孫靜

摘要：物聯(lián)網(wǎng)、智能終端技術(shù)的發(fā)展使得各行業(yè)領(lǐng)域的數(shù)據(jù)飛速地積累及增長(zhǎng)，數(shù)據(jù)的價(jià)值也越來(lái)越受到重視.在智能交通領(lǐng)域，傳統(tǒng)的交通檢測(cè)和以滴滴、百度等互聯(lián)網(wǎng)公司開(kāi)放的基于位置信息的軌跡數(shù)據(jù)形成了諸多結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化的交通大數(shù)據(jù).本文從大數(shù)據(jù)及其相關(guān)方法發(fā)展分析入手，結(jié)合交通大數(shù)據(jù)和智能交通控制的原理及其對(duì)數(shù)據(jù)的需求，闡述了大數(shù)據(jù)尤其是軌跡大數(shù)據(jù)為智能交通控制帶來(lái)的新視角和新策略，并對(duì)車路協(xié)同、無(wú)人駕駛環(huán)境下的交通控制發(fā)展做出了展望.

關(guān)鍵詞：大數(shù)據(jù);智能交通控制;軌跡數(shù)據(jù);車路協(xié)同

中圖分類號(hào)：TP274;U116.1 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1673-260X（2019）05-0052-05

1 引言

物聯(lián)網(wǎng)及智能終端技術(shù)的發(fā)展引發(fā)了各行業(yè)領(lǐng)域的數(shù)據(jù)飛速地積累及增長(zhǎng)，數(shù)據(jù)的價(jià)值越來(lái)越受到重視.從科學(xué)研究領(lǐng)域到產(chǎn)業(yè)應(yīng)用領(lǐng)域，都逐漸意識(shí)到大數(shù)據(jù)是挖掘有效信息和知識(shí)，推進(jìn)“互聯(lián)網(wǎng)+”和人工智能戰(zhàn)略發(fā)展的重要組成部分.同時(shí)隨著智慧城市的建設(shè)，信息采集基礎(chǔ)設(shè)施逐步完善，人類活動(dòng)產(chǎn)生的數(shù)據(jù)也越來(lái)越多，數(shù)據(jù)總量也將從現(xiàn)在的GB、TB逐步增長(zhǎng)到PB甚至EB級(jí).同時(shí)，信息交換頻度也越來(lái)越快.在1分鐘內(nèi)，Google就有200萬(wàn)次的搜索查詢，F(xiàn)acebook有68萬(wàn)條帖文;百度每天要處理60億次搜索請(qǐng)求，新增10TB，處理超過(guò)100PB的數(shù)據(jù)，產(chǎn)生一個(gè)TB的日志，而騰訊QQ和微信的用戶數(shù)據(jù)經(jīng)壓縮后每天的總量要超過(guò)100PB[1].在城市交通領(lǐng)域，以大連市2017年的統(tǒng)計(jì)數(shù)據(jù)為例，交通流量的采集數(shù)據(jù)每月增長(zhǎng)約3億條，交警業(yè)務(wù)數(shù)據(jù)（車駕管、非現(xiàn)場(chǎng)違法、事故處理）等數(shù)據(jù)每月的增長(zhǎng)量約為1500萬(wàn)條，而卡口、電警的車牌識(shí)別數(shù)據(jù)、車輛照片、視頻監(jiān)控?cái)?shù)據(jù)每月的增長(zhǎng)量分別為1.5億條、60TB和1050TB.除傳統(tǒng)的線圈、地磁、視頻、卡口等檢測(cè)數(shù)據(jù)外，以滴滴、百度等為代表的互聯(lián)網(wǎng)公司逐步向各地交管部門(mén)開(kāi)放其路況、脫敏后的車輛軌跡數(shù)據(jù)等，這些數(shù)據(jù)有著更大的覆蓋范圍、更長(zhǎng)的存儲(chǔ)周期等特點(diǎn).為城市道路交通狀態(tài)感知，交通事件發(fā)現(xiàn)、演變及影響分析，智能交通控制，交通出行信息服務(wù)等方面提供了比以往更有力的數(shù)據(jù)支撐.

大數(shù)據(jù)是新資源、新技術(shù)和新理念的混合體.帶來(lái)了全新的資源觀和思維角度，提供了新的分析技術(shù).如何利用好大數(shù)據(jù)尤其是交通大數(shù)據(jù)的潛在價(jià)值，為智能交通系統(tǒng)的發(fā)展提供更好的支撐非常值得深入研究和分析.本文首先闡述了大數(shù)據(jù)的定義、特征及大數(shù)據(jù)分析方法和常用技術(shù).其次，分析了交通大數(shù)據(jù)的特征和分類，簡(jiǎn)述了目前各類交通數(shù)據(jù)在城市智能交通系統(tǒng)中的支撐應(yīng)用，并對(duì)當(dāng)前交通數(shù)據(jù)可視化的研究進(jìn)行了分析.最后對(duì)交通大數(shù)據(jù)，尤其是軌跡大數(shù)據(jù)在智能交通控制中的應(yīng)用給予研究和探討，進(jìn)一步對(duì)車路協(xié)同和無(wú)人駕駛車輛運(yùn)行環(huán)境下的智能交通控制系統(tǒng)做出了展望.

2 大數(shù)據(jù)技術(shù)

2.1 大數(shù)據(jù)定義

什么是大數(shù)據(jù)？目前還沒(méi)有公認(rèn)、統(tǒng)一的定義.維基百科對(duì)大數(shù)據(jù)的定義為：大數(shù)據(jù)是指利用常用軟件工具捕獲、管理和處理數(shù)據(jù)所耗時(shí)間超過(guò)可容忍時(shí)間的數(shù)據(jù)集.即大數(shù)據(jù)是一個(gè)體量特別大，數(shù)據(jù)類別特別大的數(shù)據(jù)集，并且這樣的數(shù)據(jù)集無(wú)法用傳統(tǒng)的數(shù)據(jù)庫(kù)工具對(duì)其內(nèi)容進(jìn)行抓取、管理和處理[2].但大數(shù)據(jù)不僅僅指數(shù)據(jù)的體量大，Gartner（2012）將大數(shù)據(jù)定義為體量巨大、數(shù)據(jù)更新速度快、數(shù)據(jù)種類豐富多樣的數(shù)據(jù)集，大數(shù)據(jù)處理的時(shí)效性和方法相比于傳統(tǒng)的數(shù)據(jù)來(lái)說(shuō)也頗具挑戰(zhàn).全球知名咨詢公司麥肯錫在報(bào)告中稱“數(shù)據(jù)，已經(jīng)滲透到當(dāng)今每一個(gè)行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素.人們對(duì)于海量數(shù)據(jù)的挖掘和運(yùn)用，預(yù)示著新一波生產(chǎn)率增長(zhǎng)和消費(fèi)者盈余浪潮的到來(lái)”.總之，大數(shù)據(jù)不僅僅是一個(gè)商業(yè)術(shù)語(yǔ)，對(duì)于不同的行業(yè)領(lǐng)域，面向不同的業(yè)務(wù)需求，大數(shù)據(jù)有著不同的含義和意義.

2.2 大數(shù)據(jù)分析方法

大數(shù)據(jù)中蘊(yùn)含著寶貴價(jià)值，是人們存儲(chǔ)和處理大數(shù)據(jù)的驅(qū)動(dòng)力.要挖掘大數(shù)據(jù)的價(jià)值就必然要對(duì)大數(shù)據(jù)進(jìn)行內(nèi)容上的處理、計(jì)算和分析.大數(shù)據(jù)時(shí)代促進(jìn)了數(shù)據(jù)分析方法的變革與創(chuàng)新，其與傳統(tǒng)基于數(shù)理統(tǒng)計(jì)的方式相比主要有三方面的轉(zhuǎn)變，即要全體不要抽樣，要效率不要絕對(duì)精確，要相關(guān)不要因果[3].

要挖掘大數(shù)據(jù)的價(jià)值必然要對(duì)大數(shù)據(jù)進(jìn)行內(nèi)容上的分析和計(jì)算.機(jī)器學(xué)習(xí)，深度學(xué)習(xí)和知識(shí)計(jì)算是大數(shù)據(jù)分析的基礎(chǔ)，數(shù)據(jù)可視化既是數(shù)據(jù)分析的關(guān)鍵技術(shù)也是數(shù)據(jù)分析結(jié)果呈現(xiàn)的關(guān)鍵技術(shù).機(jī)器學(xué)習(xí)是人工智能的一個(gè)核心研究領(lǐng)域，指計(jì)算機(jī)利用經(jīng)驗(yàn)改善系統(tǒng)自身性能的行為[4]，包括監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí).大數(shù)據(jù)分析的核心是利用數(shù)據(jù)的價(jià)值，而機(jī)器學(xué)習(xí)是挖掘和利用數(shù)據(jù)價(jià)值的關(guān)鍵技術(shù).對(duì)于機(jī)器學(xué)習(xí)而言，大量的數(shù)據(jù)可以提高訓(xùn)練模型的精確性，而復(fù)雜的機(jī)器學(xué)習(xí)算法也需要分布式計(jì)算和內(nèi)存計(jì)算等大數(shù)據(jù)處理技術(shù)，機(jī)器學(xué)習(xí)和大數(shù)據(jù)相互依存、相互促進(jìn).深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的進(jìn)階，是利用層次化的架構(gòu)學(xué)習(xí)出對(duì)象在不同層次上的表達(dá)，可以幫助解決更加復(fù)雜抽象的問(wèn)題.深度學(xué)習(xí)在語(yǔ)音識(shí)別、圖像處理、機(jī)器翻譯及自然語(yǔ)言理解等應(yīng)用領(lǐng)域取得了一系列重大進(jìn)展.知識(shí)計(jì)算是國(guó)內(nèi)外工業(yè)界開(kāi)發(fā)和學(xué)術(shù)界研究的一個(gè)熱點(diǎn).要對(duì)數(shù)據(jù)進(jìn)行高端分析，就需要從大數(shù)據(jù)中先抽取出有價(jià)值的知識(shí)，并把它構(gòu)建成可支持查詢、分析和計(jì)算的知識(shí)庫(kù).支持知識(shí)計(jì)算的基礎(chǔ)就是構(gòu)建知識(shí)庫(kù)，包括3個(gè)部分，即知識(shí)庫(kù)的構(gòu)建、多源知識(shí)的融合與知識(shí)庫(kù)的更新.數(shù)據(jù)的查詢和分析的實(shí)用性和實(shí)效性對(duì)于人們能否獲得決策信息起著至關(guān)重要的作用，決定著數(shù)據(jù)應(yīng)用的成敗[5].除此之外，信息和數(shù)據(jù)的表達(dá)也至關(guān)重要.大數(shù)據(jù)的可視化，不同于傳統(tǒng)的信息可視化，面臨的最大一個(gè)挑戰(zhàn)就是規(guī)模，如何提出新的可視化方法能夠幫助人們分析大規(guī)模、高維度、多來(lái)源、動(dòng)態(tài)演化的信息，并輔助做出實(shí)時(shí)的決策，成為這個(gè)領(lǐng)域最大的挑戰(zhàn).

總而言之，大數(shù)據(jù)處理和分析的終極目標(biāo)是借助于對(duì)數(shù)據(jù)的理解輔助人們?cè)诟黝悜?yīng)用中做出合理的決策.在此過(guò)程中，深度學(xué)習(xí)、知識(shí)計(jì)算和可視化起到了相輔相成的作用.機(jī)器學(xué)習(xí)及深度學(xué)習(xí)可以提高數(shù)據(jù)分析模型的精度，知識(shí)計(jì)算可以增加數(shù)據(jù)挖掘的深度，社會(huì)計(jì)算可以提升系統(tǒng)的認(rèn)知能力，而強(qiáng)可視化輔助決策更是在大數(shù)據(jù)發(fā)揮著重要的作用.

2.3 大數(shù)據(jù)技術(shù)框架

根據(jù)大數(shù)據(jù)處理的生命周期，大數(shù)據(jù)的技術(shù)體系涉及大數(shù)據(jù)的采集與預(yù)處理、大數(shù)據(jù)存儲(chǔ)與管理、大數(shù)據(jù)計(jì)算模式與系統(tǒng)、大數(shù)據(jù)分析與挖掘、大數(shù)據(jù)可視化分析及大數(shù)據(jù)隱私與安全等幾個(gè)方面[6-8].圖1是大數(shù)據(jù)技術(shù)的主要架構(gòu)示意：

在數(shù)據(jù)采集層面，大數(shù)據(jù)的一個(gè)重要特點(diǎn)就是數(shù)據(jù)源多樣化，包括數(shù)據(jù)庫(kù)、文本、圖片、視頻、網(wǎng)頁(yè)等各類結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化的數(shù)據(jù).因此大數(shù)據(jù)處理的第一步就是多源數(shù)據(jù)的采集、預(yù)處理和集成操作.現(xiàn)有數(shù)據(jù)抽取和集成方式可以分為以下4種類型[9]：基于物化或ETL引擎方法、基于聯(lián)邦數(shù)據(jù)庫(kù)引擎或中間件方法、基于數(shù)據(jù)流引擎方法和基于搜索引擎方法.數(shù)據(jù)經(jīng)清洗、預(yù)處理后存入到分布式數(shù)據(jù)存儲(chǔ)系統(tǒng)中，成為數(shù)據(jù)挖掘的基礎(chǔ).

大數(shù)據(jù)對(duì)于存儲(chǔ)系統(tǒng)帶來(lái)的挑戰(zhàn)主要包括存儲(chǔ)規(guī)模巨大、存儲(chǔ)結(jié)構(gòu)復(fù)雜及數(shù)據(jù)服務(wù)提供要求高等.大數(shù)據(jù)存儲(chǔ)系統(tǒng)面向的數(shù)據(jù)總量一般達(dá)TB、PB甚至EB級(jí)，且包括結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)，數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系也較為復(fù)雜.同時(shí)由于現(xiàn)在技術(shù)驅(qū)動(dòng)的發(fā)展，信息處理的實(shí)時(shí)性要求很高.目前大數(shù)據(jù)存儲(chǔ)方面的代表性研究和技術(shù)主要有分布式緩存（mem-cached等）、分布式數(shù)據(jù)庫(kù)（HDFS等[10]）及各種NoSQL分布式存儲(chǔ)方案（Redis、MongoDB等）.

大規(guī)模計(jì)算模式指根據(jù)大數(shù)據(jù)的不同數(shù)據(jù)特征和計(jì)算特征，從多樣性的大數(shù)據(jù)計(jì)算問(wèn)題和需求中提煉并建立各種高層抽象或模型，它的出現(xiàn)有力推動(dòng)了大數(shù)據(jù)技術(shù)的應(yīng)用和發(fā)展.目前已經(jīng)有很多典型的大數(shù)據(jù)計(jì)算模式和對(duì)應(yīng)的大數(shù)據(jù)計(jì)算系統(tǒng)和工具，典型的計(jì)算模式和系統(tǒng)工具如圖2所示.

離線計(jì)算指在計(jì)算開(kāi)始之前，已知所有輸入數(shù)據(jù)，且輸入數(shù)據(jù)不會(huì)產(chǎn)生變化.在離線計(jì)算中，一般使用HDFS存儲(chǔ)數(shù)據(jù)，使用MapReduce做批量計(jì)算，計(jì)算完成后的數(shù)據(jù)存儲(chǔ)Hive，然后從Hive進(jìn)行展現(xiàn).而在在線實(shí)時(shí)計(jì)算中，輸入數(shù)據(jù)是可以以序列化的方式一個(gè)個(gè)輸入并進(jìn)行處理的，在計(jì)算開(kāi)始前無(wú)須知道所有的輸入數(shù)據(jù).在線實(shí)時(shí)計(jì)算對(duì)數(shù)據(jù)處理時(shí)間有著較高的要求，但對(duì)于延遲閾值大數(shù)據(jù)界一直沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，默認(rèn)是秒級(jí).針對(duì)流式數(shù)據(jù)的實(shí)時(shí)處理，稱為流式計(jì)算，代表的技術(shù)有Flume實(shí)時(shí)獲取數(shù)據(jù)、Kafka/metaq實(shí)時(shí)數(shù)據(jù)存儲(chǔ)、Storm/JStorm實(shí)時(shí)數(shù)據(jù)計(jì)算、Redis實(shí)時(shí)結(jié)果緩存、持久化存儲(chǔ)（mysql）.總之，流式計(jì)算是將源源不斷的數(shù)據(jù)實(shí)時(shí)收集，盡可能快地得到計(jì)算結(jié)果，然后用于決策支持.

3 交通大數(shù)據(jù)

數(shù)據(jù)是智能交通系統(tǒng)的基礎(chǔ)，數(shù)據(jù)的質(zhì)量和采集、處理方式直接影響到智能交通各個(gè)業(yè)務(wù)系統(tǒng)的應(yīng)用效果，因此在大數(shù)據(jù)技術(shù)的背景下，明確交通大數(shù)據(jù)的基本特點(diǎn)，理解交通大數(shù)據(jù)的建模分析方法，探討交通數(shù)據(jù)的數(shù)據(jù)挖掘方法及其在智能交通控制中的應(yīng)用具有非常重要的意義.

3.1 交通大數(shù)據(jù)的特征及分類

按檢測(cè)方式及信息內(nèi)容，交通數(shù)據(jù)可以分為基于位置的交通數(shù)據(jù)、基于活動(dòng)的交通數(shù)據(jù)和基于設(shè)備的交通檢測(cè)數(shù)據(jù).基于位置的交通數(shù)據(jù)主要包括智能手機(jī)、GPS定位設(shè)備等采集的包含位置信息的數(shù)據(jù).基于活動(dòng)的交通數(shù)據(jù)主要依托社交媒體如微博、微信等檢測(cè)，這類數(shù)據(jù)經(jīng)常用于聚集事件的發(fā)現(xiàn)與分類分析.基于設(shè)備的交通數(shù)據(jù)指的是傳統(tǒng)的斷面交通檢測(cè)數(shù)據(jù)，包括地感線圈、地磁、微波雷達(dá)、卡口等.這類數(shù)據(jù)一般可以采集車輛的實(shí)時(shí)通過(guò)信息，并可以按照統(tǒng)計(jì)周期匯總為流量、占有率、平均速度等.與此同時(shí)，交通行業(yè)也存在著大量的結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)總量也在逐漸增長(zhǎng)，以大連市2017年的統(tǒng)計(jì)為例，交通信息的采集數(shù)據(jù)每月增量約30GB，而卡口抓拍的車輛照片及監(jiān)控視頻的每月增量分別為60TB和1050TB，數(shù)據(jù)體量巨大.同時(shí)，交通數(shù)據(jù)種類豐富，包含車、路、人的各種結(jié)構(gòu)化和非結(jié)構(gòu)化的存儲(chǔ)數(shù)據(jù)，如車駕管數(shù)據(jù)、交通流信息采集數(shù)據(jù)、車輛違法數(shù)據(jù)、信號(hào)燈運(yùn)行數(shù)據(jù)、各類交通服務(wù)媒體渠道采集的數(shù)據(jù)，如微信公眾平臺(tái)采集的微信數(shù)據(jù)等.如何有效整合、共享及充分挖掘利用這些數(shù)據(jù)的價(jià)值對(duì)智能交通系統(tǒng)的發(fā)展具有深遠(yuǎn)的意義.

3.2 交通數(shù)據(jù)可視化

當(dāng)前對(duì)大數(shù)據(jù)特征的描述主要有：3V[11]，4V[12]和5V[13]等，陸化普等結(jié)合交通大數(shù)據(jù)的基本類型及特點(diǎn)，認(rèn)為交通大數(shù)據(jù)具有6V特征[14]，即數(shù)據(jù)體量巨大（Volume）、數(shù)據(jù)處理、更新快速（Velocity）、數(shù)據(jù)模態(tài)多樣（Variety）、數(shù)據(jù)真假共存（Veracity）、數(shù)據(jù)價(jià)值豐富（Value）及數(shù)據(jù)可視化（Visualization）.即在傳統(tǒng)公認(rèn)的5V特性的基礎(chǔ)上，增加了交通數(shù)據(jù)可視化.數(shù)據(jù)可視化是對(duì)數(shù)據(jù)的視覺(jué)表現(xiàn)形式的研究，數(shù)據(jù)可視化的前提是抽取數(shù)據(jù)的各種屬性和變量.隨著物聯(lián)網(wǎng)等技術(shù)的發(fā)展以及互聯(lián)網(wǎng)公司數(shù)據(jù)的不斷開(kāi)放，軌跡數(shù)據(jù)在城市交通領(lǐng)域的應(yīng)用越來(lái)越多，如滴滴的蓋亞數(shù)據(jù)開(kāi)放計(jì)劃以及其舉辦的智慧信號(hào)燈大賽，百度與北京市交管局共同合作的智慧信號(hào)燈平臺(tái)，都在探索和嘗試其軌跡數(shù)據(jù)或以軌跡數(shù)據(jù)融合其他數(shù)據(jù)計(jì)算后得到的路況數(shù)據(jù)在智能交通控制中的應(yīng)用.

在數(shù)據(jù)可視化表達(dá)中，對(duì)于時(shí)間的表達(dá)包括線性時(shí)間表達(dá)、周期時(shí)間表達(dá)和分支時(shí)間表達(dá)三類.線性時(shí)間表達(dá)橫軸為時(shí)間軸，縱軸為數(shù)據(jù)，如流量、速度、交通指數(shù)等.如圖3為某區(qū)域一天24小時(shí)的擁堵指數(shù)變化圖，為線性時(shí)間表達(dá)方式.

周期時(shí)間表達(dá)可以反映每天同一時(shí)刻數(shù)據(jù)的變化趨勢(shì)，分支時(shí)間表達(dá)目前在交通數(shù)據(jù)的可視化表達(dá)中應(yīng)用較少.

在數(shù)據(jù)的空間可視化表達(dá)中，以含有位置信息的軌跡數(shù)據(jù)為主.根據(jù)其聚合程度可分為基于點(diǎn)的空間表達(dá)、基于線的空間表達(dá)（對(duì)軌跡點(diǎn)的一階聚合）和基于區(qū)域的空間表達(dá)（對(duì)軌跡點(diǎn)的二階聚合）[15].如圖4，5，6分別為軌跡點(diǎn)圖、軌跡連線圖和以車輛軌跡為基礎(chǔ)數(shù)據(jù)生成的OD圖.

在數(shù)據(jù)的時(shí)空表達(dá)中，有時(shí)空立方體（STC）和平行坐標(biāo)系（PCP）等方法來(lái)兼顧數(shù)據(jù)時(shí)空演化、關(guān)聯(lián)特性分析及展示.

4 大數(shù)據(jù)在智能交通控制中的應(yīng)用

4.1 交通控制系統(tǒng)

交通控制系統(tǒng)是智能交通系統(tǒng)的核心之一.對(duì)組織、控制交通流的流向、流量，維護(hù)交通秩序及保障交通安全均有重要的作用.交通控制根據(jù)控制范圍的不同，交通控制可以劃分為單點(diǎn)控制方式、干線協(xié)調(diào)控制方式和區(qū)域協(xié)調(diào)控制方式.單點(diǎn)控制方式包括單點(diǎn)定周期控制、多時(shí)段控制和感應(yīng)控制等;干線協(xié)調(diào)控制在有些情況下也稱為綠波帶控制，此外，還包括感應(yīng)式線協(xié)調(diào)控制方式等;區(qū)域協(xié)調(diào)控制是指以區(qū)域交通性能指標(biāo)（如總延誤、停車次數(shù)等）為控制目標(biāo)，構(gòu)建信號(hào)控制參數(shù)（周期、綠信比、相位差、相位相序等）和交通狀況（流量、離散性等）的數(shù)學(xué)模型.并依靠模型計(jì)算來(lái)優(yōu)化信號(hào)配時(shí)方案和策略的控制方式，可分為定時(shí)控制、脫機(jī)自適應(yīng)控制和在線實(shí)時(shí)自適應(yīng)控制等方式.經(jīng)典的區(qū)域自適應(yīng)控制系統(tǒng)以英國(guó)的SCOOT系統(tǒng)和澳大利亞的SCATS系統(tǒng)為代表.根據(jù)檢測(cè)器設(shè)計(jì)的位置、采集方式的不同，各個(gè)系統(tǒng)分別有自己的自適應(yīng)控制模型和算法.如SCOOT要求檢測(cè)器設(shè)計(jì)在路口上游距停車線80～150m處，根據(jù)檢測(cè)數(shù)據(jù)預(yù)測(cè)每條進(jìn)口路段上在當(dāng)前放行階段內(nèi)的車輛到達(dá)、放行及車輛排隊(duì)，稱之為“排隊(duì)模型”，如圖7所示，在排隊(duì)和放行預(yù)測(cè)的基礎(chǔ)上，通過(guò)周期、綠信比、相位差三個(gè)優(yōu)化器的協(xié)同工作，來(lái)實(shí)現(xiàn)區(qū)域自適應(yīng)優(yōu)化控制.SCATS系統(tǒng)利用停車線檢測(cè)器，以“飽和度”，即綠燈使用率為控制原理，根據(jù)實(shí)時(shí)的交通檢測(cè)信息，在方案庫(kù)中選擇最優(yōu)控制方案實(shí)現(xiàn)自適應(yīng)控制.

4.2 互聯(lián)網(wǎng)大數(shù)據(jù)下的交通控制

大數(shù)據(jù)技術(shù)和交通大數(shù)據(jù)的發(fā)展為智能交通系統(tǒng)帶來(lái)了新的機(jī)遇和挑戰(zhàn).大數(shù)據(jù)應(yīng)用于智能交通系統(tǒng)尤其是智能交通控制中，不能僅僅是簡(jiǎn)單地將大數(shù)據(jù)分析方法和開(kāi)發(fā)技術(shù)移植或者套用到交通系統(tǒng)里[16]，而是要基于對(duì)交通控制基礎(chǔ)環(huán)節(jié)、方法深入了解的前提下，首先分析交通數(shù)據(jù)的特征及交通控制的具體數(shù)據(jù)需求，進(jìn)而考慮數(shù)據(jù)預(yù)處理技術(shù)的應(yīng)用，如是否需要對(duì)多源交通數(shù)據(jù)進(jìn)行融合處理等.進(jìn)而按照控制需求組織數(shù)據(jù)，從數(shù)據(jù)中提煉有效特征信息、發(fā)現(xiàn)規(guī)律來(lái)反饋、指導(dǎo)控制，以實(shí)現(xiàn)區(qū)域最優(yōu)化控制.

各類交通數(shù)據(jù)均可從不同角度、不同層次為交通控制提供基礎(chǔ)支撐.線圈、地磁等斷面車輛的實(shí)時(shí)存在性檢測(cè)數(shù)據(jù)常用于車輛感應(yīng)控制、系統(tǒng)的實(shí)時(shí)自適應(yīng)優(yōu)化控制;浮動(dòng)車數(shù)據(jù)、卡口過(guò)車記錄數(shù)據(jù)也可以在宏觀程度和評(píng)價(jià)反饋的角度去影響控制方法.智能終端技術(shù)的發(fā)展使得軌跡數(shù)據(jù)在交通行業(yè)中的應(yīng)用越來(lái)越受到重視.百度、滴滴和高德等互聯(lián)網(wǎng)公司也在逐漸開(kāi)放他們的移動(dòng)導(dǎo)航或其他軌跡數(shù)據(jù)，使得關(guān)于軌跡大數(shù)據(jù)在交通中的應(yīng)用也越來(lái)越受到重視.

在國(guó)內(nèi)互聯(lián)網(wǎng)大數(shù)據(jù)應(yīng)用于交通控制的實(shí)踐中，廣州交警與高德地圖合作，以海珠區(qū)、天河區(qū)為試驗(yàn)區(qū)，構(gòu)建了全國(guó)首個(gè)“互聯(lián)網(wǎng)+信號(hào)燈控制優(yōu)化實(shí)驗(yàn)研究平臺(tái)”，基于高德地圖的導(dǎo)航大數(shù)據(jù)，主動(dòng)監(jiān)測(cè)路口失衡（各個(gè)方向擁堵不均）、出口溢出等異常交通情況，提供控制優(yōu)化和建議方案.百度地圖和北京市交管局共同研究構(gòu)建了“百度地圖智慧信號(hào)燈研判平臺(tái)”，平臺(tái)初期主要覆蓋二環(huán)內(nèi)以及上地、望京主要商務(wù)出行區(qū)域400多個(gè)路口的路況監(jiān)測(cè)，實(shí)現(xiàn)信號(hào)燈路口擁堵分鐘級(jí)發(fā)現(xiàn)、實(shí)時(shí)報(bào)警，將原來(lái)的人工監(jiān)測(cè)轉(zhuǎn)變?yōu)檫h(yuǎn)程平臺(tái)化監(jiān)控，提高了信號(hào)燈路口異常擁堵的發(fā)現(xiàn)率.同時(shí)百度地圖與北京交管局的信號(hào)控制系統(tǒng)已經(jīng)實(shí)現(xiàn)大范圍的“秒級(jí)數(shù)據(jù)互通”，也是國(guó)內(nèi)首次信號(hào)控制系統(tǒng)與互聯(lián)網(wǎng)平臺(tái)進(jìn)行數(shù)據(jù)融合.滴滴與武漢、濟(jì)南、成都等交警部門(mén)簽訂了合作協(xié)議，基于滴滴的大數(shù)據(jù)平臺(tái)和互聯(lián)網(wǎng)云計(jì)算基礎(chǔ)設(shè)施打造“智慧信號(hào)燈”平臺(tái)，應(yīng)用其持續(xù)可靠的軌跡大數(shù)據(jù)，探索信號(hào)燈配時(shí)優(yōu)化的方法.

4.3 車路協(xié)同大數(shù)據(jù)采集環(huán)境下的交通控制

隨著車路協(xié)同技術(shù)和自動(dòng)駕駛技術(shù)的不斷發(fā)展，使得車輛信息的采集由傳統(tǒng)的斷面采集變?yōu)檐囕v的全時(shí)空運(yùn)行數(shù)據(jù)采集，因此，數(shù)據(jù)不再是制約交通控制方式和策略的瓶頸.現(xiàn)有的軌跡數(shù)據(jù)存在樣本量相對(duì)較小、空間分布不均、連續(xù)性不好的缺點(diǎn)，因此，當(dāng)前及目前可能的軌跡數(shù)據(jù)應(yīng)用方向主要集中在信號(hào)配時(shí)的估算反推[17]、路口的關(guān)聯(lián)性分析，控制子區(qū)劃分等.當(dāng)前大數(shù)據(jù)尤其是軌跡大數(shù)據(jù)在智能交通控制中的應(yīng)用主要是現(xiàn)有軌跡數(shù)據(jù)+現(xiàn)有交通控制系統(tǒng)的模式，即利用軌跡的數(shù)據(jù)特征，為現(xiàn)有的區(qū)域交通控制系統(tǒng)提供必要的檢測(cè)數(shù)據(jù)、模型參數(shù)修正、效果評(píng)價(jià)等.以SCOOT系統(tǒng)為例，其在實(shí)施優(yōu)化前，需要人工標(biāo)定諸如JNYT（上游檢測(cè)器到停車線的旅行時(shí)間）、STOC（飽和通行能力）、QCMQ（最大排隊(duì)清空時(shí)間）等，在SCOOT系統(tǒng)實(shí)施中稱之為Validation，耗時(shí)耗力，而基于互聯(lián)網(wǎng)的軌跡大數(shù)據(jù)，可以自動(dòng)學(xué)習(xí)這些參數(shù)，甚至可以達(dá)到實(shí)時(shí)修正模型參數(shù)以提高控制精度的效果.

在未來(lái)的車路協(xié)同和自動(dòng)駕駛時(shí)代，軌跡數(shù)據(jù)的采集將不再受樣本量小、連續(xù)性不好等缺點(diǎn)的制約，因此，車輛檢測(cè)數(shù)據(jù)的時(shí)空覆蓋特性更好.同時(shí)，自動(dòng)駕駛的發(fā)展也使得交通控制的對(duì)象特性發(fā)生了改變，彼時(shí)的交通控制系統(tǒng)將在更廣的范圍上去協(xié)調(diào)和管理車輛的路線規(guī)劃、路網(wǎng)、路段和路口的時(shí)空資源調(diào)度，需要隨著車聯(lián)網(wǎng)、大數(shù)據(jù)和自動(dòng)駕駛技術(shù)的不斷發(fā)展去做更進(jìn)一步的深入研究.

5 總結(jié)展望

車聯(lián)網(wǎng)等技術(shù)的發(fā)展使得交通信息采集的時(shí)空范圍進(jìn)一步擴(kuò)大，交通行業(yè)的數(shù)據(jù)積累也飛速增長(zhǎng)，呈現(xiàn)了大數(shù)據(jù)的5V特性.交通數(shù)據(jù)可視化有助于挖掘數(shù)據(jù)背后潛在的價(jià)值信息.交通大數(shù)據(jù)擴(kuò)展了傳統(tǒng)智能交通控制系統(tǒng)的數(shù)據(jù)源，能夠?yàn)楦鞣N交通控制策略和方式提供直接或間接的數(shù)據(jù)支撐.在軌跡大數(shù)據(jù)應(yīng)用于交通控制方面，國(guó)內(nèi)外的研究學(xué)者包括滴滴、百度等互聯(lián)網(wǎng)廠商已經(jīng)開(kāi)展一定的研究和技術(shù)研發(fā)、驗(yàn)證工作.未來(lái)車路協(xié)同及自動(dòng)駕駛環(huán)境下，由于信息采集手段的強(qiáng)化和交通控制對(duì)象的特性變化，如何構(gòu)建新一代大交通控制系統(tǒng)是未來(lái)交通控制的研究熱點(diǎn)之一.

參考文獻(xiàn)：

〔1〕李德仁，姚遠(yuǎn)，邵振峰.智慧城市中的大數(shù)據(jù)[J].中國(guó)建設(shè)信息化，2014，58（3）：1-12.

〔2〕方巍，鄭玉，徐江.大數(shù)據(jù)：概念、技術(shù)及應(yīng)用研究綜述[J].南京信息工程大學(xué)學(xué)報(bào)，2014（5）：405-419.

〔3〕Mayer-Sch？nberger V， Cukier K. Big data： A revolution that will transform how we live， work， and think. Houghton Mifflin Harcourt， 2013.

〔4〕Tom Mitchell. Machine Learning. McGraw Hill Higher Education， 1997.

〔5〕程學(xué)旗，靳小龍，王元卓，等.大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J].軟件學(xué)報(bào)，2014（9）：1889-1908.

〔6〕馮登國(guó)，張敏，李昊.大數(shù)據(jù)安全與隱私保護(hù)[J].計(jì)算機(jī)學(xué)報(bào)，2014，37（1）：246-258.

〔7〕孟小峰，慈祥.大數(shù)據(jù)管理：概念、技術(shù)與挑戰(zhàn)[J].計(jì)算機(jī)研究與發(fā)展，2013，50（1）：146-169.

〔8〕中國(guó)計(jì)算機(jī)學(xué)會(huì)大數(shù)據(jù)專家委員會(huì).中國(guó)大數(shù)據(jù)技術(shù)與產(chǎn)業(yè)發(fā)展白皮書(shū)[R].2013.

〔9〕ZHENG Y.Location-based Social Networks： Users[M].New York：Springer， 2011.

〔10〕HDFS Architecture Guide[EB/OL].[2014-08-25].http：//Hadoop.apache.org/docs/stable/hdfs_design.htm，20130512.

〔11〕Zikopoups P C， Eaton C， de Roos D， et al. Understanding and streaming data[R].McGraw-Hill Companies，2012.

〔12〕Chen M， Mao S W， Zhang Y， et al. Big data related technologies， chanllenges and future prospects series[M]. Springer Briefs in Computer Science， 2014.

〔13〕李清泉，李德仁.大數(shù)據(jù)GIS[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（6）：641-644.

〔14〕陸化普，孫智源，屈聞聰.大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J].交通運(yùn)輸系統(tǒng)工程與信息，2015，15（5）：45-52.

〔15〕Chen W， Guo F， Wang F Y. A Survey of Traffic Data Visualization[J]. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（6）：2970-2984.

〔16〕《中國(guó)公路學(xué)報(bào)》編輯部.中國(guó)交通工程學(xué)術(shù)研究綜述·2016[J].中國(guó)公路學(xué)報(bào)，2016，29（6）：1-161.

〔17〕譚墍元，尹凱莉，李萌，等.基于移動(dòng)導(dǎo)航數(shù)據(jù)的信號(hào)配時(shí)反推[J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（2）：60-67.