大數據理論如何指導交通數據分析?

智慧城市智慧交通的大力建設下,海量多源異構的交通數據能提供的信息內容更加豐富,如何利用大數據的理論來指導交通數據分析?或者說有什麼比較好的將兩者結合的落腳點?

近期成立的深圳市綜合交通運行指揮中心囊括深圳全市24個交通信息化系統和海量的交通基礎數據,上述問題應該也是其重點的研究方向。

拋磚引玉:

分析案例1:結合公交車GPS數據、乘客刷卡信息等數據,能夠獲取每輛公交車每個站點停車時間、上下車乘客數量、乘客精細時空軌跡等,再此基礎上應該可以做「公交車線路、站點、發車頻次優化」、「典型居住區和就業地的通勤出行分析」等分析。

分析案例2:結合RFID、GPS等數據,能夠獲取車輛精細化時空軌跡信息,能夠對行車輛行駛軌跡、路段行程時間可靠性、OD分布(起點-終點)等進行數據分析,應該能替代部分傳統交通規劃和交通需求分析的內容,理論上應該更加實時可靠。


大數據解決交通問題的流程

1、 收集數據和輸入數據:這些數據包括靜態數據和動態數據,前者指道路環境、車輛信息等長時間不會改變的數據,這類數據通過線圈(類似於磁性檢測器)和攝像機(交通視頻)進行搜索;後者指在交通運行中而產生的實施數據(如車輛行駛速度),這類數據通過GPS全球定位技術、收集網路信號來搜索。

2、 交換和處理數據:數據中心對實時交通流數據進行提取,同時規定統一的數據格式,從而促進數據交換中心之間對數據進行交換和處理。

3、 儲存和收集數據:通過基於雲計算的雲存儲來對數據進行存儲,將大數據集成起來

4、 管理和使用數據:控制中心將這些大數據在電腦地圖上以不同色彩來展現,分別以不同顏色註明各個路段的擁堵情況。

舉個案例——IBM解決波士頓堵車難題

IBM公司的工程師為波士頓建立了一套應用程序,能將從手機加速器到社交網站上的數據整合到一起,繪製出波士頓交通情況全面而完整的實時圖像,供相關人員參考。

在波士頓,每秒鐘都有數以百萬計的數據點信息,包括GPS和手機,浙西無數據經過分析處理之後可以提供交通智能信息,制定一個優化交通的管理計劃,以便更快的發現擁堵問題,通過制定更好的自行車泊車和交通管理政策,大幅度降低碳排放。

項目包括三部分

第一部分是擁有具有GPS功能智能手機的駕駛員用戶資料庫,該手機能夠自動將他們的位置發送到道路網路上,可以讓系統掌握駕駛員常常行駛的路線。系統通過查看駕駛員的目的地來判斷其常常行走的路線,還會通過道路感測器來收集交通數據。這些感測器包括分布在各大道路上的感應探測器。

第二部分是IBM的交通預測工具,通過歷史數據來實時預測未來可能發生時間的學習和分析引擎。交通預測工具通過對交通數據的分析來確定較小道路事故和較大交通事故之間的關聯。該系統在事故發生的時候會識別出異常情況,然後迅速判斷出接下來可能發生的交通模式。

第三部分是將出行建議發送給用戶,在用戶可能會行走的路線與該路線上可能會存在的問題之間找到某種關聯。與此同時,系統還會通過對交通信號配時、匝道信號控制以及路線規劃的改進來幫助用戶和交通系統不猛在擁堵發生之前可以更好地預測並減少追尾事故的發生。

從業務上來講,一般而言,交通綜合數據管理系統的建設,一般分為以下兩個目標:

1、建立綜合信息應用能力,實現集中警力調配。

通過與現場信息的連接,通過與多種不同警務處理信息關聯,實現綜合信息應用能力,集中警力調配,大大提高出警、處理、監控與分析的效率。

2、整合各種應用系統,形成整體信息利用能力。

通過整合各種已有的警務處理、管理應用系統,形成整體信息利用能力,建立成為公安交通高科技、信息化的智能交通管理的信息平台。

在系統的機構設計上,我們可以將公安交通管理智能平台的系統架構分為4個層次:即道路現場、終端信息處理層、信息數據處理層以及信息綜合應用層,如下圖所示:

大數據應用於交通的案例目前來講普遍不多,大多是依照實施業務的邏輯,將業務數據可視化,指導決策,這有一個關於利用FineReport搭建地市級地鐵數據管理信息系統解決方案 - IT小牛的IT見解 - 博客頻道 - CSDN.NET的方案。


來講一個實例吧!

如何用大數據分析技術來預測極端天氣下的車輛速度。

我們假設這樣一個的情景

這樣的場景大家應當不陌生。那麼,大數據分析可以怎樣起到作用呢?

◆ ◆

建立歷史交通資料庫

◆ ◆

預測當前時刻未來4個15min車速的情況

◆ ◆

預測未來某天24h的車速情況

下面我們來一條條看:

&>&>&>&>

建立歷史交通資料庫

這塊內容分為兩部分,分別是提取道路信息,和提取車輛信息。

道路信息的提取:首先,從GIS資料庫中導出北京市路網數據,這些數據包括道路的起點終點,中軸線經緯度,道路等級,車道數目等等。

根據這個信息,以中軸線為中心,按照車道數向兩邊延拓,得到每條路的坐標範圍;然後將北京市五環30km*30km的範圍,用1m*1m的小方格進行離散化,並與道路坐標相對應,對網格進行標記。

接下來是車輛信息的提取:我們的數據來源是北京市6萬輛計程車每天的GPS數據,計程車每50s生成一條GPS信息,包括經緯度,車上是否載客等。

首先我們由GPS信息得到車輛的坐標,然後將坐標與之前的道路網格映射,確定車輛所屬道路;再根據交通部門的經驗和數據特徵,以紅綠燈、橋樑等對道路進行分段;最後進行速度的計算,時間間隔是15min。

如圖是我們提取的一塊區域的速度狀況。

&>&>&>&>

未來4個15min車速預測

接下來是速度預測部分,主要從歷史速度數據入手。

影響交通狀況的因素很多,比如天氣狀況,車輛數量,交通事故等,但最終都表現在速度,速度包涵的信息量時足夠的。

速度預測我們採用的是非參數回歸預測法,其核心思想,簡單說就是歷史數據中最相似的情況,從而進行預測。

熟悉機器學習的話,會發現這種方法與k近鄰,也就是KNN方法有些類似,KNN演算法的思想是k個特徵最近鄰的樣本大多數屬於一個類別,這裡非參數的思想是,最近鄰的車速曲線,未來時刻的變化也可能相似。

非參數回歸法的特點是精度高和可移植性強,只依靠數據驅動,不對數據進行任何假設,例如車輛分部等,只關注歷史數據中輸入對輸出的影響,從而進行預測。

這種方法分為四個組成部分:

狀態向量的選取

相似度的度量準則

相似曲線數量選擇

預測方法,下面我會結合我們的具體做法,介紹這四個組成部分。

方法一

第一種方法,狀態向量的選取就是需要拿去進行相似度匹配的特徵向量。

由於考慮到車速變化存在大的變化趨勢,以及小波的震蕩雜訊,便想到了小波分析出色的分解能力,於是想把它們結合在一起。

我們選擇當前時刻的速度,以及前三個時刻的速度,進行小波分解,得到低頻CA和高頻CD部分。

如圖所示,低頻部分主要包含著速度變化的趨勢,高頻部分包含的是不規則的波動。這裡我們只用低頻的CA作為狀態向量。

得到這兩部分後,我們需要有一個指標來衡量狀態向量與歷史數據的相似度,這裡採用了擴展歐式距離法。

一般的歐式距離是進行相應時刻的匹配,如圖中藍色距離,即今天8點的車速與歷史8點的車速求距離。

但是,考慮到現實生活中可能存在這樣一種情況,即速度曲線可能存在「提前」或者「滯後」的錯位相似。

所謂錯位的相似就是兩條曲線可能形狀非常相似,但是時間軸上並不是對齊的。具體可以看這幅圖,一般歐式距離求得時間軸對齊的藍色部分的距離,而從圖中可以看出,黑色距離連接的點形態更相似,黃色的點是更早一個時刻的點,這就是相似的「提前」。

於是我們在匹配時,向前和向後擴展了兩個點,進行距離計算。如圖中黑色和紅色的距離。

這樣的話,與K條曲線一次匹配得到3N個距離,將這3N個距離排序即得相似排序,這樣保證了保證了相似曲線的精確性以及較大的權重,因為同一條曲線的3個距離可能都很像,那麼就能這條曲線會被取三次,對整條曲線來說,被賦予更多的權重,從而實現一定程度的排除雜訊,增強魯棒性。

相似度的度量準則則使用了擴展歐式距離。

相似曲線數量選擇:取CA的擴展歐式距離作為相似度指標,尋找最相似的K條CA,這裡令K=10。

預測方法則是,取相似的低頻CA t+1時刻的小波係數進行帶權重的賦值,權重即是距離倒數與距離總和的比值,即PPT中的bi,從而得到預測值。

我們看看這種方法的預測效果,這裡以北京四環為例,將四環按照立交橋分為24段,速度時間間隔為15min,以三個月的歷史交通數據作為檢索庫,預測2013年7月連續17天,預測時間間隔為15min,可以看到,系統平均誤差為11.56%,計算速度每條路每天96個點耗時10s。預測效果不錯。

預測結果:系統平均誤差11.56%,計算速度每段路10s/天(96個點)

但同時,考慮到我們需要對北京市五環內的主路路網都進行預測,要實現實時預測,計算量很大,所以我們希望找出一種更簡單,更快,精度更高的方法。

於是我們嘗試了方法二和方法三。

方法二和三

這時取了當前時刻和前3個時刻的速度直接做狀態向量,採用了一種新的相似度度量準則,動態時間彎曲距離,又稱DTW,也是考慮到速度「提前」和「滯後」的錯位匹配,這是基於動態規劃思想的方法,通過構造鄰接矩陣,以最短路徑之和作為距離。從圖中可以直觀了解到DTW距離的特點。

相似曲線取了最相似的10條速度曲線,取他們t+1時刻的速度進行帶權重的賦值,得到預測的速度。

我們看看這種方法的預測效果,這裡以北京四環為例,將四環按照立交橋分為24段,速度時間間隔為15min,以三個月的歷史交通數據作為檢索庫,預測2013年7月連續17天,預測時間間隔為15min。

預測結果:

擴展歐氏距離:系統平均誤差—9.57% ;計算速度—每段路0.2s/天

DTW距離:系統平均誤差—9.60%;計算速度—每段路2s/天

三種方法對比

四環24段路的系統誤差

可見,三種方法進行對比,發現速度作為狀態向量,擴展歐式距離進行匹配,帶權重賦值的方法預測效果最好,精度高且計算速度快,能夠適應北京市路網預測的需求。

同理,我們可以用同樣的方法對30min,45min,60min的車速進行預測。

那麼,未來24h呢?

&>&>&>&>

未來某天24h車速預測

第三部分我們進行未來某天24h的車速預測。主要方法還是非參數回歸法。

這時候我們把天氣作為主要因素加入到模型當中。

每半小時有一條天氣數據,數據包括天氣狀態,降水量,溫度,濕度等。

考慮到天氣預報的準確性,我們這裡的某天24小時,一般指的是3天內。

對於這些變數我們採用假設檢驗進行顯著性的判斷。

首先,按照天氣狀態分類,做車速均值與晴天相等的假設檢驗,結論是下雨下霧對天氣的影響是較為顯著的。

對於另一部分變數,按照某邊界劃分為兩組,做車速相等的假設檢驗,發現溫度和濕度對車速的影響較為顯著。

這時我們還對降水數據進行了一個預處理,我們降水量只有全天的數據,但會標註出哪個時刻有降水,所以我們假設降水在降水時段是均勻分布的,所以

——每時段降水量 =全天降水量 /降水時段數量。

因為只有歷史真實的天氣數據,我們假設每天的分時天氣預報是準確的,從而進行預測。

方法是也是非參數預測法,在這之前加入了一個判斷步驟,將天氣進行好天氣,下雨,下霧三類判別。狀態向量取t時刻的降水、濕度和濕度。

相似度度量準則採用歐式距離,相似曲線數量選擇三條,取t時刻的速度進行帶權重的預測演算法。

預測結果,同樣以北京四環為例,三個月的歷史交通數據作為匹配庫,預測7月連續一周的車速,預測時間間隔為30min,系統誤差為12.7%。

四環24段路平均誤差

預測結果:系統誤差為12.7%

通過以上幾個方向的努力,我們成功實現了道路未來道路未來4個15min車速預測,誤差僅為9.57% ;而道路未來某天24h車速預測,誤差為12.7%。

同時還對出行方案進行三種路徑規劃:

一是路程最短路徑,

二是道路最優路徑,

三是時間最短路徑。

三種路徑的規劃全方面滿足不同的出行需求,無論是求快還是求穩,都能滿足你的要求。

雨天再也不怕赴約遲到!

帝都作為一個特大城市,交通問題一直是困擾著大家的問題,一旦堵車可能行車時間動輒加倍,大數據在解決大家出行問題時,不僅僅幫助大家有效規划出最便捷最優化的路線更能緩解交通擁堵,引導車輛躲避擁堵避免堵上加堵。

大數據下的出行方案,實時反饋交通狀況預測,精準預測未來路況,更關注每一個人的出行,緩解交通壓力。


個人感覺大數據運用在交通方面,最能立桿見影的是智能紅綠燈了。

總所周知,目前國內城市的交通信號燈,全部是固定了紅燈多少秒、綠燈多少秒的,這個秒數一般根據道路的平均流量來設置,有的乾脆就是各個方向平均分配。

其實,很多情況下,主幹道、次幹道車流量不同,高峰期、平時車流量不同,在一個十字路口,長期來看,某方向的車流量會高一些,高峰期,某方向的車流量也會高一些。

面對這些動態的交通變化情況,固定設置的信號燈就不能充分地利用有限的道路資源,不合理的信號燈會造成嚴重擁堵。

在這樣的場景,大數據就可以發揮作用了。

試想,將十字路口的信號燈調整為智能動態可變,通過攝像頭、感測器等實時收集每個方向的車流量情況,對紅綠燈的秒數進行優化設置,可大幅提高道路通過效率。

整個城市的交通路口聯成一個大的網,通過一定的演算法,使各路口的通過效率維持在一個較優的水平。

這樣,大數據就能解決一定程度的城市交通擁堵問題。


都閃開,這個B必須由我來裝一下! 終於有個我可以發揮的了;

首先要說一下理解大數據,「大數據」的 「大」字,得引用一句話「凡是形容詞,就是不精確的」。

1.交通行業數據現狀是什麼 ,交通行業哪些數據敢稱大數據

交通行業數據,可參考交通部門設置,各地交通委、局 負責 公路管理、高速管理、長途客運管理、道路運輸管理、港航、水路運輸、火車、民航、城市公共交通(出租、公交、地鐵),還有城市交通管理部門 交警,主要有路口過車數據、駕駛違章、其他業務數據等。

實際情況 客流數據、車流數據兩類數量級很大,例如 每天的乘車卡刷卡、高速公路出入、浮動車 兩客一危 公交車 計程車GPS、道路過車數據。另外還有手機信令數據這個非交通行業自產的數據。

2.交通行業的大數據分析,在哪些有價值的點可以做

簡單點的

1 交通來源客流分析

2 交通去向客流分析

3 交通期望分析

再深入一點,分析粒度做成時段的。

再深入一點,基於交通小區做個聚類。

再深入一點,基於gis做個展示。

再深入一點,基於時間線做個動畫,做個熱度圖。

完工後。我們得到了一個城市多維度od分布情況。你可以了解

宏觀城市的O、D、OD期望數據直觀展現

交通區劃、交通小區的OD需求總量和分時段量。

時段交通需求量。

找天看看能不能上一下效果圖。

複雜點的就得是交通預測了

改天繼續補充

待續

4.業內有什麼好思路、系統產品和效果;

待續

5.除了業內其他誰還有能力做,有什麼效果;

待續

腦仁疼 晚一些補充

2016.5.2 出差路上更新,越深入越發現要做的東西還很多很多,不敢吹得太多。

0627更新一點內容

有了城市綜合交通od可以幹什麼?

市內交通客流分析、區域交通客流分析

職住分布

通勤時間

個人工作時長

再追加點乾貨

運政違章稽查

客運車輛違章稽查

網約車識別

如何實現可以自己想一下

又有人贊了,再擠一點乾貨

城市交通關注兩點

1 車流

2 客流

地域維度

城市

城際


數據分析不管大小,主要有兩種思路,一是先看有什麼數據可以推出什麼樣的信息,二是先看有什麼樣的需求再找合適的數據。我從第二個角度隨便談談:

舉個例子,「不堵車,少堵車」應該是交通指揮中心關心的議題之一,這個議題又可以分解為「道理規劃、車流監控、擁堵疏導和規劃後評估和再調整」等階段,不同的階段需要的數信息然也各不相同,對於數據的要求也千差萬別。比如車輛GPS信息、用戶刷卡信息都需要定期採集,沒有實時性或者實時採集的代價過高,你用這些數據去做監控或擁堵疏導顯然是不合適的。不知道這種自上而下的結構化思維方式對你有沒有幫助?

還有兩個疑問,供你參考。

1. 深圳全市24個交通信息化系統,每個系統自然都有其目的和作用,把這些系統的數據合在一起就能取得比原有單獨系統更好的分析效果嗎?我是很懷疑的。

2. 所謂大數據理論主要是講高維數據的相關性分析,從樓主自己的案例來看,似乎和大數據理論沒有多大的關係。


本人有2年地名規劃及數據整理經驗,曾經參與深圳市地名普查工作,對深圳市各級政府持有的基礎數據較為了解;目前從事高速公路有關數據分析工作,也有粗淺的交通經濟、OD調查等方面的理論和實踐涉獵。

對該題目的理解大概如下:

1、交通數據來源廣泛,頗有大數據之趨勢;

2、交通數據分析如何支撐某些優化或決策。

個人認為大數據理論對交通數據分析的指導還在方向性方面,尚無法落實,主要基於以下幾個理由:

1、交通數據複雜性,包括路網數據、路名數據、路面情況(坡度、破損度等)、路名突發事件(如車禍、限行等)、天氣影響等因素,複雜因素作用下的交通數據是否能夠抽絲剝繭提煉其特點並進行數據分析和總結,為一大難題;

2、交通數據分析目標的多樣性,以及干擾因素較多:

(1)交通量分析:新路修通後的交通需求具有派生性和誘導性,路線設計時依靠數據支撐不夠可靠;

(2)車輛行為分析:需要結合文化元素、經濟因素、周邊環境等難以量化的指標進行綜合考慮,並且未來的行為變化預測也較為複雜,需建模;

(3)基礎設施規模:公路及其附屬設施的規模確定,在極大程度上還依照交通設計指南等的硬性規定,但是在實踐中卻常存在指標偏低和過飽和承載現象;於是產生高額的維護成本。

3、出行需求的理性經濟假設:

(1)收費公路與免費公路所造成的交通量指引問題(如節假日免費);

(2)新聞媒體宣傳導向影響出行(如動車事件)。

大概就是這些,寫得比較粗略。

交通數據分析是複雜工程,但是目前就使用大數據理論在企業角度並不實用,可能學術角度會有更深的理解。

另:個人認為lz的兩個案例操作性不是很強,都是太大的題目了。

敬請指正。


謝邀。

利用位置信息幫助規劃交通有很多案例,國外也有很多專門的公司在幫政府做這方面的分析。主要都是由電信公司主導或提供數據。原因很簡單,他們有數據。

曾經幫新加坡的一個電信公司做過一個項目,和交通規劃關係不大,不過也挺有意思的。就跟大家分享一下。

該公司希望將掌握的客戶移動情況(主要通過手機網路和wifi網路收集)變現,創造價值。於是跟新加坡的各大商場合作,跟蹤用戶在商場里的位置移動,檢測是否有用戶到商場會面。目的自然就是進行各種營銷推送之類的。

截幾張圖放在這裡。太敏感的信息不能放,不過大概的idea大家應該可以了解到。有興趣進一步了解的同學可以私聊。


謝邀,題主的兩個設想都不錯,再補充幾個:

1、追蹤計程車的實時運動路線,分析計程車在每個時段在每個地域的分布情況,以及起始點和到達點之間的關係,以支持計程車停靠站、計程車分時段調度(比如
引導計程車司機到現在有一大幫人很有可能要打車但是附近沒車的地方拉活)之類的決策;

2、實時分析車輛異常路線,比如某輛公交車壞了,系統可以及時發現並進行調度;

3、獲取車輛行駛速度,以獲取最真實的實時路況(是否堵車,是否;

4、如果私家車也能接進這一系統,那麼可以做停車場分布的分析,看其設置是否合理。

本人不了解交通行業,僅從自己的一些生活體驗中想了一些應用場景。回答若有誤,求指教


手機信令數據在交通中也有典型的應用。城市規劃最困難的地方是定量依據不足,而手機信令數據可以有效分析社會、經濟和人的特徵,包括精準的人口、崗位分布、城鎮聯繫強度等,使得城市規劃更有依託。根據手機數據得出區域範圍內人的活動強度,來近似區域的對外聯繫強度,根據手機信號出現的時長可判斷流動和常駐的人口數量,根據晚上信號區域可確定人口空間分布,根據白天信號區域可確定崗位數和崗位空間分布等。


交通數據作為大數據應用將會有巨大的潛能,目前制約其發展的是交通數據收集的設施落後,或者成本昂貴。所以個人感覺上面的答案都沒有聯繫實際情況。。

現有的收集方式可以看 交通流量的數據是怎麼來的? - 移動互聯網。 基本就是地感線圈, 壓力管,還有CCTV了。一般測量車的軸來測算車流量還有車的classification,但是精確度實在感覺不高。

作為大數據應該用應該是每條道路的每一路段都應該有測量裝置365天,一直測量著,但礙於測量裝置的成本高昂,只能在關鍵路段防止測量裝置。剩餘測量不到的路段只能建模來預測了,這就是傳統小數據統計預測模式了。目前測量成本來講最便宜的是壓力管,其次是地感線圈。測量頻率也十分低下,基本就一年一次,一次7天。

並且拿澳洲紐西蘭地區來說地感線圈, 壓力管的裝置生產商基本就只有metrocounter一家形成了壟斷,沒有競爭對手意味沒有動力來促進科技的進步,投入科研經費來研究更加小巧精確的低成本的裝置萊測量所有路段,目前只是在做門面工作。

所以個人感覺短期內不太可能有交通數據的突破,由於成本的關係,還有製造商的市場競爭關係,導致進步艱難,除非腦洞某國領導決定集中資源開發。。但這不符合市場規律

交通數據大數據應用的當然會非常美好,能更有效的規劃道路保養成本,根據車流方向來準確預測人類的行為和商業變遷等~


可以從兩個角度去理解交通數據服務。

實時分析,實時分析解決實時路況計算問題,可用於預警、流量平衡、信號系統實時優化。

離線分析,用於規劃。

前者可轉化為立竿見影的生產力,但某些情況下,後者可能更能大幅提高城市交通運輸效率。


這個問題問的大概就是如何運用演算法對海量多源異構的交通數據進行研判分析以服務於城市交通的管控難題。

演算法本人不專業,智能交通從業多年也沒見過多少利用人工智慧分析交通流來服務於城市交通實戰的,目前名氣最大的就是阿里的杭州城市大腦,還有自吹自擂的海信城市交通大數據研判分析,易華錄倒沒見媒體一個勁得宣傳他們的大數據分析平台牛,因為易華錄實踐接觸最多,自然知道大數據研判應用的難處。這麼說來,目前我國各地城市交管局做到的交通大數據分析,也就做到了大數據分門別類的存儲、查詢、模糊預測,各地大數據分析軟體的統計分析圖形表報、用戶界面都做的爛的一逼,大概只有路口、路段、道路的交通流量統計、車輛平均速度統計、交通擁堵指數地圖展示,就此而已,而且界面還沒告知你這些流量數據統計從何採集而來,是從浮動車GPS、還是單純的卡口電警抓拍、還是路口信號機採集、線圈雷達採集??誰知道呢?至於融合統計嗎?!單純的來源通道統計都未能做得精準、好用,還談融合統計嗎,也就是說多源異構,根本就沒實現,那麼所謂的研判分析就只是交通流圖表趨勢的簡單展示而已,根本談不上實戰應用,整個國家的智能交通管控研判特別複雜、業務也混亂、軟體應用也根本不追求用戶體驗,很多軟體應用也就只有技術人員明白,交警用戶只能進行簡單的視頻監控、卡口流量查看、電警違法記錄審核、信號機手動控制、地圖警情實時預警僅此而已。

所以我說先做到多源異構數據的匯聚融合吧,才可真正去談應用先進演算法解決交通擁堵等城市難題。至於你見過啥牛逼的公安交通管控平台軟體嗎??告訴我,海信?大華?易華錄?電科智能?上海多倫科技?上市的,沒上市的?好吧,據我所見,大多做得爛得一逼,你說大數據平台ba?深藍黑底,數據圖表動態統計,眩吧,可惜,好看看不懂,而且基無使用的價值,就只是看看報表統計。


大數據環境下交通模型數據獲取新路徑

實現有效、便捷、經濟的交通模型輸入及校核關鍵數據獲取

每天,城市將沉澱大量的數據,包括手機信令、手機終端APP應用、交通IC卡、公交GPS等,這些數據與居住在城市中的人及其出行,息息相關。通過大數據分析挖掘技術,探究其數據的奧秘,釋放數據的力量,並將其應用在城市分析模型中。

可提供內容包括但不限於以下所述,更多應用與您共同探索。

上面這些數據都算是交通規劃前期的一些數據應用案例,供參考。


同意關於實時性的回答,經常坐出租就會聽到廣播里實時播報路況,這大概是現在手機這麼普及但是司機們還是不願放棄收音機的原因了吧。關於交通數據,一個是根據掌握的數據進行預測,比如可根據道路交叉口車流量預測擁堵情況,這樣的數據越新越好,這就是交通數據實時性的重要;另外,根據已有數據分析,相當於總結,如根據交通事故數據(事故地點、事故類型、事故責任類型、事故當事人年齡駕齡統計、車身顏色、車種、天氣情況等)分析事故高發路段等。

案例1:除了一些客觀數據的使用,還可以設計問卷對乘客、司機進行問卷調查 ,主要是針對乘客的出行行為和心理捕捉有用信息,如出行時間和候車時間統計、坐和站的時間大概有多長、較擁擠的站點、公交車線路和發車頻次改進建議等,獲得綜合的通勤出行分析。

案例2:傳統的交通規劃不能完全替代,因為現行的駕車人、乘車人、步行者等的交通行為,大都是根據傳統的交通規劃來執行的,或者根據長此以往對道路交通環境的感知來進行的。樓主說到可獲得的行駛軌跡、路段行程時間、OD分布等數據,可以幫助交通行為和路況分析,但是要替代傳統的交通規劃還需要更多的數據,並尋找這些數據的相關性,使得獨立的數據可以綜合使用。而現在獲取更多的數據尚且比較困難,公開的數據很少,大多是通過手機GPS定位、路口攝像頭抓拍、道路車流量統計、交通違章數據匯總等,智慧城市和智慧交通還有很長的路要走。


謝邀!可以說現在的大數據理論特別適合處理交通數據分析方面一直的困難。

我們看看大數據的4個「V」,或者說特點有四個層面:第一,數據體量巨大。從TB級別,躍升到PB級別;第二,數據類型繁多。前文提到的網路日誌、視頻、圖片、地理位置信息等等。第三,價值密度低,商業價值高。以視頻為例,連續不間斷監控過程中,可能有用的數據僅僅有一兩秒。第四,處理速度快,1秒定律。

從智能交通行業來看,第一,城市智能交通現在發展很迅速,隨著物聯網深入,道路上各種交通感測器數量和範圍都在不斷擴大,例如地磁,線圈,RFID,視頻監控等等,這些產生的數據已經很巨大了;第二,各智能交通系統所產生的數據類型是很繁雜的,有正常檢測記錄、抓拍圖片、視頻。第三點不言自明。最關鍵是第四點,比如原來的各交通流量檢測系統都可以產生道路交通流量,然後分析出城市道路實時路況,也可以針對多系統的數據根據演算法進行融合,提高路況準確性,但是對交通的實時性的要求總是很難滿足,現在一旦處理速度得到解決,很多業務應用就可以達到實用的程度了。


本人現在正在做一個交通大數據的項目,通過計算大量的OD量,集散量等。了解出行方式,獲取數據的方式可以通過刷卡數據,手機信令(計程車)等。

最終 我認為比較提現到智能交通大數據的兩個功能分別是:IC線路規劃影響和線路規劃分析

公交線路分析:

當出現新增,改道對公交出行的影響,對路網決策提供相關的數據支持。

通過某一具體公交路線,會統計到其他重疊段的公交路線。

線路規劃分析:

當監測到常住人口到達一定程度時,或者監測區域新開娛樂場所,或者新增住宅區考慮新增公交路線。

具體實現方式是通過人口密度檢測,數據來源為手機信令。地圖監測人口數量,時間最小顆粒度為每周,展示每周變化情況。新開大型娛樂場所和住宅區則需要聯網數據監測。

先想到這些,後面整理了有更新了再補充


大數據的發展可以在解決交通擁堵方面帶來更好的手段,比如說針對交通流和個體車輛互相影響的問題;在基於當前的交通路況進行路徑導航推薦的基礎上,增加出行車輛預測的維度、考慮出行車輛對路況的影響 ,導航的有效性將大大加強、解決城市擁堵的能力也會增強。

前段時間,剛剛接觸了基於電信運營商用戶數據進行大數據分析的技術,目前是可以區分人、車的運動,計算出路況、車的行進路徑;只是數據調用、計算延遲較大。展望一下,當軟硬體技術的發展、可以支撐到實時地計算出駕駛員(手機用戶)的位置、運行方向,結合歷史分析的每個駕駛員的行為特性(比如早晚高峰時的上班、下班OD),就可以計算出全局最優情況下、所有駕駛員的最優路徑,實時智能調整、引導駕駛員選擇路徑。


個人認為,大數據最大的特點在於大,具體到交通上來說,「大」的體現就不應該僅僅只是車輛信息了。根據 @謝靜所說,大數據分析交通還應該包括路面情況、突發情況、天氣、周邊環境等等很多因素。在大數據層面分析處理交通數據能得到的結果之一是規劃合理的出行路線,剛提到的因素部分和最終結果相關性很大,有些小到可以忽略不計,但總的來說,納入考慮的因素越多,建成的預測模型就越準確。

回到題主的問題上,「如何指導」,那首先應該獲取足夠的數據,把看起來相關的,甚至於一些表面不相關的數據都搜集起來,根據建立的模型對數據加以挖掘和篩選,才可能產生相應的價值。

另外還要提及的一點就是數據的再利用,同一條路段上的歷史數據也是有相當參考價值的,早高峰、晚高峰,周一、周五、或者周末的數據都應該納入分析的範圍。面對海量的數據就需要有更有效的方法來儲存數據,更快速的演算法來挖掘和分析數據,這也是大數據的精華所在,至於能帶來的價值,那就需要進一步從商業模式的角度來思考。


自主研發一款交通規劃成品軟體,通過IC卡、GPS、GIS圖層數據有效分析出公交現狀,結合transcad做出公交線網優化評估。包括手機信令分析OD,職住分布、綜合交通樞紐人群集散,城市總體規劃等等


交通行業大數據的數據基礎不容樂觀,數據質量差,項目周期不長的時間裡,整合基礎數據,花費大量時間

大數據分析發展的方向,除了數據價值的挖掘(對業務的理解),數據可視化(數據展現的美觀程度),還有哪些先進方向可以借鑒


推薦閱讀:

什麼是數據分析?
同樣是互聯網相關行業,數據分析是否比前端開發更難,如果是,為何數據分析崗位薪資普遍比前端崗位低呢?
「城市之光」圖中的印度為什麼這麼亮,是經濟發展水平達到的原因嗎?
數據分析類崗位目前就業形勢?
大數據技術是否有可能拯救計劃經濟?

TAG:數據分析 | 交通規劃 | 智能交通 | 大數據 |