基于大数据的城市多模式交通系统协同优化平台研究 郑凯朱志泉 (苏交科集团股份有限公司信息工程研究所) 摘要:现代城市综合交通系统每天产生海量庞杂、异质多源、大范围时空关联的数据,蕴 含着具有丰富价值的信息。我国智能交通系统建设一直以来存在交通基础数据库与交通解决 方案严重脱节的问题,从而制约了城市综合交通系统的整体效能。通过构建基于大数据的城 市多模式交通系统协同优化平台,能够有效整合跨部门、跨区域的交通大数据资源,并充分 挖掘海量数据中蕴含的价值信息,突破综合交通大数据应用关键技术,对未来城市多模式交 通系统的规划、运营及管理提供有力的支持与支撑。致力于在城市群综合交通大数据应用技 术方向取得创新性成果,推动大数据与智能交通系统的融合,培育交通大数据产业。 关键词:互联网+;综合交通:大数据:数据融合。 引言 随着共享经济的不断发展,网约车(包括出租车和快车)已经成为了居民出行的重要选 择。其中滴滴出行自成立以来,就以推进共享交通为契机,致力于发展城市区域内的网约车 出租车共享等各种交通系统中的共享经济。目前滴滴坐拥87%以上的中国网约车市场份额 以及99%以上的网约出租车市场份额,虽然滴滴在绝大多数涉及的出行领域中占据了领先的 优势,但随着共享单车、定制公交等其他共享经济模式的发展,网约车新政的发布,网约车 过度发展带来的道路拥堵等因素的出现,网约车的优势呈现削弱的趋势,传统的网约车发展 模式受到了一定的限制和冲击,因此,网约车的运营模式亟待转型,丰富出行选择、促进组 合出行模式发展、提升出行效率和服务质量是未来滴滴出行竞争力的核心 1现状及需求 (1)在智能交通客运组织发展及体制建设方面 第一,要把联程联运系统建设提升到国家战略层面上来,并将之作为综合运输体系建设 的主要内容。第二,要推动建设国家智慧运输系统。要强化“互联网+”背景下智慧交通在 国家信息化、智能化战略体系中的地位。第三,要正确认识需求碎片化趋势与新兴业态价值 贡献,鼓励并支持创新,引导市场规范有序发展。要建立市场运行动态监测机制、风险评估 机制,政策匹配及时,防范社会风险。第四,要大力发展运输服务领域的智能终端产品,发 展多式联运专用智能运载设备与快速运转设备,推广智能生产和智慧工厂理念,响应“中国 制造2025”新国策,不断提高车、船、飞机、高铁制造装备水平,形成新的经济增长点 第五,要强化跨方式、跨行业、跨部门、跨区域基础信息资源的大范围整合,促进互联互通
基于大数据的城市多模式交通系统协同优化平台研究 郑凯 朱志泉 （苏交科集团股份有限公司 信息工程研究所） 摘 要：现代城市综合交通系统每天产生海量庞杂、异质多源、大范围时空关联的数据，蕴 含着具有丰富价值的信息。我国智能交通系统建设一直以来存在交通基础数据库与交通解决 方案严重脱节的问题，从而制约了城市综合交通系统的整体效能。通过构建基于大数据的城 市多模式交通系统协同优化平台，能够有效整合跨部门、跨区域的交通大数据资源，并充分 挖掘海量数据中蕴含的价值信息，突破综合交通大数据应用关键技术，对未来城市多模式交 通系统的规划、运营及管理提供有力的支持与支撑。致力于在城市群综合交通大数据应用技 术方向取得创新性成果，推动大数据与智能交通系统的融合，培育交通大数据产业。 关键词：互联网+；综合交通；大数据；数据融合。 引言 随着共享经济的不断发展，网约车（包括出租车和快车）已经成为了居民出行的重要选 择。其中滴滴出行自成立以来，就以推进共享交通为契机，致力于发展城市区域内的网约车、 出租车共享等各种交通系统中的共享经济。目前滴滴坐拥 87%以上的中国网约车市场份额， 以及 99%以上的网约出租车市场份额，虽然滴滴在绝大多数涉及的出行领域中占据了领先的 优势，但随着共享单车、定制公交等其他共享经济模式的发展，网约车新政的发布，网约车 过度发展带来的道路拥堵等因素的出现，网约车的优势呈现削弱的趋势，传统的网约车发展 模式受到了一定的限制和冲击，因此，网约车的运营模式亟待转型，丰富出行选择、促进组 合出行模式发展、提升出行效率和服务质量是未来滴滴出行竞争力的核心。 1 现状及需求 (1)在智能交通客运组织发展及体制建设方面 第一，要把联程联运系统建设提升到国家战略层面上来，并将之作为综合运输体系建设 的主要内容。第二，要推动建设国家智慧运输系统。要强化“互联网+”背景下智慧交通在 国家信息化、智能化战略体系中的地位。第三，要正确认识需求碎片化趋势与新兴业态价值 贡献，鼓励并支持创新，引导市场规范有序发展。要建立市场运行动态监测机制、风险评估 机制，政策匹配及时，防范社会风险。第四，要大力发展运输服务领域的智能终端 产品， 发 展多式联运专用智能运载设备与快速运转设备，推广智能生产和智慧工厂理念，响应“中国 制造 2025”新国策，不断提高车、船、飞机、高铁制造装备水平，形成新的经济增长点。 第五，要强化跨方式、跨行业、跨部门、跨区域基础信息资源的大范围整合，促进互联互通
与共享开发,加强平台统筹建设,实现功能完善、公众体验、及时交互的公共信息服务“一 网通”。第六,要重构运输服务行业治理体系 (2)在智能交通客运组织系统设计方面 结合智慧交通领域的发展现状,对数据挖掘在智慧交通领域的实际应用进行了分析,同 时结合数据挖掘的理论方法以及智慧交通的硏究情况,提出了智慧城市理念,并利用相对典 型的案例,对实际操作情况进行了分析和阐述 作为复杂巨系统的智能交通系统的信息特性及其不确定性;指出控制的实时性要求在交 通流状态迅速变化条件下尽快求出最优或次优控制变量,传统的基于数学建模方法的局限性 决定其无法解决这些难题;对应用数据挖掘技术处理智能交通系统的某些具体问题进行了分 2系统架构 制定不同阶段的发展目标:明确不同层级的建设任务:构建智慧交通的总体架构;提出 持续有效的保障措施。 技术路线图 碳日曰分」 国内外利势调研分[想化玻状调好分桥][发展功势与雨采分 目标 定总体发展」 鲁级交通管理机构][交通企事业单位了□杜会公众一 若竹管漫门[值服务门[决天持[应急指样]用 管专题】[公露专[道专楚 [港口专题][海事专题][其他专题 [理系国认证系国卫系】天系 统一数采焦系」[一通系」 数据与数 【」 数测推送][数网」[数交[数售抽取」数平台 排管理处][公露管理处[港口管理局 航道管理处 为[一[翻 保障匚织与管理保障匚割与经费保障匚水与人才保障匚与标准保障 3关键技术 31城市道路拥堵识别技术 (1)城市道路拥堵区域识别
与共享开发，加强平台统筹建设，实现功能完善、公众体验、及时交互的公共信息服务“一 网通”。第六，要重构运输服务行业治理体系。 (2)在智能交通客运组织系统设计方面 结合智慧交通领域的发展现状，对数据挖掘在智慧交通领域的实际应用进行了分析，同 时结合数据挖掘的理论方法以及智慧交通的研究情况，提出了智慧城市理念，并利用相对典 型的案例,对实际操作情况进行了分析和阐述。 作为复杂巨系统的智能交通系统的信息特性及其不确定性；指出控制的实时性要求在交 通流状态迅速变化条件下尽快求出最优或次优控制变量，传统的基于数学建模方法的局限性 决定其无法解决这些难题；对应用数据挖掘技术处理智能交通系统的某些具体问题进行了分 析。 2 系统架构 制定不同阶段的发展目标；明确不同层级的建设任务；构建智慧交通的总体架构；提出 持续有效的保障措施。 技术路线图： 制定 发展 目标 项目目标分析 国内外形势调研分析 信息化现状调研分析 发展趋势与需求分析 制定总体发展思路 构建 总体 架构 标 准 规 范 体 系 安 全 运 维 体 系 运输管理处 公路管理处 航道管理处 地方海事局 港口管理局 交通运行 检测设备 交通环境 检测设备 运载工具 终端设备 资 源 层 通 信 网 络 基础库 业务库 主题库 数据库 数据推送 数据同步 数据交换 数据抽取 数据平台 集 成 层 统一地理信息系统 统一卫星定位系统 统一数据采集系统 统一通信系统 统一认证系统 支撑系统 数据融合与数 据挖掘技术 决策支持 关键技术 智能交通运输 数据交换标准 支撑课题 支 撑 层 运管专题 公路专题 航道专题 港口专题 海事专题 其他专题 运行管理 信息服务 决策支持 应 用 层 二级 业务专题 一级 应用平台 各级交通管理机构 交通企事业单位 社会公众 应急指挥 …… …… 共享交换库 …… …… 明确 建设 任务 提出 保障 措施 组织与管理保障 机制与经费保障 技术与人才保障 规范与标准保障 3 关键技术 3.1 城市道路拥堵识别技术 （1）城市道路拥堵区域识别
基于道路网划分的网格,对网约车出行轨迹进行拆分,挖掘各网格区域轨迹数据,从点、 线、面的角度综合识别交通拥堵,考虑交叉口信号周期、网格内道路等级以及网格内出行终 点分布等因素的影响,选取网格交通拥堵特征指标,通过对历史轨迹数据进行聚类分析,确 定最佳交通拥堵特征阈值,对网格当前拥堵程度进行识别和评价。重点研究交通拥堵特征阈 值的确定,并对其合理性进行验证。 (2)城市道路拥堵形成、发展与消散的机理分析 提取拥堵区域网格内的网约车轨迹特征,剖析当前时段、当前区域内交通拥堵的产生原 因,从交通需求、交通供给、以及交通环境等方面分析诱发交通拥堵的相关因素,研究区域 内发生拥堵的周期性规律,分析并预测拥堵车流在过去和未来时段的空间分布情况,挖掘拥 堵形成和消散的主要通道 (3)城市道路拥堵时空关联性分析 运用特征参数表征各网格内交通状态随时间段的变化,研究时空约束下的关联性算法, 挖掘拥堵路网网格间的时空关联特性,分析关联特性的内在原因,基于拥堵形成、发展与消 散的机理,研究路网拥堵的时空演化规律,预测路网交通拥堵的传播趋势,为交通管理、交 通规划、路径诱导和用户岀行提供决策支持。重点硏究如何建立关联性算法来挖掘网格间的 时空关联特性。 32城市路网实时监测技术 (1)道路网流量监测 通过互联网对卡口交通数据流量信息的实时采集,通过交通流时空关联特性分析和相关 预测算法,建立基于时空特性分析的短时交通流预测模型,对目标路段路口相邻的上游路口 交通流进行预测,得到预测的空间交通流量。对目标路段来自相邻上游路段交通流向系数分 析,预测监控卡口路段相邻上游路段来车数量。对车辆数据信息进行分析和快速处理后,能 够实时动态的判断和准确预测道路交通流量状况 (2)相邻卡口间路段交通参数的确定 对车辆完整的被检测记录点进行按时间的排序,按车辆个体组织数据并以行程时间阈值 识别车辆的单次出行,挖掘车辆单次出行完整信息,对卡口数据进行车辆出行信息进行挖掘, 根据处理后的数据采用车牌匹配算法获取多辆车辆经过两个相邻卡口间路段区间的行程时 间及对应的行程车速,并计算该路段区间的平均行程时间及平均车速,表征不同路段上的道 路交通状态
基于道路网划分的网格，对网约车出行轨迹进行拆分，挖掘各网格区域轨迹数据，从点、 线、面的角度综合识别交通拥堵，考虑交叉口信号周期、网格内道路等级以及网格内出行终 点分布等因素的影响，选取网格交通拥堵特征指标，通过对历史轨迹数据进行聚类分析，确 定最佳交通拥堵特征阈值，对网格当前拥堵程度进行识别和评价。重点研究交通拥堵特征阈 值的确定，并对其合理性进行验证。 （2）城市道路拥堵形成、发展与消散的机理分析 提取拥堵区域网格内的网约车轨迹特征，剖析当前时段、当前区域内交通拥堵的产生原 因，从交通需求、交通供给、以及交通环境等方面分析诱发交通拥堵的相关因素，研究区域 内发生拥堵的周期性规律，分析并预测拥堵车流在过去和未来时段的空间分布情况，挖掘拥 堵形成和消散的主要通道。 （3）城市道路拥堵时空关联性分析 运用特征参数表征各网格内交通状态随时间段的变化，研究时空约束下的关联性算法， 挖掘拥堵路网网格间的时空关联特性，分析关联特性的内在原因，基于拥堵形成、发展与消 散的机理，研究路网拥堵的时空演化规律，预测路网交通拥堵的传播趋势，为交通管理、交 通规划、路径诱导和用户出行提供决策支持。重点研究如何建立关联性算法来挖掘网格间的 时空关联特性。 3.2 城市路网实时监测技术 （1）道路网流量监测 通过互联网对卡口交通数据流量信息的实时采集，通过交通流时空关联特性分析和相关 预测算法，建立基于时空特性分析的短时交通流预测模型，对目标路段路口相邻的上游路口 交通流进行预测，得到预测的空间交通流量。对目标路段来自相邻上游路段交通流向系数分 析，预测监控卡口路段相邻上游路段来车数量。对车辆数据信息进行分析和快速处理后，能 够实时动态的判断和准确预测道路交通流量状况。 （2）相邻卡口间路段交通参数的确定 对车辆完整的被检测记录点进行按时间的排序，按车辆个体组织数据并以行程时间阈值 识别车辆的单次出行，挖掘车辆单次出行完整信息，对卡口数据进行车辆出行信息进行挖掘， 根据处理后的数据采用车牌匹配算法获取多辆车辆经过两个相邻卡口间路段区间的行程时 间及对应的行程车速，并计算该路段区间的平均行程时间及平均车速，表征不同路段上的道 路交通状态
(3)道路区段交通拥堵指数计算 基于卡口的历史统计数据,通过时空聚类分析,确定路段区间的历史路况参数,设定合 理阈值同步分析相同区段的数据,有效的对区域内路进行分析,将路段区间平均行程状况指 标与自由行程下对应的路况指标阈值进行比较,得到该路段区间的实时路况。 33城市路网状态预测技术 (1)基于多源数据融合和神经网络的交通量估计模型 在实现路网实时监测的基础上,基于单一数据源的路网状态预测既不全面也不准确。浮 动车数据具有时间和空间上的广域性,但其只占路网全部车辆的一部分,难以直接表征路网 实际情况;卡口数据能很好地反映一个路段的真实流量,但其空间上的覆盖率过低,无法获 知路网任意路段的流量。 因此考虑以卡口数据作为实际状态的标签,以分时段的路段浮动车流量作为输入,采用 监督学习的方法,基于人工神经网络,建立由浮动车数据到真实交通量的估计模型。利用高 精度交通流参数估计模型,对各个路段、各个时间窗的实际交通量进行预测。 (2)基于张量的路况表征模型 由于交通流在时空上的自相关性、不稳定性及实际采集数据的离散和缺失问题,传统的 使用单一、静态参数的方法无法准确全面地表征交通状态,无法捕捉数据的深层次特征。本 研究探究使用一种基于张量的方法,根据髙精度交通流参数估计模型的结果,在数据组织层 面体现交通流的时空相关性,利用张量的数学特性弱化交通流不稳定性的影响,同时利用张 量数据补全技术,解决数据的离散和缺失问题 3)基于LSTM和卷积神经网络的融合短时流量预测模型 传统的参数模型难以准确捕捉短时交通流在时间上的变化模式,而基于原始递归神经网 络的机器学习方法易发生梯度爆炸和梯度弥散效应,长短期记忆模型(LSIM),由于在网络 结构上利用门控方法,通过在样本上的训练过程,对长期记忆和短期记忆进行有选择的取舍 从而对真实的时间影响进行拟合,能够较好地描绘交通流在时间上的发展模式, 同时,流量在空间上也呈现相关性,表现在相邻路段的流量接近,卷积神经网络(CN) 利用多层的卷积和采样层,考虑空间上近邻的样本之间的联系,并捕捉其数学联系,从而描 绘了流量在空间上的相关性。因此,本项目结合长短期记忆模型和卷积神经网络模型,对道 路流量的时空两个维度上的特征进行精准捕捉,实现短时的准确预测 (4)基于集成学习的路网车速预测模型
（3）道路区段交通拥堵指数计算 基于卡口的历史统计数据，通过时空聚类分析，确定路段区间的历史路况参数，设定合 理阈值同步分析相同区段的数据，有效的对区域内路进行分析，将路段区间平均行程状况指 标与自由行程下对应的路况指标阈值进行比较，得到该路段区间的实时路况。 3.3 城市路网状态预测技术 （1）基于多源数据融合和神经网络的交通量估计模型 在实现路网实时监测的基础上，基于单一数据源的路网状态预测既不全面也不准确。浮 动车数据具有时间和空间上的广域性，但其只占路网全部车辆的一部分，难以直接表征路网 实际情况；卡口数据能很好地反映一个路段的真实流量，但其空间上的覆盖率过低，无法获 知路网任意路段的流量。 因此考虑以卡口数据作为实际状态的标签，以分时段的路段浮动车流量作为输入，采用 监督学习的方法，基于人工神经网络，建立由浮动车数据到真实交通量的估计模型。利用高 精度交通流参数估计模型，对各个路段、各个时间窗的实际交通量进行预测。 （2）基于张量的路况表征模型 由于交通流在时空上的自相关性、不稳定性及实际采集数据的离散和缺失问题，传统的 使用单一、静态参数的方法无法准确全面地表征交通状态，无法捕捉数据的深层次特征。本 研究探究使用一种基于张量的方法，根据高精度交通流参数估计模型的结果，在数据组织层 面体现交通流的时空相关性，利用张量的数学特性弱化交通流不稳定性的影响，同时利用张 量数据补全技术，解决数据的离散和缺失问题。 （3）基于 LSTM 和卷积神经网络的融合短时流量预测模型 传统的参数模型难以准确捕捉短时交通流在时间上的变化模式，而基于原始递归神经网 络的机器学习方法易发生梯度爆炸和梯度弥散效应，长短期记忆模型（LSTM），由于在网络 结构上利用门控方法，通过在样本上的训练过程，对长期记忆和短期记忆进行有选择的取舍， 从而对真实的时间影响进行拟合，能够较好地描绘交通流在时间上的发展模式。 同时，流量在空间上也呈现相关性，表现在相邻路段的流量接近，卷积神经网络（CNN） 利用多层的卷积和采样层，考虑空间上近邻的样本之间的联系，并捕捉其数学联系，从而描 绘了流量在空间上的相关性。因此，本项目结合长短期记忆模型和卷积神经网络模型，对道 路流量的时空两个维度上的特征进行精准捕捉，实现短时的准确预测。 （4）基于集成学习的路网车速预测模型
车速在不同路段,甚至不同车辆直接,由于受到道路状况、天气、性能等多方面因素的 影响,在城市道路这种复杂环境下具有较大的随机性,使用传统的参数模型及机器学习算法 无法取得较好的预测效果。 集成学习算法通过结合多个弱学习器,综合考虑全方位因素,适合处理多维特征数据 本项目利用天气等基础数据、历史车速数据,结合流量预测模型,建立基于集成学习方法的 随机森林模型,即包含多个决策树的分类器(输出的类别由各决策树输岀类别的众数决定)。 在不进行特征选择的前提下,该方法可进行高维度( multi- feature)数据的处理,且在训 练过程中能够检测不同特征输入之间的相互影响,并在训练过程中提取重要特征,从而实现 对路网各路段车速的短时预测 5)基于拥堵识别模型的城市道路拥堵预测 利用之前的路况表征模型、短时流量预测模型及车速预测模型得到目标路段在目标时间 点的交通状态预测值,使用建立的拥堵识别模型得到城市道路的历史拥堵数据,分长时和短 时对进行整个路网范围内的拥堵预测建模 34城市公共交通需求分析及预测技术 (1)基础数据分析 基于公交IC数据、GPS数据和手机信令数据,具体分析原始数据特征是对原始数据加 以挖掘利用的基础,为此首先对基础数据的采集可行性、基础数据的数据结构、基础数据的 预处理方法等进行分析与研究。 使用数据融合方法确定乘客的上车站点和下车站点,构建居民出行链,通过上下车站点 和换乘行为判断得到居民出行0D矩阵 (2)出行选择和行为识别 出行行为识别模型从手机的轨迹中解构出人的出行特征,包括出行链的识别,出行起点 识别、出行终点识别、家的识别、固定工作地(就学地)的识别、出行路径的识别、出行距 离、时耗、出发时间、出行方式识别等 (3)乘客需求特征分析 得到常规公交各条线路的线路设计指标后,结合上一步得到的出行OD矩阵分析乘客需 求特征,两个系统内和系统间进行纵向和横向对比,在线路位置、单线长度、站点区位、接 驳条件、发班次数等因素中,使用回归分析方法,寻找影响公交运营效果的关键因素 (4)公共交通需求预测
车速在不同路段，甚至不同车辆直接，由于受到道路状况、天气、性能等多方面因素的 影响，在城市道路这种复杂环境下具有较大的随机性，使用传统的参数模型及机器学习算法 无法取得较好的预测效果。 集成学习算法通过结合多个弱学习器，综合考虑全方位因素，适合处理多维特征数据。 本项目利用天气等基础数据、历史车速数据，结合流量预测模型，建立基于集成学习方法的 随机森林模型，即包含多个决策树的分类器（输出的类别由各决策树输出类别的众数决定）。 在不进行特征选择的前提下，该方法可进行高维度（multi-feature）数据的处理，且在训 练过程中能够检测不同特征输入之间的相互影响，并在训练过程中提取重要特征，从而实现 对路网各路段车速的短时预测。 （5）基于拥堵识别模型的城市道路拥堵预测 利用之前的路况表征模型、短时流量预测模型及车速预测模型得到目标路段在目标时间 点的交通状态预测值，使用建立的拥堵识别模型得到城市道路的历史拥堵数据，分长时和短 时对进行整个路网范围内的拥堵预测建模。 3.4 城市公共交通需求分析及预测技术 （1）基础数据分析 基于公交 IC 数据、GPS 数据和手机信令数据，具体分析原始数据特征是对原始数据加 以挖掘利用的基础，为此首先对基础数据的采集可行性、基础数据的数据结构、基础数据的 预处理方法等进行分析与研究。 使用数据融合方法确定乘客的上车站点和下车站点，构建居民出行链，通过上下车站点 和换乘行为判断得到居民出行 OD 矩阵。 （2）出行选择和行为识别 出行行为识别模型从手机的轨迹中解构出人的出行特征，包括出行链的识别，出行起点 识别、出行终点识别、家的识别、固定工作地（就学地）的识别、出行路径的识别、出行距 离、时耗、出发时间、出行方式识别等。 （3）乘客需求特征分析 得到常规公交各条线路的线路设计指标后，结合上一步得到的出行 OD 矩阵分析乘客需 求特征，两个系统内和系统间进行纵向和横向对比，在线路位置、单线长度、站点区位、接 驳条件、发班次数等因素中，使用回归分析方法，寻找影响公交运营效果的关键因素。 （4）公共交通需求预测