精华内容
下载资源
问答
  • 某城市一天的出行数据数据大小900KB,共一万条数据,可用来做交通数据分析练习,可以了解城市当前交通结构状态,对于城市规划,交通管理等方面有着重要的参考价值
  • 中国交通数据集VOC 格式4000张图片
  • 交通数据预处理方法研究,金盛,王殿海,针对车辆检测器数据存在的大量缺失与异常的实际情况,论文在考虑采样间隔影响的情况下,设计了四步骤的数据筛选方法,保证错误数
  • 郑州市道路交通数据(精确)
  • 这是STA 160中流量组的GitHub存储库。...我们使用PeMS网站上的数据分析了5年内的湾区交通量。 数据以公路传感器数据的形式出现,并包括流量,速度等点。 我们的分析主要集中在可视化和探索数据的本质上。
  • 全国交通数据样本

    2016-07-14 22:34:51
    全国交通数据。要想要代码请到:http://www.oschina.net/code/snippet_2391943_58010
  • 文章目录交通标志、信号灯相关的数据集1. 国内数据集1. Chinese Traffic Sign Database (好像是长沙理工大学的)2. Tsinghua-Tencent 100K Tutorial(信号标志,没有灯的)3. 一个游戏中的交通标志数据集;4. 滴滴...

    文章目录

    交通标志、信号灯相关的数据集

    我最近在做交通标志和信号灯检测, 也在做这个方向的朋友,可以加群:904484709(目前只有我一个人,艰难前行)

    更新:2020-04-14 11:38:10 已经75人了。入群请改备注,谢谢。

    更新:2021年2月23日 10:59:15 已经287人了。入群请改备注,谢谢。

    1. 国内数据集

    1. Chinese Traffic Sign Database (自动化的) CTSDB

    1. 官网链接:http://www.nlpr.ia.ac.cn/pal/trafficdata/recognition.html
    2. 分类标志说明:The TSRD includes 6164 traffic sign images containing 58 sign categories. The images are devided into two sub-database as training database and testing database. The training database includes 4170 images while the testing one contains 1994 images. All images are annotated the four corrdinates of the sign and the category.
      截图如下:
      在这里插入图片描述
    • 检测标志说明:The TSDD includes 10000 traffic scene images containing many kinds of signs. The images are collected under different time,weather condition,lighting condition as well as moving blurring.
      截图如下:
      在这里插入图片描述

    2. CCTSDB 长沙理工大学在CTSDB数据集的基础上进行扩充后得到的

    1.下载链接:https://pan.baidu.com/s/1Swb48BppUJtuE3QeCcd4Yw 提取码:rv4s
    2. 论文名:A Real-Time Chinese Traffic Sign Detection Algorithm Based on Modified YOLOv2
    3. 目前百度云盘上传了15000 张图片,图片的尺寸不同意,交通标志比例变化大,其实就是不同数据集的大杂烩,加他们自己收集的一些数据集,目前只将交通标志分为了3个大类, 没有小分类。

    3. Tsinghua-Tencent 100K Tutorial(信号标志,没有灯的)

    1. 链接:https://cg.cs.tsinghua.edu.cn/traffic-sign/

    2. 简单说明:官网上写的是:It provides 100000 images containing30000 traffic-sign instances.但我实际将数据集下载下来后发现,没有这没多的数据集,大部分的数据都是都是 no sign 的图片,有背景的图片存放在一个大约1.8G的压缩文件中,压缩文件其中三个文件夹,分别存放的图片是 train文件夹存放了 6105张图片,test 文件夹存放了 3065 张图片,other 存放了7641 张(没标签 没sign的)图片。 所以总共能用的就大约一万张图片。

    3. 数据集论文链接:https://zpascal.net/cvpr2016/Zhu_Traffic-Sign_Detection_and_CVPR_2016_paper.pdf

    4. 感谢“机器学习之王临近亲”补充的 使用 “AlexeyAB/darknet” 版本的 YOLO 训练 TT100K 的链接(补充时间2021年4月17日 15:45:41):
      “机器学习之王临近亲:帮楼主补充一下 TT100K VOC格式:https://github.com/halftop/TT100K_YOLO_Label

    3. 一个游戏中的交通标志数据集(比赛结束,链接已失效);

    1. 数据简单说明:
      1.1. 只有交通标志,没有信号灯;
      1.2. 交通标志的种类已截图存放在:【游戏 交通标志的截图】中
      1.3. 训练图片和测试图片,分别有两万张,一共四万张图片。
      1.4. 图片的分辨率:3200 * 1800
      1.5. 图片的目标部分存在模糊情况,暂时没哟发现有明显遮挡的标志;

    4. 滴滴数据集(没有交通标志)

    1. https://outreach.didichuxing.com/d2city/challenge
      2.D2City
      是一个大规模行车视频数据集,提供了超过一万段行车记录仪记录的前视视频数据。https://outreach.didichuxing.com/d2city/d2city
    2. 滴滴数据集说明:
      2.1. 检测目标没有交通标志、类别是各种各样的车辆和人;

    5. 百度 ApolloScape 数据集(只有信号灯、没有交通标志;且信号灯的数据集只能在线使用)

    1. ApolloScape Datasethttp://apolloscape.auto/index.html

    2. 国外相关数据集

    1. LaRA (法国的,交通信号灯)

    1. LaRA 信号灯数据集链接:http://www.lara.prd.fr/benchmarks/trafficlightsrecognition
    2. 1.1万张图片。3381 “green” (called ‘go’), 58 “orange” (called ‘warning’), 5 280 “red” (called ‘stop’), 449 “ambiguous”

    2. LISA 交通标志数据集(美国的,交通标志和信号灯)(LISA和VIVA是使用相同的数据集)

    1. LISA 链接:http://cvrr.ucsd.edu/LISA/datasets.html
    2. 交通标志数据集(检测)一共有47类,6610帧。
    3. 交通信号灯数据集,一共20GB左右。

    3. BSTLD、Bosch(德国的博世,信号灯、没有交通标志的)

    1. 博世是德国的一个工业企业。
    2. 博士交通信号灯数据集:https://hci.iwr.uni-heidelberg.de/node/6132
    3. 申请到的数据集下载链接:https://hci.iwr.uni-heidelberg.de/node/6132/download/880383b80559a4027a764bb539abdf9c
    • 每个下载链接是1.86GB左右的文件,一共有20左右文件,即共有30GB的文件。
    1. 13427张图片(5000训练,8000测试)

    4. DTLD (美国的,信号灯)

    1. 目前最大的数据集,一共有23万标注信息,344个类别。

    5. VIVA 信号灯数据集(LISA和VIVA是使用相同的数据集)

    1. VIVA交通信号灯下载链接: http://cvrr.ucsd.edu/vivachallenge/index.php/traffic-light/traffic-light-detection/
    2. 5.2万张图片,6.6万标注。
    3. 测试数据集没有公布。
    4. 数据集以下载到台式机:C:\Users\qcdz-003\Downloads\LISA_TL_devkit
      在这里插入图片描述在这里插入图片描述

    6. BDD dataset、Berkeley DeepDrive (美国的、伯克利大学)

    1. 包括 Video Data,Road Object Detection,Instance Segmentation,Driveable Area,
      Lane Markings
    2. 10万段视频
    3. BDD具体说明见pdf: https://arxiv.org/pdf/1805.04687.pdf
    4. 中文介绍链接:http://baijiahao.baidu.com/s?id=1602307715555427747&wfr=spider&for=pc
    5. PDF本地保存路径为: F:\其他文档PDF\BDD自动驾驶数据集说明.pdfs

    7. GTSRB GTSDB (德国的,只有交通标志)

    1. 全称:The German Traffic Sign Detection/Recognition Benchmark
    2. 链接:http://benchmark.ini.rub.de/?section=gtsrb&subsection=dataset
    3. 分为分类数据和检测数据集:分类数据集有50000张,40个类别。检测数据集有900张(600训练,300验证)

    8. WPI 信号灯数据集 (美国的,冬天)

    1. WPI 信号灯数据集链接:http://computing.wpi.edu/dataset.html

    9. Swedish Traffic Signs Dataset(11年的数据)

    1. 下载链接:http://www.cvl.isy.liu.se/en/research/datasets/traffic-signs-dataset/
    2. 数据集的论文名: Using Fourier Descriptors and Spatial Models for Traffic Sign Recognition
    3. 3488 traffic signs , 6个类别如下:

    在这里插入图片描述在这里插入图片描述

    10. DFG Traffic Sign Data Set

    1. 数据集官网链接:http://www.vicos.si/Downloads/DFGTSD
    2. 论文链接/题目:2019_Deep Learning for Large-Scale Traffic-Sign Detection and Recognition
    3. 论文链接:https://arxiv.org/pdf/1904.00649
    4. 数据说明:
    • 200个类别
    • 7000张图片
    • 5254 training images and 1703 testing images
    • 6758 images with 1920x1080 resolution 199 images with 720x576
    • resolution The images have been anonymized by blurring the faces and
    • vehicle license plates to comply with the EU GDPR legislation. 13239
    • tightly annotated (polygon) traffic sign instances larger than 30 px
    • 4359 loosely annotated (bounding box) traffic sign instances smaller
    • than 30 px marked as ignore 200 traffic sign categories with at least
    • 20 instances per category roughly 70% of categories with a low
    • appearance changes and 30% with a large appearance variabili
      在这里插入图片描述
      在这里插入图片描述

    3. 其他

    1. Comma.ai

    1. 超过 7 个小时的高速公路驾驶视频。里面的数据包括汽车的速度、加速度、转向角和 GPS 坐标。

    2. CSSAD 数据集

    1. 包含自动车辆的感知和导航等数据,但着重于发达国家的道路。
    2. http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

    3. MIT AGE Lab:

    1. 麻省理工学院 AGE 实验室(MIT AGE Lab:):在 AgeLab 收集的 1,000 多小时多传感器驾驶数据集的样本。
    2. http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/
      https://www.cityscapes-dataset.com/
      在这里插入图片描述

    GitHub上的交通信号灯/交通指示牌数据集相关https://github.com/ytzhao/Robotics/wiki/TS-and-TL-Dataset

    4. 有用请点赞,谢谢!

    1. 点赞,积分+1

    2. 评论,积分+1

    展开全文
  • 谈智能交通数据分析平台系统设计-数据分析论文-计算机论文 文章均为WORD文档下载后可直接编辑使用亦可打印 摘要智能交通数据系统运用先进的技术例如通信计算机等方式对传统交通运输系统实施改造升级不仅能增强系统的...
  • 基于技术栈node.js、vue.js、webpack、gulp、mysql以及redis实现交通数据的可视化(包括实时)展示分析。
  • 对于时空交通数据的应用AI Time在KDD 2020顶会论文分享中分享了《基于时空孪生神经网络的轨迹识别》,点击查看,它通过时空交通数据进行出租车驾驶员身份识别,可以应用到本次分享中提到的时空轨迹数据。...

    ⬆⬆⬆ 点击蓝字

    关注我们

    AI TIME欢迎每一位AI爱好者的加入!

    2020年9月25-26日,2020年中国科技峰会系列活动青年科学家沙龙将迎来新的一期—“人工智能学术生态与产业创新”。本次活动由中国科学技术协会主办,清华大学计算机系、AI TIME、智谱·AI承办;大会完整视频报告,请在B站关注“AI Time论道”,或点击下方“阅读原文”。

    9月26日上午,大会邀请到北京交通大学计算机与信息技术学院万怀宇副教授做了名为《时空交通数据预测方法及应用》的主题演讲。

    对于时空交通数据的应用AI Time在KDD 2020顶会论文分享中分享了《基于时空孪生神经网络的轨迹识别》点击查看,它通过时空交通数据进行出租车驾驶员身份识别,可以应用到本次分享中提到的时空轨迹数据。

    在演讲中,万怀宇老师介绍了时空交通网络的概念,分别介绍了他在时空栅格数据和时空图数据方面的研究成果,最后分享了这些研究在实际应用中的一些实例。

    万老师个人主页:http://faculty.bjtu.edu.cn/8793/

    万怀宇,博士,副教授,博士生导师,现任计算机与信息技术学院计算机科学系副主任。2012年博士毕业于北京交通大学;2013年至2014年在清华大学计算机系从事博士后研究工作(合作导师:唐杰)。中国中文信息学会社会媒体处理(SMP)专委会常务委员、秘书,中国计算机学会(CCF)会员,中国人工智能学会(CAAI)会员,IEEE member。期刊《Data Intelligence》编委。主要研究方向为数据挖掘与信息抽取,具体研究兴趣包括时空数据挖掘、社交网络分析与挖掘、用户行为分析、文本信息抽取等。已在AAAI、ICDE、ECML PKDD等会议和IEEE TITS、KBS、JAMIA等期刊发表学术论文30余篇。

    本文是AI Time对报告主要内容的简单整理:

    一、什么是时空交通数据

    首先简单了解时空交通数据是什么。交通是一个属于国民生产生活中特别大的行业,比如铁路的交通网络、公路的交通网络、民航航线的交通网络、城市中与交通相关的网络,包括轨道交通,甚至说移动通信领域各个基站组成的蜂窝网络都可以看成是一种交通场景。从这些例子可以看到,交通领域中空间节点、边以及它们之间的空间相关性是非常复杂的。

    在面对不同的交通网络的时候,可以采取不同的形式化描述方式。比如,对于城市区域的人口密度、车辆密度、交通拥堵状态等数据,我们可以用热力图做形式化描述。当采用热力图做分析时,由于其空间是连续的,通常会采用一些方法来做分割,例如进行栅格分割获得比较规则的栅格数据。而在另外一些情况下,比如公路、铁路或者航线网络,天然就是一种图结构,很适合使用图来描述这些交通网络的空间结构。

    还有一些交通数据是由具体的用户或者交通对象,比方说人、车辆或者某些传感器,在运动过程中产生的轨迹数据。轨迹数据在空间维度上看,是由节点之间的转移关系,形成的路径或者轨迹。

    如果把刚才列举的这些空间栅格、空间图和空间轨迹,再加上时间轴,就会形成不同类型的时空交通数据。那么为什么要分出时空栅格数据、时空图数据和时空轨迹数据呢?因为不同的数据类型要做预测,需要采用不同的方法。例如时空栅格数据是比较规则的欧氏数据,欧氏数据可以通过基于矩阵或者张量的方法进行描述。但是对于节点之间的关系不规则的时空图数据,它是一种非欧氏数据,那就需要一些基于图的方法表示和预测。对于时空轨迹数据,是在时空维度上的序列数据,这可以采用基于序列的方法来做预测。接下来介绍一些我们在时空网格数据和时空图数据方面做的一些工作,最后简单介绍一下我们跟交通领域的一些单位或企业合作过程中的一些实际应用场景。

    总体上来看,时空交通数据预测过程中面临着一些比较共性的挑战。首先,交通数据可以看成时间序列数据,时间序列数据存在时间序列性,包括邻近性、周期性、趋势性等。所谓临近性,就是交通数据一般不会突变(除非发生偶然事件),例如早晚高峰的堵车,这是一个逐渐变化的过程,不会突然跟上一时刻相比发生断崖式的变化。还有一定的周期性,比如天周期性,周周期性还有节假日的特有周期性等,此外还有整体上的趋势性。时空交通数据在空间维度上存在异质性,也就是说,不同的区域或者位置的交通模式是不一样的。以堵车为例,比如北京的双清路的堵法和西直门的堵法是不一样的。最后从时间和空间两个维度来看,交通网络既在时间维度有相关性,在空间维度上也有相关性,同时这两个维度混合在一块叫时空相关性。要做交通数据的预测,就是要去考虑这些时间序列性,空间的异质性和时空相关性这些特质,怎么在模型中同时捕获这些性质。

    二、时空交通数据预测

    2.1

    时空栅格数据预测

    时空栅格数据预测的主要挑战主要是怎么样同时去捕获栅格数据的时空相关性,即在某一个时刻,某一个地点它的交通量跟它的邻近节点是有相关性的。另外,前一时刻各种不同的节点对当前时刻的某个节点之间也是有相关性的。更远一点的时间点,它的交通量对于当前时刻的交通量也都可能存在一定的相关性。上图显示的结构,显然有点像一种三维的立体结构,由此我们想到,可以把计算机视觉领域的相关3D处理方法,引入时空交通数据预测。

    上图是ST-3DNet (Spatio-Temporal 3D Convolutional Neural Network )  模型框架。对于时空栅格数据而言,直接采用二维卷积,或者在二维卷积的基础上加上时间维,这样形成一个假的三维卷积,也就是二维卷积的堆叠,这些方式不能真正从时间、空间维度同时捕捉数据的时空相关性。如果采用三维卷积,从空间维度上分别从经度和纬度,从时间维度上再加一个时间轴,这样是一种天然的三维结构,这样就能够把这种三维卷积引入到时空网格的预测,同时捕获时空的相关性。

    基于这样一种基本的三维卷积结构,可以对它进行进一步的堆叠,形成深度的时空三维卷积网络。然后,我们再沿着时间轴形成一个很长的时空数据,再分别在时间轴上比较邻近的和比较远的地方构建这种时空三维卷积组件,最后把各个组件结果进行融合做预测。我们在模型里面,通过三维卷积捕获时空相关性,通过类似于注意力机制的结构捕获时空异质性,最后通过模型的融合来捕获周期性。这样在整个模型中就能够把时空栅格数据的各种特性都能捕获到。

    本节相关论文:S. Guo, Y. Lin, S. Li, Z. Chen, H. Wan. Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting. IEEE Trans. on ITS , 2019.

    2.2

    时空图数据预测

    在我们的生活中,一些实际的场景中,不规则的数据远远要比规则数据更普遍。在这种交通网络结构上,面临的挑战同样是怎么样去对时空相关性做建模。比方说在空间维度上需要处理同一个时刻,不同的节点之间的相互影响。在时间维度上,同一个节点、同一条道路或者同一个站点,它的历史数据对未来数据会造成什么样的影响。在时空维度,一些邻近的节点,甚至相远的节点,他们对当前节点未来数据也是有一定的影响,这种影响跨越了时间和空间维度,我们怎么样建模过程中考虑它,这是我们在时空图数据预测中所面临的挑战。

    大家最近也会发现,深度学习领域的图神经网络非常流行。关于图神经网络方法在交通数据领域的应用,目前也有很多的学者做了这方面的工作,我们在2019年也做了一些这样的探索。首先我们在空间维度上用图卷积的方式捕获空间相关性,在每一个时间点上,同一个时刻先用空间的图卷积捕获空间关系,捕获到空间关系之后沿着时间轴排列起来,在时间维度上采用其他方式,例如一维卷积,或者循环神经网络,或者注意力机制来从时间维度进行建模。我们当时直接采用了一维卷积来捕获时间维度的信息。也就是首先从空间维度进行图卷积,然后在时间维度进行一维卷积,这样我们就可以构建一个能捕获时空相关性的结构或模块。

    上图是ASTGCN (Attention based Spatial-Temporal Graph Convolution Networks)  模型的架构。通过堆叠时空图卷积模块加深模型的深度,并且在时间轴上的不同位置建立不同的组件,比如近期组件用来捕获数据的邻近性,日周期组件和周周期组件用来捕获数据的周期性。总的来说,我们通过图卷积捕获空间相关性,通过一维标准卷积和多组件组合方式捕获时间维度的相关性,通过时空注意力机制捕获时空动态性,也就是异质性,这样我们的模型就会对整个时空图数据的各种特性有一个比较完整的建模,也在预测方面也取得了不错的效果。

    本节相关论文:S. Guo, Y. Lin, N. Feng, C. Song, H. Wan. Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting. AAAI , 2019.

    但是上述模型在获取时空同步依赖方面仍然是有缺陷的,它的做法是先对空间维度进行建模,然后再时间维度进行建模,这样不能同步地捕获时空依赖。因此我们对之前的方法进行了改进,建立一种局部时空子图。上图是STSGCN (Spatial-Temporal Synchronous Graph Convolutional Networks)  模型架构。时空子图同时囊括了当前时刻、前一时刻和后一时刻共三个时刻的局部图结构,在这个图结构上构建一个新的局部时空子图的邻接矩阵。在这样新的邻接矩阵上做图卷积操作,我们就得到一种新的时空同步图卷积网络结构,这个模型也进一步提升了时空图数据的预测性能。

    本节相关论文:C. Song, Y. Lin, S. Guo, H. Wan. Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting. AAAI, 2020.

    三、时空交通数据预测应用实例

    最后给大家分享几个我们在时空交通数据研究过程中的应用实例。

    我们跟一家航空公司合作,把时空图数据的预测模型应用于航班的需求预测。我们知道,一个航班在离起飞时间很早之前,会提前好几个月就开始售票,人们开始订票,整个过程中需求是有起伏的。因为航空公司之间面临着激烈的竞争,民航市场价格也是相对开放的,航空公司会有收益管理员负责航班的定价和放舱。什么时候该放舱,也就是把产品摆到货架上,什么时候该涨价或者打折,以前都是依靠收益管理员的经验,如果对航班需求变化曲线有一个比较准确的预测,就可以辅助收益管理员进行收益管理的相关决策。

    这是时空数据预测在高速公路上的一则应用。广东的虎门大桥非常拥堵,于是建了虎门二桥,也就是南沙大桥,但是虎门二桥改怎么收费需要做出决策。收多了民众不满意,就不走这儿过了,起不到分流的作用,收少了又收不回成本,在这样需求的情况下,我们通过对道路上车辆流量进行预测,并且对不同收费标准下的车流量进行仿真,最终给出一个合理的建议。

    另外,我们还跟滴滴合作,也做了一些探索。对于滴滴而言,通过用户的历史打车记录,能否预测出用户在未来一两天、两三天之内,某一个时间段范围内是不是存在某些OD(出发地-目的地对)的出行需求。这种预测主要为了促进共享出行,比如拼车的推荐,以及针对性营销,比如优惠券的精准发放。如果能够进行准确的OD预测,就可以把这个业务做得更好。

    另外,我们还尝试跟阿里菜鸟也了一些合作研究,去预测快递员在揽件或者派件过程中的路径。不同的快递员有不同的做法,有的很有经验,有的是新手,做路径预测可以给后台的订单分配提供依据。比方说新来一个订单,如果这个订单正好在某个快递员的揽收路径上,那么把这个新订单分配给这个快递员可能就比较合理,这样从时间上和成本上就会得到改善。

    总的来说,我感觉时空数据挖掘在智慧交通领域的应用前景非常广阔,值得我们去进行更多的探索。

    整理:闫昊

    审稿:万怀宇

    排版:田雨晴

    本周直播预告:

    AI Time欢迎AI领域学者投稿,期待大家剖析学科历史发展和前沿技术。针对热门话题,我们将邀请专家一起论道。同时,我们也长期招募优质的撰稿人,顶级的平台需要顶级的你,请将简历等信息发至yun.he@aminer.cn!

    微信联系:AITIME_HY

     

    AI Time是清华大学计算机系一群关注人工智能发展,并有思想情怀的青年学者们创办的圈子,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法、场景、应用的本质问题进行探索,加强思想碰撞,打造一个知识分享的聚集地。

    更多资讯请扫码关注

    (点击“阅读原文”查看直播回放)

    展开全文
  • 交通标志数据

    2019-04-19 13:38:08
    交通标志数据集,共有62类交通标志。其中训练集数据有4572张照片(每个类别大概七十个),测试数据集有2520张照片(每个类别大概40个)。数据包含两个子目录分别train与test 实战地址:...
  • 简介:在交通行业中,阿里云不仅具备成熟的方法论和工具,还联合高德、支付宝、阿里达摩院等,构成了一个内部协同生态,外部也积极与生态伙伴展开合作,全方位渗透交通各个领域和场景,是建设智能计算和催生智能分析...
    简介:在交通行业中,阿里云不仅具备成熟的方法论和工具,还联合高德、支付宝、阿里达摩院等,构成了一个内部协同生态,外部也积极与生态伙伴展开合作,全方位渗透交通各个领域和场景,是建设智能计算和催生智能分析的引擎。

    数字经济时代,计算、分析、处理等作为“关键生产要素”已成为行业和社会的共识。但是对于交通领域而言,以往端到端的方式进行平台搭建和应用开发已不能适应数字爆炸和产品快速迭代的要求。交通行业在计算分析方面面临着信息采集难、样式杂、变化快、价值低、应用难度高等诸多痛点。总结而言,主要体现在4个方面:

    (1)交通业务系统相互独立,数据孤岛现象严重,业务处理容量大但是无统一标准,采集的字段混乱,难以理解和应用?
    (2)先前已经搭建了交通大数据平台,但是缺乏行业知识库,计算分析能力弱,数据只是简单地BI展现,不能赋能业务创新?
    (3)业务部门多,资源接口混乱,复用性差,每次调用计算都需要开发新的接口,费时费力?
    (4)数字零散,全域融合难,缺乏计算价值挖掘,并且未和公众服务平台打通,交通相关APP用户量太少,不能从根本上解决“市民出行难”的问题?
    2.智慧交通.jpg

    那么,如何用新一代信息技术手段打通交通业务之间的内在联系,提升交通部门的协同效率?如何建成一个交通智能分析的全流程平台,实现交通系统上云、治理、分析、决策、结果展现等功能?这是我们探讨和解决的内容,以更好地支撑交通管理部门提升效能。
    1.智慧交通.png

    数据中台是交通行业数字化转型的最佳路径
    交通体系是一个复杂的系统,覆盖的场景丰富,牵涉的业务广泛,行政管理关系归口多,不仅有公路、铁路、水运、航空等行业线,执法、车管等职能线,还有区县、市级、省级等区域线。从组织架构上来看,管辖范围和侧重点不同,计算协同与应用本身就是一个巨大的挑战。

    如何让纷繁复杂的计算为业务场景服务,为交通治理提效?从当前的技术、业务和实践来看,“数据中台”是应对挑战的最佳路径,它以信息充分共享、资源高度融合、信息深度挖掘、部门协调联动为核心,通过构建一套大数据技术体系和统一的计算资源池,帮助交通企业快速推进实施数字化转型战略。
    0.智慧交通.png

    数据中台概念首次被阿里提出时是在2015年, 其定位就是紧贴业务,集方法论、工具、组织于一体的“快、准、全、统、通”的智能体系。历经内部复杂场景的实践后,在2018年正式通过阿里云全面对外输出数据中台能力,帮助企业实现数智化转型。在2020阿里云线上峰会上, 阿里云智能总裁张建锋表示,阿里云将会做深基础,做厚中台,做强生态,有信心真正做好数字经济时代的基础设施。这标志着阿里云进一步把数据中台引入全速重构业务数智化的深地。

    从“首次提出”到“全速重构”,阿里云数据中台累积了丰富的经验。而在交通领域,数据中台越来越受到重视,交通企业通过构建交通数据中台,可以形成数字资产,对业务方提供高价值、高可靠性、高效率、低成本、少浪费的的共享多样计算服务,快速支撑百花齐放的应用。

    阿里云交通数据中台解决方案提供从交通信息接入到计算应用的全链路智能资源构建与管理能力,帮助交通客户打破信息孤岛、融合全域信息,在把资源统一之后,会快速形成数据资产、挖掘计算价值,进而赋能交通业务,为客户提供高效服务。这些服务跟交通客户的业务有较强的关联性,是交通企业业务和资源的沉淀,其不仅能降低重复建设、减少烟囱式协作的成本,也是差异化竞争优势所在,助力交通行业数字化转型及智能应用的创新和推广。
    3.方案目标.png

    3大主要应用场景:自由流收费稽核、交通态势感知、ETC用户运营
    (1)合纠偏,统一路网表达,全量轨迹实时还原,实现最精准、全面、实时的收费稽核结果。
    (2)交通态势感知:基于视频、地图和人工录入事故等数据,对道路情况进行实时感知,并对事故进行智能分析处理。
    (3)ETC客户运营:ETC客户数字化运营,与异业协同共赢,共建会员生态,实现体验提升、交叉销售、协同获客、会员互认、权益互通等服务。
    4.方案架构.png

    5大核心优势:数据中台建设+实施的方法论和解决方案
    基于长期的最佳实践,阿里云沉淀了一整套数据中台建设+实施的方法论和解决方案,该解决方案具备5大核心优势:
    (1)统一的数据集成管理:统一集成管理不同来源、格式、特点性质的资源,从而为企业提供全面的资源共享。
    (2)高效的内容加工、服务能力:全域计算分析主题和场景设计,根据应用领域和类别,结合业务流程中的实际痛点和问题,确定分析洞察主题、相应的分析场景及核心的分析维度和指标。
    (3)端到端的行业数据安全策略:提供计算识别、敏感信息发现、信息分类分级、脱敏、访问监控、风险发现预警与审计能力,提高信息安全等级,便于进行信息权限管控。
    (4)提供丰富的交通行业知识库/模型:经过多年在城市大脑、智慧高速等项目上的积累,再加上对交通信息建模领域的深入研究,沉淀了丰富的交通算法模型,涵盖交通态势感知、调度优化、仿真预测、收费稽核等多个领域。
    (5)高效的全域信息共享交换:通过全域信息共享交换平台降低交通业务对技术的依赖,提升交通信息消费体验和效率,充分发挥交通业务创新潜能,提供交通数据资产变现能力。
    5.方案优势.png
    5大核心价值:让大数据真正驱动客户业务
    (1)开发更简单:中台提供的各种工具产品能够极大的简化开发过程,缩短治理周期,降低治理成本。
    (2)服务更便捷:能够赋予数据以业务价值,让各级用户能够直观的理解,并以此为基础向应用输出计算服务。
    (3)应用更智能:通过不断提升数字面向业务的价值,积累沉淀业务模型,能够向上层应用提供更加智能的信息计算。
    (4)资产更清晰:从宏观到微观助力资源管理方全面盘点数据资产,理清战略资源,做到让管理者心中有数。
    (5)运营更高效:遵循应用先行、以用带存、由存而通、因通促用的理念,实现城市智能化运营,驱动客户业务创新。
    6.结尾.jpg

    在交通行业中,阿里云不仅具备成熟的方法论和工具,还联合高德、支付宝、阿里达摩院等,构成了一个内部协同生态,外部也积极与生态伙伴展开合作,全方位渗透交通各个领域和场景,是建设智能计算和催生智能分析的引擎。

    未来,阿里云交通数据中台解决方案将发力高速公路、大中型机场、汽车制造商、大型港口以及城市的市内交通等各个领域,以数据产品+数据技术+方法论+场景实现的综合性输出,构建新一代交通数字化基础设施,推进交通智能化计算、技术极致提升和智能化业务的创新探索,为交通建设及城市发展注入智能化的新动力。

    阿里云智慧交通统一门户正式上线

    原文链接:https://developer.aliyun.com/article/765408?

    版权声明:本文中所有内容均属于阿里云开发者社区所有,任何媒体、网站或个人未经阿里云开发者社区协议授权不得转载、链接、转贴或以其他方式复制发布/发表。申请授权请邮件developerteam@list.alibaba-inc.com,已获得阿里云开发者社区协议授权的媒体、网站,在转载使用时必须注明"稿件来源:阿里云开发者社区,原文作者姓名",违者本社区将依法追究责任。 如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:developer2020@service.aliyun.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
    展开全文
  • 智慧交通预测挑战赛-数据
  • 这是关于西班牙马德里的一家交通服务公司的公共交通数据,可以用此数据来进行交通流预测,路径规划,路径导航方面的。
  • 交通数据来源整理

    千次阅读 2019-01-08 15:07:11
    深圳市道路交通运行指数 有全市概况、热点片区概况、道路概况等 高德实时路况数据获取教程1_简书 高德实时路况数据获取教程2_github 高德交通态势API 出行云-综合交通大数据开发云平台 开放的数据量比较有限,另外...
    展开全文
  • 交通 数据

    千次阅读 2019-02-21 22:06:00
    德国交通标志数据集 The German Traffic Sign Detection Benchmark 比利时交通标志数据集 Belgium Traffic Sign Dataset 伯克利大学数据集 Berkeley Deep Drive 转载于:...
  • 交通数据

    千次阅读 2018-09-11 08:33:00
    1.数据集包括500辆出租车近30天的(2008年5月17日-6月10日)行驶数据 2.车辆行驶数据的采样时间间隔1min 3.车辆轨迹数据包含:车辆ID-经纬度(位置)-是否载客-时间 4.无瞬时速度 下载链接:点击打开链接 二、...
  • 实时交通数据来源及使用说明

    千次阅读 2019-04-20 17:32:49
    常用的百度/ 高德实时交通数据,分为两种, 一种为实时交通切片图,以栅格图层叠加到地图上 一种为 通过Web服务API请求实时交通数据后以渲染,以矢量图层叠加到地图上 2、栅格切片实时交通数据 (1)百度...
  • 2017年9月20日,由广东省智能交通协会和赛文交通网联合主办的第三届(2017)华南智能交通论坛在广州召开,在“2017年智慧路网技术与应用发展”分论坛上,广东利通科技投资有限公司副董事长戴连贵就交通数据深度应用...
  • 一、讲座信息主题:时空交通数据预测方法及应用主讲人:北京交通大学万怀宇老师直播回放地址:https://www.bilibili.com/video/BV1Gi4y1V7zrPPT下载地...
  • python 交通流量数据

    2018-12-27 11:06:41
    用于岭回归模型进行交通流量预测的基础数据。根据已有的交通流量数据,对以后时间的车流量的信息进行回归预测。数据来源:某路口的交通流量监测数据,记录全年小时级别的车流量。
  • OpenStreetMap+Python画交通路网图Python+OpenStreetMap实现交通数据可视化(二):OpenStreetMap+Python画城市交通路网图读取地图`XML`文件用`networkX`构建交通网络结构导包将node加入到有向图对象`nx.DiGraph() `...
  • 基于高德地图的交通数据分析

    万次阅读 2018-08-21 23:30:10
    设计需求在于每天上班早高峰期,每次都提前出门,虽然有地图可以实时查看路况,但是再过一阵时间 就会异常的堵车如果通过数据监控分析每天指定路段在什么时间段相应的拥堵情况,即可合理控制时间. 有时候很早出门,却堵车...
  • 北京交通大学数据结构历年考题,出题教师,徐薇,李向前,孙永奇,黄亚平
  • 基于GTSRB数据集CNN,卷积神经网络交通标志识别
  • 交通数据采集与处理技术是构建智能交通系统的基础。首先通过分析各类交通数据采集技术,提出了基于CDMA网络实施动态交通数据采集的方法;然后以重庆市主城区为例构建了动态交通数据采集系统;最后结合城市道路交通的...
  • 交通数据集在哪里下载?

    万次阅读 热门讨论 2018-03-14 10:56:32
    本人系一研究生,研究方向为交通大数据分析,目前缺乏交通数据集,哪位老铁看到回复一下,在哪里可以下载到免费得交通轨迹数据,越新越好,鄙人将不胜感激!!!...
  • 用OpenStreetMap下载地图数据Python+OpenStreetMap实现交通数据可视化(一):用OpenStreetMap下载地图数据在OpenStreetMap上下载地图数据常见报错操作完美操作获取城市的ID根据城市ID获取城市路网数据 Python+Open...
  • 中国交通标志检测数据集-附件资源

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 141,842
精华内容 56,736
关键字:

交通数据