
大数据之于智能交通意义重大仍面临五大难题
日前,在2015中国智慧城市国际博览会上,来自台湾的勤亚科技张及人透露“台湾政府在将近九年前就开始规划所谓的大的交通数据云,用数据来管理整个交通出行。比如通知你从A到B大概走多少时间,这个时间给你选择走西会更快或者更慢一点,通过这种模式来做。”在公共交通部门,张及人称台湾已经全面做到了公车到站提醒,准确率在96在97%。“这样大家坐公交时不会浪费时间,能合理地安排自己的出行计划。”在出租车和商用车方面,“台湾有一个服务厅,可以清楚地告诉调度公司,在某个天气、时间、路口会有比较多乘客,只要买了这个服务,系统会高速你客人在哪里,这就是大数据做的应用。
大数据之于智能交通意义重大
智能交通建设和运营的过程中,从视频监控、卡口电警、路况信息、管控信息、营运信息、GPS定位信息、RFID识别信息等每天产生的数据量可以达到PB级别,并且是指数级的增长。虽然绝大部分数据是“沉睡的数据”,但按照相关规定,需要对数据进行有期限或无期限的保存,这无疑给用户在存储成本上带来压力,而通过监控摄像机前端智能技术和大数据分析技术的应用,很好地解决了行业用户的此类问题,给用户带来经济效益,同时也可以将工作人员从纷繁复杂的监控画面中解放出来。
大数据之于智能交通的意义,可以解决跨越行政区域的限制,实现数据信息的共享,在信息集成优势和组合效率上,有助于建立综合性立体的交通信息体系;另外在车辆安全、交通资源配置以及利用大数据的快速性和可预测性能提升交通预测的水平都有极大的帮助。
大数据支撑智能交通发展仍面临五大难题
随着移动互联网、大数据、车联网等技术越来越多地渗透到交通领域,百姓的出行将越来越高效便捷,同时也有利于管理部门为社会提供更好的公共交通服务。借助移动互联网、云计算、大数据、物联网等先进技术和理念,将互联网产业与传统交通运输业进行有效渗透与融合,形成具有线上资源合理分配,线下高效优质运行的新业态和新模式。积极用好大数据技术来支撑交通运输行业科学决策。交通运输部正在推进开展行业信息资源整合,同时也与互联网企业开展合作,利用定位大数据和智能化分析技术,成为科学决策的技术支撑。
不过,大数据虽然支撑着智能交通的前行,但其发展道路上难免要历经磨难,从目前来看主要存在五个问题。
问题一:海量设备管理问题
随着系统规模扩大,前端设备点位增加,设备故障点也呈几何级数增长,管理人员仅忙于应付设备故障,无暇他顾。以电子警察系统为例,目前一、二线城市基本都实现了电警设备在重点路口、路段的全覆盖,建设规模均有上千台摄像机及相应的控制设备,由于各厂商产质量量良莠不齐,前端设备实际完好率不高。设备故障未暴露,或暴露但没有得到及时维护的现象非常严重,给业主造成了大量的投资浪费。
问题二:统一标准和技术规范
国内智能交通系统项目的建设先于行业统一标准的推出。在缺乏标准的条件下,许多地区的智能交通系统自成体系,缺乏应有的衔接和配合,标准互不统一。即便在城市内部,道路上的传感器标准也非常混乱,因为传感器设备生产企业缺乏统一的接口标准。标准和规范的混乱妨碍了交通数据的获取,从而无法进行交通流的分析和预测。在高速公路收费系统方面,各省或地区内建设的网络一卡通或不停车收费系统,也没有统一指导和标准,为将来的全国联网造成了困难。
问题三:系统可靠性与稳定性
智能交通系统复杂度和整合程度越来越高,而系统的健壮性却没有同步提高,往往有牵一发而动全身的问题出现。以某地级市为例,智能交通系统由近200台服务器和2千多台前端设备组成,包括信号控制、交通流量采集、交通诱导、电子警察、卡口等子系统,数据要和省级交管平台、区县级交管子平台、公安业务集成平台等系统相连。系统具有流程复杂、业务系统众多、客户端分散等等一系列特点。业主竭尽全力为了保证业务系统的正常运行,但还是经常出问题。系统及网络结构复杂是一方面,业务系统众多无法“照顾”过来才是最严重的问题。
问题四:数据源的质量
智能交通应用需要高质量的数据源,而目前设备长时间运行的性能得不到保证,数据质量不高限制了智能交通业务高水平的扩展应用。现代化的交通诱导和交通信号控制需要实时准确的交通流量数据以供交通状态判断以及短时交通预测使用。而由于目前系统健壮性不足,难以自行判断数据质量,从而使得交通诱导和信号控制系统不能发挥预期效用,从而影响了整体智能交通系统的投资价值。
问题五:信息安全问题
由于智能交通兼具交通工具带来的移动特性和通信传输所使用的无线通信两方面的特点,它也就集成了无线网和移动网两大类型网络的安全问题。然而,当前针对智能交通的研究还只是偏重于其功能的实现,忽略了其信息安全问题。实际上,无论是从信息的收集、信息的传输、信息的处理各个环节,智能交通都存在严重的信息泄露、伪造、网络攻击、容忍性等安全问题,亟须受到人们的关注和重视。
结语:未来伴随着移动互联网、大数据、车联网等技术越来越多地渗透到智能交通,将会使我们的出行越来越便捷、高效、舒适。对于管理部门来讲,通过智能交通设施大数据分析预测出行规律和趋势,科学安排各项保障工作,为全社会提供更好的公共交通服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02