订阅云计算RSS CSDN首页> 云计算

2013中国智能交通与大数据技术峰会:迎接交通大数据新时代

发表于2013-12-06 18:27| 次阅读| 来源CSDN| 0 条评论| 作者宋慧

摘要:在2013BDTC上,来自中国智能交通协会、奇虎360、中国移动研究院、IBM、上海市城乡建设和交通发展院、北京市交通运行监测调度中心、深圳市综合交通运行指挥中心的专家们一致认为:智能交通已经迎来大数据时代。

北京市交通运行监测调度中心张可:北京的多模式交通协同运行与一体化服务

城市人口与空间规模不断扩大,使得交通系统承载能力和城市运行面临巨大挑战,尤其是面向多模式交通协同运行的监测和服务需求日益突出。为此,北京构建了包含公共交通、物流管理、交通管理、综合运输、应急指挥、公众服务和路网管理在内的北京市智能交通总体架构。


北京市交通运行监测调度中心(TOCC)副主任 张可

作为北京市综合交通运输协调体系的重要组成部分,北京市交通运行监测调度中心(TOCC) 建成于2010年底,2011年5月正式设立机构。据北京市交通运行监测调度中心(TOCC)副主任张可表示,TOCC已经建立了包含“交通数据中心、监测预警中心、运行协调中心、综合交通信息发布中心”在内的四大中心,实现运行监测、协调联动、决策支持与信息服务等功能,并为政府决策、行业监管、企业运营、百姓出行等提供服务支持。具体来看,TOCC已整合接入行业内外27个应用系统、6000多项静动态数据、6万多路视频,目前静动态数据存储达到20T,每天数据增量达30G左右,基本具备对综合交通运行监测的条件和能力,为构建人车路和环境协调运行的新一代综合交通运输运行协调体系提供了有力的支撑。

TOCC在动态数据接入方面实现重要突破。如对全市6.67万辆的出租车GPS数据可以做到实时接入,日均数据量可以达到6G。除此以外,还有地面公交GPS数据、轨道交通AFC进出站数据、民航到发航班及抵离港、旅客动态数据等十二项动态数据的接入。

事实上,包含路网运行、轨道交通、地面公交和综合运输等四大监测板块在内,北京已经初步构建了覆盖三大路网(城市路网、国省干线、高速公路)、三大市内交通方式(地面公交、轨道交通、出租汽车)、三大城际交通方式(公路客运、民航客运、铁路客运)的综合交通运行监测体系。覆盖了城市路网、国省干线、高速公路、地面公交、轨道交通、出租汽车、营运车辆、省际客运、旅游客运、化危运输、交通枢纽、民航客运、铁路客运、慢行交通、静态交通、交通气象、综合运输、动态数据、舆情信息等19个监测领域。

数据之后更为关键的是数据分析。轨道进站客流趋势,地面公交运送速度,出租汽车运营车辆判断、尾号限行对及交通指数的影响等。在定制化数据服务方面也有很多进展,如如政府部门交通运行状态研判,社会公众对交通运行状态的预测和企业行业的交通类数据分析等。

但面临高速公路、国省干线公路实时路况的获取和信息发布相对薄弱;运输方式服务比较分散;出租车的运营模式、服务能力和电召服务水平亟待提高;停车信息服务没有形成规模,缺少协调联动;公路设施状态监测能力不足,交通安全监测和服务手段有待完善等现状,还需要多方努力,达到与市场主导的个性化增值服务实现良性互动,形成可持续发展的运行机制。

同济大学杨超: 基于大数据的个体活动模型研究展望

同济大学交通运输工程学院教授杨超专注于交通系统模型的构建与研究。他认为大数据时代带来了更多样的数据来源与接近总体量级的样本。并且他大胆预测,通过大数据,未来每个人的个体活动93%是可以预测的。


同济大学交通运输工程学院教授 杨超

他认为交通系统模型通过对交通系统进行抽象化的处理,更加深刻的描述了交通系统的特征,方便了对交通系统的研究。传统的交通系统模型以交通流和OD为基础,是一种宏观的,集计的,状态的交通系统模型。而这样的模型则缺乏对于个体的行为的描述。

他总结了交通系统模型现状:

  • 交通流和OD是一种宏观的,集计的,表征状态的变量,缺乏对于出行机理的分析
  • 活动是出行的目的。交通是活动的派生需求,研究活动可以研究交通需求的产生机理
  • 基于活动的模型通过短期(1-2天)、小样本的居民活动调查,建立较粗粒度的活动链模型

最后杨超预测了未来智能交通与大数据结合发展趋势:1、预测周期的加长;2、更多的数据来源,如车联网物联网的整合;3、面向LBS的应用开发,例如智慧城市,WiFi热点的优化建设。

深圳市综合交通运行指挥中心总工关志超:深圳交通规划设计与运行监测技术研究的“八字”箴言

作为深圳市综合交通运行指挥中心总工程师,关志超认为城市交通已经进入大数据时代。传感技术、通信技术,特别是交通物联网技术的高速发展,使得人们出行能够感知更多的东西,人、车、路、环境四要素之间每时每刻互联互通为交通行业带来了新的发展机会。以“智能设施、智能公交、智能物流、智能政务”为基础的深圳城市智慧交通的数据大平台正在逐步形成。


深圳市综合交通运行指挥中心总工程师 关志超

在他看来,“监测、模型、仿真、评价”八字足以概括智能交通的特点。在深圳市交通规划设计中,城市交通模型系统采用了UTMS方法:

  • 交通出行产生与吸引:在城市区域内发生的出行量;
  • 交通出行分布:预测OD流量的过程;
  • 交通方式选择:预测各种出行工具所占每对OD出行总量的比例;
  • 交通量分配:将各种交通工具所分配的OD流量分配到相应路网的各路段上。

深圳市城市交通模型体系建设:

包括区域交通模型(RMS),宏观交通模型(CTS/RDS),中观交通模型(MMS),微观交通模型(SMS)等模型来构建多层次交通体系,形成全市统一的交通模型平台,满足不同层面与类别的交通决策支持需求。举例来看,区域交通模型应用在港、深、惠都市圈,实现了交通一体化的建设和管理。

构建基于城市交通模型系统的智能仿真平台包括:

  • 公路系统交通仿真;
  • 城市道路网络交通仿真;
  • 行人与非机动车交通仿真;
  • 交通环境仿真;
  • 交通安全仿真;
  • 面向ITS的道路交通系统仿真。

在关志超看来,城市交通规划中,其所面临资料采集与数据分析工作是多样的和庞大的,工作量超过50%的比重,高效、合理的资料收集与数据分析是交通规划核心基础。为此,在深圳城市交通智能化、信息化体系框架下,综合交通运行指挥中心定位在四个方面:数据中心、监测中心、可视中心、发布中心。而在此基础上,要实现“数据挖掘、动态存储、决策支持、信息共享”四大功能。

百度LBS技术总监顾维灏:交通革命的重点之一是可视化分析

百度LBS技术总监顾维灏认为大数据是通过海量数据的收集、存储、整理和分析,用群体智慧进行有效的判断和预测。

百度几乎拥有亚洲最大的数据存储基地,但不同的场景用户是不一样,百度研究数据的时候发现数据是复杂多样的。但是这些信息怎么优化,如何指导我们的分析工作,方便我们的生活,百度一直在尝试。大数据挖掘、分析、可视化是百度所有产品都可做的事情。


百度LBS技术总监 顾维灏

对于交通这个领域来讲,百度现在能做的事情更多是在出行方面。例如通过大众高频轨迹挖掘可给用户提供最快驾车路线建议。

他同时表示,现在使用手机导航的人越来越多,我们可以去看每个车上,车载导航仪和平板导航用户实际比例较少,手机导航用户更多。手机导航用户对导航结果更挑剔。百度LBS近半年在丰富数据,改变道路五个等级基础,百度认为道路肯定不是五个等级,可能是十个、二十个等级,还有其他影响。除了红绿灯,有的用户需要右转提示、有的需要左转,有的调头需要等左转灯,有的不需要,把这些属性加进来数据不再是五个等级。

而数据发生了改变,过去几十年研究很长时间的基本算法就有所改变,所以就带来了一个新的交通革命。道路算法不再是想象的算法,因为数据已经不是原来的数据。人们在数据的基础上会考虑时间,所谓的路况、所谓的事件,都是导航把用户指引到一个路口,人们对时间和空间的影响会越来越重视。

顾维灏最后总结:大数据时间和空间的信息优化、群体选择方案的影响、个体的习惯三方面将导致交通革命:低成本、高效率、更智能。

广州交通信息化建设崔德宝:大数据综合处理服务平台为广州交通提供差异化服务

物联网和移动互联网的用户增长,带来了交通信息需求的爆炸性增长。一套可以直接面对海量用户冲击的系统至关重要。作为广州交通的合作伙伴,广州交通信息化建设投资营运有限公司高级工程师崔德宝深入分享了其大数据综合处理服务平台的设计原则和技术架构。其中,非序列性数据操作、基于列的分布式数据、基于Hadoop框架的MapReduce模式、数据仓库等关键技术都有应用。


广州交通信息化建设投资营运有限公司高级工程师 崔德宝

在他看来,新时代智能交通的特点是动态化、全局化、低碳化和智能化。广州交通大数据综合处理服务平台整合了公安交警,交通运输系统信息资源,按一定标准规范完成多源异构数据的接入、存储、处理、交换、分发等功能,并面向应用服务,从而为实现部门间信息共享、各相关部门制定交通运输组织与控制方案和科学决策,以及面向公众和企业开展综合交通信息服务,提供数据支持的大型综合性信息集成系统。

目前,平台在广州本地产出的有效静止数据体量:

  • 统计独立数据库系统46个,
  • 各类型采集数据(数据采集字段)近3000种,
  • 每日新增运营数据记录已超过12亿条;
  • 1日数据为150GB/Day+150GB(索引+日志文件) ~300GB;1周:>2TB;1月:<10TB;1年:近120TB。而这些存储,并未考虑视频内容容量。

从技术层面来看,在人工管理、文件管理、数据库管理等之后,互联网的爆发式增长,使得大数据技术迅速,比如谷歌的分布式计算GFS和开源的Hadoop。所以,在大数据综合处理服务平台上,崔德宝:

基于非序列性数据操作技术,引入基于非序列性数据操作的超高速数据处理引擎技术的应用,包括新型存储设备的投入以及对旧有设备的整合兼容,应用业界领先的海量数据处理技术,满足苛刻的服务运营要求以及将现有资产资源的最大化利用。

基于列的分布式数据技术应用,引入Hadoop框架的一个重要核心机制,面向列的分布式数据库Hbase在数据规模和并发读写方面便于进行大规模数据的接入扩展,比关系型数据管理模型更适用于对交通数据的管理和存储。

基于Hadoop框架的MapReduce模式技术,Hadoop是一个能够对大量数据进行分布式处理的软件框架,而Map/Reduce是Hadoop的核心计算模型,它将复杂的运行于大规模集群上的并行计算过程高度的抽象到了两个函数。

除此以外,还有数据仓库技术、数据融合处理技术和实时数据分发订阅技术等。

本文为CSDN原创文章,未经允许不得转载,如需转载请联系market#csdn.net(#换成@)

更多精彩内容,请关注直播专题2013中国大数据技术大会(BDTC)  ,新浪微博@CSDN云计算

0
0
  • CSDN官方微信
  • 扫描二维码,向CSDN吐槽
  • 微信号:CSDNnews
程序员移动端订阅下载

微博关注