王曄，張蓓

（1.蘇州大學軌道交通學院，江蘇 蘇州 215000；2.蘇州大學計算機科學與技術學院，江蘇 蘇州 215000）

0 引言

智能交通是當前交通行業(yè)發(fā)展的大勢所趨，要想使智能交通發(fā)揮出應有的作用，大數(shù)據(jù)的應用有重要價值，因此有必要對智能交通中大數(shù)據(jù)的應用進行深入分析和研究。

1 基于大數(shù)據(jù)的數(shù)學模型構建

除數(shù)據(jù)驅動模型以外，機理與知識模型均屬于常用數(shù)學模型構建方法，其中，機理模型能從根本上反映出事物遵循的客觀規(guī)律，但其建模過程較為繁瑣，在參數(shù)標定方面有很大困難；知識模型將之前總結的經(jīng)驗作為基礎，整體模型比較簡單，實現(xiàn)難度低，但其精度較差，研究的對象有很高的局限性及復雜性；而對于數(shù)據(jù)驅動模型，將數(shù)據(jù)作為出發(fā)點，按照從下到上的順序進行建模，基本不需要了解事物機理，有很高的精度，但模型在可解釋性方面相對較差，導致模型缺乏推廣性能。針對這種復雜系統(tǒng)，尤其是在特定條件下，以上提出的機理模型無法實現(xiàn)，而知識模型精度無法達到要求，所以應采用數(shù)據(jù)驅動模型，現(xiàn)階段常見數(shù)據(jù)驅動方式包括以下幾種：

1.1 線性回歸

其主要特征為不需要建立復雜模型，借助統(tǒng)計方法明確自變量和因變量保持的關系，比如以多元線性回歸為基礎的交通安全分析。

1.2 人工神經(jīng)網(wǎng)絡

其主要特征為借助計算機技術對人腦思維及組織結構進行模擬，不需要根據(jù)之前積累的知識和經(jīng)驗，以輸入與輸出之間的關系為依據(jù)建立模型，比如以RBF 神經(jīng)網(wǎng)絡為基礎的短時交通流預測模型。

1.3 支持向量機

其主要特征為將數(shù)學方法與優(yōu)化技術作為重點，以優(yōu)先的樣本信息為依據(jù)在現(xiàn)有學習能力與模型復雜性中找到平衡點，比如以支持向量機為基礎的交通狀態(tài)分類算法。

1.4 模糊系統(tǒng)

其主要特征為基于模糊數(shù)學，可包含petri 網(wǎng)、聚類算法、優(yōu)化控制和神經(jīng)網(wǎng)絡等在內(nèi)的方法組合使用，比如以模糊神經(jīng)網(wǎng)絡為基礎的道路交通流檢測器布設。

1.5 強化學習

其主要特征為屬于機器學習范疇，注重從環(huán)境到行為映射的學習，確保信號函數(shù)值達到最大，比如以強化學習為基礎的自適應交通信號控制。

大數(shù)據(jù)的出現(xiàn)促成了大數(shù)據(jù)驅動技術，也推動了不同模型之間的混合使用?；诖髷?shù)據(jù)背景，不同模型之間相互滲透，且優(yōu)勢互補，由不同模型混合而成的模型表現(xiàn)出良好應用前景。根據(jù)知識與數(shù)據(jù)，對機理模型進行簡化，同時與數(shù)據(jù)驅動模型充分結合，實現(xiàn)模型標定和相互補充。機理與知識都能對數(shù)據(jù)進行優(yōu)化，并減少或避免噪聲，選擇適宜的訓練樣本，保證模型整體的魯棒性。比如以時間序列為基礎的交通流預測，采用知識模型確定和研究對象有關的各類數(shù)據(jù)集合，選擇適宜的訓練樣本；采用機理模型對以組合模型為基礎的交通流預測方法進行標定；借助數(shù)據(jù)驅動模型確定組合模型存在的誤差，以及和交通狀態(tài)之間的匹配關系，經(jīng)實驗可知，該混合模型有很高的精度水平[1]。

2 以大數(shù)據(jù)驅動為基礎的智能交通

交通大數(shù)據(jù)促進了智能交通發(fā)展和變革，這主要體現(xiàn)在三個方面，即概念、問題與建模方式。針對以上變革，對以大數(shù)據(jù)驅動為基礎的智能交通進行分析研究是有重要現(xiàn)實意義的，整個體系框架由以下幾部分組成：

2.1 感知對象

以大數(shù)據(jù)驅動為基礎的智能交通可對很多對象進行實時監(jiān)控，可感知的對象有個體出行（小汽車、非機動車和行人）、營運車輛（公交車、出租車和貨車）、交通管理（交通警察、警用車輛和警用系統(tǒng)）與靜態(tài)系統(tǒng)（交通樞紐、道路與停車場）。

2.2 全面感知

以大數(shù)據(jù)驅動為基礎的智能交通有很多檢測方法，且數(shù)據(jù)來源十分豐富。根據(jù)交通流數(shù)據(jù)源具體分布情況，結合智能交通對數(shù)據(jù)提出的需求，采用固定與移動檢測相結合的方式進行信息采集，以此拓寬數(shù)據(jù)源，為數(shù)據(jù)采集及其使用創(chuàng)造便利，使智能交通達到全面感知，這主要體現(xiàn)在兩個方面，即數(shù)據(jù)格式與類型。

全面感知的數(shù)據(jù)類型包括動態(tài)交通流數(shù)據(jù)、出行個體位置數(shù)據(jù)、基礎設施狀態(tài)數(shù)據(jù)、載運工具狀態(tài)數(shù)據(jù)和外部環(huán)境數(shù)據(jù)，數(shù)據(jù)格式包括結構化數(shù)據(jù)、視頻、音頻、文本和圖片；以往常用的交通數(shù)據(jù)采集方式包括感應線圈、微波雷達、視頻監(jiān)控、地磁檢測、遙感、公交智能卡、車載GPS、移動掌上電腦和RFID 等，新型采集方式包括智能手機、車聯(lián)網(wǎng)、北斗衛(wèi)星導航系統(tǒng)、互聯(lián)網(wǎng)及各類新型傳感器。

2.3 網(wǎng)絡通信

以大數(shù)據(jù)驅動為基礎的智能交通在網(wǎng)絡通信上有很快的速度，基于交通大數(shù)據(jù)對數(shù)據(jù)實時傳輸提出的要求，需建立專門的互聯(lián)互通方式，以促使不同的數(shù)據(jù)源及服務對象之間實現(xiàn)數(shù)據(jù)交互。在數(shù)據(jù)交互中，以專網(wǎng)為中心，與公安、互聯(lián)網(wǎng)或政府網(wǎng)之間相連，所有網(wǎng)絡接口都要有適應規(guī)范要求的網(wǎng)閘，確保網(wǎng)絡通信得以安全和可靠運行[2]。

2.4 中心平臺

與大數(shù)據(jù)驅動為基礎的智能交通，能對數(shù)據(jù)予以高效處理，在系統(tǒng)中，中心平臺負責數(shù)據(jù)挖掘、存儲與共享，其中，數(shù)據(jù)挖掘將系統(tǒng)論、信息論和控制論作為基礎，使用各類交通基礎理論，通過數(shù)據(jù)模型的建立描述相應機理，也可通過模式匹配對結論進行推斷。此外，在云技術的加持下，從根本上解決數(shù)據(jù)處理方面的問題。中心平臺主要由以下幾部分構成：數(shù)據(jù)挖掘平臺、GIS 服務平臺、Web 應用平臺、數(shù)據(jù)存儲平臺、數(shù)據(jù)共享平臺、系統(tǒng)管理平臺和數(shù)據(jù)可視化平臺。

2.5 綜合服務

以大數(shù)據(jù)驅動為基礎的智能交通有較高的綜合服務水平，這也是智能交通核心目標之一，主要包含基礎與高級應用。其中，基礎應用能充分體現(xiàn)出感知現(xiàn)在與預測未來兩方面特征，能對多源數(shù)據(jù)進行集成管理，從個體、路段及路網(wǎng)不同角度入手分析交通狀態(tài)，同時對交通態(tài)勢予以短時間和長時間相結合的分析及研判。而高級應用主要體現(xiàn)在面向服務方面，以基礎應用分析為基礎進行交通控制和誘導，為特勤任務執(zhí)行及布控提供指導及決策支持，最后通過共享發(fā)布提高綜合服務水平。基礎應用內(nèi)容包括多源數(shù)據(jù)集成融合、交通視頻監(jiān)控、交通運行狀態(tài)監(jiān)測、交通流預測預報、重點車輛監(jiān)控與設備運行維護；高級應用內(nèi)容包括信號控制、交通誘導、特勤服務、稽查布控、應急救援和共享發(fā)布[3]。

2.6 服務對象

以大數(shù)據(jù)驅動為基礎的智能交通有很多服務對象，為滿足智能交通需求，服務對象必須包含以下幾種：決策者、管理者、運營者、工作者、營運車輛和個體出行者。

3 結語

綜上所述，云計算、互聯(lián)網(wǎng)與物聯(lián)網(wǎng)的出現(xiàn)和發(fā)展使智能交通得以快速發(fā)展和推廣應用，促進了交通大數(shù)據(jù)的產(chǎn)生。在當前以大數(shù)據(jù)為核心的宏觀背景下，用戶能采用各類終端設備獲取有價值的信息，這就要求加強軟件開發(fā)力度，包括功能設計與操作優(yōu)化；最后是交通建模，由于交通是典型的復雜且開放的大型系統(tǒng)，所以在建模研究過程中，不同模型的應用都有重要意義。大數(shù)據(jù)的應用能為建模及標定奠定良好基礎，促使模型不斷完善。另外，基于大數(shù)據(jù)，還能使集成化、智能化與多模式化的交通控制成為可能。