智慧交通前瞻：如何解决城市发展“心病”？

可以说，交通问题已经严重影响到城市的有序运行和可持续发展，导致社会成本大大提高，同时也成为影响出行体验的重大因素，是市民最为困扰的问题之一。公安部公布的另一项数据表明，截止今年9月底，中国的汽车保有量已经达到1.9亿辆。一方面交通流量的激增，加剧了拥堵压力；另一方面出行结构的变化虽然给市民带来了便捷，但却没有根本性解决出行难问题，目前出行供给及出行需求“倒挂”现象依旧。在此背景下，尽管很多的智慧城市项目将重点投入了智慧交通中，但效果并不明显，有效治理并能够缓解交通压力的城市寥寥无几。

到底如何拿出有效的办法解决交通行业的诸多问题？又该如何利用大数据、云计算、物联网、人工智能等新技术为治理交通服务，让交通真正“智慧”和“聪明”起来？

在找到解决交通问题的可行办法之前，我们不妨先来看看目前诸多城市进行的智慧交通基础建设面临的问题。大数据时代下，智慧交通的基础性建设大体分为四个阶段，IDC建设、数据平台建设、数据集采与数据共享。从目前国内交通大数据中心建设的情况来看，还是以机房建设为主，在中兴通讯看来，有少数城市做到了数据集采和存储，但是再往上看，能在SaaS层面做到数据共享的城市就更少了。

背后的原因是什么？其中有政府管理模式的问题，比如交通行业是按照管理目标方式来区分的分散管理的模式，管理主体众多，层次交叉重叠，如果说这个原因不是主要因素。有一个关键因素不得不说，其可以视为在实施智慧交通系统项目时的顶层设计问题。

中兴通讯认为，关键在于缺少一个顶层的数据管理体系作为数据的统一规划者，即“一张蓝图，一个流程，一个制度，一套体系，一支队伍”。数据的集采不是将机房、平台建好了，放在那里，数据就能来的，也不是数据采集来了，放在那里，它就能产生价值的。数据在生命周期内，不断地积累，不断地更新强化，最终到使用，需要有一个持续的过程。

平台或数据资源的整合需要衔接国土、规划、发改、住建、民政等具体业务部门，在委办局进行项目需求建设的时候，需要由这个顶层部门进行数据模型的逻辑规划，设定数据的访问范围与权限级别，从逻辑上整合，从物理上打破离散，真正的去桥接交通数据的孤岛。

当然，在实现跨部门、跨地区的交通互联共享平台的基础上，规范交通系统的数据标准也必不可少，这样才能降低对交通数据的分析与预测错误率，保障数据能够真实反映道路的交通运行情况。 

顶层设计之外，当然还少不了可靠的智慧交通系统基础设施。但是传统的智能交通主要关注的路面交通情况，其感知水平决定了无法将人、车、路及环境作为一个整体进行看待。从中兴通讯这样的ICT运营商的角度来看待这一问题时，会从人、车、路及环境（公路四要素）之间的关系及关系数据的IO（Input/Output）来直接切入到公路管理与服务中来。人、车、路、环境彼此之间既是交通数据的使用者，也是交通数据的贡献者。

中兴的交通运输智能监测和应急指挥系统即按照这个思路进行建设的。交通监测系统与市面上产品不同的是，通过全面的物联网感知技术，对监控对象的状态进行更为细致的洞察，通过高速无线网络实时接入到云计算中心进行快速分析、数据决策、联合处置，提升交通运输运行效率，保障交通运行安全。

以交通监测系统的一个最佳实践举例来说，很多长途运输车辆在夏季工作的时候，轮胎的温度可以达到60℃以上，如果不经常性的采取降温措施，很容易发生爆胎。通过安装在车辆轮胎上的温度传感器，实时获取轮胎的温度，通过车辆的CAN总线系统，将数据实时传输到交通运输监控中心，交通运输监控中心结合车辆的运行时间、运行路段的路况，判断车辆的轮胎是否处在危险的状态，监控中心会向司机发送告警信息。

另外在出行服务端，中兴提出了“交通数据众筹”的理念，出行者可以将实时的交通信息上报到云。比如，当我们驾车在城市道路上行驶，前方出现了一起事故，占用了一条车道，云端在进行数据巡检时，判断这段道路出现了问题，但是具体是什么问题，需要借助视频或者人工巡检的方式确认。如果我们有App，我就可以直接在当前的位置标注一个事件，定义为事故并分享它，这样，凡是会经过这个路段的驾驶员都会看到这个标注信息，提前选择绕行线路。另外交通管理者也可以及时确认事件类型，选择合适的应急预案，节约恢复时间。

“人即使用了道路的路况服务（消费者），也为交通管理提供了新的数据（生产者）”，它贯穿在中兴通讯多个智慧交通方案架构中。

无疑，从行业上来看，金融、电信、精密制造和交通等是最典型的大数据应用场景。但大数据挂在嘴边说出来容易，是否具备高性能和可靠的数据分析和挖掘能力考验的是真水平。

城市每天产生大量的交通数据流，以宁波为例，宁波每天产生约30亿条出行数据，如何将这30亿条数据快速的归类成100万种的车辆通勤特征，并在2000余个拥堵模型之中快速识别出来，是系统的核心挑战。中兴自主研发的城市交通拥堵治理辅助决策系统可以识别约2000+种拥堵模式，通过深度学习的技术，指导信号灯学习路况，并和周围的信号灯实现联动，增加道路的使用效率。此系统基于大数据平台架构，能够满足智慧交通大数据分析的要求，平台能够实现日均3亿条浮动车数据、2亿条电子警察数据、2亿条高清卡口数据的处理计算能力，结合其他数据要求，能够实现日均50亿条数据处理能力。

在快速分类的基础上，比如需要在10亿张过车图像中，查找到副驾驶抱小孩的车辆，并给车主发送短信进行安全提醒。在这个场景中，需要首先找出几张副驾驶抱小孩的过车照片，然后交给卷积神经网络（Convolutional Neural Networks，CNN）进行针对参数的学习和训练。然后CNN携带训练好的参数去对每一张图片进行识别，最终找到副驾驶抱着小孩的车辆。识别的速度取决于神经网络的算法，比如首先按照出行的车辆进行归类，将数据量从十亿的级别降低到百万级别再进行处理，也取决于云计算的存储能力，但解决问题的根本还是在算法上，而不是IO的速度。

所以，顶层规划、前瞻的智慧交通系统基础设施、大数据能力，是一个有效的治理交通问题的可行办法，当然这并不是全部。