旧金山有一条叫米格尔的街道，这里蜿蜒曲折又狭窄的路径连接着格伦公园附近的社区。直到几年前，只有那些当地居民才会走这条路，他们也深知路况带来的挑战性有多大。

可现在，这里挤满了汽车，驾车者开始把这条街当做捷径，以避开经常拥堵的另外两条出行路线。周边的居民又怎么样了呢？在这种情况下，他们想要回家都成了难事，车辆刮碰等事故几乎每天都在上演。

司机是怎么知道这里有路可以穿行的？也许，Waze、苹果地图和谷歌地图等APP的广泛使用起到了关键作用。这些智能应用程序给他们提供了围绕交通拥堵进行实时导航的服务。据估计，这类应用仅在美国就有10亿次的访问量。

问题随之而来。

不仅是在美国，全球各地的大城市同样面临着缓解交通压力的难题。越来越多的人开始抱怨出行不顺畅，很多司机还时走时停，因为他们不知道下一步要怎么走，不得不抽出时间低头盯着车内导航仪或手机看。

伦敦曾有一条只有出租司机才知道的捷径，如今却显示在了各大导航APP里；以色列也感受到了这种痛苦，因为Waze正是从这里起家，它的服务对交通造成了如此严重的破坏，以至于赫兹利亚贝特社区的一名居民起诉了该公司。

问题也越来越严重。

对于一座城市的规划者来说，交通流量是根据居住密度来预测的，而在特定的情况下，出现一定程度的流量变化完全属于正常现象。

正是为了有效应对这些实时变化，我们才在街道上看到了诸如红绿灯、距离标识、可变消息指示牌、无线电传输和拨号信息传递系统等工具。

对于特别棘手的情况，比如交通阻塞、庆典活动或紧急情况，相关机构还可以派专人前来指挥交通。

之前是这么办的，但现在导航APP占据了主导地位，这些应用要解决的通常是让单个司机的出行时间尽可能短。说白了，系统并不关心所前往的住宅街道能容纳多少汽车，也不在乎指引驾驶者去不熟悉的地方是否会带来事故隐患。

加州大学伯克利分校做的一项重要研究就是要弄清楚这些应用程序在做什么，以及如何让它们更好地与传统交通管理系统协调工作。

先来看看导航应用的进化过程。

通常，一款导航APP使用的基本路线图会根据功能将道路分成5类，把从多车道高速公路到小型住宅街道一级一级区别开来。

每一级的目标是找出在当下汽车数量与时速下，是否与导航车辆的状态相匹配，以决定是否推荐该路线。

长期以来，导航系统就是在其路径选择算法中使用这些信息来计算可能的出行时间，并选择最佳路线的。

这也就是说，导航APP通过地图搜索功能要对所有可能到达目的地的路径进行分析。如果这是发生在用户出发前，那没有问题，但对已经上路的司机来说，要是还采取相同的搜索模式，不仅计算量太大，对他们也毫无用处。

因此，软件开发人员创建了另一种算法，让系统只识别几条路线和每条线所需时间，并从中选择最佳方案。

这种方法可能会错过最快的路线，但优势是响应速度快。用户也可以自行调整这些算法，给出其偏好的道路类型。

再后来，像Here和TomTom这样的数字地图企业开始把主要精力放在了构建数据集上，通常每季度发布更新的地图。但在两个版本之间，地图和导航应用程序建议的路线没有改变。

当导航功能成为智能手机上再平常不过的应用后，供应商有了收集新信息的机会。在用户同意的情况下，他们获得了人们出行时间和位置的数据。

最初，系统供应商把这些GPS踪迹化作历史数据放到了算法设计之中，并以此估算一天中不同时间、不同道路上的车流量。

然后，他们将估值与地图整合到一起，我们现在经常看到的红、黄、绿三色路线模式就是这么出来的。其中，红色意味着拥堵严重，绿色则意味着畅通无阻。

这还没完，随着GPS收集的历史记录不断增加，再加上蜂窝网络的覆盖率和带宽不断提高，开发人员开始向用户提供近乎实时的交通信息。一款导航APP的使用人数越多，它提供的信息准确度也就越高。

2013年也许是个转折点。正是在那一年，Here、TomTom、Waze和谷歌瞄准的已不仅仅是提供交通拥堵情况，他们开始对出行路线给出实时的改道建议，意在帮助用户绕过更费时间的道路。

混乱由此开始。

依靠大量数据支持，导航APP知道了前方的路况信息，可这些程序无法预测的又是什么呢？下图案例也许能更让我们有更清楚的认识。

图中，我们假设一位员工想要从左下角的绿色办公楼开车回到她位于右下方的绿色住宅位置。此时，A点体育场将要举行大型活动，也许是球赛，又或者是演唱会，但这不重要，重点是这让她不能选择最快捷的高速公路路径，因为这条道正被大量驾车前来的观众占用着。

于是，该员工打开导航，系统给出的最短回家方案是图中的蓝线，但中途要经过B点的住宅区狭窄小路以及C点的可开闭吊桥。（在不知道吊桥开合情况下，很有可能会耽误时间）

红线代表的方案直接穿过D所在的市中心，还会经过一所小学，位于E点。系统不知道今天学校也有活动，周边道路停满了家长的车。好在我们假设的主人公知道她家附近的情况，因此选择了紫色所代表的线路。

看到问题所在了吗？三条线路中，程序建议的两种较短方案都没有司机决定的第三条线路来得方便。

而对于那些没走高速路、想抄近路去体育场的人，他们往往不熟悉当地环境，因此只能听从导航的指示。而当大多数司机都这么做时，就不难解释为什么市内的交通会变得如此糟糕了。

从表面上看，实时的路径变换并不会引起混乱。城市一直在这样做，只不过使用的不是APP，而是通过改变信号灯、流量预警等设备实现的。真正的问题是，交通管理APP没有与现有的城市基础设施联系到一起，也就没有办法给出最有效的建议。

首先，此类APP无法给出指定社区的特点。还记得上面提到的5种道路分类吗？这基本上就是导航系统对道路了解的最深层次。

拿洛杉矶的巴克斯特街来说，它最初只是一条用来放羊的小道，就算是在如今变成公路的情况下，也依旧是一条极其陡峭的道路。导航APP可不知道这种情况，在程序面前，这条路与其它道路并无区别，最多也就是会提醒司机要减速慢行而已。

事实上，这条道的坡度达到了32度，当你开车到达顶端时根本看不到下方的路，也无法判断是否有相向而行的车开上来。

这个盲点会导致司机意外停车，让这条曾经安静的街道成了经常发生交通事故的地点。

其次，计算机算法可能不会考虑其选择的路径周边的情况。

举例来说，程序能知道某个地方来来往往的行人有多少吗？或者出现了图例中假设的学校活动？要经过没有信号灯的小型路口怎么办？

如果把导航APP比作人类助手的话，那他们所做的只能说是为了自己好。从一开始，他们就很自私的认为，每辆车都在争夺通往目的地的最快路线。

不仅如此，每个导航APP供应商——谷歌、苹果、Waze（现在归谷歌所有）——都在独立运作，这进一步加重了“自私的路径选择”问题所引起的混乱。

那些使用率较低的程序在提供不了准确信息时，会参考历史数据给司机提供建议，这反而对改善交通情况起到了负面作用。

真实的情况是，多个独立的参与者在不具备完整信息的条件下就开始了各自的导航服务。

与此同时，城市工程师也在孤立地工作着。他们同样得不到完整的信息，因为他们不知道相关的APP在什么时候会给出怎样的出行建议。一座城市因此失去了对需要进入其道路的交通流量的控制。

这既是一个短期的安全问题，也是一个长期的规划问题。

对于后者，便利的导航应用已使城市对可以用来制定更好的交通缓解策略信息视而不见。例如，对企业制定的工作班次或公共交通运营的线路规划要求就已经没有之前那么迫切了。

洛杉矶陡峭狭窄的巴克斯特街

因此，作为驾驶者，你可能会依靠导航获得不少便利，但要是把它当成是一场漫长的技术比赛，人们能否一直从中获益值得怀疑。

要做到这一点，需要对整个交通系统进行思考，甚至还要考虑行业的总燃料消耗和排放量才行。与此同时，社区和市民开始反击。他们反对的是那些把街道当成通道的陌生人。

在问题出现的早期，也就是2014年左右，居民们曾尝试在相关APP中标记虚假事故，让该软件相信附近发生了交通堵塞，因此不建议司机走这里。

有的社区则安装减速带，减缓交通速度，这样在APP中就能显示出更长通行时间。更有甚者，比如新泽西州的莱奥尼亚镇，在上下班高峰时段关闭了许多街道，禁止车辆通行。邻近的城镇也纷纷效仿。

最近，洛杉矶市对巴克斯特街的问题做出回应，称将把这条街改造为单行下坡道。这意味着居民往返的路程会变得更长，但确实能减少交通混乱的局面。

如果觉得导航不会造成严重后果，2017年洛杉矶发生的一场大火也许给出了不同的答案。

当时，一位靠导航开车的司机被引导至城市封锁的街道上，直奔火灾的源头地区，幸好在一名警官的帮助下，他才将车辆转向到一条更安全的道路。

在突发情况下，导航APP也许无法及时更新数据信息，而这再一次显示了软件与传统交通管理之间缺乏一致性。

导航所具备的功能还只是在一定程度上避免而非改善交通拥堵，这只能治标，不治本。

我们真正想要的是这么一种社会最优状态，在这种交通系统下，任何移动出行所需平均时间都被减小至最低值。交通工程师把这种状态称为最优均衡。

那么，在现有机制下，如何让导航与基础设施融合到一起，朝着这种最优均衡前进？

确实很难。像谷歌、苹果这样的大企业具备运营相关业务的实力，但许多城市只有很少的资金用于先进技术的开发。如果没有能力投资新技术，城市就无法赶上这些大型技术供应商，只能依赖监管。

当然，也不是没有更好的方法。只不过，我们必须说服软件制造商，让他们彼此分享信息，城市政府也要配合，将包括交通信号灯的时间安排在内的基础设施情况加入到算法当中。

这种数据共享将使厂商APP的信息更准确，同时给城市交通规划者提供了极大帮助。不仅如此，分享所有这些信息将有助于我们找出减少拥堵和管理车流的新方法。

但汽车出行的规模之巨大，这才是交通管制遇到的真正挑战。

想要把来自软件用户的信息和城市设施获取的信息全都汇集到一起，也就意味着需要打造更强的数据分析管理系统。

还需要开发模拟软件，利用全部数据构建出城市规模的动态出行场景。这种软件目前是美国能源部节能出行系统项目研究的一个关键课题，涉及劳伦斯伯克利国家实验室、阿贡国家实验室、太平洋西北国家实验室这三家机构，Here也参与到了其中。

使用美国能源部的超级计算机，已经有研究小组开发出面向大型城市的模拟程序，并且在几分钟内就能得到反馈。在过去，同样级别的模拟可能需要几天或几周的时间。

在为旧金山湾区创建的一个模拟项目中，工作人员增加了一种算法，当系统预计会出现严重拥堵时，它可以让车辆改道。

结果显示，平均每小时有大约4万辆模拟汽车在早上拥堵高峰时选择了改道，而在晚上拥堵高峰时，每小时会改道的车辆达到12万辆。如果再加入发生交通事故的指令，这一数值会接着飙升。

有了这样的数字模型，道路规划人员就能知道如何平衡各车道的流量。

接下来的问题是，要把多少汽车分流到更狭小的街道上，以及如何把接送孩子造成的周边拥堵等情况加入到算法当中。相关机构目前正针对此类问题寻找改进措施。

最后要说的是，不管是解决技术性的，还是非技术性的交通问题，都需要在导航应用提供商、城市交通工程组织，甚至像Uber和Lyft这样的涉及交通行业的技术公司之间建立公私合作关系，在这之后，合作生态系统才能成为现实。

在这一点上会出现新的阻力。比如，地理位置数据可能包含不能任意共享的个人信息，当前的商业模式也让盈利性公司不愿提供有价值的数据。

但可以想象，随着我们更多地了解是什么影响了交通动态，考虑到邻里关系、车队所有者的商业目标、以及人们的健康和便利时，更有效的出行线路和交通控制也将从中产生。

多开几分钟车，给邻居腾出一点时间与空间，并为改善环境做出贡献，这样做难道不好吗？

（文章&图片来源：Bloomberg，作者：Randy Thanthong-Knight）

返回第一电动网首页 >