可以說(shuō)，交通問題已經(jīng)嚴(yán)重影響到城市的有序運(yùn)行和可持續(xù)發(fā)展，導(dǎo)致社會(huì)成本大大提高，同時(shí)也成為影響出行體驗(yàn)的重大因素，是市民最為困擾的問題之一。公安部公布的另一項(xiàng)數(shù)據(jù)表明，截止今年9月底，中國(guó)的汽車保有量已經(jīng)達(dá)到1.9億輛。一方面交通流量的激增，加劇了擁堵壓力；另一方面出行結(jié)構(gòu)的變化雖然給市民帶來(lái)了便捷，但卻沒有根本性解決出行難問題，目前出行供給及出行需求“倒掛”現(xiàn)象依舊。在此背景下，盡管很多的智慧城市項(xiàng)目將重點(diǎn)投入了智慧交通中，但效果并不明顯，有效治理并能夠緩解交通壓力的城市寥寥無(wú)幾。

到底如何拿出有效的辦法解決交通行業(yè)的諸多問題？又該如何利用大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)、人工智能等新技術(shù)為治理交通服務(wù)，讓交通真正“智慧”和“聰明”起來(lái)？

在找到解決交通問題的可行辦法之前，我們不妨先來(lái)看看目前諸多城市進(jìn)行的智慧交通基礎(chǔ)建設(shè)面臨的問題。大數(shù)據(jù)時(shí)代下，智慧交通的基礎(chǔ)性建設(shè)大體分為四個(gè)階段，IDC建設(shè)、數(shù)據(jù)平臺(tái)建設(shè)、數(shù)據(jù)集采與數(shù)據(jù)共享。從目前國(guó)內(nèi)交通大數(shù)據(jù)中心建設(shè)的情況來(lái)看，還是以機(jī)房建設(shè)為主，在中興通訊看來(lái)，有少數(shù)城市做到了數(shù)據(jù)集采和存儲(chǔ)，但是再往上看，能在SaaS層面做到數(shù)據(jù)共享的城市就更少了。

背后的原因是什么？其中有政府管理模式的問題，比如交通行業(yè)是按照管理目標(biāo)方式來(lái)區(qū)分的分散管理的模式，管理主體眾多，層次交叉重疊，如果說(shuō)這個(gè)原因不是主要因素。有一個(gè)關(guān)鍵因素不得不說(shuō)，其可以視為在實(shí)施智慧交通系統(tǒng)項(xiàng)目時(shí)的頂層設(shè)計(jì)問題。

中興通訊認(rèn)為，關(guān)鍵在于缺少一個(gè)頂層的數(shù)據(jù)管理體系作為數(shù)據(jù)的統(tǒng)一規(guī)劃者，即“一張藍(lán)圖，一個(gè)流程，一個(gè)制度，一套體系，一支隊(duì)伍”。數(shù)據(jù)的集采不是將機(jī)房、平臺(tái)建好了，放在那里，數(shù)據(jù)就能來(lái)的，也不是數(shù)據(jù)采集來(lái)了，放在那里，它就能產(chǎn)生價(jià)值的。數(shù)據(jù)在生命周期內(nèi)，不斷地積累，不斷地更新強(qiáng)化，最終到使用，需要有一個(gè)持續(xù)的過(guò)程。

平臺(tái)或數(shù)據(jù)資源的整合需要銜接國(guó)土、規(guī)劃、發(fā)改、住建、民政等具體業(yè)務(wù)部門，在委辦局進(jìn)行項(xiàng)目需求建設(shè)的時(shí)候，需要由這個(gè)頂層部門進(jìn)行數(shù)據(jù)模型的邏輯規(guī)劃，設(shè)定數(shù)據(jù)的訪問范圍與權(quán)限級(jí)別，從邏輯上整合，從物理上打破離散，真正的去橋接交通數(shù)據(jù)的孤島。

當(dāng)然，在實(shí)現(xiàn)跨部門、跨地區(qū)的交通互聯(lián)共享平臺(tái)的基礎(chǔ)上，規(guī)范交通系統(tǒng)的數(shù)據(jù)標(biāo)準(zhǔn)也必不可少，這樣才能降低對(duì)交通數(shù)據(jù)的分析與預(yù)測(cè)錯(cuò)誤率，保障數(shù)據(jù)能夠真實(shí)反映道路的交通運(yùn)行情況。 

頂層設(shè)計(jì)之外，當(dāng)然還少不了可靠的智慧交通系統(tǒng)基礎(chǔ)設(shè)施。但是傳統(tǒng)的智能交通主要關(guān)注的路面交通情況，其感知水平?jīng)Q定了無(wú)法將人、車、路及環(huán)境作為一個(gè)整體進(jìn)行看待。從中興通訊這樣的ICT運(yùn)營(yíng)商的角度來(lái)看待這一問題時(shí)，會(huì)從人、車、路及環(huán)境（公路四要素）之間的關(guān)系及關(guān)系數(shù)據(jù)的IO（Input/Output）來(lái)直接切入到公路管理與服務(wù)中來(lái)。人、車、路、環(huán)境彼此之間既是交通數(shù)據(jù)的使用者，也是交通數(shù)據(jù)的貢獻(xiàn)者。

中興的交通運(yùn)輸智能監(jiān)測(cè)和應(yīng)急指揮系統(tǒng)即按照這個(gè)思路進(jìn)行建設(shè)的。交通監(jiān)測(cè)系統(tǒng)與市面上產(chǎn)品不同的是，通過(guò)全面的物聯(lián)網(wǎng)感知技術(shù)，對(duì)監(jiān)控對(duì)象的狀態(tài)進(jìn)行更為細(xì)致的洞察，通過(guò)高速無(wú)線網(wǎng)絡(luò)實(shí)時(shí)接入到云計(jì)算中心進(jìn)行快速分析、數(shù)據(jù)決策、聯(lián)合處置，提升交通運(yùn)輸運(yùn)行效率，保障交通運(yùn)行安全。

以交通監(jiān)測(cè)系統(tǒng)的一個(gè)最佳實(shí)踐舉例來(lái)說(shuō)，很多長(zhǎng)途運(yùn)輸車輛在夏季工作的時(shí)候，輪胎的溫度可以達(dá)到60℃以上，如果不經(jīng)常性的采取降溫措施，很容易發(fā)生爆胎。通過(guò)安裝在車輛輪胎上的溫度傳感器，實(shí)時(shí)獲取輪胎的溫度，通過(guò)車輛的CAN總線系統(tǒng)，將數(shù)據(jù)實(shí)時(shí)傳輸?shù)浇煌ㄟ\(yùn)輸監(jiān)控中心，交通運(yùn)輸監(jiān)控中心結(jié)合車輛的運(yùn)行時(shí)間、運(yùn)行路段的路況，判斷車輛的輪胎是否處在危險(xiǎn)的狀態(tài)，監(jiān)控中心會(huì)向司機(jī)發(fā)送告警信息。

另外在出行服務(wù)端，中興提出了“交通數(shù)據(jù)眾籌”的理念，出行者可以將實(shí)時(shí)的交通信息上報(bào)到云。比如，當(dāng)我們駕車在城市道路上行駛，前方出現(xiàn)了一起事故，占用了一條車道，云端在進(jìn)行數(shù)據(jù)巡檢時(shí)，判斷這段道路出現(xiàn)了問題，但是具體是什么問題，需要借助視頻或者人工巡檢的方式確認(rèn)。如果我們有App，我就可以直接在當(dāng)前的位置標(biāo)注一個(gè)事件，定義為事故并分享它，這樣，凡是會(huì)經(jīng)過(guò)這個(gè)路段的駕駛員都會(huì)看到這個(gè)標(biāo)注信息，提前選擇繞行線路。另外交通管理者也可以及時(shí)確認(rèn)事件類型，選擇合適的應(yīng)急預(yù)案，節(jié)約恢復(fù)時(shí)間。

“人即使用了道路的路況服務(wù)（消費(fèi)者），也為交通管理提供了新的數(shù)據(jù)（生產(chǎn)者）”，它貫穿在中興通訊多個(gè)智慧交通方案架構(gòu)中。

無(wú)疑，從行業(yè)上來(lái)看，金融、電信、精密制造和交通等是最典型的大數(shù)據(jù)應(yīng)用場(chǎng)景。但大數(shù)據(jù)掛在嘴邊說(shuō)出來(lái)容易，是否具備高性能和可靠的數(shù)據(jù)分析和挖掘能力考驗(yàn)的是真水平。

城市每天產(chǎn)生大量的交通數(shù)據(jù)流，以寧波為例，寧波每天產(chǎn)生約30億條出行數(shù)據(jù)，如何將這30億條數(shù)據(jù)快速的歸類成100萬(wàn)種的車輛通勤特征，并在2000余個(gè)擁堵模型之中快速識(shí)別出來(lái)，是系統(tǒng)的核心挑戰(zhàn)。中興自主研發(fā)的城市交通擁堵治理輔助決策系統(tǒng)可以識(shí)別約2000+種擁堵模式，通過(guò)深度學(xué)習(xí)的技術(shù)，指導(dǎo)信號(hào)燈學(xué)習(xí)路況，并和周圍的信號(hào)燈實(shí)現(xiàn)聯(lián)動(dòng)，增加道路的使用效率。此系統(tǒng)基于大數(shù)據(jù)平臺(tái)架構(gòu)，能夠滿足智慧交通大數(shù)據(jù)分析的要求，平臺(tái)能夠?qū)崿F(xiàn)日均3億條浮動(dòng)車數(shù)據(jù)、2億條電子警察數(shù)據(jù)、2億條高清卡口數(shù)據(jù)的處理計(jì)算能力，結(jié)合其他數(shù)據(jù)要求，能夠?qū)崿F(xiàn)日均50億條數(shù)據(jù)處理能力。

在快速分類的基礎(chǔ)上，比如需要在10億張過(guò)車圖像中，查找到副駕駛抱小孩的車輛，并給車主發(fā)送短信進(jìn)行安全提醒。在這個(gè)場(chǎng)景中，需要首先找出幾張副駕駛抱小孩的過(guò)車照片，然后交給卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）進(jìn)行針對(duì)參數(shù)的學(xué)習(xí)和訓(xùn)練。然后CNN攜帶訓(xùn)練好的參數(shù)去對(duì)每一張圖片進(jìn)行識(shí)別，最終找到副駕駛抱著小孩的車輛。識(shí)別的速度取決于神經(jīng)網(wǎng)絡(luò)的算法，比如首先按照出行的車輛進(jìn)行歸類，將數(shù)據(jù)量從十億的級(jí)別降低到百萬(wàn)級(jí)別再進(jìn)行處理，也取決于云計(jì)算的存儲(chǔ)能力，但解決問題的根本還是在算法上，而不是IO的速度。

所以，頂層規(guī)劃、前瞻的智慧交通系統(tǒng)基礎(chǔ)設(shè)施、大數(shù)據(jù)能力，是一個(gè)有效的治理交通問題的可行辦法，當(dāng)然這并不是全部。