边缘计算在智慧交通系统中的应用

吴建波，朱文霞，剧 亮，许致芳

(1.河北省高速公路延崇管理中心,河北 张家口 075400； 2.长安大学信息工程学院,陕西 西安 710064)

0 引 言

物联网是互联网的延伸，通过射频识别、红外感应及智能传感器等信息传感设备将各种设备/对象与互联网结合，形成万物互联的巨大网络，实现人、机、物在任何时间、任何地点的互联互通[1]。智慧交通系统(Intelligent Transportation Systems, ITS)是物联网的重要应用领域之一，基于物联网平台，结合计算机技术、信息技术、人工智能等先进的科学技术[2]，通过车-车之间、车-人之间的信息交互，实现高效便利的交通出行，达到优化交通运输环境、增强交通安全保障、提高交通管理效率的目的。

目前智慧交通正处于高速发展阶段，智能路网、智慧停车、无人驾驶等正在逐步改善我国交通水平[3]。但随着车辆的普及，现有智慧交通必然存在诸多问题与挑战。一方面，大连接和低时延是智慧交通发展的必然需求。智慧交通环境复杂多变，车-车通信及车-人通信均会产生大量信息。海量数据的实时控制需要高带宽及低时延的支持，而传统云计算处理大规模数据存在高延迟、高负荷以及高开销的问题[4]，因此，如何实现高带宽与低时延是一大挑战。

另一方面，传统云计算将收集的个人信息从传感器传输至距离较远的云中心，不仅加大了公众信息的隐私在长距离传输中被泄露给第三方的风险，而且同时集中在云端的身份识别和数据处理也会加大云平台的负担[5]。

本文将边缘计算(Edge Computing, EC)[6]应用在智慧交通领域中，将部分计算任务卸载至数据边缘侧进行本地处理，可实现实时、可靠、安全的交通信息管理。

1 智慧交通发展概况

20世纪60年代美国首次提出了智能交通系统的概念，基于此，IBM于2009年提出了智慧交通的理念。交通运输是城市发展的“血管”，智慧交通为提升“血流”的关键。

早期智慧交通的发展主要集中在美国、日本、英国、欧洲等地区。美国于1991年开始ITS的研究，研究重点由建立体系框架标准及交通管理中心，转至交通信息服务与安全，如今美国更致力于建设一体化、国际化、智能化等的新型ITS系统[7]。日本是ITS发展较为先进的国家，以众多政府部门牵头联合学院及企业致力于ITS相关研究，其研究领域涵盖导行系统、电子收费系统、辅助安全驾驶、道路管理、公共交通等9大方面[8]。英国在车载实时信息、交通管控、道路安全等方面，都已获得显著的研究成果，其交通信息高速公路和视频信息高速公路更是世界先进的ITS系统[9]。欧洲于1992年成立欧洲智能交通协会，开始ITS相关研究。由于各国体系背景不同，其ITS系统仍处于各国独立的现状，强调统一的ITS体系并将其标准化是欧洲的主要特点[10]。

我国ITS的研究起步较晚，自20世纪90年代中期，我国开始相关研究并进行关键技术攻关与试点运行。2013年，智慧交通被作为国家交通运输的重点建设项目之一。2017年，相关部门颁布“十三五”交通运输发展规划，为ITS的发展提供了政策支持[11]。物联网、5G、人工智能、计算机的发展为智慧交通的建设添砖加瓦，我国已逐步实现智能道路、智慧停车、智慧充电桩等新型模式的应用[12]。

纵观ITS的发展概况，过去的ITS旨在提供信息服务，包括通过信号灯的联动提高通行效率，保障交通安全，主要采取集中化管理，由云平台统一指挥[13]。但随着人民生活水平的日益提高与5G的相继发展，涌现了自动驾驶、虚拟现实、增强现实、辅助驾驶等新型交通应用，车辆也更加智能化。如今智能网联汽车不仅是数据生产者，更是数据消费者，其业务需求面向安全(如控制车速、碰撞预警)、效率(如车路协同、路径规划)、服务(如导航地图、加油站)等，这使ITS信息流数据量大、实时性高、共享需求大的特点越发显著，仅依靠云计算的ITS系统逐渐暴露出以下弊端[13-15]：

1)大数据的传输问题。据统计，每人每天平均将产生1.5 GB的数据，无人驾驶汽车每秒产生约1 GB数据，2020年我国数据储存量达到约39 ZB。随着越来越多的设备连接入网，智慧交通中的数据量呈指数增长，以中心服务器为节点的云计算将面临海量数据的传输造成的带宽瓶颈。

2)数据处理的实时问题。目前ITS逐渐涉及自动驾驶、辅助驾驶、增强现实等新型应用，这些应用需要超低时延的支持，例如碰撞预警时延低至100 ms，自主泊车低至20 ms，自动驾驶更是低至1 ms。云中心远离数据源，远距离传输难以满足用户对低时延的需求，海量数据的即时处理将使云计算力不从心，

3)隐私及能耗的问题。云中心的部署与终端设备物理距离较远，将电子产品、传感器、车辆终端等设备采集的隐私数据传输到数据中心的路径比较长，传输过程中容易面临数据丢失或信息泄露等风险。同时，云数据中心的高负载导致的高能耗也是数据中心管理规划的核心问题。

基于此，拉近数据处理中心与设备终端数据源的距离对于ITS的发展显得十分必要。边缘计算作为一种新的计算范式，具有物理邻近、高带宽、低时延、位置认知的特点，将其与ITS结合是智慧交通发展的必然趋势。

2 边缘计算在智慧交通中的应用

2.1 边缘计算

边缘计算是近几年的研究热点，它是云计算向物联终端的延伸，可以看作分布式的云计算[16]。具体地，边缘计算是数据源与云中心之间的计算和网络资源，可提供大数据的边缘式处理。边缘计算的基本架构如图1所示。在边缘计算中，数据将在物联网终端设备或者邻近的位置上进行计算、存储和应用，不必将所有数据都上传至云端，可有效降低通信传输数据量。海量数据无需进行集中控制决策，利用边缘计算进行分布式决策可缩短时延并降低用户响应时间，由于数据在近用户侧得到处理，也能有效避免远距离传输带来的隐私泄露风险。

图1 边缘计算基本架构

边缘计算的分布式、低时延、高效率、智能化等特点可以有效解决云计算存在的高延迟、网络不稳定和低带宽的问题，与智慧交通的结合将进一步实现海量数据实时处理，达到提高事件反应速度、提升用户服务质量的目的。在智慧交通中，应充分利用边缘计算的优势，并与云计算协同作用，提供高效、安全的交通服务。

2.2 基于EC的智慧交通架构

不同于依靠云计算的智慧交通体系，基于边缘计算的智慧交通可在环境状态感知的基础上，实现车辆实时位置数据、营运车辆监控数据、环境状态信息等数据的就近处理，缓解信息流传输带来的带宽压力，进一步通过区域间路网协调与调度，实现实时交通综合预警，提高应对突发事件的处置能力。

如图2所示，基于边缘计算的智慧交通基本架构主要由5个部分组成，从底向上依次为感知层、网络层、边缘层、云中心层和应用层，各部分的主要功能如下：

图2 基于边缘计算的智慧交通系统架构

1)感知层。数据采集是信息化的基础，感知层是智慧交通建设的基石。智慧交通中的交通信息分为静态与动态2类，由于交通情况的时变性，动态交通信息采集尤为重要。感知层利用部署的气象传感器、视频摄像传感器、激光传感器和雷达传感器等对气象信息(温度、湿度、雨雪、冰雾)、交通流信息(交通密度、车速、车流量、道路占有率、车车距离)、交通事件信息(交通事故、隧道火灾、路面异物等)、自然灾害信息(山体滑坡、坍塌、地震、泥石流)等进行全方位的信息采集与存储，以此反映环境状态、设施状态及交通状态。

2)网络层。信息传输是信息化的前提，网络层是信息共享的纽带。网络层作为传输数据的平台，主要分为有线网络及无线网络2种，如有线的光纤通信及无线的卫星通信等。其作用是将感知层采集的数据通过现有通信网络(如3G/4G/5G、WiFi、LoRa[17]等无线通信技术)上传给边缘层，或直接与云中心层的服务器建立连接，完成高效可靠的信息传输交互。不同通信网络负责不同对象间的数据传输，例如：5G提供大范围内的无线通信、DSRC负责车-路、车-车之间的短距离通信、RFID通信技术用来自动识别车辆标签等。网络层的可靠传输是连接智慧交通各层功能的重要保障。

3)边缘层。如果将智慧交通看作人体结构，那么云中心就是“交通大脑”，边缘层则为“神经末梢”。边缘层可依靠部署大量边缘节点解决数据就近处理的问题，通过将边缘服务器部署在基站、路侧单元、智能网关等处，形成近用户侧的边缘云，这样一来，感知层采集的海量数据不必全部传输至云中心，边缘服务器就可对其进行处理，实现局部数据计算、存储及分析，减少设备响应时间与车载终端到云端的数据流量，大幅提高交通事件处理效率。

4)云中心层。云中心作为“交通大脑”，主要负责数据的全局分析与存储、任务的全局调度以及智能决策。云中心层依靠其中部署的高性能服务器集群与搭建的计算环境，利用人工智能、机器学习、卷积神经网络等技术对上传数据进行整合，为各智慧应用的数据融合提供支撑。在此基础上，利用大数据技术对GPS信息、视频信息、路网信息、基础设施信息等进行分析挖掘，将数据潜藏的交通信息发送给应用层，同时根据不同的交通业务需求，与边缘层协同合作，进一步提高交通数据处理系统的先进性。

5)应用层。应用层旨在实现用户操作业务，根据云中心的调度指令，进行一系列综合服务，包括预测路况、实时预警、优化交通出行路径等，可提高交通出行效率与交通管理智慧化水平。

边缘侧单元具体布局见图3，以路侧单元为主，上面部署了微波测距仪、气象传感器、激光雷达、高清相机等信息采集设备，同时部署边缘服务器形成具有计算能力的边缘节点，以此实现移动车辆之间的双向通信，对预期的危险或交通堵塞进行实时预警，为驾驶员提供更高效安全的服务。

图3 边缘侧布局示意图

2.3 应用优势

1)降低传输时延，提高突发事件反应能力。

传统智慧交通体系中海量数据的上传会带来较大的传输时延，导致调度不及时、实时预警困难，无法有效处理交通事故、恶劣天气、地质灾害等突发事件。应用边缘计算将解决以上问题。由于边缘节点部署在更靠近车载终端的位置，采集到的交通信息可直接在边缘节点进行计算和分析，以此实现所在范围内车辆的实时管理，这种物理上的邻近可以有效降低端到端延迟，从而支持计算密集型和延迟敏感型的交通应用程序。

2)减少传输带宽，提高数据分析质量。

智慧交通中感知节点所采集的信息包含大量无用和重复数据，通过边缘计算，可以在数据源头对数据进行过滤和处理，去除无用信息与冗余数据，边缘节点只对关键信息进行计算与上传，将大幅减少数据传输至云中心的数量，同时，云中心只需对这些关键数据进行分析，以此提高数据分析质量，实现交通体系及时、高效的响应。

3)提供数据隐私及安全保障。

原始交通信息从感知节点上传至云中心的过程中面临数据泄露、数据篡改及入侵者恶意攻击的风险，无法保证数据的安全性。边缘节点可对交通数据进行深入封装和加密，在数据发布到云端之前实施相应的隐私政策并提供安全保障，部分敏感数据可直接在网络边缘进行处理而不必上传至云中心。此外，由于低延迟的优势，入侵者在数据传输过程中很难访问并篡改数据，有利于交通体系的安全运行。

4)降低云中心计算负载，减少能耗。

随着新型车载应用的兴起，用户应用程序数量呈指数增长，若这些应用程序都在云中心运行，势必产生大量的能量消耗。针对云中心的能耗优化，现有研究旨在提高能源使用效率和进行动态资源管理，以此达到节能的目的。虽然提高了能源使用效率，但依然无法在本质上解决云中心的能耗难题。边缘计算将原有云中心的程序分解，将部分任务迁移至边缘服务器进行处理，可以有效降低云中心的计算负载，进一步降低能耗。此外，由于边缘服务器与用户终端物理邻近，将任务传输至边缘节点的时延低于传输至云中心的时间，在相同的发射功率下，将大大减少终端的传输能耗，这对降低车载终端能耗、提升车载终端续航能力也至关重要。

5)提供基于位置识别的服务。

交通领域中存在大量基于地理位置的应用，诸如交通运输和设施管理等，这些应用基于位置识别技术，而边缘计算依据其位置认知的特性可以为这些应用提供有效支撑。应用边缘计算后，可对基于地理位置的数据进行实时收集和处理，而不必传送到云中心。边缘服务器可以获取网络的实时状况和负载信息，通过实时分析数据，可根据路面状况，利用智能交通信号灯改善路面拥堵状况或更改行车路线。此外，通过边缘服务器，应用程序可获取用户的地理位置和实时网络状况，为用户提供适合当前环境的视频源，提升用户观看高清视频的服务体验质量。

3 基于EC的智慧交通关键技术

3.1 低延时高带宽无线传输技术

不同于其它行业，智慧交通因复杂的环境和交通工具的高速移动，具有网络拓扑多变的特性，常规单一的通信技术难以满足智慧交通系统的安全性与可靠性，如何实现大规模移动用户间的可靠通信是智慧交通领域的关键问题之一。基于此，联合使用多种无线通信技术进行各层级之间的信息交互显得十分必要。

5G[18]时代的来临为智慧交通插上了腾飞的翅膀，其频段可达450 MHz～6000 MHz，毫米波频段更高至24250 MHz～52600 MHz，高频段使5G可以为用户提供1 Gbit/s以上的带宽与100 Mbit/s的数据速率，并将延迟降低至1 ms，这为交通领域中超高清视频的传输提供了有力的支撑，也让虚拟现实、增强现实等技术服务于交通管理成为可能。虽然5G可以解决大范围内的通信问题，但无法支持覆盖不完全的交通死角的通信，而蜂窝网络通过小区间设置的基站可以解决无线网络覆盖不全的问题，为交通管理提供更可靠的通信保障。WLAN在蜂窝网络的基础上，在其覆盖较弱的地方辅助传输数据，增强通信能力。DSRC可以在短距离范围内实现快速、安全、稳定的通信，在高速移动、高实时性的交通环境中实现车与车、车与路之间信息的即时交互[19]。LPWAN在边缘计算小数据监测交通状况的情景下，因其低功耗的优势有着广泛的应用[20]。

此外，交通环境中存在大量冗余信息，基于边缘计算去除冗余信息可在联合使用多种通信技术的基础上进一步降低时延。例如同路段车辆对道路状态信息的图像采集将存在重叠部分，若上传所有图像信息将导致频谱资源的浪费，结合边缘计算技术，可在路侧边缘节点部署相应算法消除车辆的冗余数据，进一步减少传输占用的带宽，降低传输时延。文献[21]面向交通系统中的沉浸式应用程序，指出了同一位置车辆具有收集大量相同或类似计算任务的固有特性。提出了基于图论的最大权重独立集，以保证低延迟和应用性能。文献[22]针对车辆产生的大量冗余数据与有限网络带宽的矛盾，对数据冗余和协同任务计算方案进行建模，根据捕获图像的时空覆盖情况，将数据冗余问题表述为集覆盖问题，利用子模块优化技术在不降低车联网应用质量的情况下，最大限度地减少传输到EC服务器的图像数量。

3.2 智能接入的无线感知技术

建设自主互联的智慧交通需要使用不同类型的传感器来收集包括环境特征、车辆动力学、油耗和驾驶员疲劳水平等在内的异构混合测量数据。而目前传感器类型纷繁复杂，其数据传输标准、接口和数据格式不一。当前主要的数据传输标准有RS-232、RS-485、CAN等有线标准和IEEE 802.15.4、CDMA、WLAN等无线标准，主要的数据格式有音频、视频、图像、文本等[23]。因此，难以进行数据的整合和汇聚，从而形成了信息孤岛，为智慧交通运营管理、应急处理和统计分析增加了难度。

这种实时信息的异构性和巨大的容量要求在其边缘有较高的计算资源独立处理每个数据源，这将增加ITS的延迟，并且边缘节点计算资源有限，处理异构数据源具有挑战性。与独立使用每种类型的数据相比，将这些异构数据集成到一起可以更好地感知环境。对于具有多种传感器的ITS来说，可通过多模算法训练模型将多模数据信号中捕捉到的不同视角结合起来。例如，一个系统训练可同时检测车道标记、车辆和行人，这比3个独立的系统被单独训练的性能更好。

除此之外，多源异构海量传感器的智能接入与信息融合也可消灭传感信息孤岛，提高感知节点布设的便利性、传感数据应用的方便性，提高管理感知节点的效率。文献[24]针对传感器接口和数据格式的差异，设计了一种物联网感知层智能网关模型，并提出了一种通用的自适应适配机制，为接口异构的传感器接入到物联网提供解决方案，并对感知数据进行抽象建模以形成统一的数据格式。文献[23]针对传感器采样数据的海量性、异构性、时空敏感性等问题，提出了一种面向物联网海量传感器采样数据管理的数据库集群系统框架，提供了良好的传感器数据接入与查询处理性能。这都将成为ITS中消灭信息孤岛的有力支撑。

3.3 低能耗高效能的计算卸载技术

随着ITS的发展，自动驾驶、无人驾驶等新型应用逐步成型，单个车辆产生的数据可达TB级，这些数据与车辆安全息息相关。尤其对于无人驾驶汽车来说，由采集的海量数据汇成的实时高精地图就是“机器驾驶员”的双眼，只有及时更新与分析数据才能保证车辆的顺利前行。由于该类应用的时延低至1 ms，数据上传至云中心将无法满足时延要求，而车载单元的计算能力又无法支撑大量数据的运算，因此，将计算任务卸载至边缘服务器是ITS中数据处理模式发展的必然趋势。

计算卸载[25]就是将终端产生的计算任务迁移到边缘节点的过程，能够有效利用边缘服务器的计算能力，提升系统效能。计算卸载主要包括卸载决策、卸载执行、结果回传3个部分，根据任务类型分为完全卸载与部分卸载。通过计算卸载，可有效降低计算任务的时延，在具有低时延、高带宽需求的ITS领域中显得至关重要。已有学者对ITS中的计算卸载做出研究，针对车辆的无规则移动，文献[26]利用移动轨迹预测算法预测车辆移动方向，进行虚拟机预迁移避免任务传输中断；对于多车辆联合计算卸载，文献[27]利用博弈论的分布式方法设计高效的计算卸载模型，以此提高车载终端的利用率；亦有研究结合机器学习[28]、拍卖算法[29]、李雅普诺夫理论[30]等寻找最优卸载策略，旨在为用户带来更高的服务质量。

英特尔更是提出了Roadside MEC及Smart RSU的解决方案，将摄像机、传感器等设备集成为一体，部署在路侧单元上，在此基础上部署边缘服务器，将传感器采集的数据卸载至EC服务器就近处理并通过RSU广播出去，其中边缘服务器的构成包括X86 CPU、Intel AI加速器、Open VINO工具包等，通过在Open VINO上训练网络模型或部署深度学习等机器算法，车辆可对当前路网状况进行判断。

3.4 高效可靠的云边协同技术

在智慧交通领域中，云中心为交通“大脑”，对总体交通情况进行宏观调控，而边缘计算则为“神经末梢”，进行局部的数据处理与分析，二者缺一不可、相辅相成。智慧交通中的云边协同主要包括资源、任务、管理及安全方面的协同[31-32]：边缘节点为车载终端数据提供计算资源，车辆可将部分任务迁移至EC服务器进行计算，计算结果上传至云中心，云中心收集边缘节点的状态信息，进行总体资源的调度并下达任务调度指令，保证“业务在边缘，管理在云端”。同时，边缘设备与云中心的应用开发、业务、生命周期需要统一管理，二者对于恶意攻击的防御、数据安全的保障也需要协同。

目前有关云边协同技术的研究已得到了实际应用，华为提出了全息路口的解决方案，搭建了“云-边-端”协同的智能架构，进行交通状态的实时监测与反馈，实现计算资源、多源数据的实时共享[33]。方案结合了雷达感知技术与AI分析技术，采集人车路的全息数据，实现了交通路口的可视化仿真，可在事故处理中还原证据链，有效提升了通行效率。此外，华为还推出了“华为云IEF”平台，提供了完整的云边协同一体化的EC解决方案，目前，IEF已商用2年，在交通领域中得到了广泛应用。交通部路网中心更是与华为云联合，建设了“全国高速公路取消省界收费站项目”，通过云边协同技术，省界平均通行时间由15 s降至2 s，通行速度提升了90%。未来，依靠华为云IEF及其他云边协同平台可进一步推动V2X、自动驾驶的发展，将边缘计算与智慧交通结合已不是幻想。

4 未来机遇与挑战

4.1 高移动性

高速移动性是ITS的重要特征之一，随着车流密度的增加，车辆的高速行驶将导致网络拓扑结构发生频繁的变化。车辆的高移动不仅增加了计算卸载与资源分配的复杂性，而且产生的多普勒频移将严重影响无线通信的可靠性，进一步影响V2X通信中的数据传输速率与信道传输的有效持续时间。此外，车辆的高速运动将导致蜂窝小区频繁切换，当车辆从一个小区驶入另一个小区时，将中断原来的数据传输，并与当前小区建立连接重新发送数据，数据重传将导致不必要的时延，增大用户的响应时间，从而降低用户服务质量。由于全球定位系统的应用，可以大规模获取车辆行驶轨迹数据，通过车辆轨迹预测技术提前预测车辆的行驶路线，并沿路线进行虚拟机预迁移，可确保任务传输的连续性，这是解决高移动性的可行解决方案之一。但也不乏出现预测不准确导致切换失败的情况，因此，故障修复和处理错误的机制也是未来值得研究的问题之一。

4.2 部署和标准化

不同于集中式的云计算，边缘计算是一种分布式计算范式，各边缘服务器的部署相对分散。实际上，分布式的路侧单元以及边缘设备可能由不同的基础设施提供商提供，在何处部署以及如何部署这些边缘设备来辅助用户的计算是值得考虑的问题。此外，考虑到负载均衡问题，路侧单元、边缘服务器之类的边缘设施之间需要相互协作，共享通信和计算资源来协同为用户提供服务，而这些设备间的通信协议和标准是当前研究的一大挑战。边缘计算横跨物联网技术、信息技术、无线通信技术等多个领域，其商业模型将不仅以服务为驱动，更多是以数据为驱动。用户提出数据请求，云中心或边缘服务器将数据结果回传给用户，形成云中心-用户、用户-用户的多边商业模型。如何有效部署边缘基础设施、制定通信协议、发展多边商业模型是目前基于EC的智慧交通系统面临的重要问题之一。

4.3 安全隐私

交通领域中的安全和隐私问题一直是人们关注的热点。相比于云计算，边缘计算虽然可以通过在数据侧对数据进行封装和加密的方式，在交通信息上传至云中心的过程中提供一定的数据隐私和安全保障，但其依然面临隐私泄露和被恶意攻击的危险。车辆的高移动性会使通信经常中断，从而导致通信链路频发故障，带来数据泄露的隐患。黑客对通信的安全攻击和数据篡改也将造成严重的隐私入侵和安全威胁，甚至引发交通事故。此外，用户对安全隐私薄弱的意识也给隐私保护带来了挑战，例如用户使用默认密码设置路由器，或使用公共Wi-Fi热点传输隐私数据，都很容易被他人窥探隐私。高度变化的交通环境因为网络拓扑的动态变化很容易受到攻击，如何设置适用于ITS的安全隐私保护机制是值得思考的问题。

4.4 绿色节能

近年来，ITS的发展已由基础设施建设与管理逐步转型为建设“绿色环保、节能高效”的综合交通系统，打造低排放、低成本的环境友好型运输系统。汽车尾气排放与能源消耗问题一直是影响人类生活环境的主要因素，绿色节能对于ITS的建设有深远的影响。为了在适应高度变化的交通环境的同时，缓解目前的环境污染状况，利用路侧单元与附近车辆进行通信，实现高效的任务调度，满足车辆用户需求显得至关重要。为了达到绿色节能的目的，车辆可使用电力能源，但受制于充电站的建设，目前的电力能源应用处于初级阶段，生物质燃料、太阳能、醇类燃料等清洁能源的使用还有待进一步的研究。在外，在能源受限的车辆环境下，路侧单元也可使用风能、太阳能等清洁能源来增加网络容量，路侧单元边缘节点的任务调度和能量收集技术是实现节能以解决能源消耗问题的关键之一。现在乃至未来，如何进行任务调度以实现节能依旧是一大研究热点。

5 结束语

随着智慧公路、智能网联汽车、无人驾驶的普及，智慧交通的雏形已初步形成，边缘计算依据其分布式、低时延、高效率、智能化等特点，将成为智慧交通发展的重要技术支撑。智慧交通与新一代边缘计算技术的结合将推动城市智慧交通更加智慧化，推动实现对交通系统全面、实时、准确的感知，有效提高交通系统运行效率。目前，交通部下属的各级公路管理部门和工信部下属的各大车厂之间正在紧密合作，关于智慧交通的各类技术规范和标准正在推出，可以预见，智慧交通正逐渐走入人们的生活。