主页（http://www.cnwulian.net）：大数据时代智能交通领域研究现状
开展政府、企业间大数据标准及数据共享机制研究。一般情况下，政府的数据可以通过法律程序推动数据的统一化、标准化。但是，企业内部及企业间的数据呈现碎片化、零散化、不规范的特点。因此，研究企业间、企业与政府间的共享机制势在必行。
新技术突破在智能交通中的应用
1.视频精准识别
我国非常重视智能辅助驾驶，工信部和公安部已经授权无锡的科研所建设国家级智能交通综合测试基地，旨在打造车联网研发和测试验证平台，该平台的建立对推动我国智能辅助驾驶规范化、标准化起到了重要作用。可见，我国智能辅助驾驶已经从过去的政策引导转向打破碎片化、推进规范化与标准化的新方向。
（1） 数据类型的多样性，非结构化数据呈指数级增长：智能交通建设和运营过程中，既要处理结构化数据，同时还要处理视频监控、卡口电警产生的大量视频、图片等非结构化数据；传统的关系型数据库仅能分析处理确定的数据关系，而对于海量数据，特别是半结构化、非结构化数据无能为力。
结论：智能交通行业日益凸显的痛点及需求体现在以下几个方面：由数据散乱、技术散乱、业务散乱及应用散乱转向资源整合；数据处理分析方法由简单的数据统计转向辅助智能决策；由数据结构化、算法低效转向数据智能清洗提取、超算高效；由被动搜索信息、被动管理转向信息主动推送、主动服务；汽车由传统交通工具转向下一代移动智能终端。大数据、人工智能还处于早期发展阶段，并且多是集中在数据处理环节探索数据融合挖掘技术的应用，并没有着眼在某一业务领域研究覆盖数据采集、存储、处理、应用全生命周期的新技术。围绕自然语言处理、计算机视觉、智能化交通信号控制、汽车电子标识、数据湖蓝光存储等新技术，本文提出新技术未来在智能交通领域的突破性应用，如车辆异常行为跟踪、车辆燃爆事故精准发现预警、多源全视角的交通信号控制等。
3.从聚焦数据处理环节到贯穿数据全生命周期
2.交通信号控制
过去传统的交通信号控制多集中于基于路口交通流参数确定信号控制方案。目前，信号控制技术的突破方向有：（1）交通信息采集手段的突破，从原有的基于“点”的、“单一”方式到基于“区域”的、“多源”方式，实现汽车电子标识、互联网车辆定位数据、视频、地磁、雷达等多种交通数据的融合互补；（2）智能载体的突破，从原有前端信号控制器的智能化到上端中心的智能化，不仅能够实现单点的信号控制，更可以实现千道控制甚至区域控制；（3）评价方法的突破，从原有的基于饱和度、停车次数、排队长度、信号延误、效率系数等指标评价单点信号控制方案的好坏到单点信号配时对周边区域的交通影响评估。
开展跨平台自检、跨产品的智能化联合检测技术研究。从设备运维单一产品的网上巡检到城市级、行业级，开发突破产品、突破企业的运维智能检测系统。
4.从信息被动搜索到信息主动推送
（3） 数据存储能耗高、性能差：1）传统主存-磁盘存储架构无法满足大数据管理需求；2）大规模分布式数据库中传统的持久化策略、索引结构、查询执行、查询优化、数据恢复策略均无法发挥新型存储优势；3）大数据管理系统中的能耗成本逐年上升。
我国智能网联汽车发展不足主要表现在：（1）尚未形成国家层面的智能网联汽车发展战略，缺乏大型国家项目支撑；（2）我国智能汽车领域的基础技术还十分薄弱，核心技术仍落后于世界先进水平；（3）自主零部件企业相对弱小，行业缺乏有效协同研制机制；（4）我国虽有强大的互联网产业基础，但信息产业与汽车的融合层次较浅；（5）智能网联汽车标准法规及检测测试落后较多。
2.从数据统计到智能辅助决策
基于计算机视觉的目标识别在目标检测、跟踪的基础上进行，首先根据实际需求确定要划分的类别，从检测到的目标中提取合适的特征；然后根据选取的特征，运用分类器将目标进行分类，进而获取视频图像中动态目标的类型和数量。因此，影响目标识别的关键是选取准确、高效、鲁棒性好的特征量和构建快速、有效的分类器。目前普遍采用的目标特征提取方法有形状特征、颜色特征、运动特征及多特征等。现有分类器算法有神经网络、支持向量机、Adaboost级联、贝叶斯决策等。但是，上述方法距离实时、精准地识别目标特征还有-定差距。
