英国推出全球首款AI预测式城市交通控制系统SCOOT 8 AI

英国TRL Software正式揭晓SCOOT 8 AI，这是全球范围内首例引入人工智能预测技术的城市交通控制（UTC）解决方案。

于泉北方工业大学 教授 博士生导师

全国智能交通控制行业产教融合共同体秘书长

依托近半个世纪在SCOOT技术领域的深厚积淀，该方案将成熟的自适应信号控制技术与前沿的AI预测能力完美结合，不仅攻克了传统系统反应迟钝的痛点，更通过显著提升的通行效率与灵活的落地方式，为全球城市的交通智能化转型树立了典范。

方案背景与核心定位

随着全球城市化步伐的加快，交通拥堵、污染及效率低下等顽疾日益严重。传统系统仅能被动应对实时数据，无法预判未来车流，而纯仿真类AI方案又存在成本高、兼容差的问题。在此背景下，SCOOT 8 AI应运而生，它以AI预测为核心，结合自适应控制，构建了全流程管控体系。

核心技术原理深度解析

其技术架构精妙，分为基础自适应控制、AI预测引擎及协同控制优化三层，各层紧密配合，形成完整的技术闭环。

（一）基础层

基础层基于成熟的SCOOT技术，利用各类检测器每5-15秒采集一次数据，动态调整相位分配、周期长度和相位差，优化路口资源配置：

1.相位分配（Split）：根据各方向实时车流需求，动态调整每个交叉口不同方向的绿灯时长，避免某一方向车流积压、另一方向绿灯资源浪费；

2.周期长度（Cycle）：针对路网整体饱和度，统一或分区调整信号周期时长，高峰时段延长周期以提升通行效率，平峰时段缩短周期以减少车辆等待；

3.相位差（Offset）：优化相邻交叉口之间的信号时间差，构建“绿波带”，减少车辆在连续交叉口的停车次数，提升路段通行流畅度。

（二）核心层

核心层AI预测引擎是创新的关键，采用自研混合时序模型，无需昂贵的仿真软件，即可精准预测未来5-30分钟的路网状况，支撑主动防堵，这也是其成为“全球首个AI驱动预测式UTC方案”的关键所在。

1. 多源数据融合输入

预测精度的核心支撑是多源数据的深度融合，SCOOT 8 AI整合了四类核心数据，确保预测的全面性与准确性：

实时数据：来自地磁、雷达、摄像头等检测器的车流速度、流量、排队长度、车辆占有率等实时数据，确保对当前路网状态的精准感知；

历史数据：过去数周、数月的车流模式数据，包括早晚高峰规律、周末/节假日车流特征、季节性车流变化等，为预测模型提供训练基础；

外部数据：气象数据（雨、雪、雾等极端天气）、大型活动安排、道路施工计划、事故记录等，捕捉非规律性车流波动因素；

第三方数据：对接Waze for Cities等导航平台数据，获取用户出行路径、实时路况反馈等，进一步提升预测的精准度与实时性。

2. 预测模型架构

采用“时序主干网络+空间图网络（GNN）+特征嵌入”的混合架构，兼顾长周期依赖捕捉与路网空间关联分析：

时序主干网络：类似LSTM/GRU或Transformer架构，重点捕捉车流的长周期依赖关系，例如早晚高峰的车流变化规律、工作日与周末的车流差异等；

空间图网络（GNN）：将整个城市路网抽象为“节点-边”结构，交叉口为节点、路段为边，捕捉上下游路网的车流传播效应（如上游事故导致下游排队、核心商圈车流溢出至周边路段等）；

特征嵌入：对时间、天气、节假日、大型活动等非车流因素进行特征嵌入处理，提升模型对特殊场景的泛化能力，避免因突发因素导致预测偏差。

3. 预测输出与滚动更新

模型的核心输出是未来5、15、30分钟的路网状态预测结果，包括各路段/交叉口的车流流量、车速、排队长度、行程时间等关键指标，为后续配时优化提供明确依据。同时，模型采用“滚动更新”机制，每1-5分钟用最新的实时数据对模型进行微调，动态修正预测结果，确保预测的实时性与准确性，应对突发车流变化。

（三）协同层

协同层实现了AI预测与传统控制的深度融合，通过“预测定方向、自适应做微调”的双引擎模式，确保系统既具前瞻性又保持稳定：

1. 双引擎协同控制逻辑

上层：AI预测驱动的预优化（30分钟尺度）：基于30分钟预测结果，提前规划全局最优配时方案（包括周期、相位差、绿波带设计），核心目标是避免未来出现车流溢流、路网死锁、严重排队等问题，将拥堵“扼杀在萌芽状态”；

下层：传统SCOOT实时自适应（5-15秒尺度）：持续接收实时检测器数据，对比“预测值”与“实际值”的偏差，在预优化配时方案的框架内，小步调整绿灯时长、相位差，快速响应突发车流波动（如临时车流激增、小型事故等），同时避免破坏全局绿波与路网稳定性；

协同机制：当预测出现偏差时，自适应引擎自动“接管”，退化为传统SCOOT模式，确保路网管控的稳定性；当发生重大事故等极端事件时，系统自动切换至“事件优先模式”，优先疏散拥堵，减少次生事故。

2. 智能异常检测与快速响应

SCOOT 8 AI内置无监督异常检测模型，实时对比“实时车流数据”与“AI预测的正常车流模式”，自动识别交通事故、车辆故障、违规停车、检测器故障等异常情况。其核心原理是通过捕捉“流量骤降+排队骤增+车速骤降”的异常组合，快速判断路网异常，识别速度比传统系统提升40%。

3. 闭环自优化机制

SCOOT 8 AI是一个持续学习的系统，通过闭环自优化实现效能持续提升：每次控制执行后，系统自动记录实际车流数据、配时调整效果、预测与实际的偏差；将误差数据反馈至AI预测模型，用于模型微调与重训练，提升预测精度；将效果数据反馈至控制策略，优化配时逻辑，减少人工干预，实现“自优化、自维护”，降低运维成本。

（四）落地保障：硬件无关与存量兼容

为了降低部署门槛，SCOOT 8 AI采用“硬件无关”设计，不绑定特定品牌的信号机、检测器，可无缝兼容主流厂商的现有设备；同时，支持从传统SCOOT系统直接升级，无需更换现有信号机、检测器与通信网络，改造周期缩短50%，改造成本降低60%以上，大幅提升了方案的落地可行性与推广性。

实际应用案例与效能分析

该方案已在英国多个城市落地试点，特别是米尔顿凯恩斯作为首个全域部署城市，形成了可复制的应用模板；伦敦、曼彻斯特、爱丁堡等城市的试点也验证了方案在不同路网场景下的适配性。

（一）英国米尔顿凯恩斯（全球首个全域部署城市）

米尔顿凯恩斯是英国典型的网格状路网城市，人口约25万，机动车保有量高，潮汐拥堵显著，同时面临2050年人口翻倍的交通压力，传统SCOOT 7系统的滞后性的已无法满足需求。2025年9月，该市在SCOOT 8 AI发布当月签约，成为全球首个全域部署该方案的城市。

1. 部署概况

投资规模：300万英镑，覆盖全市300+信号交叉口；

升级路径：从SCOOT 7直接升级，利旧现有信号机、地磁检测器与通信网络，改造周期缩短50%；

AI配置：重点优化早晚高峰（7:00-9:00、17:00-19:00），预测时长30分钟，融合地磁流量、摄像头事件、气象、节假日、Waze路况等多源数据，采用“预测优先+实时自适应修正”双模式。

2. 应用效果

根据试点数据显示，SCOOT 8 AI的落地实现了显著的效能提升，完全达到预期目标：

行程时间：主干道平均缩短14.2%，其中早高峰缩短15.1%、晚高峰缩短13.8%，接近方案承诺的最高15%降幅；

拥堵管控：高峰拥堵持续时间减少28%，溢流交叉口数量下降40%，彻底改变了传统系统“拥堵后疏导”的被动局面；

事件响应：事故/故障识别速度提升42%，平均提前8分钟预警，次生事故减少35%；

公交适配：公交准点率提升18%，平均延误减少2.3分钟/趟，实现“公交优先”与路网高效的平衡。

（二）全球拓展应用

除英国本土外，SCOOT 8 AI已启动全球拓展计划，多个国家和地区已进入测试或规划阶段：

土耳其安卡拉：2026年4月，TRL与土耳其交通部、欧盟联合开展AI交通培训，SCOOT 8 AI为核心演示系统；计划2026年6月启动试点，覆盖市中心60个交叉口，重点验证极端天气（高温/暴雨）下的预测稳定性。

总结与展望

SCOOT 8 AI标志着交通控制从“被动治堵”向“主动防堵”的跨越，其核心技术优势在于预测精准、场景适配广、落地成本低、效果可量化，通过米尔顿凯恩斯等多个案例的验证，充分证明了方案的实用性与经济性。

从行业发展来看，随着城市化进程的持续推进，交通拥堵、环境压力等问题将进一步凸显，预测式、智能化、协同化将成为城市交通控制的核心发展方向。未来，随着AI技术的持续迭代与多场景的深度应用，以AI驱动的智能交通信号控制系统有望进一步提升预测精度、拓展应用场景，对接车路协同、自动驾驶等前沿技术，构建更加智能、高效、绿色的城市交通生态，为全球城市化发展注入新的动力。同时，其存量兼容、增量升级的落地思路，也将为我国城市交通智能化升级提供重要借鉴，助力实现交通强国建设目标。

扫描上方二维码关注我们