大數據及其在城市智能交通系統(tǒng)中的應用綜述

陸化普，孫智源，屈聞聰

（清華大學交通研究所，北京100084）

大數據及其在城市智能交通系統(tǒng)中的應用綜述

陸化普*，孫智源，屈聞聰

（清華大學交通研究所，北京100084）

大數據給城市智能交通系統(tǒng)的技術發(fā)展與應用革新帶來了機遇和挑戰(zhàn).從交通大數據的基本概念、交通大數據帶來的問題和大數據驅動的數學建模方法等方面，闡述了交通大數據給智能交通系統(tǒng)帶來的變革.為了深入理解交通大數據的內涵，分析交通大數據的產生背景，提出了交通大數據的“6V”特征，總結了智能交通系統(tǒng)中大數據的基本類型.面對交通大數據帶來的數據安全、網絡通信、計算效率和數據存儲等諸多問題，提出了應對策略和思路.對數據驅動的建模方法進行了分析，說明了混合模型的意義.最后，討論了大數據驅動的智能交通系統(tǒng)的體系框架.

智能交通；交通大數據；數據驅動；智能交通系統(tǒng)

1 引言

隨著信息技術、通信技術、計算機技術等的快速發(fā)展，數字城市（Digital City）與智慧城市（Smart Ctiy）接踵而來.1998年1月，美國前副總統(tǒng)戈爾發(fā)表了題為“數字地球——新世紀人類星球之認識（The Digital Earth:Understanding our planet in the21st Century）”的演說，數字地球的概念由此產生[1].2008年11月，時任IBM董事長兼CEO的彭明盛發(fā)布了題為“智慧地球：下一代領導人議程（A Smarter Planet:The Next Leadership Agenda）”的主題報告，正式提出了“智慧地球”（Smart Planet）的概念[2].數字城市和智慧城市都是美國的舶來品，二者都是信息化背景下現代城市發(fā)展的高級形態(tài).當前，英國提出了“數字英國（Digital Britain）”計劃[3]，韓國提出了“U-Korea”戰(zhàn)略和“U-City”綜合計劃[4]，我國于2013年前后開展智慧城市試點示范工作[5].

數字城市與智慧城市的建設促進了移動互聯(lián)網、物聯(lián)網、云計算等技術的發(fā)展，并直接推動了大數據（Big data）時代的來臨.2008年，Nature出版了“Big Data”?？痆6]；2011年，Science出版了“Dealing with Data”?？痆7].2012年，美國政府正式發(fā)布了“大數據研究和發(fā)展倡議”[8]；我國于2011年發(fā)布了“物聯(lián)網‘十二五’發(fā)展規(guī)劃”，并陸續(xù)發(fā)布了一系列的發(fā)展規(guī)劃與白皮書.

在交通領域，傳統(tǒng)的數據采集向電子化設備與高級應用轉變，助力交通大數據的形成與發(fā)展.從傳統(tǒng)的感應線圈和微波雷達等固定檢測、基于浮動車的移動檢測，向北斗衛(wèi)星導航系統(tǒng)[9]、智能手機[10]等新型檢測手段，以及集約的交通傳感器布局[11]和穩(wěn)定的多源數據融合[12]方向發(fā)展.交通大數據為“感知現在、預測未來、面向服務”[13]提供了最基本的數據支撐，是解決城市交通問題的最基本條件，是制定宏觀城市交通發(fā)展戰(zhàn)略和建設規(guī)劃，進行微觀道路交通管理與控制的重要保障.

數據是智能交通系統(tǒng)的基礎，交通數據采集手段和處理方法的深度革新將引領智能交通系統(tǒng)的變革.在大數據背景下，對交通大數據進行深度分析，明確交通大數據的基本概念，了解交通大數據帶來的問題，理解大數據驅動的數學建模方法，探討在智能交通系統(tǒng)中的應用具有非常重要的意義.

2 交通大數據的基本概念

2.1 交通大數據的特征

交通大數據與傳統(tǒng)交通數據的不同主要體現在特征中.當前對大數據特征的描述主要有：3V[14]、4V[15]和5V[16]等.結合交通大數據的基本類型，認為交通大數據具有6V特征，具體如表1所示.

表1 交通大數據的特征Table 1Characteristics of traffic big data

2.2 智能交通系統(tǒng)中的大數據

根據數據來源分布，智能交通系統(tǒng)中的大數據劃分如表2所示.

表2 智能交通系統(tǒng)中的大數據Table 2Big data in ITS

（1）交通流數據（固定檢測器）.

傳統(tǒng)固定檢測器獲取的交通流數據為智能交通系統(tǒng)的傳統(tǒng)應用提供了基礎數據支撐.以北京為例，基于微波雷達、超聲波、感應線圈、視頻監(jiān)控等檢測器，北京市公安局公安交通管理局建立了交通信息采集、處理、發(fā)布系統(tǒng)，北京市道路交通流預測預報系統(tǒng)[17]等.

（2）交通流數據（移動檢測器）.

通過固定檢測器與移動檢測器的數據融合[18]，獲取更加準確的交通流數據.以北京為例，北京市公安局公安交通管理局開展了“北京市道路交通流綜合分析與數據質量評價體系研究”的項目，對固定檢測器、移動檢測器等獲取的多源數據進行研究，優(yōu)化交通數據質量[19].

（3）位置數據（移動檢測）.

先進的移動通信技術拓展了交通移動檢測的應用范圍，由傳統(tǒng)的交通流數據獲取推廣到位置數據的獲取，使得基于位置的服務成為可能.基于公交智能卡的數據，實現出行者出行行為的分析，為公交基礎設施建設和運營服務管理提供支持[20].基于出租車車載終端的數據，研究出行距離、出行時間和道路偏好對駕駛員路徑選擇的影響，進而實現路徑的預測[21].應用智能手機，可實現出行軌跡、出行方式、出行范圍、出行總量等的獲取[22，23].此外，車聯(lián)網的出現大大提高了城市交通信息綜合獲取的水平，豐富了交通數據來源和發(fā)布途徑[24，25].海量位置數據的處理和分析，為交通出行行為分析[26]，公交系統(tǒng)優(yōu)化[27]，車輛優(yōu)先控制[28]等提供了支撐.

（4）非結構化視頻數據

非結構化視頻數據一方面可用于宏觀態(tài)勢監(jiān)控，以廣西柳州為例，建設高空高清視頻監(jiān)控系統(tǒng)，掌控多交叉口或較大區(qū)域的交通宏觀態(tài)勢.一方面，通過視頻處理模塊，提供交通流特征參數及其他參數，以卡口系統(tǒng)、電子警察系統(tǒng)等為例，還可應用于車輛類型識別[29]、交通狀態(tài)識別[30]等.

（5）多源的互聯(lián)網、政務網數據

互聯(lián)網、政務網為智能交通系統(tǒng)提供了廣泛的數據來源與發(fā)布途徑.以社交網絡為代表的互聯(lián)網可為智能交通系統(tǒng)提供交通事件的視頻等數據.另外，互聯(lián)網也可成為交警非現場執(zhí)法、公交系統(tǒng)優(yōu)化等的重要數據來源.政務網為城市決策者和管理者提供了安全穩(wěn)定的信息交互平臺.通過政務網，可為智能交通系統(tǒng)接入城市路網結構、氣象變化、特大活動、突發(fā)事件、應急救援等數據.

3 交通大數據帶來的問題

3.1 數據安全問題

交通大數據具有“Value”特征，蘊含了眾多的信息，有些信息涉及國家安全，例如，公安網傳輸的數據；有些信息涉及個人隱私，例如，卡口系統(tǒng)檢測的車輛軌跡數據.在交通大數據采集、傳輸、存儲、處理、應用等過程中，數據安全問題非常重要.智能交通系統(tǒng)依托智能交通專網進行系統(tǒng)內部的數據傳輸，以及與外網之間的數據交互時，必須符合規(guī)范和標準，保證網絡安全[31].另外，在數據處理過程中，需要遵循隱私保護機制，應用隱私保護方法[32].

交通大數據具有“Veracity”特征，去偽存真是數據安全的另一重要問題.大量的冗余數據和錯誤數據不僅占據大量的存儲空間，浪費存儲資源，還會大大降低數據分析的有效性和穩(wěn)定性[33].進行異常數據識別，缺失數據補充，錯誤數據修正，冗余數據消除具有非常重要的意義.

3.2 網絡通信問題

交通大數據具有“Volume”、“Velocity”、“Visualization”特征，要求網絡通信要滿足大容量數據的快速、穩(wěn)定傳輸，特別是高清視頻圖像數據.交通大數據的“Variety”特征決定網絡通信方式的多樣化.目前，城市建立智能交通系統(tǒng)多采用自建專網、租用城市公網相結合的模式，具備有線通信與無線通信并存且互通特征.智能交通系統(tǒng)常用的網絡通信技術包括：有線電纜、光纖通信網絡、無線傳感網絡、移動通信系統(tǒng)、衛(wèi)星定位系統(tǒng)等.

3.3 計算效率問題

交通大數據具有“Velocity”特征，要求智能交通系統(tǒng)具備較高的計算效率，例如，交通數據預處理，交通狀態(tài)識別，短時交通流預測，實時交通流控制，動態(tài)交通誘導，實時公交調度等均具有時效性要求.云計算技術的發(fā)展帶來了新的解決方案，智能交通云的概念由此提出[34].基于云計算技術，使得計算機硬件和軟件得到有效利用，提高智能交通系統(tǒng)的計算效率.

3.4 數據存儲問題

交通大數據具有“Volume”特征，特別是長時間序列的非結構化數據積累，給數據存儲帶來了巨大的壓力.存儲技術的發(fā)展遠趕不上數據增長的速度，大量存儲服務器的購買提高了智能交通系統(tǒng)的建設成本，并占用了數據中心的建筑面積.當前智能交通系統(tǒng)均采取縮短數據保存時限，降低數據存儲質量的方式來減少存儲成本，影響了大數據的價值.云存儲技術的發(fā)展帶來了新的解決方案，基于云存儲與智能壓縮算法可以初步解決大數據的存儲問題.

4 大數據驅動的數學建模方法

2000年，美國自然科學基金會（NSF）首次提出了動態(tài)數據驅動應用系統(tǒng)（Dynamic Data Driven Application Systems）的概念[35].數據驅動模型與機理模型、知識模型同屬常用的數學建模方法.機理模型從本質上反映客觀規(guī)律，但是，建模過程繁瑣，參數標定難度較大；知識模型以經驗總結為基礎，模型簡單易于實現，但是，模型精度較低，研究對象的復雜性具有局限性；數據驅動模型從數據出發(fā)，是一個自下而上的建模過程，無需了解機理，精度較高，但是，模型的可解釋性較低，模型推廣性能較弱.對于復雜系統(tǒng)，特別是在某些情況下，機理模型不可行或難度較大，知識模型的精度較低，數據驅動模型的意義凸顯.常用的數據驅動方法如表3所示.

表3 傳統(tǒng)數據驅動方法Table 3Traditional big data driven method

大數據概念的提出，推動了大數據驅動思想的產生，促進了機理模型、知識模型和數據驅動模型的混合使用.在大數據的背景下，機理模型、知識模型和數據驅動模型存在相互滲透、優(yōu)勢互補的關系，3種模型構成的混合模型具有較好的應用前景.依據知識和數據，簡化機理模型，并將數據驅動模型結合在一起，完成模型標定，互為補充.機理和知識可以優(yōu)化數據，減少噪聲，確定合適的訓練樣本，提高模型魯棒性.以基于時間序列、空間數據和歷史數據的短時交通流預測為例，知識模型用于初步確定與研究對象路段相關的數據集合，確定合適的訓練樣本；機理模型用于標定基于組合模型的短時交通流預測方法；數據驅動模型用于發(fā)現組合模型誤差與交通狀態(tài)的模式匹配關系，實驗表明混合模型具有較高的精度.

5 大數據驅動的智能交通系統(tǒng)

交通大數據給智能交通系統(tǒng)帶來了變革，主要體現在基本概念、面臨問題和建模方法等3個方面.面向上述變革，研究大數據驅動的智能交通系統(tǒng)具有重要的意義，體系框架如圖1所示.

（1）感知對象.

大數據驅動的智能交通系統(tǒng)具有海量的監(jiān)控對象.智能交通系統(tǒng)的感知對象從人、車、路、環(huán)境四個方面展開，包括：個體出行、營運車輛、交通管理和靜態(tài)系統(tǒng)等.

（2）全面感知.

大數據驅動的智能交通系統(tǒng)具有多樣的檢測手段和豐富的數據來源.針對城市交通數據源的分布情況和智能交通系統(tǒng)的數據需求，以固定檢測和移動檢測構成的傳統(tǒng)交通信息采集系統(tǒng)為依托，拓展交通數據源的類型和數量，增加新型交通數據采集的使用，實現城市交通及相關系統(tǒng)的全面感知.全面感知體現在多樣的數據格式和數據類型上.

圖1 智能交通系統(tǒng)的體系框架Fig.1 System framework of ITS

（3）網絡通信.

大數據驅動的智能交通系統(tǒng)具有快速的網絡通信.針對交通大數據的實時傳輸要求，建立有線通信、長距離和短距離無線通信構成的互聯(lián)互通信道，實現數據源、智能交通系統(tǒng)、服務對象的數據交互.智能交通專網作為數據交互的中心，與互聯(lián)網、政務網、公安網等連接，網絡接口具備合乎規(guī)范的網閘，以保障網絡通信的安全運行.

（4）中心平臺.

大數據驅動的智能交通系統(tǒng)具有高效的數據處理、存儲、共享與應用.中心平臺承擔了智能交通系統(tǒng)的數據挖掘、數據存儲、數據共享等功能.數據挖掘以信息論、控制論、系統(tǒng)論為基礎，應用交通流理論、交通網絡分析、交通工程學等交通基礎理論，或建立數據模型描述機理，或應用模式匹配推斷結論.構建智能交通云的體系架構，以云計算、云存儲、云共享等新興技術解決數據處理速度、數據存儲空間、數據共享效率的問題.

（5）綜合服務.

大數據驅動的智能交通系統(tǒng)具備優(yōu)質的綜合服務.綜合服務是智能交通系統(tǒng)的主要目的，包括基礎應用和高級應用.基礎應用體現了“感知現在和預測未來”特征，實現多源數據的集成管理，從個體車輛、路段和交通網絡等方面進行交通狀態(tài)的視頻監(jiān)控和量化分析，并對交通態(tài)勢進行短期和長時間序列的分析和研判.高級應用體現了“面向服務”特征，基于基礎應用分析，實施交通控制與誘導，指導特勤任務、稽查布控等警務工作，并為應急救援等城市綜合管理提供決策支撐，通過共享發(fā)布優(yōu)化綜合服務質量.

（6）服務對象.

大數據驅動的智能交通系統(tǒng)具備廣泛的服務對象.根據智能交通系統(tǒng)的需求分析，服務對象主要包括：政府決策者、交通管理者、企業(yè)運營者、科研工作者、個體出行者等.

6 研究結論

移動互聯(lián)網、物聯(lián)網、云計算等技術快速發(fā)展，智慧城市、智能交通系統(tǒng)等應用快速推廣，交通大數據應運而生.本文對當前的大數據及其在智能交通系統(tǒng)中的應用進行分析，旨在為大數據驅動的智能交通系統(tǒng)立項、建設和運營提供建議.以下幾個問題可能實未來的研究熱點：

（1）硬件設計方面.

大數據背景下，需研究多源、海量數據的有效采集、穩(wěn)定傳輸、快速處理和合理存儲方法，特別是交通數據采集設備的研發(fā)問題.數據是智能交通系統(tǒng)基礎，大數據為智能交通系統(tǒng)提供了廣泛的數據來源，然而，智能交通系統(tǒng)的部分功能，以交通控制為例，需要準確的、定制化的交通基礎數據.在此背景下，交通數據采集設備的研發(fā)顯得尤為重要.

（2）軟件開發(fā)方面.

軟件是智能交通系統(tǒng)得以廣泛應用的首要工具，是智能交通系統(tǒng)距離用戶最近的一部分，特別是在大數據的背景下，用戶可以通過個人電腦、手機、顯示屏等終端設備獲取信息，軟件開發(fā)的意義重大.在豐富數據的基礎上，從日益增長的交通管理和服務需求出發(fā)，兼顧城市發(fā)展和交通運行特征，進行軟件的功能設計和操作優(yōu)化，以提高交通管理和服務的智能化水平.

（3）交通建模方面.

交通屬于典型的開放復雜巨系統(tǒng)，在交通建模研究中，機理、知識、數據的系統(tǒng)化應用具有特殊的意義.大數據為交通模型的建立、標定奠定了基礎，倒逼交通模型的自我完善，特別是混合交通流特性的研究、交通出行行為規(guī)律的發(fā)現、動態(tài)交通流時空特征的提取等基礎問題.此外，以大數據為基礎，交通控制的集成化、智能化、多模式化，交通誘導的群體覆蓋、個性支撐等逐漸成為可能.

[1]Gore A.The digital earth:Understanding our planet in the 21st century[J].Photogrammetric Engineering and Remote Sensing,1999,65(5):528.

[2]Palmisano S.A smarter planet:The next leadership agenda[R].New York:IBM,2008.

[3]Department for Culture,Media and Sport,Department for Business,Innovation and Skills.Digital Britain final report[R].London:Office of Public Sector Information, 2009.

[4]金江軍.韓國城市進入U-CITY時代[J].信息化建設, 2009(10):9-10.[JIN J J.Korea city to the era of UCITY[J].Informatization Construction,2009(10):9-10.]

[5]郭慧鵬.智慧城市:應用日漸豐富多彩[N].中國信息化周報,2013-12-30028.[GUO H P.Smart city: applications becoming increasingly colorful[N].China Information Weekly,2013-12-30028.]

[6]Frankel F,Reid R.Big data:Distilling meaning from data[J].Nature,2008,455(7209):30-30.

[7]LosW,WoodJ.Dealingwithdata:Upgrading infrastructure[J].Science,2011,331(6024):1515-1516.

[8]李德仁,姚遠,邵振峰.智慧城市中的大數據[J].武漢大學學報(信息科學版),2014,39(6):631-640.[LI D R,YAO Y,SHAO Z F.Big data in smart city[J]. GeomaticsandInformationScienceofWuhan University,2014,39(6):631-640.]

[9]于淵,雷利軍,景澤濤,等.北斗衛(wèi)星導航在國內智能交通等領域的應用分析[J].工程研究——跨學科視野中的工程,2014,6(1):86-91.[YU Y,LEI L J,JING Z T,et al.Brief probe into the status and trend of compass navigation’sapplicationindomesticintelligent transportationsystems[J].JournalofEngineering Studies,2014,6(1):86-91.]

[10]Ahas R,Aasa A,Silm S,et al.Daily rhythms of suburban commuters’movements in the tallinn metropolitan area: Casestudywithmobilepositioningdata[J]. TransportationResearchPartC:Emerging Technologies,2010,18(1):45-54.

[11]Gentili M,Mirchandani P.Locating sensors on traffic networks:Models,challengesandresearch opportunities[J].TransportationResearchPartC: Emerging Technologies,2012,24:227-255.

[12]Bachmann C,Abdulhai B,Roorda M J,et al.A comparative assessment of multi-sensor data fusion techniques for freeway traffic speed estimation using microsimulation modeling[J].Transportation Research Part C:Emerging Technologies,2013,26:33-48.

[13]何非,何克清.大數據及其科學問題與方法的探討[J].武漢大學學報(理學版),2014,60(1):1-12.[HE F,HE K Q.The scientific problems and methodology of big data[J].Journal of Wuhan University(Natural Science Edition),2014,60(1):1-12.]

[14]ZikopouposPC,EatonC,de Roos D,et al. Understanding and streaming data[R].McGraw-Hill Companies,2012.

[15]Chen M,Mao S W,Zhang Y,et al.Big data related technologies,challenges and future prospects series[M]. Springer Briefs in Computer Science,2014.

[16]李清泉,李德仁.大數據GIS[J].武漢大學學報(信息科學版),2014,39(6):641-644,666.[LI Q Q,LI D R.Big data GIS[J].Geomatics and Information Science of Wuhan University,2014,39(6):641-644,666.]

[17]Li R M,Ma H L,Lu H P,et al.Research and application of the Beijing road traffic prediction system[J].Discrete Dynamics in Nature and Society,2014,316032.

[18]李嘉,劉春華,胡賽陽,等.基于交通數據融合技術的行程時間預測模型[J].湖南大學學報(自然科學版), 2014,41(1):33-38.[LI J,LIU C H,HU S Y,et al.A travel time prediction model based on traffic data fusion technology[J].Journal of Hunan University(Natural Sciences),2014,41(1):33-38.]

[19]北京市公安局公安交通管理局,清華大學,北京交通大學,等.北京市科技計劃課題任務書(Z12110000031210)[R].北京:北京市科學技術委員會,2012.[BeijingTrafficManagementBureau, Tsinghua University,Beijing Jiaotong University,et al. Topicsmissionstatementofbeijingscienceand technology program(Z12110000031210)[R].Beijing: Beijing Municipal Science and Technology Commission, 2012.]

[20]Tao S,Corcoran J,Mateo-Babiano I,et al.Exploring bus rapidtransitpassengertravelbehaviour using big data[J].Applied Geography,2014,53:90-104.

[21]Sun J,Zhang C,Zhang L H,et al.Urban travel behavior analyses and route prediction based on floating car data[J].Transportation Letters,2014,6(3):118-125.

[22]Abdulazim T,Abdelgawad H,Habib K,et al.Using smartphonesandsensortechnologiestoautomate collection of travel data[J].Transportation Research Board,2013(2383):44-52.

[23]冉斌.手機數據在交通調查和交通規(guī)劃中的應用[J].城市交通,2013,11(1):72-81.[RAN B.Use of cellphone data in travel survey and transportation planning[J].Urban Transport of China,2013,11(1):72-81.]

[24]汪成亮,張晨.面向車聯(lián)網的交通流參數檢測[J].計算機工程與應用,2012,48(23):212-218.[WANG C L, ZHANG C.Detection model of traffic flow parameters oriented internet of vehicles[J].Computer Engineering and Applications,2012,48(23):212-218.]

[25]段宗濤,康軍,唐蕾,等.車聯(lián)網大數據環(huán)境下的交通信息服務協(xié)同體系[J].長安大學學報(自然科學版). 2014,34(2):108-114.[DUAN Z T,KANG J,TANG L, etal.Trafficinformationservicecooperation architecture based on vehicular network big data[J]. Journal of Chang’an University(Natural and Science Edition),2014,34(2):108-114.]

[26]Gonzalez MC,Hidalgo CA,Barabasi AL.Understanding individual human mobility patterns[J].Nature,2008,453 (7196):779-782.

[27]Aguiléra V,Allio S,Benezech V,et al.Using cell phone data to measure quality of service and passenger flows ofParis transit system[J].Transportation Research Part C, 2014,43:198-211.

[28]Al Azri A,Chilamkurti N.Priority-based vehicle-toinfrastructure communication(PV2I)in UMTS[C].6th International Symposium on Wireless and Pervasive Computing,Hong Kong,2011.

[29]Sun X,Lu H P,Wu J.Bus detection based on sparse representationfortransitsignalpriority[J]. Neurocomputing,2013,118:1-9.

[30]廖律超,蔣新華,鄒復民,等.基于交通視頻的交通擁堵狀態(tài)自動識別方法[J].公路交通科技,2014,31(1): 110-117.[LIAO L C,JIANG X H,ZOU F M,et al.An automatic recognition approach for traffic congestion states based on traffic video[J].Journal of Highway and Transportation Research and Development,2014,31(1): 110-117.]

[31]公安部交通管理科學研究所.公安交通集成指揮平臺通信協(xié)議[S].GA/T1049,2014.[Institute of Traffic Management Research,Ministry of Public Security. Communicationprotocolsofpublicsecuritytraffic integrated command platform[S].GA/T1049,2014.]

[32]王璐,孟小峰.位置大數據隱私保護研究綜述[J].軟件學報,2014,25(4):693-712.[WANG L,MENG X F. Locationprivacypreservationinbig data era:A survey[J].Journal of Software,2014,25(4):693-712.]

[33]劉智慧,張泉靈.大數據技術研究綜述[J].浙江大學學報(工學版),2014,48(6):957-972.[LIU Z H,ZHANG Q L.Research overview of big data technology[J]. Journal of Zhejiang University(Engineering Science), 2014,48(6):957-972.]

[34]錢哨,張云鵬,黃少波.智能交通云:基于云計算的智能交通系統(tǒng)[J].計算機與現代化,2010,11:168-171. [QIAN S,ZHANG Y P,HUANG S B.Intelligent transport cloud:ITS based on cloud computing[J]. Computer and Modernization,2010,11:168-171.]

[35]周云,黃柯棣,胡德文.動態(tài)數據驅動應用系統(tǒng)的概念研究[J].系統(tǒng)仿真學報,2009,21(8):2138-2141. [ZHOU Y,HUANG K D,HU D W.Conceptual study on dynamic data driven application system[J].Journal of System Simulation,2009,21(8):2138-2141.]

[36]Qu J G,Cui Y H,Zhou G C,et al.Application of multiple linear regression model in the performance analysis of traffic rules[J].Journal of Chemical and Pharmaceutical Research,2014,6(3):164-169.

[37]Gao J W,Zhang Bin,Leng Z W,et al.Short-term traffic flow forecasting based on phase space reconstruction and optimized RBF neural network[J].ICIC Express Letters,Part B:Applications,2015,6(1):19-26.

[38]Ding L,Yu F,Peng S,et al.A classification algorithm for networktrafficbasedonimprovedsupportvector machine[J].Journal of Computers(Finland),2013,8(4): 1090-1096.

[39]Chan K Y,Dillon T S.On-road sensor configuration design for traffic flow prediction using fuzzy neural networks and taguchi method[J].IEEE Transactions on Instrumentation and Measurement,2013,62(1):50-59.

[40]El-Tantawy S,Abdulhai B,Abdelgawad H.Design of reinforcementlearningparametersforseamless application of adaptive traffic signal control[J].Journal ofIntelligentTransportationSystems:Technology, Planning,and Operations,2014,18(3):227-245.

Big Data and Its Applications in Urban Intelligent Transportation System

LU Hua-pu，SUN Zhi-yuan，QU Wen-cong
（Institute of Transportation Engineering，Tsinghua University，Beijing 100084，China）

Big data brings both opportunities and challenges to technological development and application innovation of urban intelligent transportation system.Significant changes of ITS,which brought by traffic big data,are shown in three aspects:the concept of traffic big data,problems brought by traffic big data,and big-data-driven based mathematic modeling methods.This paper is intended to deeply understand big data, the background and category of traffic big data are sketched,the“6V”characteristics of traffic big data are proposed,the basic types of traffic big data in ITS are summarized.Strategies and ideas are presented based on the problems of traffic big data,namely,data security,network communication,computational efficiency, and data storage.This paper also analyzes the method of data driven model,and describes the significance of hybrid model.Finally,system framework of ITS based on traffic big data is proposed.

intelligent transportation;traffic big data;data driven;intelligent transportation system0

1009-6744（2015）05-0045-08

U491.1

A

2015-02-04

2015-08-30錄用日期：2015-09-09

“十二五”國家科技支撐計劃（2014BAG01B04-03）；國家自然科學基金（51408023）；清華大學蘇州汽車研究院（吳江）返校經費課題（2015WJ-B-02）.

陸化普（1957-），男，遼寧鐵嶺人，教授. ＊

luhp@tsinghua.edu.cn