競賽題目
本次大賽的賽題為城市干線（復賽為路網）交叉口的配時優化。這里的配時優化屬于離線優化的范疇，即依據軌跡數據對每個交叉口的固定配時參數進行優化；基于實時軌跡數據的實時自適應控制不在本次賽題的范疇。本次大賽也不考慮時間段劃分，選手每次只需提交一組配時方案。
軌跡數據說明
數據量50w+條軌跡，5k+輛車。
想法
emmm.. 這道題前前后后想了很多方案又推翻，實現了兩個方案，分數都不理想，感覺太難了就放棄了，還是記一下自己的想法。
這道題的目的是優化各個路口各個方向的綠信比和相位差，那道題先把軌跡畫出來了，一條主干道七個路口。（紅線是我自己后來加的）
看了一些文獻資料，絕大部分對于交通路口建模的輸入都需要一個路口的到達率、離開率和各個方向的分流比例。所以最開始我們做的就是統計各個路口各個方向的流量。一共七個路口，不考慮左轉的話每個路口有八個方向，按照每輛車的軌跡逐條統計。
統計完后我們對于損失函數到底取什么糾結了很久。賽題給的損失函數是：
PI = 全部車輛車均延誤（單位為秒）+10* 全部車輛平均停車次數
一開始我們試了簡化后的問題，就是綠信比和這個相位的停車數是正比例的，做出來的方案得分很低。
之后認真建模，發現必須統計出不受綠信比影響的到達率和離開率才可以利用 全部車輛車均延誤 作為損失函數優化綠信比。但是這也是這個賽題的難點所在。
具體的難點我認為有兩點，第一點是每輛車開始出現的位置是不固定的，有的靠路口很近才出現，但我們統計到達率需要找到一個通暢的截面來統計，如果這個截面太靠近路口，則“通暢”不好保證；如果太遠離路口，那有些靠近路口才出現的車輛就沒有被統計在內。
第二點是因為這個數據只來自于滴滴車輛，而不同路段不同時間內的滴滴車輛比例是不固定的，甚至可能是有一定概率分布的，這就為推算總流量帶來了困難。
等比賽結束希望能看到排名靠前的題解。
