Stadsskala högupplösta trafikdatamängder med förfinade nätverk för hierarkisk trafikstyrning

Varför stadstrafik behöver bättre data

Alla som suttit igenom en rad röda ljus eller kryssat fram längs en överbelastad innerstadsgata vet hur rörig stadstrafiken kan vara. Ändå bygger de flesta system som styr ljus och hanterar flöden fortfarande på ofullständiga, lågdetaljerade data. Denna artikel presenterar en ny serie trafikdatamängder i stadsskala avsedd att ge forskare och planerare en mycket tydligare bild av hur fordon faktiskt rör sig i verkliga vägnät, och öppnar därmed för smartare, mer koordinerad hantering av trängsel.

Från några gator till hela städer

Författarna samlar och standardiserar detaljerade trafikdata från fem mycket olika stadsområden: Jinan, Hangzhou, Manhattan, Nanchang och Xuancheng. Dessa städer täcker allt från korta huvudgator med bara ett dussin korsningar till vidsträckta nätverk med tusentals knutpunkter. Tidigare öppna datamängder fokuserade ofta på små, ordnade rutnät och korta en timmes ögonblicksbilder. I kontrast fångar denna samling en stor variation av väglayout, korsningsformer och efterfrågemönster. Ett av de mest framstående bidragen är Xuancheng-datamängden, som representerar nästan en hel stad med hundratals korsningar modellerade i fin detalj, inklusive hur enskilda körfält är ordnade och hur komplexa korsningar är strukturerade.

Se varje bil, inte bara ett urval

De flesta befintliga trafikdata kommer från kameror eller glest utspridda sensorer som bara skymtar delar av nätet under korta perioder. Xuancheng-data använder ett annat tillvägagångssätt. Staden har ett system för automatisk fordonsidentifiering (AVI) installerat på viktiga vägavsnitt, som registrerar när varje fordon passerar in och ut. Genom att matcha anonyma identifierare från in- och utpasseringar kan författarna rekonstruera fullständiga färdvägar för hundratusentals resor per dag över en hel månad. Det gör att de kan se hur förare faktiskt väljer rutter, hur flöden skiljer sig mellan vardagar och helger och hur helgdagar förändrar efterfrågan. Fordon klassificeras också i breda typer, såsom person- och godsbilar, så att simuleringar kan spegla hur olika fordonstyper påverkar trafiken.

Förvandla röriga register till en gemensam karta

Eftersom de fem städernas rådata lagrades i olika format och detaljnivå utvecklade teamet ett enhetligt bearbetningsflöde. Först återskapar de varje vägnät som en konsekvent digital karta, identifierar korsningar och förbinder vägar även när de ursprungliga källorna använder olika geometrier. De uppskattar korsningars storlek och position genom att omsluta råa former i enkla rektanglar och anpassa inlopp mot kardinalriktningar med en optimeringsmetod. Därefter standardiserar de trafiksignaler genom att definiera ett litet antal typiska rörelsemönster—som vänstersvängar eller raktframgående rörelser längs en korridor—och matchar automatiskt varje verklig korsning till dessa mönster. Slutligen konstruerar de fordonsflöden och rensar upp datan: osannolika rutter tas bort, saknade segment härleds från nätverket och kontinuerliga resor sätts ihop från många korta sensormätningar.

Från enskilda bilar till hela nätverk

När resor och nätverk väl är på plats genererar författarna trafik"tillstånd"-data på tre nivåer. På den mest detaljerade nivån spårar de enskilda fordon, inklusive deras positioner och hastigheter, vilket kan användas för att pröva idéer som jämnare ruttval eller fordonsplatoon. På mellanliggande nivå summerar de förhållanden på varje körfält och korsning, såsom köer och tätheter—information som är avgörande för att finjustera trafiksignaler. På den bredaste nivån aggregerar de förhållanden över hela områden i staden, vilket stödjer strategier som reglerar hur många fordon som tillåts in i en överbelastad region. Allt detta paketeras i ett gemensamt simuleringsformat (CityFlow), så att olika styrmetoder kan testas rättvist och effektivt.

Kontrollera att den digitala staden stämmer med verkligheten

För att försäkra sig om att deras rekonstruerade värld liknar den verkliga validerar forskarna både kartorna och resorna. De jämför det konverterade vägnätet mot ursprungliga geografiska data och konstaterar att de flesta förbindelser och positioner bevaras inom bara några meter. För resor simulerar de fordon längs en utvald väg och jämför restider med verkliga mätningar; medelvärdena ligger mycket nära varandra, med små skillnader som kan förklaras av faktorer som att förare ibland överskrider hastighetsbegränsningar i verkligheten. De visar också att de härledda tillståndsdata kan stödja avancerade strategier: använda körfältsnivåinformation för att tillämpa ett tryckbaserat signalstyrningssystem, sedan lägga till stadsomfattande "perimeter"-styrning för att förhindra att ett kärnområde överbelastas, och slutligen demonstrera att omlokalisering av ett enskilt fordon baserat på denna information kan minska dess restid i tung trafik.

Vad detta betyder för vardagliga förare

För icke-specialister ligger betydelsen av detta arbete mindre i algoritmerna och mer i den grund det tillhandahåller. Genom att öppet publicera detaljerade, välvaliderade och väl dokumenterade datamängder ger författarna trafikingenjörer och AI-forskare en realistisk lekplats för att utforma och testa nya styrscheman innan de implementeras i verkliga gator. Med korrekta representationer av hur vägar är utformade, hur signaler fungerar och hur efterfrågan stiger och faller över dagar och veckor kan framtida verktyg justeras för att minska förseningar, spara bränsle och göra stadsresor mer förutsägbara. Kort sagt är dessa datamängder ett viktigt steg mot trafiksystem som svarar på verklig komplexitet istället för idealiserade modeller.

Citering: Ma, Q., Guo, X., Zhong, W. et al. City-scale high-resolution traffic datasets with refined networks for hierarchical traffic control. Sci Data 13, 547 (2026). https://doi.org/10.1038/s41597-026-06892-2

Nyckelord: stads trafikdata, hierarkisk trafikstyrning, trafiksimulering, automatisk fordonsidentifiering, mobilitet i stadsomfattning