大数据在智能交通出行中的应用

王晔，张蓓

（1.苏州大学轨道交通学院，江苏 苏州 215000；2.苏州大学计算机科学与技术学院，江苏 苏州 215000）

0 引言

智能交通是当前交通行业发展的大势所趋，要想使智能交通发挥出应有的作用，大数据的应用有重要价值，因此有必要对智能交通中大数据的应用进行深入分析和研究。

1 基于大数据的数学模型构建

除数据驱动模型以外，机理与知识模型均属于常用数学模型构建方法，其中，机理模型能从根本上反映出事物遵循的客观规律，但其建模过程较为繁琐，在参数标定方面有很大困难；知识模型将之前总结的经验作为基础，整体模型比较简单，实现难度低，但其精度较差，研究的对象有很高的局限性及复杂性；而对于数据驱动模型，将数据作为出发点，按照从下到上的顺序进行建模，基本不需要了解事物机理，有很高的精度，但模型在可解释性方面相对较差，导致模型缺乏推广性能。针对这种复杂系统，尤其是在特定条件下，以上提出的机理模型无法实现，而知识模型精度无法达到要求，所以应采用数据驱动模型，现阶段常见数据驱动方式包括以下几种：

1.1 线性回归

其主要特征为不需要建立复杂模型，借助统计方法明确自变量和因变量保持的关系，比如以多元线性回归为基础的交通安全分析。

1.2 人工神经网络

其主要特征为借助计算机技术对人脑思维及组织结构进行模拟，不需要根据之前积累的知识和经验，以输入与输出之间的关系为依据建立模型，比如以RBF 神经网络为基础的短时交通流预测模型。

1.3 支持向量机

其主要特征为将数学方法与优化技术作为重点，以优先的样本信息为依据在现有学习能力与模型复杂性中找到平衡点，比如以支持向量机为基础的交通状态分类算法。

1.4 模糊系统

其主要特征为基于模糊数学，可包含petri 网、聚类算法、优化控制和神经网络等在内的方法组合使用，比如以模糊神经网络为基础的道路交通流检测器布设。

1.5 强化学习

其主要特征为属于机器学习范畴，注重从环境到行为映射的学习，确保信号函数值达到最大，比如以强化学习为基础的自适应交通信号控制。

大数据的出现促成了大数据驱动技术，也推动了不同模型之间的混合使用。基于大数据背景，不同模型之间相互渗透，且优势互补，由不同模型混合而成的模型表现出良好应用前景。根据知识与数据，对机理模型进行简化，同时与数据驱动模型充分结合，实现模型标定和相互补充。机理与知识都能对数据进行优化，并减少或避免噪声，选择适宜的训练样本，保证模型整体的鲁棒性。比如以时间序列为基础的交通流预测，采用知识模型确定和研究对象有关的各类数据集合，选择适宜的训练样本；采用机理模型对以组合模型为基础的交通流预测方法进行标定；借助数据驱动模型确定组合模型存在的误差，以及和交通状态之间的匹配关系，经实验可知，该混合模型有很高的精度水平[1]。

2 以大数据驱动为基础的智能交通

交通大数据促进了智能交通发展和变革，这主要体现在三个方面，即概念、问题与建模方式。针对以上变革，对以大数据驱动为基础的智能交通进行分析研究是有重要现实意义的，整个体系框架由以下几部分组成：

2.1 感知对象

以大数据驱动为基础的智能交通可对很多对象进行实时监控，可感知的对象有个体出行（小汽车、非机动车和行人）、营运车辆（公交车、出租车和货车）、交通管理（交通警察、警用车辆和警用系统）与静态系统（交通枢纽、道路与停车场）。

2.2 全面感知

以大数据驱动为基础的智能交通有很多检测方法，且数据来源十分丰富。根据交通流数据源具体分布情况，结合智能交通对数据提出的需求，采用固定与移动检测相结合的方式进行信息采集，以此拓宽数据源，为数据采集及其使用创造便利，使智能交通达到全面感知，这主要体现在两个方面，即数据格式与类型。

全面感知的数据类型包括动态交通流数据、出行个体位置数据、基础设施状态数据、载运工具状态数据和外部环境数据，数据格式包括结构化数据、视频、音频、文本和图片；以往常用的交通数据采集方式包括感应线圈、微波雷达、视频监控、地磁检测、遥感、公交智能卡、车载GPS、移动掌上电脑和RFID 等，新型采集方式包括智能手机、车联网、北斗卫星导航系统、互联网及各类新型传感器。

2.3 网络通信

以大数据驱动为基础的智能交通在网络通信上有很快的速度，基于交通大数据对数据实时传输提出的要求，需建立专门的互联互通方式，以促使不同的数据源及服务对象之间实现数据交互。在数据交互中，以专网为中心，与公安、互联网或政府网之间相连，所有网络接口都要有适应规范要求的网闸，确保网络通信得以安全和可靠运行[2]。

2.4 中心平台

与大数据驱动为基础的智能交通，能对数据予以高效处理，在系统中，中心平台负责数据挖掘、存储与共享，其中，数据挖掘将系统论、信息论和控制论作为基础，使用各类交通基础理论，通过数据模型的建立描述相应机理，也可通过模式匹配对结论进行推断。此外，在云技术的加持下，从根本上解决数据处理方面的问题。中心平台主要由以下几部分构成：数据挖掘平台、GIS 服务平台、Web 应用平台、数据存储平台、数据共享平台、系统管理平台和数据可视化平台。

2.5 综合服务

以大数据驱动为基础的智能交通有较高的综合服务水平，这也是智能交通核心目标之一，主要包含基础与高级应用。其中，基础应用能充分体现出感知现在与预测未来两方面特征，能对多源数据进行集成管理，从个体、路段及路网不同角度入手分析交通状态，同时对交通态势予以短时间和长时间相结合的分析及研判。而高级应用主要体现在面向服务方面，以基础应用分析为基础进行交通控制和诱导，为特勤任务执行及布控提供指导及决策支持，最后通过共享发布提高综合服务水平。基础应用内容包括多源数据集成融合、交通视频监控、交通运行状态监测、交通流预测预报、重点车辆监控与设备运行维护；高级应用内容包括信号控制、交通诱导、特勤服务、稽查布控、应急救援和共享发布[3]。

2.6 服务对象

以大数据驱动为基础的智能交通有很多服务对象，为满足智能交通需求，服务对象必须包含以下几种：决策者、管理者、运营者、工作者、营运车辆和个体出行者。

3 结语

综上所述，云计算、互联网与物联网的出现和发展使智能交通得以快速发展和推广应用，促进了交通大数据的产生。在当前以大数据为核心的宏观背景下，用户能采用各类终端设备获取有价值的信息，这就要求加强软件开发力度，包括功能设计与操作优化；最后是交通建模，由于交通是典型的复杂且开放的大型系统，所以在建模研究过程中，不同模型的应用都有重要意义。大数据的应用能为建模及标定奠定良好基础，促使模型不断完善。另外，基于大数据，还能使集成化、智能化与多模式化的交通控制成为可能。