智慧城市交通先行

2018-08-09袁帅王立志

中国公共安全 2018年6期

□文/袁帅王立志

“这是最好的时代，这是最坏的时代。”这句话在智慧城市的交通上同样适用。一方面交通拥堵严重，交通事故频发，交通秩序混乱，交通环境污染；另一方面各种新技术、新概念层出不穷，并应用于交通领域。从最初的智能交通，到智慧城市、智慧交通、再到城市大脑、交通大脑，被社会各界广为传播和讨论。

谈及这些概念的具体定义和内容，恐怕无法达成一致意见。笔者认为各概念之间目前没有严格的界限，也许在未来某些新技术完全替代和超越了现有的应用水平后，并被赋予某个概念，业内各界才会达成对这个概念的共识和认可。

本文试图总结智能交通行业发展的历史规律，结合当前最新的技术发展，以及在杭州等城市的案例，思考未来智慧城市下交通的发展方向。

智能交通技术发展的历史规律

探究未来城市智能交通的发展，我们不妨看看发展历史，以至智能交通中发展最早，也是最基础的交通信号控制为例，其发展历程如下：

1868年在伦敦议会大厦广场，出现了由当时英国工程师德哈特设计的第一站煤气信号灯。

1918年美国底特律公路出现了第一盏红黄绿信号灯。

1926年英国首次尝试使用自动化控制器控制交通信号灯。

1964年，加拿大的多伦多出现第一个使用电子计算机控制的信号控制系统。

1975年，出现了成熟的英国SCOOTS和澳大利亚SCATS系统。

可以看到，除第一代煤气信号灯外，每一代信号控制技术的升级，都可看作是相应年代电子电气技术的最新换代发展提供了催化作用；由此我们假设下一代智能交通技术的革命动力也将源自IT技术的发展，来看看都有哪些新技术可以应用在智能交通行业。

交通新技术发展现状

大数据、云计算技术

以视频为核心的海量物联网“触觉”源源不断的产生海量数据。如海量摄像头产生的视频内容如人、车、物等标签化数据；卡口过车数据；人脸识别设备产生的人脸特征矢量化数据；MAC、手机热点、RFID电子标签等设备产生的庞大数据。据统计一个中等城市一天的过车记录数据在1000W左右；随着数据积累，数据量的逐步增加，从千万级到亿级，再到百亿、千亿级，数据简单查询、检索做为基本需求面临巨大挑战。

浙江大华基于对视频处理方面的核心竞争力，以视频云作为切入点，进入云存储和云计算领域，对视频数据处理分析能力相比以往发生了质的突破，真正实现了秒级响应。以50亿卡口过车记录，车辆业务中大华云数据库与Oracle数据的性能比对如下，

▲云数据检索与Oracle对比

典型应用案例：杭州重大国际会议

G20峰会是中国继9.3大阅兵之后，安防等级最高的一次会议，任务之重，难度之大，都给安保工作带来前所未有的挑战。其重点保障包括6大核心区块：杭州萧山机场到主会场沿线、G20峰会核心区及周边、B20会议核心区及周边、西湖风景名胜区、领导人下榻宾馆区、G20文艺演出区，主要涉及萧山、江干两大行政区以及西湖风景名胜区。大华股份作为G20安保工作的重要保障单位，在以上核心区域提供了2万余台/套安防设备和600人的专项技术保障/值守人员；基于云计算平台，运用了车辆大数据、交通态势、人脸识别、人证合一、星光级超低照度、电子罗盘、视频接力、视频浓缩、视频萃取、全景拼接、红外热成像等数十项最新安防技术。在整个G20安保与技防保障工作中，大华股份投入实战设备和保障人员，数量之多、时间之长、范围之广、技术之新都达到了空前的高度。

人工智能、深度学习等技术的发展

谈到人工智能、深度学习，大家想到的应该是近期大热的AlphaGo围棋人工智能程序。谈到围棋人工智能为什么如此令人震撼，首先要谈上一代的象棋人机对抗，1997年IBM的“深蓝”击败了国际象棋排名世界第一的棋手加里·卡斯帕罗夫；此后，中国象棋软件也经历了飞速发展，从 2006年起，职业棋手很难取胜一个在强大服务器上的象棋软件。然而围棋不同，一直以来，围棋软件的水平都非常低，一个水平稍好的业余棋手，就可以轻松取胜大多数围棋软件。职业棋手则可以在让4子的情况下取胜软件。

象棋与围棋程序实力存在巨大差异，但采用了同一种分析方法。具体给每一步可能的路径走法效用进行打分，然后选取最高分。路径分析的层数（步数）越深，对处理器的计算能力要求越高，软件棋力也就越强。

而围棋相比象棋落子位置更多，步数更多，需要的分析层数更多，体现在计算能力需求上是指数级的增加；同时一个围棋棋子的价值每一步都在变化，其变化又十分复杂，对其评价耗费更多算力。因此可以搜索几十层深度的软件在象棋中虽没有穷举所有可能，也是近乎完美的存在；而在围棋中非常勉强。

AlphaGo远超过现有的软件水平，依靠的不是处理器计算能力，而是新的数据处理方法---基于神经网络的深度学习。

如今，深度学习应用在了更广阔的领域，开始服务于人们的生产生活。例如，视频数据处理，浙江大华将深度学习应用在了视频分析人脸和车辆上，摆脱了以往动检、模型等识别算法的局限性。新一代相机，集成深度学习算法，实现了对每一辆车辆、行人的实时跟踪，识别率大幅度提升，采集信息可包含坐标位置，速度，排队，占有率等全场景多角度的信息。视频检测精度不及线圈、地磁等传统方式已成为过去。

▲视频分析与特征提取

有了更丰富全面的采集信息，更强大的计算能力，更先进的数据处理方法，城市交通下一代智能化技术的到来已是进行时。

典型应用：大华新一代慧系列深度学习电警相机

深度学习技术已经应用于浙江大华多项产品线，以电子警察行业为例，大华在国内电警行业占有约30%的市场份额，目前主流产品已经切换为慧系列深度学习相机，其核心技术和功能也不再仅仅是车牌和部分特征、行为识别，而更侧重于更准确的进行更多人/车细节特征识别、各类人/车行为检测、交通信息采集、事件检测、机非人属性结构化等方面，实现更多智能功能。

产品支持的30余功能业务，以无牌车抓拍为例，说明深度学习算法的价值。以往的电子警察相机是以机动车牌作为车辆识别特征，对于无牌车经过，电子警察不能发现车辆特征（车牌），是无法识别的。而对于慧系列深度学习相机，采集的车辆特征细节多样化，不仅能识别无牌车；随着相机不断学习，检测精度也能持续提升。

未来交通的发展方向

总体上来说，未来智慧交通发展会是数据驱动、业务联动的方向。从业务应用角度分类，可以将发展方向分成两个角度，一是单业务的创新，主要难点在技术上；二是数据融合与业务联动，具体又分为不同交通方式之间（交通枢纽）的联动、交通与智慧城市其他业务的联动。除了要解决技术上的难点，还要打破各部门间的壁垒。

交通技术单业务的技术革新

因涉及业务众多，现以交通控制为例，介绍数据驱动的发展前景。

现在比较成熟的SCATS信号控制系统优势在于采用了简单的负反馈原理，使交叉口各个流向的饱和度趋于均衡；相比采用复杂数学模型生成控制方案的控制系统配置简单，适应能力更强。这是基于SCATS系统开发时，只有线圈这种单一采集方式的客观条件下最优选择。

线圈只能采集道路断面的数据，无法获得交通全场景的车辆通行状态，基于不完全数据下的数学模型，想要适应各种交通场景是难度很大的。

随着信息技术的发展，现在已经能够采集越来越丰富的数据，加上海量数据实时分析技术，未来交通控制将可能有如下发展趋势。

第一步，实现基于完整采集数据的实时区域控制技术。未来的信号控制将不再受制于采集数据仅限于路网切面的局限性，而是可以获得完整的数据，实现对每一辆车的实时跟踪和预测，基于所有的车辆数据和所有的路网环境数据，结合城市数据计算平台和AI算法，将会诞生新的区域控制理论和控制算法，实现城市整体的区域实时控制。

第二步，实现信号灯、可变车道、匝道控制、诱导屏、车载导航的区域协同，针对交通数据采集的实时变化，最大程度利用路网的通行能力；将信号灯状态实时发送到车辆，规划指引驾驶员的行驶速度，减少因人为因素降低交通运行效率的概率。

第三步，实现覆盖全国的交通控制大脑。除了物理距离较近的城市外，城市与城市相距较远，并不需要实现联动控制。覆盖全国的交通控制大脑的价值在于可以收集大量的采集数据与控制数据，一方面使得训练以及优化算法的时间大幅缩短，例如一个算法需要一万天的数据样本才能训练完成，对1个城市来说，是无法承受的时间长度，但100个城市只需要100天就可以完成；另一方面可以将不同城市的管理经验用数据分享的方式相互借鉴，通过客观的数据实现理性的决策。

数据融合与多业务的联动

数据融合与多业务联动是指把多个部门的数据进行整合，并将各部门业务协调，合理调配公共资源，推动城市可持续发展。