主页（http://www.cnwulian.net）：智能交通?|?城市交通大数据技术及智能应用系统
根据互联网数据中心（IDC）估测，数据一直以每年50%的速度增长（大数据摩尔定律），这意味着人类在最近两年产生的数据量相当于之前产生的全部数据量，预计到2020年，全球将总共拥有35亿GB（35 ZB）的数据。大数据处理的数据规模从TB级上升到PB、EB甚至ZB级，人们面临着如何降低数据存储成本、充分利用计算资源、提高系统并发吞吐率、支持分布式非线性迭代算法优化等众多难题。
动态交通大数据来源广泛、形式多样，主要包括通过卫星遥感、航空摄影测量，低空无人机应急平台、地面测量车、地面视频等遥感手段获取的数据以及地面智能交通系统中，通过视频、手机、公交卡、地感线圈等传感设备和移动终端采集的人、车、路等交通要素的数据。从人可以采集到的数据有驾驶行为数据、付费行为数据和出行行为数据，从车采集到的数据有车辆信息数据、车辆实时位置数据、公交车运营数据、出租车运营数据、众包路况数据，关于路的数据有卫星影像数据、航空摄影数据和道路基础设施数据。
城市交通大数据的研究内容主要包括以下方面：
图5 交通流检测数据融合与预测实施流程
城市交通大数据的公交行政监管与科学决策支持系统（如图3所示）实现可分为3个步骤：首先，集成城市公共交通采集的站台、线路、道路、活动场所的交通数据，研发MapReduce框架下的海量交通流融合与预测算法，针对复杂交通系统行为的不可预测性，充分考虑简单对象的主动性和随机性，从行为生成的角度出发实现对城市公共交通系统的“等价”描述；然后，针对城市公共交通的运营与管理需求，通过计算实验和涌现观察，生成实时、未来和各种可能情况下的交通场景，包含正常条件下的交通环境，还包括交通事故、恶劣天气、突发事件等异常条件下的交通环境；最后，通过实际交通系统与人工交通系统之间交互运行和过程演化，实现城市公共交通运行数据分析与调度方案演练，并为交通管理者和出行者提供基于位置的交通服务信息。
大数据预处理技术是将接入平台的数据根据具体的业务规则进行进一步的处理，包括对接入的数据进行有效性的检验、大数据清洗等。大数据标准化处理技术从数据库中取出经过清洗后的数据，根据业务规则将外部系统的数据格式转化为平台定义的标准格式。
4.1 交通大数据采集内容
多源交通大数据挖掘是一个多步骤的过程，可以分为问题定义、数据准备、数据分析、模式评估等基本阶段。其处理模型如图1所示。
城市智能交通大数据平台基于云计算平台和高速网络传输，支撑移动互联网时代的智能交通服务，实现用户移动终端数据采集、大数据分析挖掘、智能推送等信息实时高速传输；基于实时数据为用户提供更精准的导航、停车服务，实现新型的实时互联交通服务模式。
图2 城市交通大数据云计算支撑平台
（3）Hadoop对MapReduce的依赖程度越来越小
图文来源：199IT数据中心
城市交通大数据的公交精细化调度与管理系统将公交要素标识标签、公交车载信息中心（车载RSU）等物联网设备大规模部署于公交车、公交站台等场所，采集公交车辆状态信息、站点信息、行驶信息、客流信息，并通过建设公交大数据处理分析平台，基于大数据技术对上述采集数据进行分析，通过数据的集成、计算，形成各类数据应用，为公交企业、公众出行者、政府管理部门提供公交调度服务、公交个性化信息服务以及公交行业监管服务，彻底解决公交站点智能维护、公交“飞站”、车距监管、精准报站、发班与客流匹配等公交运营和监管难题，最终提升城市公交服务水平。基于城市交通大数据的公交精细化调度与管理系统如图6所示，包括3个层面。
海量交通大数据具有数据量大、更新频繁、时效性高等特点，往往需要来自于其他系统的实时数据来支持其业务逻辑。比如浮动车辆的GPS数据、目前城市道路的路况分析和收费站排队监控分析、省级运政卫星定位联网监控系统的上报、营运车辆安全监管系统等监控分析系统需要向外单位共享的数据。
2015年两会上，“大数据（big data）”一词首次写入政府工作报告。在交通领域，大数据一直被视作缓解交通压力的技术利器。应用大数据有助于了解城市交通拥堵问题中人的出行规律和原因，实现交通和生活的和谐，提高城市的宜居性，为政府精准管理提供基于数据证据的综合决策。同时，大数据的挖掘和使用还有利于催生信息消费新模式，促进信息消费产业发展。
“大数据”本身是一个现象而不仅仅是一种技术，这是信息科技历史发展的必然结果。大数据的采集、传输、处理和应用所需的相关大数据处理技术，是通过系列地使用非传统工具来对大量的结构化、半结构化和非结构化数据进行处理，从而获得分析和预测结果的一系列大数据处理技术。大数据技术的战略意义也不仅在于掌握庞大的数据信息，而更在于对这些含有意义的数据进行专业化处理。换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现等功能的有力武器。大数据发展呈现以下趋势：
5 城市交通大数据智能系统的典型应用
3.2 城市交通大数据相关处理技术
城市交通大数据可分为静态大数据与动态大数据。
采用面向对象的遥感影像的分类方法，对遥感影像进行分割，降低噪声干扰，并得到同质对象；
大数据平台处理的数据类型是多种多样的。目前这些平台的搭建已经有了一些有代表性的成果，如Google公司的Freebase、微软公司的Probase、国内著名的中文信息结构库——中国知网。在商用数据平台方面，IBM公司的Infosphere大数据分析平台、天睿公司的Teradata统一数据环境以及由国内天猫、阿里云、万网联合推出的国内首个电商云工作平台聚石塔是3个典型的数据平台。
结合交通大数据，可以预测出群体出行的态势，对其可能出行的时间、出行路线、出行方式等进行预测，从而为城市车辆调度提供决策帮助。反过来看，这些预测的群体出行行为数据也将为个人出行提供更加精确的服务，帮助个人决策，让个人出行尽量以最短的时间、最短的路线抵达目的地。
本文首先简单介绍了大数据的发展状况及趋势，然后重点分析总结了城市交通大数据的若干核心技术，并提出城市交通大数据的智能应用系统解决方案，最后重点列举了几种典型应用。
视频大数据处理技术将目前各个专用性的视频监控系统有机地整合在一起，实现视频资源统一接入、统一转码、统一分发、统一管理和统一运营的“五统一”目标。它可整合包括交通视频、站台视频、客运站视频、高速公路视频、社会治安视频、车载视频等在内的多种视频资源，提高整体视频监控的效率，且基于视频监控基础设施之上创造更多增值性的应用，从而实现视频监控系统的最大化效用。
大数据处理是结合交通系统的实际情况，研究综合交通模型体系，制定综合交通信息的数据规范和接口规范，并在此基础上研究和验证综合交通大数据的接入和融合技术、大数据处理和多维度挖掘技术以及大数据的安全和有效管理技术，从而最终建设完成市区综合交通信息中心，并为交通信息服务、交通行业管理部门的智能决策等提供支持。
（2）数据分析集逐步扩大，企业级数据仓库将成为主流
（1）基于Hadoop框架的MapReduce模式技术
系统所采用的技术主要包括基于决策树—支持向量机（DTM-SVM）的多源异构 交通信息融合技术、基于SOA的交通信息基础数据服务设计、ZigBee无线传感器网络技术、基于移动互联网的交通信息应用服务设计、基于机器学习的行程时间预测、基于位置服务（LBS）的行人交通信息服务技术等。
