土地利用、人口、经济等城市发展规划基础数据，交通基础设施规划空间数据，道路交通量调查、城市轨道交通运营的动态交通数据，手机信令、互联网位置的出行时空大数据，合计形成133项专题信息，构建交通数据底盘。

3）数据中台。

基于交通调查工作标准和数据处理规范、时空数据建库标准、交通业务数据共享规范等规范性文件和数据管理办法，决策支持平台利用分布式处理技术整合多源异构数据，囊括数据生产、汇集、融合等环节，标准化梳理了公共基础数据、交通设施数据、交通运行数据、运营商数据。同时，结合数据融合算法模型构建了面向自然资源数据和交通数据目录的数据中台，将统一标准的数据封装发布成Data API，实现数据即服务，满足数据快速共享和管理。

4）业务中台。

围绕传统交通规划模型预测服务、专题数据服务、基础应用服务三大方向，基于分布式微服务架构封装空间分析方法以及地图服务、查询统计等平台通用业务功能，根据规划决策数据要求，降维传导交通模型中的高维矩阵及海量交通大数据至前端界面开展分析应用(见图3)。

图3 传统交通规划模型的平台化管理(以广州市黄埔区为例)

资料来源：文献[1]。

5）指标层。

围绕规划、运营、管理全流程视角，建立表征交通特征规律可衡量、可监督的指标体系，明晰规范指标定义、统计口径和计算方法，进行大数据关联运算和特征挖掘分析，实现交通规划运营管理等多领域、多维度数据指标的综合分析和精细化展示。

6）应用层。

数据管理云平台作为数据汇聚和管理工具，主要服务于数据管理员和具备数据研发分析能力的专业技术人员，辅助数据的标准化上传、数据服务发布、使用权限管理和定制化的分析挖掘。交通规划编制辅助平台作为信息查询和分析工具，主要服务于交通专业技术人员、交通管理者和决策者，以菜单式、窗口式平台界面，系统化提供交通信息获取、问题分析、评估测算功能。

为落实国土空间对交通的指导约束、发挥交通高质量组织国土空间的作用，决策支持平台功能建设的重点是在协同城市空间结构、职住平衡等规划管控意图中找到交通发展规律和问题成因，同时便捷分析交通与生产、生活、生态各类空间的关系(见图4)。

图4 广州市交通规划决策支持平台功能模块

资料来源：文献[1]。

1）空间与基础设施统计分析。汇聚并持续更新城市空间和交通基础设施发展建设数据，采用统一、标准的计算规则，实现对市域任意范围的城市用地布局、建筑开发强度等交通生成特征，道路、公共交通等交通供给能力特征进行快速统计分析，助力研判供给与需求适配性。

2）人口活动分析。基于手机信令数据和人口普查数据，分析人口空间布局、年龄和性别结构、通勤等不同出行目的的空间分布情况，为城市公共服务设施建设、交通建设资源分配提供决策参考。

3）道路交通系统运行分析。利用交通调查数据与运营车辆轨迹数据进行车辆轨迹追踪识别，从空间维度溯源路段车流的来源与去向，分析道路运行特征、沿线用地开发业态以及车流来源时空分布特征。结合监测道路路况运行时态变化，实现多时态、分类型交通运行情况分析，为路网结构调整、交通组织优化、交通拥堵治理提供支撑。

4）公共交通系统运行分析。基于公共交通实时运行数据和车站设施布局，分析公共汽车和城市轨道交通的车站空间分布、覆盖人口、上下客流、车速等相关指标，为公共汽车和城市轨道交通线网现状评估和规划、公共汽车发车调配提供参考。同时结合共享单车骑行数据进行挖掘分析，溯源骑行轨迹，精细化掌握非机动车出行时空特征以及与公共交通接驳状况，为绿色出行竞争力提升提供决策依据。

5）多维度方案决策评估。面向满足人的美好生活出行、绿色低碳和为城市提供新发展动力，构建形成80余项有温度、易感知的交通评估指标，通过决策支持平台自动化计算，支撑国土空间交通专项规划、城市交通发展战略规划、城市交通发展年报、可持续交通发展水平评估等报告的编制。

6）业务分析智能化系统。通过决策支持平台输入项目空间位置、研究范围等基础信息，依据《城市综合交通体系规划标准》(GB/T 51328—2018)、《建设项目交通影响评价技术标准》(CJJ/T 141—2010)等技术规范，利用自动化信息技术挖掘多源数据信息，汇总城市用地布局、人口出行分布、交通基础设施布局、交通运行情况等各项现状信息，自动生成分析报告，提供交通影响评估、道路拥堵分析等报告的查询、下载、修改、删除等功能应用。

交通与城市数据的获取来源广泛，主要包含人工调查、对外采购、行政申请、互联网爬取等渠道。其中，人工调查技术体系成熟，行业认可度高，能够采集居民出行特征信息；对外采购的数据种类较多，获取方式相对简单，包括手机信令数据、地图数据、路况车速数据、运营车辆订单数据等；行政申请数据难度较大，包括国土空间规划信息数据、卡口视频数据、公共交通运营数据、气象环境数据等；互联网爬取数据费用最低但数据质量相对较差，包括兴趣点(Point of Interest, POI)、路况信息、公共交通线路及车站、房价、舆情数据等。多源异构数据采用分布式计算技术，基于Spark分布式技术的空间分析、数据处理等功能，实现对超大体量空间数据集进行分布式空间分析和数据处理，相对于传统的空间分析服务性能提升10倍以上。

以交通规划的基础指标道路交通量为例，针对现有交通量调查准确度高但无法实现全路网覆盖、道路卡口数据覆盖率高但准确度不足的问题，文献[16]提出一种传统调查数据和轨迹数据融合的交通量分配方法(见图5)。通过路网预处理、轨迹处理和集合构建、调查位置与轨迹空间关系匹配、调查位置的剩余交通量计算等步骤，对调查位置数据和运营车辆轨迹数据进行融合匹配，推测从独立调查点位扩展至全路网的全对象交通量，形成“总量—结构”数据联动的道路交通量融合分析方法。以广州市持续20余年约300处人工道路断面交通量调查数据的基础，结合5 000多处道路卡口数据，决策支持平台推测形成覆盖市域次干路及以上道路的全路网现状交通量；根据交通影响评估、交通专项规划等编制调查中的百余条路段验证，决策支持平台所推算的交通量与实际调查交通量偏差为20%以内，涵盖路段数量占比为79.1%。

图5 交通量调查数据与道路卡口轨迹融合示例

资料来源：文献[16]。

采用异常检测、分类分析、语义分析、空间聚类分析、路径拓扑分析、神经网络、机器学习等挖掘分析工具，对海量多源异构数据中隐藏的新交通特征和规律进行挖掘分析，从源头上探寻交通优势区位与人口/就业岗位、产业空间的关联，更为精细化认识交通运行规律，聚焦交通问题与成因分析，为交通规划决策者、管理者和编制人员提供更为深入的数据分析依据。

小汽车、公共交通、步行和非机动车交通等客流的出行轨迹溯源是交通运行规律再挖掘的基础性要素，也是传统交通规划模型升级的关键抓手。以小汽车轨迹溯源为例，文献[17]提出基于时空相似度的车辆轨迹推算方法(见图6)。该方法基于基础路网和高德地图车速构建导航级地图，围绕时间最短、距离最短、途经红绿灯最少等条件计算卡口间的多条可能出行路径，形成出行路径集合。在空间维度上结合道路长度、道路交叉口数量和转弯次数等影响因子，计算路径匹配空间概率权重；在时间维度上结合卡口间导航路径时耗、卡口监测时耗等影响因子，计算路径匹配时间概率权重，综合路径匹配空间概率与时间概率权重，还原出卡口监测车辆行车轨迹，用于分析主要通道的车辆出行距离、时间以及来源空间分布。以广州市南北向重要交通性主干路广州大道(二沙岛断面)为例，高峰时段途经该断面的车辆最长出行距离和时间分别约为65 km和1.7 h，平均约为13 km和0.3 h，起终点主要为珠江新城CBD及周边，外围区的白云嘉禾望岗、番禺大石片区等。建议加快同走廊的市域轨道交通快线26号线建设，构建南北向复合城市交通廊道，提高对存量需求的适配性。

图6 小汽车出行轨迹溯源技术流程及示例

资料来源：文献[1]和[17]。

此外，决策支持平台形成以手机信令数据进行居民出行调查扩样及挖掘沉默出行需求的方法 ^[18] ，弥补传统居民出行调查缺陷，使传统交通规划模型针对出行目的组成、出行时间分布和出行距离分布的参数标定更接近实际。

建立全局交通网络运行状态模拟及推演模型，应用于城市交通状态精准复现、各类事件的实时管控评估分析，保障各类决策行动计划的综合效果最大化。构建基于出行即服务(Mobility as a Service, MaaS)的近期出行推演模型(见图7)，实现单方式和多方式出行的有效融合。通过道路网络、城市轨道交通网络、公共汽车网络的交通拓扑处理，以道路交叉口、公共交通车站作为不同网络间的转换点，实现网络模型间的交互计算。采用改进Dijkstra算法搜索多路径方案，开展面向综合交通网络的组合出行路径搜索选择 ^[19] ，同时围绕时间成本、经济成本和舒适度成本构建广义费用模型，利用模糊综合评价方法实现多方式出行路径分配。

图7 基于出行即服务(Maas)的近期出行推演模型

资料来源：文献[1]和[19]。

通过对道路网络模型进行编辑和更新，推演模型实现在网络数据集增加通道和减少通行能力的不同需求下的交通量变化分析和评估，实现对新增道路、围蔽道路或改变现有道路通行能力的各类方案的预测评估。以2021年广州鹤洞大桥全封闭施工时时其平行通道的交通量推演分析为例，鹤洞大桥承载的交通量分流至洲头咀隧道、珠江隧道、丫髻沙大桥三条平行通道，对比决策支持平台推演结果与交通量调查结果，平均偏差为5%(见表1)。

表1 广州鹤洞大桥平行通道交通量推演与调查对比

资料来源：文献[1]。

此外，将可视化作为数据决策的重要手段。好的数据展示可达到“一图胜千言”，无论数据如何庞大、算法如何先进，最后呈现给决策者的一定是直观明了的数据图表。通过前端开源的各个开发类库，包含Echarts，Google Charts，D3.js，WebGL，Mapbox等，将高维数据、层次数据、网络数据、时态数据，以及各种数据复杂的过程分析进行清晰有效地表达与呈现，增强数据可读性，提升用户的决策效率。

交通规划决策支持平台的开发和应用是一个系统集成过程，也是顺应数字化的发展趋势，通过不断提升交通大数据服务效能，更好地将数据转化为政府决策能力。本文基于广州市传统交通规划模型面临的转型挑战，包括要加强大数据与小样本调查数据融合、走向更为精细化决策支持服务，以及提升模型数据的可操作性等现实需要，以城市可持续发展理念为遵循，从技术架构、功能模块、典型支撑技术等方面探索超大城市交通规划决策支持平台的构建与应用。该平台有效支撑了广州市交通规划的编制、实施和评估。

为高效发挥交通规划决策支持平台的建设效益，功能研发层面往往需要固化数据分析指标，例如，提出明确的统计内容和分析方法，针对常用的统计指标进行标准化研发，旨在为规划人员的日常工作提供具有普适性的功能。然而，在项目编制过程中通常需要综合考虑多项数据的融合创新，需要依据原始数据进行定制化的分析挖掘。因此，未来交通规划决策支持平台的建设需要充分兼顾标准化和定制化使用要求。