智慧城市 交通先行

谈及这些概念的具体定义和内容，恐怕无法达成一致意见。笔者认为各概念之间目前没有严格的界限，也许在未来某些新技术完全替代和超越了现有的应用水平后，并被赋予某个概念，业内各界才会达成对这个概念的共识和认可。

本文试图总结智能交通行业发展的历史规律，结合当前最新的技术发展，思考未来智慧城市下交通的发展方向。

智能交通技术发展的历史规律

探究未来城市智能交通的发展，我们不妨看看发展历史，以至智能交通中发展最早，也是最基础的交通信号控制为例，其发展历程如下:

1868年在伦敦议会大厦广场，出现了由当时英国工程师德哈特设计的第一站煤气信号灯。

1918年美国底特律公路出现了第一盏红黄绿信号灯。

1926年英国首次尝试使用自动化控制器控制交通信号灯。

1964年，加拿大的多伦多出现第一个使用电子计算机控制的信号控制系统。

1975年，出现了成熟的英国SCOOTS和澳大利亚SCATS系统。

可以看到，除第一代煤气信号灯外，每一代信号控制技术的升级，都可看作是相应年代电子电气技术的最新换代发展提供了催化作用;由此我们假设下一代智能交通技术的革命动力也将源自IT技术的发展，来看看都有哪些新技术可以应用在智能交通行业。

交通新技术发展现状

大数据、云计算技术

以视频为核心的海量物联网“触觉"源源不断的产生海量数据。如海量摄像头产生的视频内容如人、车、物等标签化数据;卡口过车数据;人脸识别设备产生的人脸特征矢量化数据; MAC、手机热点、RFID电子标签等设备产生的庞大数据。据统计一个中等城市一天的过车记录数据在1000W左右;随着数据积累，数据量的逐步增加，从千万级到亿级，再到百亿、千亿级，数据简单查询、检索做为基本需求面临巨大挑战。

人工智能、深度学习等技术的发展

谈到人工智能、深度学习，大家想到的应该是AlphaGo围棋人工智能程序。谈到围棋人工智能为什么如此令人震撼，首先要谈上一代的象棋人机对抗，1997年IBM的“深蓝”击败了国际象棋排名世界第- -的棋手加里.卡斯帕罗夫;此后，中国象棋软件也经历了飞速发展，从2006年起，职业棋手很难取胜一个在强 大服务器上的象棋软件。然而围棋不同,一直以来，围棋软件的水平都非常低，一个水平稍好的业余棋手，就可以轻松取胜大多数围棋软件。职业棋手则可以在让4子的情况下取胜软件。

象棋与围棋程序实力存在巨大差异，但采用了同一种分析方法。具体给每一步可能的路径走法效用进行打分，然后选取最高分。路径分析的层数(步数)越深，对处理器的计算能力要求越高，软件棋力也就越强。

而围棋相比象棋落子位置更多，步数更多，需要的分析层数更多，体现在计算能力需求上是指数级的增加;同时一个围棋棋子的价值每一步都在变化，其变化又十分复杂，对其评价耗费更多算力。因此可以搜索几十层深度的软件在象棋中虽没有穷举所有可能，也是近乎完美的存在;而在围棋中非常勉强。

AlphaGo远超过现有的软件水平，依靠的不是处理器计算能力，而是新的数据处理方法——基于神经网络的深度学习。

如今，深度学习应用在了更广阔的领域，开始服务于人们的生产生活。例如，视频数据处理，分析人脸和车辆，摆脱了以往动检、模型等识别算法的局限性。新一代相机，集成深度学习算法，实现了对每一辆车辆、行人的实时跟踪，识别率大幅度提升,采集信息可包含坐标位置，速度，排队，占有率等全场景多角度的信息。视频检测精度不及线圈、地磁等传统方式已成为过去。

有了更丰富全面的采集信息，更强大的计算能力，更先进的数据处理方法，城市交通下一代智能化技术的到来已是进行时。

未来交通的发展方向

总体上来说，未来智慧交通发展会是数据驱动、业务联动的方向。从业务应用角度分类，可以将发展方向分成两个角度，一是单业务的创新，主要难点在技术上；二是数据融合与业务联动，具体又分为不同交通方式之间(交通枢纽)的联动、交通与智慧城市其他业务的联动。除了要解决技术上的难点，还要打破各部门间的壁垒。

交通技术单业务的技术革新

因涉及业务众多，现以交通控制为例，介绍数据驱  动的发展前景。

现在比较成熟的SCATS信号控制系统优势在于采用了简单的负反馈原理，使交叉口各个流向的饱和度趋于均衡;相比采用复杂数学模型生成控制方案的控制系统配置简单，适应能力更强。这是基于SCATS系统开发时，只有线圈这种单一采集方式的客观条件下最优选择。

线圈只能采集道路断面的数据，无法获得交通全场景的车辆通行状态，基于不完全数据下的数学模型，想要适应各种交通场景是难度很大的。

随着信息技术的发展,现在已经能够采集越来越丰富的数据，加上海量数据实时分析技术，未来交通控制将可能有如下发展趋势。

第一步，实现基于完整采集数据的实时区域控制技术。未来的信号控制将不再受制于采集数据仅限于路网切面的局限性，而是可以获得完整的数据，实现对每一辆车的实时跟踪和预测，基于所有的车辆数据和所有的路网环境数据，结合城市数据计算平台和AI算法，将会诞生新的区域控制理论和控制算法，实现城市整体的区域实时控制。

第二步，实现信号灯、可变车道、匝道控制、诱导屏、车载导航的区域协同，针对交通数据采集的实时变化，最大程度利用路网的通行能力;将信号灯状态实时发送到车辆，规划指引驾驶员的行驶速度，减少因人为因素降低交通运行效率的概率。

第三步，实现覆盖全国的交通控制大脑。除了物理距离较近的城市外，城市与城市相距较远，并不需要实现联动控制。覆盖全国的交通控制大脑的价值在于可以收集大量的采集数据与控制数据，一方面使得训练以及优化算法的时间大幅缩短，例如一个算法需要一万天的数据样本才能训练完成，对1个城市来说，是无法承受的时间长度，但100个城市只需要100天就可以完成；另一方面可以将不同城市的管理经验用数据分享的方式相互借鉴，通过客观的数据实现理性的决策。

数据融合与多业务的联动

数据融合与多业务联动是指把多个部门的数据进行整合，并将各部门业务协调，合理网配公共资源，推动城市可持续发展。

交通枢纽的业务联动

城市交通枢纽包含两种或多种交通方式，以上海虹桥交通枢纽为例，涉及高速铁路、城际和城市轨道交通、公共汽车、出租车航空港等交通方式，几种方式紧密衔接。

从基础设施上，交通枢纽可以做到物理上的衔接，比如换乘距离足够短;也可以做到各种交通设计运输能力上的匹配;但是缺少的是实时的控制调度和协同。

在交通枢纽下，交通大脑所需要做的就是通过集中所有交通方式采集的数据，进行融合分析，实现交通枢纽的智能化，具体可实现三个目的。

● 实现各交通方式之间的协同控制，提升交通枢纽运行效率；

● 通过人脸识别技术、大数据分析技术，实现对人的全程跟踪，为城市安全提供保障；

● 通过对历史数据进行0D分析，为城市和交通规划提供数据支撑和决策辅助。

交通与智慧城市其他业务的联动

一些相对简单的业务联动目前已经实现了，如萧山城市大脑中把信号控制的特勤系统给医疗救援使用，使救护车一路绿灯行驶; 如南京安装车载RFID用于汽车尾气排放估测与空气污染防治;交通和公安、气象、教育、卫生、环保等很多委办局业务都存在联动需求，未来将会有更多业务联动出现，特别是在交通大脑的模式基本成型后。

只有数据真正地汇聚整合，业务充分地协同联动，才能够实现真正的智慧城市。

文章摘自：《中国智能交通网》