辽宁省智慧高速公路智慧核心的研究与设计

才 智

（辽宁艾特斯智能交通技术有限公司，辽宁 沈阳110166）

1 引言

长智慧高速［1］是将专线网络、交通数据、业务响应赋予高效智能，创新驱动业务数字化转型，进一步支撑集团数字化转型战略落地，是集团数字化转型先行先试的代表，实现高速公路产业数字化和数字化产业，提升效率及效益。

智慧高速将是交通企业数字化转型的载体，成为数字化转型重要示范。一是产业数字化：将信息化系统进行全网连接、梳理数据、优化流程，融入新一代信息技术，提供全景化的管控服务，支持智能化的决策，实现管理效率提升。二是数字产业化：建设覆盖全省、高效应用、数据赋能的交通大数据共享平台，积极开展数据产品和开放共享业务，依托智慧大脑实现救援商业化，运维商业化等，实现经济效益提升。

2 智慧高速公路的核心

2.1 建设智慧高速公路的必要性

赋予高速公路智慧的必要性有以下四点。

一是解决 “反射弧长” 问题：在每日千万级数据增长的业务背景下迫切亟需提高效率。

二是解决 “人海战术” 问题：运营管理、指挥调度、应急救援、出行服务等业务工作中大量的较简单重复性脑力劳动有待被解放出来。

三是解决 “数据沉睡” 问题：省域大量的抓拍图片和视频、入出口交易、门架交易、路面磨损、路段流量、路段邻接关系、湿滑系数、温湿度、交通事件等类型数据没有利用大数据信息平台很好整合利用起来［2］。

四是向科学决策提供 “炮弹” ：将信息化和智能化应用于运营、养护、服务和监管等各个环节，在全要素感知的基础上基于逻辑推理、案例推理、专家经验、强化学习、高级人机交互等实现智能决策和智能协同。

2.2 业务角度的智慧核心

业务角度的智慧核心是指利用分布式存储架构、算力资源、IoT、深度学习、强化学习等技术，建立一套对内管理和对外服务的平台，如图1所示。该平台一是向内为高速公路管理部门提供智能化管理服务，实现精准保畅（拥堵预警、事件处置）、增加营收（智慧稽核）、降低成本（精准养护、节能）、提升服务（智能客服、提高通行收费站流量、减少通行收费站时间）等覆盖收费、养护、机电、服务区核心业务的需求；二是向外为选择高速公路出行的车辆提供安全顺畅的交通保障，实现平均车速提升、伴随式通行服务和预警等通行车辆安全快捷需求。智慧核心即辅助完成采集、分析和挖掘高速公路的客观规律和有效信息、高速公路的智慧运营和科学决策的基础保障、高速公路安全性和畅通性的提升，高速公路服务能力和水平的完善等。

图1 智慧高速的业务核心

2.3 技术角度的智慧核心

技术角度的智慧的核心是整合数据仓库、数据挖掘、机器知觉 （图像、视频、语音）、知识表示、故障诊断、自动推理、自动规划、进化计算、深度学习、自然语言理解、语义分割、决策支持、专家系统等类人脑的通用人工智能技术（Strong AI），基于高速公路全要素感知物理基础（公路主体及附属设施监测、交通运行状态监测、公路气象环境监测）的 “神经元或神经组织” 进行类似高等生物所具有高级创造思维能力，如图2所示。智慧高速的能力包含对高速公路的感知、记忆、理解、分析、联想、逻辑、辨识、计算、判断、决策、推理、经验学习、高级人机交互等多种能力。而上述能力目前主要依托于云端边架构的计算资源［3］。

图2 智慧高速的技术核心

基于文献［4］不难看出，尤其是人工智能技术的快速发展和算力资源的支持，智慧高速公路的建设的核心在不断进化。

3 智慧高速核心的思考与设计

3.1 智慧高速要解决的关键问题

建设智慧高速需解决的关键问题有以下几点。

（1）覆盖高速公路全业务领域知识和多源异构的海量数据存储和分析；

（2）多维出行信息的高效快速融合技术；

（3）基于深度学习、强化学习等算法来辅助人员高效获取业务领域知识和特征；

（4）与非网联车、网联车、自动驾驶车等分别合理实现准闭环和闭环交互，提升综合出行服务；

（5）研究动态多维度高速公路出行数据可视化方法，分析大规模、多维度、动态演化的高速公路管理信息；

（6）基于智慧大脑的算力、智力、学习能力找出未来的业务效益增长点和经营成本压缩空间、预测未来的业务趋势和潜在风险。

3.2 体现智慧高速的核心功能

3.2.1 数据中台

目前辽宁省高速公路产生的数据已经达到PB级的规模，数据类型的种类也日益复杂，必须借助计算机群集采用新型的处理方式对数据进行统计、比对、解析以得到更具有洞察力的结果。

智慧高速的机器学习类的分析工作负载极为多样化。在实践中要服务需要许多不同类型的模型。这种多样性对数据中台堆栈中的所有层都有影响。此外数据中台上存储的所有数据中，相当大一部分流经机器学习管道，这在将数据传递到高性能分布式训练数据流中提出了重大挑战。对计算的要求也很苛刻，需要充分利用GPU和CPU平台进行培训，并利用丰富的CPU能力进行实时推理。

3.2.2 AI算法中台

一是传统结构化数据分析算法引擎。以稽核逃费为例，由于辽宁省高速公路中偷逃通行费的行为次数占全部海量收费数据的比例还是很小的。在用随机森林或者SVM等分类器直接进行分类训练时会导致分类精度无法满足稽查要求。传统的方法是通过采用过采样和欠采样等手段，但是会对模型带来一定的负面作用。

二是图像、视频和语音的分析引擎。随着辽宁省高速公路路网安装布设的高清摄像头数据和布局饱和度逐渐增大，相应的大量抓拍图像和摄录视频成为实现智慧核心的重要手段之一。

三是语义分析智能对话引擎。对话引擎核心问题是自然语言处理（natural language processing，NLP），由于语言的固有时序特征，自然语言处理问题都是序列化的。引擎的业务知识需要系统全面覆盖收费通行介质、车型判别、路径判别、优免政策判别、操作规程、稽核管理、养护维修、监控照明、通信能耗等日常营运事务。

3.2.3 数据仓库和BI

数据仓库负责整合信息孤岛，从全局角度寻优；改善判断合理性，找出本质的业务缺陷；基于历史规律科学中长期预判；帮助企业开源和节流增加利润；帮助企业进行风险预警；提高员工的工作效率，化数据为经济效益。

由于辽宁省高速公路的监控和管理信息十分复杂和庞大，而且高速公路又具有特定的地理位置信息特点，采用支持含有地理信息的数据可视化技术呈现数据挖掘和商业智能分析的结果，用 “视觉语言” 实现与管理人员的高级人工交互。

3.2.4 多源数据融合平台

多源数据融合平台研究着重于绘制时空模式并利用多源数据检测交通拥堵的潜在驱动因素。首先，基于从在线地图上获取的实时交通数据，应用聚类算法对拥挤道路的时空分布进行分类。然后，挖掘每种时空模式的潜在因素。分析多源数据提炼出区域内道路和区域间道路的多种拥堵模式和事件高发路段特征。此外，多源数据在融合时要考虑到不同数据的采样频率不一致的多采样率特征。

3.2.5 高速公路业务能力

智慧大脑在数据中台、AI算法中台、数据仓库/BI、多源数据融合平台的 “必修课” 基础之上，对于应急指挥调度、动态路网交通管控服务、路网态势分析预测预警、精准综合养护决策服务等 “必修课” 具有理解、学习和辅助交通管理人员执行的智力任务的能力。治理任务指基于高速公路相关精确全面数据、系列数据分析模型、专家业务知识库、既往管理经验库等，利用知识规则和逻辑推理向外输出感知智能、认知智能、决策智能、协同智能的能力。

3.3 智慧的关键技术实现

3.3.1 数据仓库

数据仓库是交通企业集团级数据仓库，其目的是支持对从异构数据源收集的数据进行分析，对存储在大数据系统中的数据进行分析。企业使数据仓库数据和方案适应业务需求以及数据源变化的问题。此外，还需开发创新的方法来提出一种数据仓库架构，该架构可以执行各种类型的分析任务，包括类似OLAP的分析，从多个具有不同延迟的异构数据源加载的大数据上，并且能够处理数据源的变化以及不断变化的分析要求。该体系结构的操作粒度基于元数据。

3.3.2 数据挖掘

数据挖掘（data mining）的总体目标是从高速公路大数据集中提取信息，并将其转换成可理解的结构，以进一步使用。拥塞模式的分类在交通规划和管理的策略评估，数据库设计到预测和实时控制许多领域都很重要。应用机器学习技术进行分类的关键限制之一是具有清晰且无可争议的标签（例如标签）的足够数据（交通模式）的可用性以及对照现实物理含义的流量模式。

最重要的是使用基于区域的特征向量的分类器在其决定模式分类的决策中获得相应的平均置信度，这决定特征向量空间是否高度可分离。

3.3.3 机器知觉

机器知觉包括计算机视觉、计算机听觉（声场和事件的检测和分类）。

首先，采用计算机视觉技术面向293处收费站、1857条车道、71对服务区、694处门架的图像、视频数据，检测出各种类型车辆，或者用与判断并选择出具体车辆等，应用在自动化在线对交通流进行监视与定位。视觉系统主要用在目标检测和事件检测方面，包括用于提高运营效率、事件检测、车辆的分类和属性也集成于检测功能中。

第二，计算机听觉（声场和事件的检测和分类），一是计算环境音频分析任务包括：声场分类、声音事件检测和定位、音频标记、现实应用中的挑战（例如，罕见事件，重叠声音事件，弱标签）；二是计算环境音频分析的方法包括：信号处理方法、机器学习方法、听觉激励方法、跨学科方法。三是计算环境音频分析的资源包括：应用程序和评估、公开可用的数据集或软件、分类法和本体、评估程序、应用领域、提交给高速公路各业务系统的描述。

3.3.4 知识表示

知识表示和推理是以计算机系统可以用来解决诸如诊断交通状况或显示对话框之类的形式来表示高速公路通行态势有关的信息。知识表示法结合了如何解决问题和表示知识的发现，以便设计知识表示形式，使复杂的系统更易于设计和构建。知识表示和推理还结合了逻辑发现，为后续实现各种自动化推理如规则的应用或集与子集的关系奠定基础。

3.3.5 自动推理

自动化推理是计算机科学（涉及知识表示和推理）和形而上学的一个领域，自动推理的研究有助于生成允许计算机完全或几乎完全自动推理的计算机程序。

自动推理的工具和技术包括经典逻辑和计算，模糊逻辑，贝叶斯推理，具有最大熵的推理和许多非正式形式的临时技术。

3.3.6 深度学习

深度学习（也称为深度结构化学习）是基于带有表示学习的人工神经网络的更广泛的机器学习方法系列的一部分。车路协同最重要的任务之一是车辆交通状态和前后交通流检测，可为驾驶员提供道路上交通标志的全局视图。检测应用程序应该能够检测和了解每个车辆的行驶状态。为此需使用深度学习技术来处理视觉数据。这些视觉数据是在实际环境条件下从高速公路上捕获的。而且深度学习之后的程序要求轻量级模型大小和快速的推理速度，保证可以轻松地将其用于路侧单元的嵌入式实现。

3.3.7 决策支持

决策支持系统 （Decision Support Systems，简称DSS），是协助进行商业级或组织级决策活动的信息系统。DSS一般面向中高层面管理，服务于组织机构内部管理、操作和规划级的决策，帮助决策者对快速变化并且很难提前确定的问题进行决策，通常是非结构化（Non-structured）和半结构化（Semi-structured）的决策问题。决策支持系统针对常规简单任务采用自动化处置模式，针对复杂特殊情况采用人工交互介入决策的处置模式。

3.3.8 专家系统

专家系统具有优于人类专家的优势，例如可访问性，一致性，时间限制，稳定性和效率，主要包含基于规则、基于知识、神经系统、模糊以及交通建模等方式。在交通工程中，诸如柔性路面，刚性路面，混合设计混凝土交通缓和，路面评估和修复，路面维护，交通灯控制，交通事故，高速公路几何设计等专家系统方法论和实施的发展方向是必要的。专家系统使工程师能够分析、确定和定制信息，以在决策过程中为相关方提供帮助。还可以结合不断发展的技术和方法开发更复杂的模型。

4 结束语

智慧高速的价值在于通过感知所有环节、服务所有流程、全过程管控、全数字运营、全业务协同，实现运营监测自动化、指挥调度智能化、生产运营数字化、决策管理精准化、人民出行品质化。