随着人工智能、大数据、物联网、云计算等新技术的快速发展，各类终端、电子化外场设备、中心业务应用都产生了海量的数据，并且渗透到了交通运输行业各个业务领域中，成为了重要的生产要素。大数据因此成为了社会各界关注的焦点，大数据时代已经来临。传统数据处理技术无法满足大规模数据的实时处理需求，不能挖掘数据蕴藏的重要价值。而人工智能、大数据等技术作为科技发展新引擎，也仍处于探索应用初期阶段，还没有实质性地实现智能交通的重大变革。因此，充分发挥人工智能、大数据等技术的优势，寻找与实际业务需求的结合点显得尤为重要。
在此背景下，本文首先从信息资源整合、数据智能分析决策、大数据全生命周期的新技术应用、信息主动推送、智能网联汽车等方面提出智能交通日益凸显的痛点及需求。其次总结智能视频分析、交通信号控制、智能交通平台应用及智能网联汽车等分业务领域的研究现状。再次围绕自然语言处理、计算机视觉、智能化交通信号控制、汽车电子标识、数据湖蓝光存储等新技术，分别从技术突破、业务应用两个方面阐述新技术突破在智能交通领域的应用。最后，提出了大数据时代新技术在智能交通领域研究方向的建议。
单-散乱包括数据散乱、技术散乱、业务散乱及应用散乱。经过我国大规模的信息化建设，与交通运输相关的绝大多数部门均已建成自有信息化系统，并积累了大量数据。但目前太多数据信息只存在于单个部门的垂直业务和单一应用中，部门之间缺乏开放互通，造成数据资源条块化分割和信息碎片化，数据共享程度不高。为此，一方面，亟需建立数据开放标准，明确数据开放进程、范围边界、使用方式以及各部门对数据管理及共享的权利和义务；另一方面，亟需建立跨部门、跨行业、跨区域的信息资源整合平台，实现高效的交通运输资源配置，为交通管理、决策、规划与运营、服务提供更加有效的支撑。
交通大数据体量大、种类繁多，包括卡口、道路视频监控、电子警察、交通信号控制、交通诱导信息、车驾管、交通事故、停车场、运营车辆、车载视频、场站视频、公交线网、车辆定位等数据。然而面对如此海量、繁杂的数据，目前后台数据处理大多仍沿用传统的统计分析方法，或是通过单个维度数据的比对、累加、百分比计算，生成简单图示模型来辅助决策，或是基于有限维度数据的简单模型算法预测关键参数，上述数据处理结果离实现智能分析处理、提供智能辅助决策相差甚远。今后的数据分析期望实现：根据既有属性数据值，预测未知属性的数据值；基于大数据技术发现数据潜在模式，包括复杂的多维度数据关联性分析、将数据划分成若干有意义或有用簇的聚类分析以及从输人数据到各个标签映射的分类分析。
一个完备的大数据平台构建，包括数据采集、存储、处理以及展示等环节，主要挑战在于以下几方面。
（1） 数据类型的多样性，非结构化数据呈指数级增长：智能交通建设和运营过程中，既要处理结构化数据，同时还要处理视频监控、卡口电警产生的大量视频、图片等非结构化数据；传统的关系型数据库仅能分析处理确定的数据关系，而对于海量数据，特别是半结构化、非结构化数据无能为力。
（2） 数据采集的不确定性：数据在采集过程中容易存在缺失、错误、冗余等异常现象，而既有数据清洗算法均无法消除某些数据固有的不确定性。
（3） 数据存储能耗高、性能差：1）传统主存-磁盘存储架构无法满足大数据管理需求；2）大规模分布式数据库中传统的持久化策略、索引结构、查询执行、查询优化、数据恢复策略均无法发挥新型存储优势； 3）大数据管理系统中的能耗成本逐年上升。
可见，大数据平台已由过去关注数据处理技术，逐步开始在数据管道验证、复杂数据碰撞、海量数据超算等环节产生新的需求，进而提高数据使用价值。
大多智能交通管控平台采用信息被动搜索模式，即：用户先发出请求，然后服务器响应请求，最后将用户请求的内容返回用户。该模式存在的问题是随着业务量的增加，用户无法及时获取准确有效的信息。因此，利用人工智能等技术从庞大数据资源中自动获取实用、准确、优质的信息，实现主动推送决策信息亟待实现。
我国与日俱增的小汽车保有量使得城市拥堵问题愈加严重；加之，云计算、物联网、大数据等新兴技术的蓬勃发展使得传统汽车产业发生重大变革，智能网联汽车成为全球汽车行业关注的焦点。智能网联汽车是传统汽车产业的转型升级，具体表现在：
（1） 高数据量、高并发互联娱乐；
（2） 通过后台的大数据处理及云计算实现语音交互和手势识别；
（3） 高精度地图，超视距了解路况信息，更安全、更节能；
（4） 先进的车载组合传感器技术，强调车辆主动安全性能。因此，智能网联汽车将是未来智能交通发展的重要方向之一。
智能视频分析借助计算机强大的数据处理能力滤掉视频噪声，智能识别对象，分析抽取视频流中关键信息，在交通运输领域得到了广泛应用，包括道路交通流监测、车辆自动检测和识别、道路车辆与行人定位、监控区域内个体的异常行为检测、自动收费系统等。下面分别从目标检测、目标跟踪、目标识别三个方面总结分析计算机视觉技术的研究现状及应用情况。
1.1基于计算机视觉的目标检测
基于计算机视觉的目标检测即将运动目标从实时变化的背景中快速、准确地提取出来，进而获取目标的相关属性、特征信息。常用的目标检测方法有图像差分法、光流场法以及目标特征模型检测法。图像差分法的劣势在于受到复杂场景、环境干扰以及噪声的影响，背景建模比较困难。光流场法由于受多光源、噪声、透明性、阴影、遮挡等因素的影响使计算出的光流分布可靠性、精准性、实时性与实用性较差。目标特征模型检测法是较新的研究成果，该方法是通过建立被检测目标的特征模型，设置分类器，从图像中对目标分类，主要步骤包括目标特征提取及目标分类识别。传统的目标特征模型检测法多将特征提取与分类分开，即：首先，采用某种算法提取目标特征，人工选择合适的特征组合；然后，单独运用包括神经网络、支持向量机、自适应增强等机器学习算法训练独立的分类器。传统的目标模型检测法由于人T构建的往往是梯度、颜色、纹理等浅层特征，使得其在面对类别数量大、环境较为复杂的情况时有很大的局限性，性能提高空间有限。
1.2基于计算机视觉的目标跟踪
根据采集的视频图像对车辆异常行为进行检测及行人行为进行判定具有重要意义。常用的目标跟踪算法主要有基于图像特征的跟踪、基于模板匹配的跟踪及基于运动预测的跟踪。目标跟踪研究的难点在于算法的鲁棒性和准确性。既有研究成果对处理简单背景下的车辆跟踪问题有较好的效果，但当跟踪目标发生遮挡、旋转、尺度变化及背景干扰时，很难获得鲁棒性较强的效果。
1.3基于计算机视觉的目标识别
基于计算机视觉的目标识别在目标检测、跟踪的基础上进行，首先根据实际需求确定要划分的类别，从检测到的目标中提取合适的特征；然后根据选取的特征，运用分类器将目标进行分类，进而获取视频图像中动态目标的类型和数量。因此，影响目标识别的关键是选取准确、高效、鲁棒性好的特征量和构建快速、有效的分类器。目前普遍采用的目标特征提取方法有形状特征、颜色特征、运动特征及多特征等。现有分类器算法有神经网络、支持向量机、Adaboost级联、贝叶斯决策等。但是，上述方法距离实时、精准地识别目标特征还有-定差距。
近些年，随着图形处理器的并行计算架构被大规模应用于多层神经网络训练，科研人员开始探索利用深度学习技术实现图像视频检测识别。其最大的特点在于能将特征提取与分类整合到一个单独的神经网络中，并且随着网络结构的增加，图像信息也会由像素级别的特征、浅层特征提取逐渐过渡到高级、深层特征提取。由于特征提取不需人工干预，而是依靠神经网络自学习得到，因此深度学习的泛化性不是一般机器学习算法可以比拟的。
目前，深度学习与计算机视觉技术在智能交通领域的应用方向主要有：
（1） 基于车辆轮廓和形态的检测技术：从基于运动的检测技术到基于车辆轮廓和形态的检测技术的转变，可以解决很多过去车辆检测中存在的问题，排除了天气、光线等带来的干扰；
（2） 通过深度学习实现更多维度的识别：通过深度学习精确识别车牌，还有车辆的颜色、类型、品牌年款，车内人物，车辆挡风玻璃上的特殊标志以及车辆尾部的特征标志等；
（3） 车辆比对一一以图搜图：基于视图大数据的以图搜图功能，可以在海量图片里找到一辆特定的车，该技术应用场景包括套牌识别、收费结算、逃费稽查、移动支付等；
（4） 借助人工智能实现准确的交通事件检测：由于传统检测方法存在较多的误报，实际效果离真正的需求还有定的差距，而借助深度学习技术，能实现真正准确的交通事件检测。总之，目前交通运输领域的计算机视觉技术应用还停留在对静态图片的智能分析阶段，而真正的挑战是快速从视频中找出需要的画面，为执法提供快速、精准、有效的依据。
目前，部分企业正在寻找人工智能技术与前端设备的应用结合点，如智能交通信号控制，主要有传统信号控制系统与互联网信号控制系统，两者的差异体现在：前者的数据来源于周边有限的采集设备，如视频、线圈、雷达等，探测范围非常有限；而后者的数据来源于基于手机定位计算得到的交通流数据，该类数据可以实时精准地统计全路网各个节点、路段的交通流量及流向。此外，互联网信号控制系统不仅能够利用人工智能技术，网络流算法优化信号配时方案，而且可以评价 路口信号配时方案的运行效果及对周边区域交通的影响。经分析可知，一方面，人工智能、移动互联等新技术应用到交通信号控制是未来发展趋势；另方面，也需要以具备额外计算能力的信号控制器作为载体。
基于高效数据采集、存储、处理、共享及应用的大数据驱动的智能交通业务平台，能够实现数据存储、数据挖掘、数据共享等功能。传统智能交通企业的布局主要有以下几个方面：
（1）基于交通管理业务基础信息，应用数据仓库、高性能计算、主题模型、多维度分析、可视化等关键技术，获取隐藏在交通管理大数据中的趋势性、预判性信息；
（2）在交通信息资源共享交换服务技术、区域交通拥堵评价技术、出行路径规划与主动交通安全技术、突发交通事件监测预警技术等方面进行重点研究；
（3）研究光磁一体化的城市数据湖技术、跨行业的数据接入及分析挖掘技术、多源异构网络数据融合及集成化管理技术、基于云计算环境下的大数据平台技术。
与传统智能交通企业不同，互联网企业占据了有商业价值的数据资源流量入口。
（1）一站式出行服务平台深耕海量数据分析处理技术、人工智能算法，进而实现精准的供需预测、蜂窝动态调价、智能派单、路径规划、智能拼车、矩阵式服务评价体系；
（2）交通大数据平台根据交通度量体系设定，分析海量数据，让分析结果为乘客、司机、交通主管部门等所有出行参与方都带来价值，如利用智能调度优势帮助改善城市交通拥堵问题，协助设计智能交通管控方案，提高道路利用率，为城市的路网优化提供决策依据等。
智能网联汽车搭载先进车载传感器、控制器、执行器等装置，并融合现代通信和网络技术，实现车与人、车、路、云等信息交换与共享，具备复杂环境感知、智能决策、协同控制等功能。由于智能网联能提供更安全、节能、环保、便捷的出行服务。成为国际公认的未来发展方向。
我国智能网联汽车发展不足主要表现在：
（1）尚未形成国家层面的智能网联汽车发展战略，缺乏大型国家项目支撑；
（2）我国智能汽车领域的基础技术还十分薄弱，核心技术仍落后于世界先进水平；
（3）自主零部件企业相对弱小，行业缺乏有效协同研制机制；
（4）我国虽有强大的互联网产业基础，但信息产业与汽车的融合层次较浅；
（5）智能网联汽车标准法规及检测测试落后较多。
我国非常重视智能辅助驾驶，工信部和公安部已经授权无锡的科研所建设国家级智能交通综合测试基地，旨在打造车联网研发和测试验证平台，该平台的建立对推动我国智能辅助驾驶规范化、标准化起到了重要作用。可见，我国智能辅助驾驶已经从过去的政策引导转向打破碎片化、推进规范化与标准化的新方向。
由上述分析可知：
（1）人工智能还处于早期发展阶段，部分企业在探索其在行业垂直领域的智能化应用，但目前多聚焦在挖掘数据处理技术的业务应用，并没有着眼于研究贯穿数据采集、存储、处理、应用这一全生命周期的人工智能技术，远没有体现新一代人工智能技术的先进性；
（2）具备平台技术能力、数据整合能力、智能分析能力的企业较少，亟需建立跨行业、跨业态的大数据平台、分析平台及应用平台；
（3）行业内企业多集中于圈占具有商业价值的数据资源；
（4）人工智能得到大力推行，智能交通企业大多在孵化新的产品，推动智能交通大数据的发展，其中，机器学习作为人工智能的细分技术占据了市场主导地位，其次是自然语言处理技术。
围绕自然语言处理、计算机视觉、智能化交通信号控制、汽车电子标识、数据湖蓝光存储等新技术，从技术突破和业务应用两个方面来看，新技术突破在智能交通中的应用情况如下。
目前，工业界、学术界利用深度学习算法已经实现了高级阶段的一些关键性突破，能够实现少数民族语言、方言、口音、轻度噪音环境的语音识别分析，语音识别率可以达到95%，还可通过语气判断讲话人的性格及心情，通过训练实现人机对话。
当前计算机视觉技术在智能交通领域的主要突破有以下五个方面：
（1）由基于计算机视觉技术的目标检测到目标跟踪；
（2）由简单、纯净的场景到复杂场景下检测、跟踪、识别，提高算的 鲁棒性；
（3）由简单的汽车电子号牌识别到车型、多种微观特征识别；
（4）由机动车的检测跟踪到行人的检测跟踪；
（5）由静态图片的目标分析到动态视频检索。
过去传统的交通信号控制多集中于基于路口交通流参数确定信号控制方案。目前，信号控制技术的突破方向有：
（1）交通信息采集手段的突破，从原有的基于“点”的、“单一”方式到基于“区域”的、“多源”方式，实现汽车电子标识、互联网车辆定位数据、视频、地磁、雷达等多种交通数据的融合互补；
（2）智能载体的突破，从原有前端信号控制器的智能化到上端中心的智能化，不仅能够实现单点的信号控制，更可以实现千道控制甚至区域控制；
（3）评价方法的突破，从原有的基于饱和度、停车次数、排队长度、信号延误、效率系数等指标评价单点信号控制方案的好坏到单点信号配时对周边区域的交通影响评估。
汽车电子标识是智能交通管理系统的高精度、高准确性、海量、动态数据的采集源。汽车电子标识技术突破方向有：
（1）汽车电子标识标签技术，包括超高效率整流电路设计技术、超低功耗技术、全频段宽带和高增益技术、存储数据的高可靠性技术；（2）读写设备技术，包括基于分离元器件和芯片的读写设备设计、空口效率优化技术、安全技术、通信协议技术等。基于汽车电子标识技术与交通物联网视频监控技术的联合使用，在高速公路、公路收费站以及城市主干道、出人口、交叉路口等现有的交通技术监控设备上加装电子标识识读设备，并在汽车站、大型停车场、居民小区和单位门禁等位置（区域）安装识读设备，采集车辆精确行驶轨迹数据，并上传汇总至部、省两级车辆轨迹数据中心，可以实现对全国车辆行驶轨迹的精确管控。
该技术的提出源于数据使用频率的2/8原则，即城市大数据中有20%数据高频使用、80%数据低频使用，采用蓝光、磁存一体化应用方案，是新大数据时代最理想的数据存储架构。
结合智能交通建设需求，围绕视频精准识别、运维智能检测系统、智能化交通信号控制、大数据标准制定、贯穿数据全生命周期的新技术应用等，提出具体的技术研究方向建议。
（1）优化视频智能分析算法，实现包括车辆异常行为、燃爆等交通事件的精准识别。
（2）降低算法能耗。即通过减少物理服务器节点的工作量，重新配置任务，然后让一部分工作量极少的节点休眠，从而达到节能的效果，改变过去过度依赖通过扩展服务器数量实现秒级搜索响应的做法。
开展跨平台自检、跨产品的智能化联合检测技术研究。从设备运维单一产品的网上巡检到城市级、行业级，开发突破产品、突破企业的运维智能检测系统。
该技术的提出源于数据使用频率的2/8原则，即城市大数据中有20%数据高频使用、80%数据低频使用，采用蓝光、磁存一体化应用方案，是新大数据时代最理想的数据存储架构。
开展政府、企业间大数据标准及数据共享机制研究。一般情况下，政府的数据可以通过法律程序推动数据的统一化、标准化。但是，企业内部及企业间的数据呈现碎片化、零散化、不规范的特点。因此，研究企业间、企业与政府间的共享机制势在必行。
研究人工智能等新技术在数据全生命周期的应用，包括数据采集、存储、处理、应用等阶段。实现不仅具有智慧大脑，还要有匹配智慧机体的智能交通系统。
结论：智能交通行业日益凸显的痛点及需求体现在以下几个方面：由数据散乱、技术散乱、业务散乱及应用散乱转向资源整合；数据处理分析方法由简单的数据统计转向辅助智能决策；由数据结构化、算法低效转向数据智能清洗提取、超算高效；由被动搜索信息、被动管理转向信息主动推送、主动服务；汽车由传统交通工具转向下一代移动智能终端。大数据、人工智能还处于早期发展阶段，并且多是集中在数据处理环节探索数据融合挖掘技术的应用，并没有着眼在某一业务领域研究覆盖数据采集、存储、处理、应用全生命周期的新技术。围绕自然语言处理、计算机视觉、智能化交通信号控制、汽车电子标识、数据湖蓝光存储等新技术，本文提出新技术未来在智能交通领域的突破性应用，如车辆异常行为跟踪、车辆燃爆事故精准发现预警、多源全视角的交通信号控制等。