TRB年会由美国运输研究委员会主办，是交通研究领域最权威的顶级国际会议，也是目前国际交通研究领域知名度最高、参与人数和国家最多的学术盛会，每年都会吸引超过一万多名来自世界各国和地区的研究和技术人员参加。

2019的TRB年会是第98届，将在1月13日-17日在美国首都华盛顿举办，吸引来自全球各地超过14,000名政策制定者、管理者、研究者、政府企业代表等的参与，有近800个主题和数千场报告。 此次年会吸引了来自全球范围内5000篇论文投递，最终20%的文章会被会议收录。

通过前期的全力准备，此次TRB 2019年会滴滴将有11篇论文在大会上做展示，其中8篇来自滴滴智慧交通，是基于滴滴场景和数据发表；3篇来自智慧交通和AI Labs同高校科研合作的成果。

此次是滴滴第二次参与TRB年会。2018年1月滴滴就首次参加TRB会议，发表了滴滴TRB 的首篇Paper并做演讲，在海外公布了盖亚数据集计划海外版，产生了巨大的影响力，具体可见公众号：TRB 2018：滴滴智慧交通带来哪些精彩？明年1月的TRB2019年会滴滴也将通过已开放的滴滴盖亚数据集计划，赞助TRB 的Transportation Forecasting Competition， 并受邀在年会workshop上发表关于数据集的演讲。

这11篇论文都将在TRB 2019会议上向大家展示滴滴在交通方面的技术实力。此外TRB还有2篇是滴滴员工在博士期间针对滴滴强相关领域投递的文章。

以下为TRB2019滴滴入选论文（标粗为滴滴员工）:

滴滴智慧交通

Paper Title: Signal Timing Parameters Estimation for Signalized Intersections Using DiDi's Floating Car Data
Author: Zelong Du*, Xintao Yan, Jinqing Zhu, Weili Sun
Committee: AHB25 Traffic Signal Systems
信号灯配时信息包括：配时时段（Time-of-Day, TOD），各时段的周期和各时段内各相位的绿灯时长。信号灯配时信息对于各种交通应用至关重要，但是从当地交通部门获取城市范围的配时信息既耗时又具有挑战性。现有文献中大多是在固定TOD下来估计信号灯的周期和绿灯时长，但在现实世界中，不同的路口会有不同的TOD划分，用以适应不同的交通状况。因此由于无法获取路口TOD信息，就无法获取此路口不同TOD下的周期和绿灯时长。在本文中，我们提出了一种基于浮动车轨迹数据的信号灯参数估计新方法，此方法可以识别不同路口的不同TOD信息，不同TOD内的周期以及绿灯时长。此方法在滴滴大规模轨迹数据上进行了测试，测试结果显示，TOD平均估计误差在15分钟内，周期准确率达96%,白天绿灯时长绝对误差在3秒内。

Paper Title: Estimation of Queue Length,Probe Vehicle Penetration Rate, and Traffic Volume Using Probe Vehicle Trajectories
Author: Yan Zhao, Jianfeng Zheng*, Wai Wong, Xingmin Wang, Yuan Meng, Henry Liu
Committee: ABJ30: Urban Transportation Data and Information Systems
网联车和网约车“浮动”在交通流中，可以为我们提供丰富的交通信息。浮动车的海量轨迹数据为交通网络的评估、诊断、优化提供了全新的视角。许多现有文献已经对利用浮动车轨迹估计交通流量和排队长度进行了探索。然而，现有的模型要么要求浮动车渗透率要足够高，要么依赖于渗透率的先验信息。由于现有的浮动车渗透率依然很低，渗透率也可能随时间、空间变化，很难有效测量，所以已有方法都无法得到有效应用。本文提出了一个简单有效的新方法，填补了上述空白。即通过研究浮动车在交叉口处的停车位置分布准确估计出浮动车的渗透率，利用估计出的渗透率，全量车的排队长度和交通流量也可以很容易推测出来。并且该方法已经经过了仿真数据和真实数据的验证，验证结果证实了该方法的有效性和可拓展性，表明其为大规模应用做好了准备。

Paper Title: A Tensor-Based Method to Detect and Correct Missing Data in the Traffic Bayonet System
Author: Han Zhang, Peng Chen, Jianfeng Zheng*, Yuan Meng, Henry Liu, Jinqin Zhu
Committee: ABJ70: Artificial Intelligence and Advanced Computing Applications
交通卡口系统包含了丰富的交通信息，是智能交通系统重要的构成部分。然而，同其他交通检测器一样，卡口系统存在严重的数据丢失问题，这成为制约其实际应用的一大阻碍。为了减轻丢失数据带来的影响，目前一些研究提出了许多基于张量的方法，但这些方法都要求知道丢失数据发生的时间和地点，这与实际中丢失数据完全随机发生的情况相悖。因此，本文提出了一种名为“迭代张量分解”的算法，该算法利用交通数据存在的潜在多维相关性来检测和修复交通卡口数据中存在的丢失数据。本文的实验部分利用真实的卡口数据集来验证算法，实验结果显示卡口系统中的丢失数据状态可以分为三类：正常状态、随机丢失和结构性丢失。同时，实验显示迭代张量分解算法在不同的丢失场景下都能够正确检测和修复丢失数据。最后，我们还将迭代张量分解算法与其他近期提出的张量分解算法进行比较，比较结果显示，迭代张量分解算法能够获得更好的效果。

Paper Title: Estimating Saturation Flow Rate for Signalized Intersection Using Trajectory Data
Author: Xingmin Wang, Jianfeng Zheng*, Henry Liu, Weili Sun
Committee: AHB40: Highway Capacity and Quality of Service
饱和流率是衡量路口车辆通行能力的基本参数，其定义为在交叉口中某个车道在信号灯从红灯变为绿灯之后单位小时能通过路口的最大的车辆的个数。饱和流率是量化路口通行能力的重要参数，可以为道路的设计以及组织优化提供重要的参考。路口的饱和流率受到很多因素影响，包括天气、路况以及路口的灯光条件等。相对于有地磁传感器的路口而言，没有传感器的路口估计其饱和流率相对较为困难。目前比较常见的方法主要是根据一些经验公式进行估算，主要输入的参数包括道路截面以及天气等其他因素，但是依照经验公式估算的方法很难反应实际情况。除此之外，如果交通状况较为复杂，如机动车辆受非机动车辆以及行人等影响严重的情形，道路的通行能力也会受到较大的影响。近些年，轨迹数据成为一种新型的数据形式在实际中被广泛的使用。本文利用浮动车的轨迹数据作为唯一输入，估算路口的饱和流率。通过提出一种基于轨迹数据中消散波检测的方法对饱和流量进行估计：首先利用轨迹数据预估路口的周期时长，并在此基础上将轨迹数据投影在一个周期中得到路口特定相位的时空图；其次利用随机采样一致性的方法对时空图中的消散波进行检测，并在此基础上，确定路口特定相位停车线的位置以及消散波的速度；最后利用车辆通过路口的速度以及消散波的速度，在给定的饱和流密度下就可以估算路口特定方向车流的饱和流率。本文使用从监控录像中人工统计的数据作为真实数据对该方法进行了验证，验证结果显示，平均误差大约在5%左右，证明了该方法的有效性。

Paper Title: OD Estimation Using Probe Vehicle Trajectories
Author: Yan Zhao, Wai Wong, Jianfeng Zheng*, Shihong Huang, Henry Liu
Committee: ADB30: The Transportation Network Modeling
在交通研究中，OD矩阵的估计是一个非常关键的问题。无论是交通规划还是信号灯的区域控制，理解OD矩阵都至关重要。对于静态OD矩阵的估计而言，现有方法通常假设出行行为服从某种交通分配模型，然后使用固定点传感器测得的路段流量和问卷调查得到的目标矩阵作为输入数据。然而，这些方法所依赖的交通分配模型和现实中的出行行为并不完全吻合，很难标定，而且问卷调查也很难保证无偏差。车联网技术的蓬勃发展和网约车的快速普及给我们带来了解决该问题的新思路。本文提出一个只使用浮动车轨迹进行OD矩阵估计的新方法。该方法没有对出行者的经济学行为进行建模，而只是假设浮动车和其他车的路径选择服从同分布。在此假设下，该方法将OD矩阵估计表示成一个简单有效的优化问题。测试结果显示，即使在浮动车渗透率很低的情况下，该方法依然可以准确地还原OD矩阵。

Paper Title: Optimization of Green Split for Scats-Controlled Intersections Using Vehicle Trajectory Data
Author: Yu Mei, Fuliang Li, Jianfeng Zheng*, Yu Han, Henry Liu, Cheng Gong
Committee: ABR30: Standing Committee on Emergency Evacuations
及时了解信号交叉口的运行状态，是自适应信号控制优化的必要条件。当前信号交叉口的运行状态数据大多通过各种类型的定点交通检测器获取，例如线圈检测器、视频检测器等。由于定点检测器的局限性，存在部分交通参数（例如：过饱和延误、停车次数等）难以获取、检测器容易出现缺失损坏和精度低的问题，导致自适应信号控制效率低下。为此，我们提出了一种基于滴滴车辆轨迹数据的SCATS信号交叉口绿信比优化模型。该模型首先设计了SCATS Log 和车辆轨迹数据解析器，用于实时输出信号交叉口运行状态指标；其次，抽象了SCATS的方案选择逻辑，建立了车均延误和饱和度之间的关系模型，从而间接关联车均延误和绿信比，得到了绿信比优化模型。模型在实际SCATS信号交叉口进行了测试，结果表明，提出的模型可以降低车均延误，提高交叉口运行效率。

Paper Title: An Urban Freeway Ramp Metering Control System Based on Trajectory Data
Author: Yu Han*, Yuan Meng, Jianfeng Zheng, Henry Liu
Committee: AHB15: Intelligent Transportation Systems
本文提出了一个基于轨迹数据的城市快速路匝道控制原型系统。目前世界范围内大多数交通管理机构所使用的快速路交通管理系统都依赖于固定监测器收集的数据。相比于固定检测器数据，轨迹数据是一种成本低，可靠性高的替代数据源。基于轨迹数据，我们提出了一系列交通诊断、交通状态估计以及交通控制方法。该系统于2018年3月在济南市北园高架快速路施行落地实验，实验评估结果表明，该系统所实施的匝道控制方案使快速路通行效率得到显著改善。

Paper Title:Travel Mode Detection Using Smartphone GPS Data:A Comparison between Random Forest and Wide-and-Deep Learning
Author: Di Yang*,Chenfeng Xiong, Liang Tang, Lei Zhang
随着智能手机的普及，被动收集数据（passively collected data），例如手机GPS轨迹数据，因成本低廉、获取方便以及内容丰富，获得越来越多研究者的青睐。人工智能的方法便广泛地应用在基于手机GPS轨迹数据的出行工具检测研究中。由于手机在地下的蜂窝信号不良，文献中鲜有研究推测地铁的出行方式。本文创新地将土地利用信息与GPS轨迹匹配，以推断轨迹与附近地铁或公交线路的远近程度。通过比较两种出行工具检测模型即随机森林（Random forests）和广泛深度学习（Wide & deep learning），我们得出：与随机森林相比，广泛深度学习模型能够使用多层深度学习进行充分的概括，并使用线性单层模型捕获异常。模型使用在华盛顿特区大都市区收集的手机GPS数据集进行了实地检验，证实了本文所提出的广泛深度学习模型的优越拟合优度。

滴滴科研项目合作论文

滴滴智慧交通 &同济大学马万经老师的合作项目
Paper Title: Trajectory Data Based Optimization of Pre-Timed Traffic Signals for Isolated Intersections
Author: Tao Fu, Li Zou, Chunhui Yu, Weili Sun, Cheng Gong, Wanjing Ma
Committee: AHB25: Traffic Signal Systems
交通信号控制广泛应用于提高交叉口的通行安全与效率，传统的信号配时优化方法大多都需要流量数据作为模型输入，而流量数据的获取普遍存在高成本和低覆盖率等缺点。本文提出了一种基于车辆轨迹数据的信号配时优化方法，能够在没有流量数据的情况下，仅依靠低比例的轨迹数据，实现定时式信号控制方案的优化。通过对车辆轨迹与信号配时方案之间的对应关系进行理论建模分析，分别建立了以交叉口总体表现最优为目标的OPO模型和以各进口道平均表现最优为目标的APO模型，并且这些非线性模型可以通过求解一系列混合整数线性规划模型来进行求解。案例分析表明，相比于以流量数据为基础的Webster优化方法，本文提出的两个基于轨迹数据的优化模型均能更有效地提高交叉口的通行效率。进一步通过敏感性分析表明，在各进口道轨迹车辆渗透率均衡的情况下，OPO模型的总体表现优于APO模型，在渗透率非常不均衡的情况下，则建议选用优化结果更稳定的APO模型。

AI Labs & 哥伦比亚大学Xuan Di老师的合作项目
Paper Title:Optimal Passenger-Seeking Strategy of Taxi Drivers with E-Hailing
Author: Zhenyu Shou, Xuan Di, Robert Hampshire, Jieping Ye, Hongtu Zhu
Committee: ABE90: Transportation in the Developing Countries
本文提出用增强学习（Reinforcement Learning）来研究网约车司机（统称为e-hailing drivers）的空车寻客行为。考虑到不同于传统出租车司机，司机有以下两个主要特征：（1）司机在一个地方收到平台派单后很有可能需要继续行驶去下一个地方接乘客；（2）司机可能会在上一个订单结束之前就收到平台派的下一个订单。我们在马尔科夫决策过程（Markov Decision Process，MDP）模型中加入了这两个特征并且在行动集合（Action space）里面加入了等待（waiting）和在当前网格中找客（staying）。然后我们用一个月的司机的数据去训练我们提出的MDP模型。为了验证我们提出的模型的有效性，我们利用得到的optimal policy做了上百万次Monte Carlo模拟。对比模拟和真实数据的结果，我们发现，如果司机能按照我们得到的optimal policy来选择行为，那么他们单位时间的盈利能力能大概提高10%。同时，车辆的使用率也能被适当提高。

AI Labs & 密歇根大学殷亚峰老师合作项目
Paper Title: On the Supply Function of Ride-Hailing Systems
Author: Zhengtian Xu, Yafeng Yin, Jieping Ye
Committee: ADB30：Standing Committee on Transportation Network Modeling
本文在理论层面探讨了网约车市场的服务供给状态。我们首先介绍了网约车市场中被普遍应用的一种匹配手段，并在各向同性市场的假设下回顾了该匹配方案在出行高峰期所可能导致的系统性低效供给。滴滴在高峰期会实行运营手段即乘客排队，我们因此构造了双端排队模型，并证明了较小的匹配半径能够有效缓解供给的低效性。在此基础上，我们进一步揭示了通过自适应调整匹配半径可以完全规避低效供给的可能性。随后，我们转向各向异性市场，在文末简单讨论了滴滴是如何使用“面向长期收益”的手段来有效规避低效匹配的原理（引用滴滴KDD 2018论文）。

后记：
如对论文感兴趣，可钉钉联系论文标星号作者，项目合作论文可联系科技合作部龚（gongcheng@didiglobal.com）
如对TRB感兴趣想了解更多信息，也可直接联系滴滴科技合作（didioutreach@didiglobal.com）或联系龚诚（gongcheng@didiglobal.com）