竞赛题目
本次大赛的赛题为城市干线（复赛为路网）交叉口的配时优化。这里的配时优化属于离线优化的范畴，即依据轨迹数据对每个交叉口的固定配时参数进行优化；基于实时轨迹数据的实时自适应控制不在本次赛题的范畴。本次大赛也不考虑时间段划分，选手每次只需提交一组配时方案。
轨迹数据说明
数据量50w+条轨迹，5k+辆车。
想法
emmm.. 这道题前前后后想了很多方案又推翻，实现了两个方案，分数都不理想，感觉太难了就放弃了，还是记一下自己的想法。
这道题的目的是优化各个路口各个方向的绿信比和相位差，那道题先把轨迹画出来了，一条主干道七个路口。（红线是我自己后来加的）
看了一些文献资料，绝大部分对于交通路口建模的输入都需要一个路口的到达率、离开率和各个方向的分流比例。所以最开始我们做的就是统计各个路口各个方向的流量。一共七个路口，不考虑左转的话每个路口有八个方向，按照每辆车的轨迹逐条统计。
统计完后我们对于损失函数到底取什么纠结了很久。赛题给的损失函数是：
PI = 全部车辆车均延误（单位为秒）+10* 全部车辆平均停车次数
一开始我们试了简化后的问题，就是绿信比和这个相位的停车数是正比例的，做出来的方案得分很低。
之后认真建模，发现必须统计出不受绿信比影响的到达率和离开率才可以利用 全部车辆车均延误 作为损失函数优化绿信比。但是这也是这个赛题的难点所在。
具体的难点我认为有两点，第一点是每辆车开始出现的位置是不固定的，有的靠路口很近才出现，但我们统计到达率需要找到一个通畅的截面来统计，如果这个截面太靠近路口，则“通畅”不好保证；如果太远离路口，那有些靠近路口才出现的车辆就没有被统计在内。
第二点是因为这个数据只来自于滴滴车辆，而不同路段不同时间内的滴滴车辆比例是不固定的，甚至可能是有一定概率分布的，这就为推算总流量带来了困难。
等比赛结束希望能看到排名靠前的题解。
