與傳統數據數量手段比較，大數據技術具有數據類型復雜、處理迅速、實效性強等優點，在智能交通領域運用大數據技術，可以采集海量的數據，這些數據內包含許多不可估量的價值，通過挖掘和分析能夠快速得到所需的數據信息[1]。針對上述情況，本文提出基于大數據技術智能交通臺數據平臺各功能層設計情況，并提出其在交通數據診斷、路網延遲指數等方面的應用。

　　1智能交通數據平臺功能需求

　　隨著智能交通管控平臺違法數據、道路信息增長速度日益加快，過去的關系型數據庫在數據保存、處理等方面的性能已無法滿足龐大的數據需求。關系型數據庫在對智能交通轉向場景的規律展開分析時，難以從多個維度數據類型間創建良好的相關性聯系。大數據技術的應用就是為將這些結構或者半結構化的智能交通數據實施整合處理，因此，依托大數據技術設計的智能交通數據分析平臺具有的處理功能如下：①過車數據：處在行使狀態的車輛從卡口、電子警察等智能視頻采集點通過時，能夠準確記錄該車輛的車牌號、顏色、車型等結構化的數據信息。②車輛違規行駛數據：前段配置的采集設備能從各路口采集車輛是否闖紅燈、壓線、違法掉頭或停車等數據。同時，利用智能的視頻采集點或固定源能夠實時采集車輛行駛速度、車頭間距等車流量信息。③運用大數據技術設計的智能交通數據分析平臺能夠與信號控制系統實現對接，及時獲取信號控制系統的相位控制等信息。同時，智能交通數據分析平臺還具備監控和智能交通管控平臺，能夠提供過車信息數據、路網信息、違法數據等。

　　2大數據背景下智能交通數據平臺架構

　　2.1設計整體架構

　　智能交通數據分析平臺是采用先進的計算機信息技術、通信技術、傳感技術、人工智能等有效整合用于交通運輸信息的管理和控制中，注重人、車與道路之間的協調，組成一種有利于改善環境、節約能源、保護安全的綜合運輸系統。智能交通數據分析平臺運用層次化結構模型展開設計，并根據大數據建設要求，整個平臺包含數據感知、資源層、應用層三個層次，數據感知層主要任務就是采集交通信息，資源層旨在管理交通領域的數據;應用層旨在負責實時調度智能交通資源。本次設計的智能交通數據平臺系統能滿足采集、存儲、調度及處理數據等方面的需求，具體架構如圖1所示。

　　2.2各模塊層設計

　　2.2.1資源層從智能交通數據存儲方面分析，運用數據倉庫與挖掘技術實現大數據的存儲和分析。其中，數據倉庫技術能夠滿足智能交通數據平臺處理海量數據的要求，該技術依托預設的存儲模式，把交通領域中的異構數據根據數據結構數據實施提取、調用、處理等操作。同時，根據預設的倉儲模型把數據存放在數據倉庫內，借助數據倉庫技術設計的智能交通數據平臺下數據存儲及挖掘架構見圖2。

　　2.2.2應用層設計利用SOA實現智能交通數據平臺系統應用層的設計，該層主要包含三個子模塊：①應用實現模塊：該模塊旨在完成數據的調度，借助邏輯編程及時實現相應的功能;②應用流程模塊：大數據調度流程依托專業的BPEL工具調度各種資源;③特殊調度模塊：該模塊的主要任務是把自定義調度流程轉換成BPEL流程。依托SOA服務設計的應用層。

　　2.2.3數據表現層智能交通數據平臺系統中的表現層是使用者直接參與的界面，用戶可依托瀏覽器、平板、手機等終端設備瀏覽各種智能交通信息數據。該層主要任務是確保用戶與整個系統的交互性，因此，配備簡潔的外觀、界面框架、各單元控件等。

　　3智能交通數據分析平臺系統的應用

　　3.1智能交通數據共享及數據診斷

　　智能交通數據平臺系統各功能的實現離不開各模塊之間的信息整合與共享，因此，實現各模塊信息融合的主要方式就是創建信息共享平臺，這個平臺能支持相關子模塊功能提取所需的數據資源及信息共享服務。此外，一個完整的智能交通系統還必須配置智能交通信息中心、管理中心、智能交通基礎設備等，它能滿足城市交通信息規范化發展要求，包含各類信息性質、功能及傳送方法，組成相應的信息流機制，對共享的數據進行存儲和管理操作。依托大數據技術的相關功能，這些共享數據可以由日益變化的智能交通各數據信息提取出來，實現各地區、不同領域的數據庫實施綜合處理，將歷史數據遷移至大數據平臺下，還要保持數據的完整性及各種數據之間的關系可以理解。同時，可依據各模塊不同需求及相關關系為客戶提供各種數據信息服務，組織內部存儲各類數據直接輸出來，其他子系統保存相關數據從信息共享平臺提供一系列的查詢功能。此外，大數據平臺可以及時統計并輸出道路網絡的擁堵、事故情況，并能歸納為利于用戶決策的有用信息，例如：利用大數據分析，某個路口闖紅燈數量明顯少于平時，出現異常數據可以設置報警規則，提醒出現異常信息[2]。維護者對現場道路智能交通設施實施排查操作，判定是否存在設備故障。利用大數據技術直觀展現道路不均指數，提供最佳的信號機配時/相位方案，便于決策人員制定科學的決策。

　　3.2道路網延遲指數分析

　　依托大數據技術對各個路口/路段歷史流量進行統計，進一步分析路網的延遲指數。智能交通延遲指數求解方法是實際通過旅行時間與自由流通旅行時間相減，若所得數值為負數，則設定為0，表明并未發生延遲，并把這些數據映射至[0，10]數據區間之內。如果智能交通延遲指數較大，說明這個地點的擁堵情況更嚴重。左側向使用者展現設定日期、特點等交通延遲指數改變情況，來回移動水平滾動條，能夠及時查看不同時間段的延遲數據。左側展現路口、道路等級、行政區劃等各維度下相對應點的延遲指數和排名情況。通過綜合分析道路延遲指數，能夠為決策人員提供新建道路規劃等決策提供支持。

　　3.3道路路口組織優化設計

　　進行組織優化過程中，必須收集相應的數據信息，包含交叉口現狀圖、事故數據、智能交通控制情況等。基于大數據技術展開分析，可以提供大量數據樣本，進而輸出相應的數據(空間及時間維度)。其中，時間維度主要包含小時、季度、每年、雙休日、工作日等;空間維度由交叉口、行政區劃、道路等。大數據技術對道路過車流量展現分析，進而獲得城市各區域不同點一天的高峰表現及不同模式。依托大數據平臺，根據歷史數據明確早晚高峰期利用大量例數數據和智能算法，盤點各路段或交叉口早晚高峰出現時間，以此把控整體及局部智能交通分布狀況，達到優化智能交通管理方案的目的。

　　4結論

　　綜上所述，在智能交通領域運用大數據技術，能有效對車流量數據、道路設施信息等海量數據實施存儲和處理。本文從智能交通數據平臺入手，進一步闡述依托大數據技術設計智能交通數據分析平臺框架，詳細介紹應用層、資源層等設計及應用情況，以期達到智能交通組織優化的效果，并為制定科學的出行決策提供一定指導。

　　參考文獻：

　　[1]仇輝.智能交通管控平臺中數據分析子系統的設計與實現[D].北京郵電大學，2015.

　　[2]鄭亮，張云麗.綜合交通大數據分析平臺教學系統設計[J].物流科技，2016，39(7)：147-149.

　　[3]李炬，韓偉莉.基于神經網絡的智能交通控制系統構建[J].價值工程，2019，38(19)：203-205.

　　《談智能交通數據分析平臺系統設計》來源：《價值工程》，作者：梁元貞