首頁熱門文章
智慧城市 交通先行
發布時間：2019-04-09 分類：趨勢研究
“這是最好的時代，這是最壞的時代。”這句話在智慧城市的交通上同樣適用。一方面交通擁堵嚴重，交通事故頻發，交通秩序混亂，交通環境污染; 另一方面各種新技術、新概念層出不窮，并應用于交通領域。從最初的智能交通，到智慧城市、智慧交通、再到城市大腦、交通大腦，被社會各界廣為傳播和討論。
談及這些概念的具體定義和內容，恐怕無法達成一致意見。筆者認為各概念之間目前沒有嚴格的界限，也許在未來某些新技術完全替代和超越了現有的應用水平后，并被賦予某個概念，業內各界才會達成對這個概念的共識和認可。
本文試圖總結智能交通行業發展的歷史規律，結合當前最新的技術發展，思考未來智慧城市下交通的發展方向。
智能交通技術發展的歷史規律
探究未來城市智能交通的發展，我們不妨看看發展歷史，以至智能交通中發展最早，也是最基礎的交通信號控制為例，其發展歷程如下:
1868年在倫敦議會大廈廣場，出現了由當時英國工程師德哈特設計的第一站煤氣信號燈。
1918年美國底特律公路出現了第一盞紅黃綠信號燈。
1926年英國首次嘗試使用自動化控制器控制交通信號燈。
1964年，加拿大的多倫多出現第一個使用電子計算機控制的信號控制系統。
1975年，出現了成熟的英國SCOOTS和澳大利亞SCATS系統。
可以看到，除第一代煤氣信號燈外，每一代信號控制技術的升級，都可看作是相應年代電子電氣技術的最新換代發展提供了催化作用;由此我們假設下一代智能交通技術的革命動力也將源自IT技術的發展，來看看都有哪些新技術可以應用在智能交通行業。
交通新技術發展現狀
大數據、云計算技術
以視頻為核心的海量物聯網“觸覺"源源不斷的產生海量數據。如海量攝像頭產生的視頻內容如人、車、物等標簽化數據;卡口過車數據;人臉識別設備產生的人臉特征矢量化數據; MAC、手機熱點、RFID電子標簽等設備產生的龐大數據。據統計一個中等城市一天的過車記錄數據在1000W左右;隨著數據積累，數據量的逐步增加，從千萬級到億級，再到百億、千億級，數據簡單查詢、檢索做為基本需求面臨巨大挑戰。
人工智能、深度學習等技術的發展
談到人工智能、深度學習，大家想到的應該是AlphaGo圍棋人工智能程序。談到圍棋人工智能為什么如此令人震撼，首先要談上一代的象棋人機對抗，1997年IBM的“深藍”擊敗了國際象棋排名世界第- -的棋手加里.卡斯帕羅夫;此后，中國象棋軟件也經歷了飛速發展，從2006年起，職業棋手很難取勝一個在強 大服務器上的象棋軟件。然而圍棋不同,一直以來，圍棋軟件的水平都非常低，一個水平稍好的業余棋手，就可以輕松取勝大多數圍棋軟件。職業棋手則可以在讓4子的情況下取勝軟件。
象棋與圍棋程序實力存在巨大差異，但采用了同一種分析方法。具體給每一步可能的路徑走法效用進行打分，然后選取最高分。路徑分析的層數(步數)越深，對處理器的計算能力要求越高，軟件棋力也就越強。
而圍棋相比象棋落子位置更多，步數更多，需要的分析層數更多，體現在計算能力需求上是指數級的增加;同時一個圍棋棋子的價值每一步都在變化，其變化又十分復雜，對其評價耗費更多算力。因此可以搜索幾十層深度的軟件在象棋中雖沒有窮舉所有可能，也是近乎完美的存在;而在圍棋中非常勉強。
AlphaGo遠超過現有的軟件水平，依靠的不是處理器計算能力，而是新的數據處理方法——基于神經網絡的深度學習。
如今，深度學習應用在了更廣闊的領域，開始服務于人們的生產生活。例如，視頻數據處理，分析人臉和車輛，擺脫了以往動檢、模型等識別算法的局限性。新一代相機，集成深度學習算法，實現了對每一輛車輛、行人的實時跟蹤，識別率大幅度提升,采集信息可包含坐標位置，速度，排隊，占有率等全場景多角度的信息。視頻檢測精度不及線圈、地磁等傳統方式已成為過去。
有了更豐富全面的采集信息，更強大的計算能力，更先進的數據處理方法，城市交通下一代智能化技術的到來已是進行時。
未來交通的發展方向
總體上來說，未來智慧交通發展會是數據驅動、業務聯動的方向。從業務應用角度分類，可以將發展方向分成兩個角度，一是單業務的創新，主要難點在技術上；二是數據融合與業務聯動，具體又分為不同交通方式之間(交通樞紐)的聯動、交通與智慧城市其他業務的聯動。除了要解決技術上的難點，還要打破各部門間的壁壘。
交通技術單業務的技術革新
因涉及業務眾多，現以交通控制為例，介紹數據驅 動的發展前景。
現在比較成熟的SCATS信號控制系統優勢在于采用了簡單的負反饋原理，使交叉口各個流向的飽和度趨于均衡;相比采用復雜數學模型生成控制方案的控制系統配置簡單，適應能力更強。這是基于SCATS系統開發時，只有線圈這種單一采集方式的客觀條件下最優選擇。
線圈只能采集道路斷面的數據，無法獲得交通全場景的車輛通行狀態，基于不完全數據下的數學模型，想要適應各種交通場景是難度很大的。
隨著信息技術的發展,現在已經能夠采集越來越豐富的數據，加上海量數據實時分析技術，未來交通控制將可能有如下發展趨勢。
第一步，實現基于完整采集數據的實時區域控制技術。未來的信號控制將不再受制于采集數據僅限于路網切面的局限性，而是可以獲得完整的數據，實現對每一輛車的實時跟蹤和預測，基于所有的車輛數據和所有的路網環境數據，結合城市數據計算平臺和AI算法，將會誕生新的區域控制理論和控制算法，實現城市整體的區域實時控制。
第二步，實現信號燈、可變車道、匝道控制、誘導屏、車載導航的區域協同，針對交通數據采集的實時變化，最大程度利用路網的通行能力;將信號燈狀態實時發送到車輛，規劃指引駕駛員的行駛速度，減少因人為因素降低交通運行效率的概率。
第三步，實現覆蓋全國的交通控制大腦。除了物理距離較近的城市外，城市與城市相距較遠，并不需要實現聯動控制。覆蓋全國的交通控制大腦的價值在于可以收集大量的采集數據與控制數據，一方面使得訓練以及優化算法的時間大幅縮短，例如一個算法需要一萬天的數據樣本才能訓練完成，對1個城市來說，是無法承受的時間長度，但100個城市只需要100天就可以完成；另一方面可以將不同城市的管理經驗用數據分享的方式相互借鑒，通過客觀的數據實現理性的決策。
數據融合與多業務的聯動
數據融合與多業務聯動是指把多個部門的數據進行整合，并將各部門業務協調，合理網配公共資源，推動城市可持續發展。
交通樞紐的業務聯動
城市交通樞紐包含兩種或多種交通方式，以上海虹橋交通樞紐為例，涉及高速鐵路、城際和城市軌道交通、公共汽車、出租車航空港等交通方式，幾種方式緊密銜接。
從基礎設施上，交通樞紐可以做到物理上的銜接，比如換乘距離足夠短;也可以做到各種交通設計運輸能力上的匹配;但是缺少的是實時的控制調度和協同。
在交通樞紐下，交通大腦所需要做的就是通過集中所有交通方式采集的數據，進行融合分析，實現交通樞紐的智能化，具體可實現三個目的。
● 實現各交通方式之間的協同控制，提升交通樞紐運行效率；
● 通過人臉識別技術、大數據分析技術，實現對人的全程跟蹤，為城市安全提供保障；
● 通過對歷史數據進行0D分析，為城市和交通規劃提供數據支撐和決策輔助。
交通與智慧城市其他業務的聯動
一些相對簡單的業務聯動目前已經實現了，如蕭山城市大腦中把信號控制的特勤系統給醫療救援使用，使救護車一路綠燈行駛; 如南京安裝車載RFID用于汽車尾氣排放估測與空氣污染防治;交通和公安、氣象、教育、衛生、環保等很多委辦局業務都存在聯動需求，未來將會有更多業務聯動出現，特別是在交通大腦的模式基本成型后。
只有數據真正地匯聚整合，業務充分地協同聯動，才能夠實現真正的智慧城市。
