登录指南

为帮助参赛团队精准把握命题方向，深入理解赛题的背景立意、考核目标与攻坚难点，本期解读聚焦由北京市公安局交通管理局出题的定向问题解决类赛题——“基于互联网数据与路侧检测器数据融合的城市交通信号配时优化算法”。本赛题核心任务是融合路侧检测器与互联网多源交通数据，构建算法模型，为城市路口生成更加科学智能的信号配时方案。

一、早晚高峰治堵：藏在信号灯里的分秒得失

北京中心城区交通流量大，部分路口高峰时段容易出现拥堵。传统的信号配时方案采用多时段配时方案，将全天划分为若干时段，每个时段设置固定周期与绿灯时长，难以适配动态变化的车流，容易出现红灯排队、绿灯空放的情况。为进一步缓解交通拥堵，需要依托多源交通数据开展配时优化。

二、赛题目标：依托两类真实数据源，生成定制化配时方案

出题单位提供一套完整的实战业务数据。以某路口为例，包含路口交通组织图纸，清晰展示四个方向车道、进出口走向；同时提供完整的现行信号配时资料，涵盖调度计划、日计划、配时方案、阶段、相位、车道六张数据表，完整还原信号灯的切换逻辑与时长设置。

配套两类动态交通感知数据，形成能力互补：

路侧雷视检测器数据：以车道为统计单位，按固定时间间隔上报，记录各车道过车数量、平均车速、最大排队长度、停车次数、道路饱和度等精细化指标；

互联网交通数据：以进口道转向为统计单元，按五分钟时间窗口输出延误指数、服务水平、平均及最大排队长度、通行时长、停车时长，附带样本量与置信度信息。

赛题设置两类验证场景，场景一：4个独立路口，其中2个同时具备检测器、互联网两类数据，另外2个仅有互联网数据；场景二：2×2子区路网，由4个路口构成，呈2×2布局，其中2个同时具备检测器、互联网两类数据，另外2个仅有互联网数据。参赛团队需要为各个路口输出工作日全天多时段固定配时方案，由主办方借助微观交通仿真工具，评估车辆平均延误核心指标变化。

三、三大核心挑战：感知数据覆盖不全、场景复杂多变、算法轻量可落地

第一，感知数据条件参差不齐，多源数据融合难度高。现实场景并非全部路口都布设雷视检测器；有设备的路口可以拿到车道级精细数据，无设备路口只能依靠互联网数据。两类数据统计维度不一样，一类以车道为单位、一类以进口转向为单位，路口编号体系也存在差异。算法需要在检测器数据完备、仅有互联网数据2种条件下，均输出可用配时结果，对数据融合能力提出较高要求。

第二，业务场景复杂多变，兼顾单点与子区协同优化。独立路口和两纵两横组成的子区路网，优化逻辑截然不同；早晚高峰、平峰、夜间流量曲线差异明显。算法不仅要适配多样化的流量特征，子区内部还需要实现相邻路口信号协同，进一步增加了优化难度。

第三，算法要轻量化、快推理，结果可解释。赛题希望优化算法能够直接在真实信号系统部署，计算推理必须保障时效性，不能一味追求精度而牺牲运行速度。同时配时方案要让交通工程师能够读懂优化逻辑，具备可解释性，降低实际落地应用成本。

四、价值展望：跟随车流动态调节，释放路网通行潜能

若赛题成果实现落地，将为城市拥堵治理带来实实在在的改变。配备检测器的路口，信号配时由经验驱动转向数据驱动；没有检测器的路口，也能够借助互联网数据补齐感知短板，实现缩短排队、降低车辆通行延误的效果。

一旦这套数据驱动的配时优化路径在典型路口验证跑通，就具备向城市大量路口复制推广的潜力，充分释放数据要素在城市交通治理场景的实用价值。

了解更多赛题详情，欢迎登录2026年“数据要素×”大赛北京分赛暨北京数智创新大赛官网：https://dexc.data.beijing.gov.cn