隨著新技術的不斷發展，我們看到了新興的互聯網企業在資本的推動下，讓很多的數據成為了可能。

 近幾年，我們看到交通信息從數字化向數據化過渡，數據化向數據服務轉化。我們發現，在這里仍然存在一些缺陷和病毒。目前的政策沒有完全基于量化的分析和量化的管理，車輛畫像難以建立，警衛部署缺乏量化的支撐，我們應該要把數據去落到實處。

數據已經出現卻幫不上忙，為什么會存在這樣的問題呢？我們列舉了以下幾點:

▼數據孤島

許多行業中數據確實出現了，各個部門的數據也出現了。但是許多人認為數據是“新的石油、新的資產、新的金礦”，大家都想去挖取。許多管理部門過高地估計了數據的價值，他們普遍存在管理的屏障和管理的困難。

▼無法便捷提取并分析

一方面，數據本身沒有足夠的工具去保證，包括個人隱私問題。我們并不能因為隱私問題而不去分析數據，我們可以研發一些分析辦法，在保障個人隱私的情況下，讓數據本身的價值發揮出來。另一方面，它和交通學界有關，長期以來，我們的數據系統幫助我們的規劃、管理、決策。這樣的模型實際是基于小樣的數據，所以我們在徹底變革交通的建模手段，這也是一個過程。

另外，我們交通行業在發展交通大數據的時候，我們更多的不是提及數據科學。我們的優勢是對行業的理解和深度把握、知道行業的需要，在這里，更多需要的是決策科學。我們現在想去推動的是，怎么樣基于這樣大量的數據，用數據驅動的方法、數據的思維模式去改變我們現在的一些思維和決策的方法。

從2012年開始，隨著各方面的合作和中心重要人員的加入，我們的數據開拓了一個新的市場。很多傳統的、單獨管理部門的檢測數據和社會、企業相結合，包括和高德浮動車的數據合作、公交集團公交車的數據和公交刷卡的信息、交通事故以及地磁檢測的數據，這樣的數據匯總起來，融合交叉碰撞進行一系列研究。

我們研究包括擁堵機理及治堵建議、交通事故分析、公交線路優化研究、信號評價方法研究以及交通流等等最基礎的理論。

我重點介紹以下幾個方面：

▼基于可預測性的旅行時間可靠性度量

旅行時間的預測在交通服務中是關注的要點，所以我們對此做了一個根本性的研究。

例如：一周旅行時間，分為周一至周五，在特定的場景和特定的時間下，不同的旅行時間波動大不一定意味著旅行時間的不可靠，周一至周五的旅行時間雖然變化很大，但是像以上情況每周基本不變，通勤者是可以提前感知到每天的行程，根據合格時間可以進行可預測性或不可預測性分析。

旅行時間的可靠性是通過其波動的不可預測性，主要有兩種類型的變化：不規則性事件（例如交通事故和崩潰）和常規波動（例如日常需求變化）。

如果用可預測性的方法，可以有效對這兩個信息進行交流，這樣就可以區別于傳統，只看波動性，就認為系統穩定性差，為此做出很多的糾正。

另外，標準差的變化跟時間的序列有關系，所以我們任意調整他們的關系并不會影響功能性，但是調整這樣的順序對我們持續變化的模式產生巨大的影響。我們做了一些實驗去隨機任意的調整數據的順序和次序，發現調整的越亂可預測性的部分就會變得越來越差，整個模式也變得越來越差。

我們同時對道路，例如快速路、高速路、主干路和次干路也做了不同的數據分析，通過不同的計算方法發現了UBP它對異常的波動越少，可預測性越高。UBP能在一定程度識別出一周的旅行時間的額變化模式，從預測性的角度反映人們對旅行時間可靠性的感知。

UBP與小波變換的聚集系數呈正相關，對于一級二級道路，UBP和傅里葉變換的聚集系數呈正相關（高頻波動越少，UBP越高），但對與快速路，較低的聚集系數的高頻成分會呈現更高的UBP，因此我們可以推測，快速路的周期性更強，對高頻（短周期）的波動更不敏感。

▼基于深度學習模型的旅行時間預測

旅行時間預測面臨諸多挑戰，對比于高速路、快速路、城市路網交通流的特性更為復雜；路網空間拓撲結構復雜，傳統模型很難考慮空間關聯性；多步預測準確度低。

旅行時間預測可為我們的交通管理提供信息支撐，即為導航應用提供核心支撐；從被動式交通管理轉變為主動式交通管理，動態路徑誘導實現路網流量均衡分配。

旅行時間預測，我們在卷積神經網絡的基礎之上應用新一代圖卷積神經網絡，利用圖譜理論將卷積運算推廣到非歐數據，適用于提取交通路網空間信息。

我們選取交通指揮網絡，通過傳統的交通流理論，提出了關鍵的特征，在此基礎上搭建圖卷積神經網絡的模型，我們現在能夠通過結合空間特征，圖卷積神經網絡的模型更好的預測出交通流劇烈地變化，而傳統模型具有明顯的滯后現象。

▼城市動態特征分析—非直線系數分析

城市中小汽車的繞行是廣泛存在的，基于大數據不同城市非直線系數分析能夠幫助我們深入理解城市路網的拓撲結構和出行規律。

我們將中國北京、廣州、天津、成都的數據融合在一起，同時把紐約的數據也整理出來，在紐約的路網里是否也存在為了減少旅行時間去選擇大量繞行的相關分析。在這個分析中，首先對比北京、廣州和成都最短路徑繞行比率。最短路平均值以成都為基準，北京高2.73% 廣州高1.64%，額外的繞行三個城市對比北京超過廣州廣州超過成都。

因此，我們可以看出，繞行的原因跟路網相關。北京的路網尺度較大，一旦繞行相對于其他城市繞行時間更多，路網的密度也是一個關鍵指標，路網密度在北京5.59/平方公里、廣州7.02/平方公里、成都8.0/平方公里，成都是最為密集的路網，選擇最短的時間之后繞行的距離較短。

另外，現在的城市交通也面臨這一個新的問題，導航堵。隨著出行導航普及率較高的條件下，由于過多人，同時走導航推薦道路而產生交通擁堵的情況，數據顯示，只有50%-60%的車輛通過導航推薦路徑繞行而提升平均速度，降低旅行時間。

主要原因在于，現在的導航軟件發布信息的滯后性，交通誘導僅從用戶均衡的角度考慮，導航軟件應開發路況預測信息，方便司機提前決策，并從全局最優角度考慮誘導策略，實現群體誘導和個體誘導相結合。

我們正在嘗試把分析合作工具化、服務進行平臺化，我們希望以平臺作為一個載體，數據作為一個基礎，利用工具去挖掘已有的數據，做一些相關的服務支撐。

基于我們對行業、對交通管理的理解，我們提出這種報告分析的體系。這個報告的體系基于不同的數據，包括互聯網數據、各類的交通的數據以及我們建立的大數據的平臺。

我們提出一系列管理職能相關的工具和分析手段，可自由地選取分析目標的區域、參數、時段及展示方式，從而得出有效的分析結果標準化工具。

1、針對大型事件分析及警力部署

在天津全運會主要場館區域之內，我們通過歷史數據的變化分析他們常態化的數據，然后累加上可能會發生的事件，分別從中觀、微觀角度對比分析路況擁堵情況，并通過有效的交通優化管理決策實現整個區域的優化。

2、 交通組織輔助決策

針對施工占道等問題，我們可以識別主要影響路口位置，提取主要影響路徑，最后根據道路承載力及路網結構設計最優交通組織方案。

數據移動互聯網技術、物聯網感知技術推動多種交通信息來源的涌現，決策分析已具備數字化基礎，但我們仍然缺乏數據驅動的決策科學思維與研究，需要一系列數據模型支撐交通管理決策。另外，案例表明，交通大數據要“接地氣”，不能只有大腦。