大數據給城市智能交通系統的技術發展與應用革新帶來了機遇和挑戰.從交通大數據的基本概念、交通大數據帶來的問題和大數據驅動的數學建模方法等方面，闡述了交通大數據給智能交通系統帶來的變革.為了深入理解交通大數據的內涵，分析交通大數據的產生背景，提出了交通大數據的“6V”特征，總結了智能交通系統中大數據的基本類型.面對交通大數據帶來的數據安全、網絡通信、計算效率和數據存儲等諸多問題，提出了應對策略和思路.對數據驅動的建模方法進行了分析，說明了混合模型的意義.最后，討論了大數據驅動的智能交通系統的體系框架.

　　1 引 言

　　隨著信息技術、通信技術、計算機技術等的快速發展，數字城市(Digital City)與智慧城市(Smart Ctiy)接踵而來.1998年1月，美國前副總統戈爾發表了題為“數字地球——新世紀人類星球之認識(The Digital Earth: Understanding our planet in the21st Century)”的演說，數字地球的概念由此產生[1] .2008年11月，時任IBM董事長兼CEO的彭明盛發布了題為“智慧地球：下一代領導人議程(A Smarter Planet: The Next Leadership Agenda)”的主題報告，正式提出了“智慧地球”(Smart Planet)的概念[2] .數字城市和智慧城市都是美國的舶來品，二者都是信息化背景下現代城市發展的高級形態.當前，英國提出了“數字英國(Digital Britain)”計劃[3] ，韓國提出了“U-Korea”戰略和“U-City”綜合計劃[4] ，我國于2013年前后開展智慧城市試點示范工作[5] .

　　2 交通大數據的基本概念

　　2.1 交通大數據的特征交通大數據與傳統交通數據的不同主要體現在特征中.當前對大數據特征的描述主要有：3V[14] 、 4V[15] 和5V[16] 等.結合交通大數據的基本類型，認為交通大數據具有6V特征，具體如表1所示.

　　2.2 智能交通系統中的大數據根據數據來源分布，智能交通系統中的大數據劃分如表2所示. (1)交通流數據(固定檢測器). 傳統固定檢測器獲取的交通流數據為智能交通系統的傳統應用提供了基礎數據支撐.以北京為例，基于微波雷達、超聲波、感應線圈、視頻監控等檢測器，北京市公安局公安交通管理局建立了交通信息采集、處理、發布系統，北京市道路交通流預測預報系統[17] 等.(2)交通流數據(移動檢測器). 通過固定檢測器與移動檢測器的數據融合[18] ，獲取更加準確的交通流數據.以北京為例，北京市公安局公安交通管理局開展了“北京市道路交通流綜合分析與數據質量評價體系研究”的項目，對固定檢測器、移動檢測器等獲取的多源數據進行研究，優化交通數據質量[19] . (3)位置數據(移動檢測). 先進的移動通信技術拓展了交通移動檢測的應用范圍，由傳統的交通流數據獲取推廣到位置數據的獲取，使得基于位置的服務成為可能.基于公交智能卡的數據，實現出行者出行行為的分析，為公交基礎設施建設和運營服務管理提供支持[20] .基于出租車車載終端的數據，研究出行距離、出行時間和道路偏好對駕駛員路徑選擇的影響，進而實現路徑的預測[21] .應用智能手機，可實現出行軌跡、出行方式、出行范圍、出行總量等的獲取[22，23] .此外，車聯網的出現大大提高了城市交通信息綜合獲取的水平，豐富了交通數據來源和發布途徑[24，25] .海量位置數據的處理和分析，為交通出行行為分析[26] ，公交系統優化[27] ，車輛優先控制[28] 等提供了支撐.

　　3 交通大數據帶來的問題

　　3.1 數據安全問題交通大數據具有“Value”特征，蘊含了眾多的信息，有些信息涉及國家安全，例如，公安網傳輸的數據;有些信息涉及個人隱私，例如，卡口系統檢測的車輛軌跡數據.在交通大數據采集、傳輸、存儲、處理、應用等過程中，數據安全問題非常重要.智能交通系統依托智能交通專網進行系統內部的數據傳輸，以及與外網之間的數據交互時，必須符合規范和標準，保證網絡安全[31] .另外，在數據處理過程中，需要遵循隱私保護機制，應用隱私保護方法[32] . 交通大數據具有“Veracity”特征，去偽存真是數據安全的另一重要問題.大量的冗余數據和錯誤數據不僅占據大量的存儲空間，浪費存儲資源，還會大大降低數據分析的有效性和穩定性[33] .進行異常數據識別，缺失數據補充，錯誤數據修正，冗余數據消除具有非常重要的意義.

　　3.2 網絡通信問題交 通 大 數 據 具 有“Volume”、“Velocity”、 “Visualization”特征，要求網絡通信要滿足大容量數據的快速、穩定傳輸，特別是高清視頻圖像數據. 交通大數據的“Variety”特征決定網絡通信方式的多樣化.目前，城市建立智能交通系統多采用自建專網、租用城市公網相結合的模式，具備有線通信與無線通信并存且互通特征.智能交通系統常用的網絡通信技術包括：有線電纜、光纖通信網絡、無線傳感網絡、移動通信系統、衛星定位系統等.

　　3.3 計算效率問題交通大數據具有“Velocity”特征，要求智能交通系統具備較高的計算效率，例如，交通數據預處理，交通狀態識別，短時交通流預測，實時交通流控制，動態交通誘導，實時公交調度等均具有時效性要求.云計算技術的發展帶來了新的解決方案，智能交通云的概念由此提出[34] .基于云計算技術，使得計算機硬件和軟件得到有效利用，提高智能交通系統的計算效率.

　　4 大數據驅動的數學建模方法

　　2000 年，美國自然科學基金會(NSF)首次提出 了 動 態 數 據 驅 動 應 用 系 統(Dynamic Data Driven Application Systems)的概念[35] .數據驅動模型與機理模型、知識模型同屬常用的數學建模方法.機理模型從本質上反映客觀規律，但是，建模過程繁瑣，參數標定難度較大;知識模型以經驗總結為基礎，模型簡單易于實現，但是，模型精度較低，研究對象的復雜性具有局限性;數據驅動模型從數據出發，是一個自下而上的建模過程，無需了解機理，精度較高，但是，模型的可解釋性較低，模型推廣性能較弱.對于復雜系統，特別是在某些情況下，機理模型不可行或難度較大，知識模型的精度較低，數據驅動模型的意義凸顯.常用的數據驅動方法如表3所示大數據概念的提出，推動了大數據驅動思想的產生，促進了機理模型、知識模型和數據驅動模型的混合使用.在大數據的背景下，機理模型、知識模型和數據驅動模型存在相互滲透、優勢互補的關系，3種模型構成的混合模型具有較好的應用前景.依據知識和數據，簡化機理模型，并將數據驅動模型結合在一起，完成模型標定，互為補充.機理和知識可以優化數據，減少噪聲，確定合適的訓練樣本，提高模型魯棒性.以基于時間序列、空間數據和歷史數據的短時交通流預測為例，知識模型用于初步確定與研究對象路段相關的數據集合，確定合適的訓練樣本;機理模型用于標定基于組合模型的短時交通流預測方法;數據驅動模型用于發現組合模型誤差與交通狀態的模式匹配關系，實驗表明混合模型具有較高的精度.

　　5 大數據驅動的智能交通系統

　　交通大數據給智能交通系統帶來了變革，主要體現在基本概念、面臨問題和建模方法等3個方面.面向上述變革，研究大數據驅動的智能交通系統具有重要的意義，體系框架如圖1所示. (1)感知對象. 大數據驅動的智能交通系統具有海量的監控對象.智能交通系統的感知對象從人、車、路、環境四個方面展開，包括：個體出行、營運車輛、交通管理和靜態系統等. (2)全面感知. 大數據驅動的智能交通系統具有多樣的檢測手段和豐富的數據來源.針對城市交通數據源的分布情況和智能交通系統的數據需求，以固定檢測和移動檢測構成的傳統交通信息采集系統為依托，拓展交通數據源的類型和數量，增加新型交通數據采集的使用，實現城市交通及相關系統的全面感知.全面感知體現在多樣的數據格式和數據類型上.

　　6 研究結論

　　移動互聯網、物聯網、云計算等技術快速發展，智慧城市、智能交通系統等應用快速推廣，交通大數據應運而生.本文對當前的大數據及其在智能交通系統中的應用進行分析，旨在為大數據驅動的智能交通系統立項、建設和運營提供建議.以下幾個問題可能實未來的研究熱點：(1)硬件設計方面. 大數據背景下，需研究多源、海量數據的有效采集、穩定傳輸、快速處理和合理存儲方法，特別是交通數據采集設備的研發問題.數據是智能交通系統基礎，大數據為智能交通系統提供了廣泛的數據來源，然而，智能交通系統的部分功能，以交通控制為例，需要準確的、定制化的交通基礎數據. 在此背景下，交通數據采集設備的研發顯得尤為重要. (2)軟件開發方面. 軟件是智能交通系統得以廣泛應用的首要工具，是智能交通系統距離用戶最近的一部分，特別是在大數據的背景下，用戶可以通過個人電腦、手機、顯示屏等終端設備獲取信息，軟件開發的意義重大.在豐富數據的基礎上，從日益增長的交通管理和服務需求出發，兼顧城市發展和交通運行特征，進行軟件的功能設計和操作優化，以提高交通管理和服務的智能化水平. (3)交通建模方面. 交通屬于典型的開放復雜巨系統，在交通建模研究中，機理、知識、數據的系統化應用具有特殊的意義.大數據為交通模型的建立、標定奠定了基礎，倒逼交通模型的自我完善，特別是混合交通流特性的研究、交通出行行為規律的發現、動態交通流時空特征的提取等基礎問題.此外，以大數據為基礎，交通控制的集成化、智能化、多模式化，交通誘導的群體覆蓋、個性支撐等逐漸成為可能.

　　參考文獻：

　　[1] Gore A. The digital earth: Understanding our planet in the 21st century[J]. Photogrammetric Engineering and Remote Sensing, 1999, 65(5): 528.

　　[2] Palmisano S. A smarter planet: The next leadership agenda[R]. New York: IBM, 2008.

　　[3] Department for Culture, Media and Sport, Department for Business, Innovation and Skills. Digital Britain final report[R]. London: Office of Public Sector Information, 2009.

　　《大數據及其在城市智能交通系統中的應用綜述》來源：《交通運輸系統工程與信息》，作者：陸化普* ，孫智源，屈聞聰