交通部門大數據應用案例分析

摘要：一直以來，大數據與我們就密不可分。有了數據就能預測公眾喜好，了解群眾動態，如今巨大的數據流量在全世界傳播，各行各業都與大數據息息相關，大數據技術的戰略意義不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那么這種產業實現盈利的關鍵，在于提高對數據的“加工能力”，通過“加工”實現數據的“增值”。從技術上看，大數據與云計算的關系就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單臺的計算機進行處理，必須采用分布式架構。它的特色在于對海量數據進行分布式數據挖掘。但它必須依托云計算的分布式處理、分布式數據庫和云存儲、虛擬化技術。尤其當大數據和云計算在國家部門使用時，其價值便得到充分的發揮，在交通領域在公安領域在教育領域以及商業領域都隨處可見。本文主要講解大數據在交通運輸部門的應用案例，并做一定技術分析和應用前景的概述。

關鍵詞：大數據;交通運輸

一、基于大數據的道路運輸安全事故預警模型系統

概述：基于大數據平臺，整合全省運輸、交管、氣象等交通運輸安全相關部門的各類數據，通過車輛監控、二次識別、人臉識別等手段對重點車輛（如兩客一危、長途貨運等）、駕駛員、重點路段路口路況以及天氣等相關因素的監控分析，對可能發生的潛在交通安全事故風險進行評估與預警。幫助交通運輸及有關部門掌握可能存在安全隱患的區域、路段和路口。做到提前預防，及時處理，防患于未然。

掌握城市道路情況以及重點車輛實時動態，根據司機、車輛、道路、環境的相關數據進行預警，提示車輛上路行駛風險，有助于降低道路運輸安全事故防范，提高違法案件處理效率，保障城市道路交通安全。

主要內容：（1）數據接入：運輸管理及交管相關業務數據、路口、卡口、電警、檢測器、天氣等各類數據的接入。

（2）數據存儲：需存儲信號、日志、圖像、音視頻等各類數據，采用分布式架構及NOSQL進行數據存儲，增強系統的兼容性和擴展性。

（3）數據整理：數據清洗轉換規則管理、數據關聯提取規則管理、數據比對標識規則管理、數據標準化統計和數據分類等。

（4）數據檢索：根據身份證、車牌、路段、卡口等唯一標識信息進行即席檢索。

（5）數據分析：采用數據標簽化處理、可視化關聯分析等手段分析人—車—路關系。

（6）可視化建模：可視化分層級建模、圖形化建模、自定義SQL建模、聚合和表計算、自定義計算度量等。

技術路線：基于J2EE技術，采用基于分布式文件系統、分布式數據處理“Map-Reduce”架構的開源大數據組件及可視化建模工具，構建車輛運輸業務和事故風險預警模型。

擬解決的問題：（1）跨部門跨地域跨級別運輸、監管數據的接入匯聚融合;（2）構建道路運輸“人-車-路”標簽化體系;（3）構建道路運輸業務及安全事故預警模型。

創新點：基于大數據平臺，整合全省運輸、交管、氣象等交通運輸安全相關部門的各類數據，通過車輛監控、二次識別、人臉識別等手段對重點車輛（如兩客一危、長途貨運）、駕駛員、重點路段路口路況以及天氣等相關因素的監控分析，對可能發生的潛在交通安全事故風險進行評估與預警。

幫助交通運輸及有關部門掌握可能存在安全隱患的區域、路段和路口。做到提前預防，及時處理，防患于未然。

效益：掌握城市道路情況以及重點車輛實時動態，根據司機、車輛、道路、環境的相關數據進行預警，提示車輛上路行駛風險，將有助于降低道路交通安全事故發生幾率，提高違法案件處理效率，保障城市道路交通安全。

二、基于大數據的城市道路交通信號燈智能調時系統

通過大數據平臺分析計算城市各道口及道路車輛數據，對于發生擁堵的路段，通過算法分析智能輔助信號燈控制，自動調節信號燈通行時間，增加綠波通行時間，減少干線失調、二次排隊等因車流輛過載或道路路口控制因素導致的車輛擁堵。智能優化現有信號控制方案，根據實際過載情況，智能控制各車道通行時間，不再按固化時間執行信號變化，減少交警出勤頻率，提高城市交通出行效率。

目的與意義：全面掌握城市道路交通擁堵情況，根據路口和道路實時動態，調整信號燈配時方案，有助于減少交通堵塞或降低堵塞時間，降低道路運輸安全事故風險，提高交警出勤效率，提高城市道路交通出行效率順暢性。

主要研究內容：

（1）數據接入：交通信號控制機、相位、檢測器、浮動車、車輛熱力、視頻、路網、GPS數據等各類影響交通控制數據的接入。

（2）數據存儲：需存儲信號、日志、圖像、視頻等各類數據，采用分布式架構及NOSQL進行數據存儲，增強系統的兼容性和擴展性。

（3）數據整理：數據清洗轉換規則管理、數據關聯提取規則管理、數據比對標識規則管理、數據標準化統計和數據分類等。

（4）分析優化：通過視頻監測、二次識別、關系挖掘、軌跡分析、AI算法等手段對交通態勢進行狀態監測、診斷預警、態勢研判、信號優化。

技術路線：基于J2EE技術，采用基于分布式文件系統、分布式數據處理“Map-Reduce”架構的開源大數據組件，構建交通運行診斷及優化模型的底層。通過“狀態監測、診斷預警、態勢研判、信號優化”的路線，探索AI信號優化的實現路徑和落地應用，變革交通運行診斷與研判，突破信號控制系統傳統技術實現路徑。

擬解決的問題：

（1）信號系統與路網、車輛等各類數據的融合;

（2）信號系統與大數據平臺數據共享、交互及深度應用;

（3）實現信號控制系統的升級優化。

參考文獻：

[1]邱亞娟 智能交通信號燈模擬控制系統設計[J].黑龍江科技信息，2017 （06）：82-83.

[2]施裕琴 智慧城市建設中智能交通系統關鍵技術概述[J].物聯網技術，2017 （02）：54-55.

[3]王春生 大數據思維下城市交通信息化建設要點研究[J].信息系統工程，2017 （02）：99-100.

[4]張鏗，陸振益 大城市公安交通指揮中心指揮警務模式探討[J].上海公安高等專科學校學報，2017 （01）：13-25.

作者簡介：魯明（1963.4）男，高級實習指導教師，民族：漢族，山東臨沂人，單位：山東交通技師學院，研究方向：交通，機械，學生管理。