隨著人工智能、大數據、物聯網、云計算等新技術的快速發展，各類終端、電子化外場設備、中心業務應用都產生了海量的數據，并且滲透到了交通運輸行業各個業務領域中，成為了重要的生產要素。大數據因此成為了社會各界關注的焦點，大數據時代已經來臨。傳統數據處理技術無法滿足大規模數據的實時處理需求，不能挖掘數據蘊藏的重要價值。而人工智能、大數據等技術作為科技發展新引擎，也仍處于探索應用初期階段，還沒有實質性地實現智能交通的重大變革。因此，充分發揮人工智能、大數據等技術的優勢，尋找與實際業務需求的結合點顯得尤為重要。

          在此背景下，本文首先從信息資源整合、數據智能分析決策、大數據全生命周期的新技術應用、信息主動推送、智能網聯汽車等方面提出智能交通日益凸顯的痛點及需求。其次總結智能視頻分析、交通信號控制、智能交通平臺應用及智能網聯汽車等分業務領域的研究現狀。再次圍繞自然語言處理、計算機視覺、智能化交通信號控制、汽車電子標識、數據湖藍光存儲等新技術，分別從技術突破、業務應用兩個方面闡述新技術突破在智能交通領域的應用。最后，提出了大數據時代新技術在智能交通領域研究方向的建議。

          智能交通行業痛點及需求分析

          1.從單一散亂到資源整合

          單-散亂包括數據散亂、技術散亂、業務散亂及應用散亂。經過我國大規模的信息化建設，與交通運輸相關的絕大多數部門均已建成自有信息化系統，并積累了大量數據。但目前太多數據信息只存在于單個部門的垂直業務和單一應用中，部門之間缺乏開放互通，造成數據資源條塊化分割和信息碎片化，數據共享程度不高。為此，一方面，亟需建立數據開放標準，明確數據開放進程、范圍邊界、使用方式以及各部門對數據管理及共享的權利和義務；另一方面，亟需建立跨部門、跨行業、跨區域的信息資源整合平臺，實現高效的交通運輸資源配置，為交通管理、決策、規劃與運營、服務提供更加有效的支撐。

           2.從數據統計到智能輔助決策

          交通大數據體量大、種類繁多，包括卡口、道路視頻監控、電子警察、交通信號控制、交通誘導信息、車駕管、交通事故、停車場、運營車輛、車載視頻、場站視頻、公交線網、車輛定位等數據。然而面對如此海量、繁雜的數據，目前后臺數據處理大多仍沿用傳統的統計分析方法，或是通過單個維度數據的比對、累加、百分比計算，生成簡單圖示模型來輔助決策，或是基于有限維度數據的簡單模型算法預測關鍵參數，上述數據處理結果離實現智能分析處理、提供智能輔助決策相差甚遠。今后的數據分析期望實現：根據既有屬性數據值，預測未知屬性的數據值；基于大數據技術發現數據潛在模式，包括復雜的多維度數據關聯性分析、將數據劃分成若干有意義或有用簇的聚類分析以及從輸人數據到各個標簽映射的分類分析。

          3.從聚焦數據處理環節到貫穿數據全生命周期

          一個完備的大數據平臺構建，包括數據采集、存儲、處理以及展示等環節，主要挑戰在于以下幾方面。

           (1) 數據類型的多樣性，非結構化數據呈指數級增長：智能交通建設和運營過程中，既要處理結構化數據，同時還要處理視頻監控、卡口電警產生的大量視頻、圖片等非結構化數據；傳統的關系型數據庫僅能分析處理確定的數據關系，而對于海量數據，特別是半結構化、非結構化數據無能為力。

           (2) 數據采集的不確定性：數據在采集過程中容易存在缺失、錯誤、冗余等異常現象，而既有數據清洗算法均無法消除某些數據固有的不確定性。

           (3) 數據存儲能耗高、性能差：1)傳統主存-磁盤存儲架構無法滿足大數據管理需求；2)大規模分布式數據庫中傳統的持久化策略、索引結構、查詢執行、查詢優化、數據恢復策略均無法發揮新型存儲優勢；3)大數據管理系統中的能耗成本逐年上升。

           可見，大數據平臺已由過去關注數據處理技術，逐步開始在數據管道驗證、復雜數據碰撞、海量數據超算等環節產生新的需求，進而提高數據使用價值。

           4.從信息被動搜索到信息主動推送

           大多智能交通管控平臺采用信息被動搜索模式，即：用戶先發出請求，然后服務器響應請求，最后將用戶請求的內容返回用戶。該模式存在的問題是隨著業務量的增加，用戶無法及時獲取準確有效的信息。因此，利用人工智能等技術從龐大數據資源中自動獲取實用、準確、優質的信息，實現主動推送決策信息亟待實現。

           5.汽車從傳統交通工具到下一代移動智能終端

           我國與日俱增的小汽車保有量使得城市擁堵問題愈加嚴重；加之，云計算、物聯網、大數據等新興技術的蓬勃發展使得傳統汽車產業發生重大變革，智能網聯汽車成為全球汽車行業關注的焦點。智能網聯汽車是傳統汽車產業的轉型升級，具體表現在：(1) 高數據量、高并發互聯娛樂；(2) 通過后臺的大數據處理及云計算實現語音交互和手勢識別；(3) 高精度地圖，超視距了解路況信息，更安全、更節能；(4) 先進的車載組合傳感器技術，強調車輛主動安全性能。因此，智能網聯汽車將是未來智能交通發展的重要方向之一。

大數據時代智能交通領域研究現狀

           智能視頻分析借助計算機強大的數據處理能力濾掉視頻噪聲，智能識別對象，分析抽取視頻流中關鍵信息，在交通運輸領域得到了廣泛應用，包括道路交通流監測、車輛自動檢測和識別、道路車輛與行人定位、監控區域內個體的異常行為檢測、自動收費系統等。下面分別從目標檢測、目標跟蹤、目標識別三個方面總結分析計算機視覺技術的研究現狀及應用情況。

            1.1基于計算機視覺的目標檢測

            基于計算機視覺的目標檢測即將運動目標從實時變化的背景中快速、準確地提取出來，進而獲取目標的相關屬性、特征信息。常用的目標檢測方法有圖像差分法、光流場法以及目標特征模型檢測法。圖像差分法的劣勢在于受到復雜場景、環境干擾以及噪聲的影響，背景建模比較困難。光流場法由于受多光源、噪聲、透明性、陰影、遮擋等因素的影響使計算出的光流分布可靠性、精準性、實時性與實用性較差。目標特征模型檢測法是較新的研究成果，該方法是通過建立被檢測目標的特征模型，設置分類器，從圖像中對目標分類，主要步驟包括目標特征提取及目標分類識別。傳統的目標特征模型檢測法多將特征提取與分類分開，即：首先，采用某種算法提取目標特征，人工選擇合適的特征組合；然后，單獨運用包括神經網絡、支持向量機、自適應增強等機器學習算法訓練獨立的分類器。傳統的目標模型檢測法由于人T構建的往往是梯度、顏色、紋理等淺層特征，使得其在面對類別數量大、環境較為復雜的情況時有很大的局限性，性能提高空間有限。

           1.2基于計算機視覺的目標跟蹤

            根據采集的視頻圖像對車輛異常行為進行檢測及行人行為進行判定具有重要意義。常用的目標跟蹤算法主要有基于圖像特征的跟蹤、基于模板匹配的跟蹤及基于運動預測的跟蹤。目標跟蹤研究的難點在于算法的魯棒性和準確性。既有研究成果對處理簡單背景下的車輛跟蹤問題有較好的效果，但當跟蹤目標發生遮擋、旋轉、尺度變化及背景干擾時，很難獲得魯棒性較強的效果。

           1.3基于計算機視覺的目標識別

            基于計算機視覺的目標識別在目標檢測、跟蹤的基礎上進行，首先根據實際需求確定要劃分的類別，從檢測到的目標中提取合適的特征；然后根據選取的特征，運用分類器將目標進行分類，進而獲取視頻圖像中動態目標的類型和數量。因此，影響目標識別的關鍵是選取準確、高效、魯棒性好的特征量和構建快速、有效的分類器。目前普遍采用的目標特征提取方法有形狀特征、顏色特征、運動特征及多特征等。現有分類器算法有神經網絡、支持向量機、Adaboost級聯、貝葉斯決策等。但是，上述方法距離實時、精準地識別目標特征還有-定差距。

           近些年，隨著圖形處理器的并行計算架構被大規模應用于多層神經網絡訓練，科研人員開始探索利用深度學習技術實現圖像視頻檢測識別。其最大的特點在于能將特征提取與分類整合到一個單獨的神經網絡中，并且隨著網絡結構的增加，圖像信息也會由像素級別的特征、淺層特征提取逐漸過渡到高級、深層特征提取。由于特征提取不需人工干預，而是依靠神經網絡自學習得到，因此深度學習的泛化性不是一般機器學習算法可以比擬的。

           目前，深度學習與計算機視覺技術在智能交通領域的應用方向主要有：(1) 基于車輛輪廓和形態的檢測技術：從基于運動的檢測技術到基于車輛輪廓和形態的檢測技術的轉變，可以解決很多過去車輛檢測中存在的問題，排除了天氣、光線等帶來的干擾；  (2) 通過深度學習實現更多維度的識別：通過深度學習精確識別車牌，還有車輛的顏色、類型、品牌年款，車內人物，車輛擋風玻璃上的特殊標志以及車輛尾部的特征標志等；(3) 車輛比對一一以圖搜圖：基于視圖大數據的以圖搜圖功能，可以在海量圖片里找到一輛特定的車，該技術應用場景包括套牌識別、收費結算、逃費稽查、移動支付等；(4) 借助人工智能實現準確的交通事件檢測：由于傳統檢測方法存在較多的誤報，實際效果離真正的需求還有定的差距，而借助深度學習技術，能實現真正準確的交通事件檢測。總之，目前交通運輸領域的計算機視覺技術應用還停留在對靜態圖片的智能分析階段，而真正的挑戰是快速從視頻中找出需要的畫面，為執法提供快速、精準、有效的依據。

           2.交通信號控制

            目前，部分企業正在尋找人工智能技術與前端設備的應用結合點，如智能交通信號控制，主要有傳統信號控制系統與互聯網信號控制系統，兩者的差異體現在：前者的數據來源于周邊有限的采集設備，如視頻、線圈、雷達等，探測范圍非常有限；而后者的數據來源于基于手機定位計算得到的交通流數據，該類數據可以實時精準地統計全路網各個節點、路段的交通流量及流向。此外，互聯網信號控制系統不僅能夠利用人工智能技術，網絡流算法優化信號配時方案，而且可以評價 路口信號配時方案的運行效果及對周邊區域交通的影響。經分析可知，一方面，人工智能、移動互聯等新技術應用到交通信號控制是未來發展趨勢；另方面，也需要以具備額外計算能力的信號控制器作為載體。

            3.智能交通平臺應用

            基于高效數據采集、存儲、處理、共享及應用的大數據驅動的智能交通業務平臺，能夠實現數據存儲、數據挖掘、數據共享等功能。傳統智能交通企業的布局主要有以下幾個方面：

            （1）基于交通管理業務基礎信息，應用數據倉庫、高性能計算、主題模型、多維度分析、可視化等關鍵技術，獲取隱藏在交通管理大數據中的趨勢性、預判性信息；

           （2）在交通信息資源共享交換服務技術、區域交通擁堵評價技術、出行路徑規劃與主動交通安全技術、突發交通事件監測預警技術等方面進行重點研究；

           （3）研究光磁一體化的城市數據湖技術、跨行業的數據接入及分析挖掘技術、多源異構網絡數據融合及集成化管理技術、基于云計算環境下的大數據平臺技術。

             與傳統智能交通企業不同，互聯網企業占據了有商業價值的數據資源流量入口。

            （1）一站式出行服務平臺深耕海量數據分析處理技術、人工智能算法，進而實現精準的供需預測、蜂窩動態調價、智能派單、路徑規劃、智能拼車、矩陣式服務評價體系；

            （2）交通大數據平臺根據交通度量體系設定，分析海量數據，讓分析結果為乘客、司機、交通主管部門等所有出行參與方都帶來價值，如利用智能調度優勢幫助改善城市交通擁堵問題，協助設計智能交通管控方案，提高道路利用率，為城市的路網優化提供決策依據等。

            4.智能網聯汽車

            智能網聯汽車搭載先進車載傳感器、控制器、執行器等裝置，并融合現代通信和網絡技術，實現車與人、車、路、云等信息交換與共享，具備復雜環境感知、智能決策、協同控制等功能。由于智能網聯能提供更安全、節能、環保、便捷的出行服務。成為國際公認的未來發展方向。

            我國智能網聯汽車發展不足主要表現在：（1）尚未形成國家層面的智能網聯汽車發展戰略，缺乏大型國家項目支撐；（2）我國智能汽車領域的基礎技術還十分薄弱，核心技術仍落后于世界先進水平；（3）自主零部件企業相對弱小，行業缺乏有效協同研制機制；（4）我國雖有強大的互聯網產業基礎，但信息產業與汽車的融合層次較淺；（5）智能網聯汽車標準法規及檢測測試落后較多。

            我國非常重視智能輔助駕駛，工信部和公安部已經授權無錫的科研所建設國家級智能交通綜合測試基地，旨在打造車聯網研發和測試驗證平臺，該平臺的建立對推動我國智能輔助駕駛規范化、標準化起到了重要作用。可見，我國智能輔助駕駛已經從過去的政策引導轉向打破碎片化、推進規范化與標準化的新方向。

             由上述分析可知：（1）人工智能還處于早期發展階段，部分企業在探索其在行業垂直領域的智能化應用，但目前多聚焦在挖掘數據處理技術的業務應用，并沒有著眼于研究貫穿數據采集、存儲、處理、應用這一全生命周期的人工智能技術，遠沒有體現新一代人工智能技術的先進性；（2）具備平臺技術能力、數據整合能力、智能分析能力的企業較少，亟需建立跨行業、跨業態的大數據平臺、分析平臺及應用平臺；（3）行業內企業多集中于圈占具有商業價值的數據資源；（4）人工智能得到大力推行，智能交通企業大多在孵化新的產品，推動智能交通大數據的發展，其中，機器學習作為人工智能的細分技術占據了市場主導地位，其次是自然語言處理技術。

            新技術突破在智能交通中的應用

            圍繞自然語言處理、計算機視覺、智能化交通信號控制、汽車電子標識、數據湖藍光存儲等新技術，從技術突破和業務應用兩個方面來看，新技術突破在智能交通中的應用情況如下。

          1.自然語言處理技術

          目前，工業界、學術界利用深度學習算法已經實現了高級階段的一些關鍵性突破，能夠實現少數民族語言、方言、口音、輕度噪音環境的語音識別分析，語音識別率可以達到95%，還可通過語氣判斷講話人的性格及心情，通過訓練實現人機對話。

          2.計算機視覺技術

          當前計算機視覺技術在智能交通領域的主要突破有以下五個方面：（1）由基于計算機視覺技術的目標檢測到目標跟蹤；（2）由簡單、純凈的場景到復雜場景下檢測、跟蹤、識別，提高算法的魯棒性；（3）由簡單的汽車電子號牌識別到車型、多種微觀特征識別；（4）由機動車的檢測跟蹤到行人的檢測跟蹤；（5）由靜態圖片的目標分析到動態視頻檢索。

          3.智能化交通信號控制技術

          過去傳統的交通信號控制多集中于基于路口交通流參數確定信號控制方案。目前，信號控制技術的突破方向有：（1）交通信息采集手段的突破，從原有的基于“點”的、“單一”方式到基于“區域”的、“多源”方式，實現汽車電子標識、互聯網車輛定位數據、視頻、地磁、雷達等多種交通數據的融合互補；（2）智能載體的突破，從原有前端信號控制器的智能化到上端中心的智能化，不僅能夠實現單點的信號控制，更可以實現千道控制甚至區域控制；（3）評價方法的突破，從原有的基于飽和度、停車次數、排隊長度、信號延誤、效率系數等指標評價單點信號控制方案的好壞到單點信號配時對周邊區域的交通影響評估。

          4.汽車電子標識技術

          汽車電子標識是智能交通管理系統的高精度、高準確性、海量、動態數據的采集源。汽車電子標識技術突破方向有：（1）汽車電子標識標簽技術，包括超高效率整流電路設計技術、超低功耗技術、全頻段寬帶和高增益技術、存儲數據的高可靠性技術；（2）讀寫設備技術，包括基于分離元器件和芯片的讀寫設備設計、空口效率優化技術、安全技術、通信協議技術等。基于汽車電子標識技術與交通物聯網視頻監控技術的聯合使用，在高速公路、公路收費站以及城市主干道、出人口、交叉路口等現有的交通技術監控設備上加裝電子標識識讀設備，并在汽車站、大型停車場、居民小區和單位門禁等位置（區域）安裝識讀設備，采集車輛精確行駛軌跡數據，并上傳匯總至部、省兩級車輛軌跡數據中心，可以實現對全國車輛行駛軌跡的精確管控。

          5.數據湖藍光存儲技術

          該技術的提出源于數據使用頻率的2/8原則，即城市大數據中有20%數據高頻使用、80%數據低頻使用，采用藍光、磁存一體化應用方案，是新大數據時代最理想的數據存儲架構。

          緊密結合交通需求的技術研究建議

          結合智能交通建設需求，圍繞視頻精準識別、運維智能檢測系統、智能化交通信號控制、大數據標準制定、貫穿數據全生命周期的新技術應用等，提出具體的技術研究方向建議。

          1.視頻精準識別

          （1）優化視頻智能分析算法，實現包括車輛異常行為、燃爆等交通事件的精準識別。

          （2）降低算法能耗.即通過減少物理服務器節點的工作量，重新配置任務，然后讓一部分工作量極少的節點休眠，從而達到節能的效果，改變過去過度依賴通過擴展服務器數量實現秒級搜索響應的做法。

           2.運維智能檢測系統

            開展跨平臺自檢、跨產品的智能化聯合檢測技術研究。從設備運維單一產品的網上巡檢到城市級、行業級，開發突破產品、突破企業的運維智能檢測系統。

           3.智能化信號控制

            開展復雜交通信息對交通控制的綜合影響研究。傳統的交通信號控制研究主要分析單一路口的交通流數據對信號控制方案的影響，不適用于復雜、不確定的交通，實際效果較差。

            4.大數據標準制定

           開展政府、企業間大數據標準及數據共享機制研究。一般情況下，政府的數據可以通過法律程序推動數據的統一化、標準化。但是，企業內部及企業間的數據呈現碎片化、零散化、不規范的特點。因此，研究企業間、企業與政府間的共享機制勢在必行。

          5.貫穿數據全生命周期的新技術應用

           研究人工智能等新技術在數據全生命周期的應用，包括數據采集、存儲、處理、應用等階段。實現不僅具有智慧大腦，還要有匹配智慧機體的智能交通系統。

           結論

          智能交通行業日益凸顯的痛點及需求體現在以下幾個方面：由數據散亂、技術散亂、業務散亂及應用散亂轉向資源整合；數據處理分析方法由簡單的數據統計轉向輔助智能決策；由數據結構化、算法低效轉向數據智能清洗提取、超算高效；由被動搜索信息、被動管理轉向信息主動推送、主動服務；汽車由傳統交通工具轉向下一代移動智能終端。大數據、人工智能還處于早期發展階段，并且多是集中在數據處理環節探索數據融合挖掘技術的應用，并沒有著眼在某一業務領域研究覆蓋數據采集、存儲、處理、應用全生命周期的新技術。圍繞自然語言處理、計算機視覺、智能化交通信號控制、汽車電子標識、數據湖藍光存儲等新技術，本文提出新技術未來在智能交通領域的突破性應用，如車輛異常行為跟蹤、車輛燃爆事故精準發現預警、多源全視角的交通信號控制等。