融合大数据智能的道路交通隐患研判研究

为预防和减少道路交通事故的发生，各地公安交通管理部门全力开展交通安全隐患排查整治攻坚行动，与此同时，随着全国公安交通管理部门持续推广大数据和人工智能技术应用，形成了一些实战的数据模型，用于道路交通管控、风险预测、执勤执法和监管服务。在此背景之下，利用交管大数据开展交通安全隐患对象的排查，包括对隐患驾驶人、车辆、道路及重点企业的研判，是一项值得探索和实践的工作。

一、交通隐患研判思路

（一）构建交管全息档案

构建包括驾驶人、车辆、企业、道路、事故、违法等核心交通管理要素的全息档案。考虑到这些对象的登记信息、业务办理记录、道路过车记录等分散在不同的信息系统内，而不同对象之间具有关联性，因此将每个对象的所有信息经过数据治理、标签画像构建关系图谱，综合各类信息形成全息档案。其中，标签是对某一对象的基本属性、违法行为、事故行为等维度进行画像得到的，如重型货车、频繁违法、多次伤人事故等，能够清晰地了解该对象的特征，可以按照标签组合的形式进行查询，快速定位到符合特定标签特征的对象。以车辆全息档案为例，每辆机动车的档案中包括基本信息、车主、标签、风险评价、关系分析、车辆轨迹、活跃时段分析以及各种业务办理记录。车辆的关系分析中包括了与人的驾乘、登记、违法处理关系，与企业的从属关系以及与违法、事故之间的关联关系等。关系图谱可以帮助交通管理部门更便捷地洞察不同对象之间的关联性，有助于打破数据孤岛，便于快速掌握一个对象的全面信息，并可以通过关系图谱逐层挖掘、溯源，为隐患对象研判奠定数据底座。

（二）隐患对象的风险研判

1.隐患车辆研判。隐患车辆主要包括非法改装车辆、疑似超员车辆、逾期未报废或未年检的重点车辆、频繁违法或事故车辆等。

（1）非法改装车辆研判。在海量车辆过车图像的基础上，利用AI图像识别技术可以识别非法加装灯带的大货车。这一方法需要提前采集大量的素材，通过AI算法训练，得到准确的图像识别算法。基于卡口的高清抓拍图像，通过AI图像识别技术，分析车辆特征，比对研判是否疑似加装灯带的车辆。对于加装灯带导致车辆号牌无法识别的，可以通过以图搜图技术，识别出号牌正常且外观特征高度相似的车辆，根据车辆的全息档案和关系图谱快速找到车主，获取车辆日常轨迹特征，便于拦截处罚（见图1）。

图1 非法加装灯带大货车识别

对于车辆轮廓超限的车辆，主要利用前端卡口抓拍图像和激光检测轮廓数据，结合车管库信息进行研判。在监测点，采用卡口抓拍车辆过车图像，经结构化后获得车牌号、车型、颜色、品牌等特征数据，采用横纵激光检测单元扫描车辆采集轮廓数据，包括长度、宽度、高度及栏板高度，通过匹配车辆轮廓数据与车辆特征数据，与交通运输部规定的超限标准阈值比对，可判定车辆是否超限；与车管库数据比对，可对涉嫌非法加高栏板的非法改装进行研判。

（2）疑似超员车辆研判。对于疑似超员车辆，主要针对高速、国省道的场景，可以利用卡口牌识信息和手机信令数据，采用定点时空分析的方法进行研判（见图2）。通过间隔一定距离的多个监测点，每个监测点利用前端卡口采集车辆号牌信息、车码采集器采集手机IMSI信息及经过时间，通过多点数据的碰撞比对，获取通过各监测点的相同目标，作为车辆实载人数，再根据车牌号与车管库中车辆核载人数比对。若实载人数大于核载人数，则为疑似超员车辆。

图2 超员车辆监测点示意图

（3）逾期未报废或未年检的重点车辆、频繁违法或事故车辆的研判。利用信息网中的车管库数据、违法数据和事故数据，通过信息的筛选、数据的碰撞，判定是否符合业务规则，符合的车辆即为需要重点关注的隐患车辆。例如根据事故数据，可统计得到一年内发生事故3次以上且事故责任为同责以上的车辆，这些车辆即为频繁事故车辆，存在较大的安全风险。

2.隐患驾驶人研判。隐患驾驶人主要包括逾期未换证或未审验以及频繁违法、多次严重违法或频繁发生交通事故的人员。研判方法同车辆类似，通过数据比对、信息筛选判定隐患驾驶人，通过打上对应的标签，按照标签可以快速查找对应类型的隐患驾驶人。

3.隐患企业研判。隐患企业主要是隐患车辆较多的企业，根据隐患车辆的所属关系，可溯源隐患企业，进行源头治理。为了对企业的安全风险进行综合的研判，可以基于交管大数据从企业状态、车证核验、交通违法、交通事故和文明行为这五个维度出发，通过特征积分方式对企业进行量化的综合安全风险评价，确定企业风险等级，将风险等级较高的列为隐患企业。根据综合评价，当企业名下的车辆和驾驶人的车证核验情况比较拖沓，发生的违法和事故比较多，表示该企业的安全风险是比较大的。

4.隐患道路研判。隐患道路主要是事故多发点段，大多存在交通安全设施不到位、交通组织设计不合理、违法监管缺失等问题。对隐患点段的研判，可以综合利用交通事故和违法数据，基于自然语言处理的地址解析技术对事故地点和违法地点进行解析，获取地点的经纬度。每个路口、路段的事故数、违法数及详细的类型可以基于统一的时空基准进行统计和分析，通过图上研判，能够直观地看出违法和事故数据的时空分布。对于事故数据，相对比较客观地反映了一个地点发生的事故数量（除去未报案的事故没有记录）。对于违法数据，由于非现场执法的违法数据反映了电子警察抓拍的违法情况，现场执法的违法数据一定程度上反映了路面执勤民警的覆盖情况，因此违法数据较少的地点则说明缺少现场和非现场的违法监管。于是，通过图上研判，可以识别出事故多违法少、事故多违法也多的地点，这些地点或是交通设计存在问题，或是缺少违法监管，路口隐患严重，需要重点关注和治理。

（三）联动闭环精准治理

对于非法改装大货车、疑似超员车辆等隐患人、车，当前端感知设备采集数据并经后端算法研判为疑似隐患车辆后，通过系统预警，追踪到车辆出现的位置，根据轨迹预测，由交警指挥中心调动警力在下游位置实施拦截查处，现场进行处罚和教育。

二、关键技术

（一）关系图谱

关系图谱是通过物信融合、图数据库、可视分析等技术，将接入的标准化数据按图数据库方式进行关联、时空分析，计算多种配置条件下关键要素之间的关联关系，实现数据底层关联，形成庞大的关系图谱。关系图谱支持多层拓展，可以实现数据由“点”到“线”、到“面”、再到“多维”的逐层关系演进，同时支持通过可视化技术进行交互和展示，可以更便捷地洞察多维数据背后不同对象之间的关联性，深度挖掘对象间的关系，进一步提高数据分析、挖掘和情报研判的效率。在交通管理领域中，各对象之间的关系主要是人、车、企、道路、违法、事故之间的关系，在其他部门数据支撑下，还可拓展车、保险公司、维修厂家等关系。

（二）特征积分

特征积分是以积分引擎为基础，结合对象的特征规则，利用积分算法对对象的特征积分进行计算，可用于一个对象的多维评价。一个对象的特征可以分为多个维度，每个维度包含多个特征单项。特征单项根据特征规则从对象的相关数据中进行提取，每个单项可以设定最大、最小阈值和分别对应的分值。一个积分运算可对不同维度、特征单项赋予不同的权重、阈值等，最后采用加权平均和加权求和的方式计算对象的特征积分值。特征积分服务提供积分运算能力，可以提供执行策略，定时批量执行计算任务。根据特征积分得到的结果，可以为不同对象的研判、标签画像等提供数据支撑。

（三）地址解析

由于类似事故和违法数据中涉及地点的描述存在不规范、无统一标准的情况，例如“江南大道江陵路口”和“江陵路江南大道交叉口”为同一路口的不同描述方式。因此对于数据中的非标准地址，采用基于自然语言处理（NLP）的地址解析技术，将其转化为标准化的地址，并根据地图服务引擎获取地址的经纬度，从而可以用于数据空间分布的计算和图上研判。通过标准地址转换，能够输出自然语句中包含的道路名称、道路ID、路口/路段名、路口/路段ID及经纬度信息。首先需要通过自然语言处理（NLP）对原始的事故、违法地址的描述做分词工程处理，即将字符串通过分词技术转换为结构化的词语形式。然后再结合地址抽取和解析定位能力，实现将非结构化的地址文本转化为空间数据，将目标地址准确的解析抽取出来。最后通过地图服务实现事故和违法事件的定位，并支持道路名字、路口或路段名字、经纬度等定位信息的输出。

综上，本文以人工智能图像识别技术、关系图谱、特征积分、地址解析等技术为支撑，采用了物信融合的数据匹配、基于业务规则的数据碰撞、多维综合评价和图上研判等方法，可以提高交通管理部门隐患排查的效率和精准性。但在实践的过程中发现，研判的准确性和可靠性与数据质量有着密切的关系，例如卡口抓拍图片的有效性、准确性、地址录入的规范性等。因此，在未来依赖大数据的分析研判应用中，需要制定一套标准和规范的数据治理流程和方法，并且贴合每一类数据的特征，保证有效的数据为分析所用。