当前国内城市化的进程越来越快，汽车工业也随之迅猛发展，城市中的私家车持有量也就越来越多，导致城市面临越来越多的交通问题。拥挤的交通对人们日常出行的方便造成了非常严重影响，当前城市交通拥堵情况已经是国内城市中非常突出的问题。通过部分城市的实际情况表明，要解决当前城市交通拥堵的情况，可以在目前城市交通的基础之上，提升城市交通管理的信息化能力，从而在根本解决交通拥堵的问题。作为世界上第一人口大国，同时也是道路建设发展第一的国家，国内交通信息化的进度也在不断加快，在当前各个交通部门较为分散的交通信息系统基础之上，将云计算的智能系统充分应用到交通信息系统中，得以实现及时交通信息收集、研究、处理与，定时向居民适时的动态交通信息，指引居民出行的计划路线，以此来提升交通的效率[1]。
智能交通系统(ITS)属于一个非常庞大的职能系统，先进出行信息系统(ATIS)则是智能交通系统的核心子系统，属于ITS的重要组成成分[2]。智能交通出行系统的重要功能指的是从网络中收集即时交通情况，将信息处理之后，估计将来的交通发展情况，从而生出分析报告与路况预测。分析所得的数据能够作为即时交通公布消息，或者作为智能交通控制的系统，从而及时获得准确的交通控制措施；也能够将其用在分析交通事故中，为其提供定位[3]。因为过多的车辆同时占据相同的道路形成部分的交通拥堵，ATIS可以通过动态指挥、即时路况公布等策略指引道路中的车辆选择使用适合的道路资源，保证交通通畅。ATIS是根据道路信息资料整合系统与相关的信息资料，经过PDA、手机、网络、车载电视、滚动显示器、各个场所的大屏幕、交通广播等媒介，为出行的居民供应有一个完整的道路即时情况。为自驾的居民供应天气、环境、路况、施工等相关信息；为乘坐公共交通工具出行的居民供应路况、施工、换乘、站务等相关信息。根据这些即时的情况，出行的居民能够在出门以前有充足的实践安排计划，从而改变出行线路，让出行更方便、更快捷[4]。
2研究的意义
2.1理论意义
云计算概念的起源是Google的公开核心文件和AmazonEC2(亚马逊弹性计算云)项目，云计算是一种基于Internet的超级计算模式，它是由分布式处理、并行处理和网格计算发展而来的。云计算是将一些必将庞大的计算处理程序通过网络拆分成大量较小的子程序，让后发送到由多服务器构成的云端，经过云端的计算分析，在通过网络将结果返回给用户，通过云计算计算，用户可以体验到与超级计算机式的网络服务[5]。
2.2实际意义
本文提出了对车辆的行驶情况通过云计算技术进行数据采集，并对这些数据进行分析处理，以获取实时的道路交通信息。该项技术首先需要建立交通数据的采集、计算平台，这就需要政府、出租车公司以及数据运营商做前期投入以做好基础设施和技术平台的建设。在采集基础数据时，需要进行大量的数据采集，才能保证后续计算达到一定的准确性，在数据前，要对采集的数据进行优化分析处理。实现智能交通系统的核心技术是动态导航技术，动态导航技术的研究具有重要的显示意义。本文提出的智能交通云的构建对于实现城市只能交通系统有重要的意义，基于云计算来构建只能交通系统，可以有效的减少二线城市在交通信息化建设的前期成本，这有利于交通信息化建设的快速发展，环节城市交通压力，最终提升各地的出行效率[6]。
3国内外研究现状
本节对国内外的先进出行信息系统的发展现状进行了一定分析，这其中主要包括我国主要城市的发展现状和存在的问题以及美日两国的发展现状、趋势和经验。
3.1国内研究状况
交通的基础建设和管理一直以来都是我国政府重点关注的问题之一。交通的信息化建设是交通部确立的“十五”科技交通建设计划的重点之一；2001年计委和发改委共同的“2001年度有限发展高新技术产业重点领域”的通知中指出了智能交通系统的建设为其中一项，还指出了交通信息化相观的系统以及软件开发成为了我国IT也近期产业化的重点[7]。我过在IT产业的研发上投入也比较大，许多地方的IT项目建设已经初具规模。深圳市的笔录电视系统监控全市的交通，各大路口都安装了监控设备，并且还配备了智能车辆违章抓拍系统，其中的车牌辨识系统，能在发现违章车辆的几秒之内通知有关执法人员及时处理，深圳市的交通系统中还配制了交通诱导指示装置，它的主要作用是为驾驶员提供实时的路况信息；只能化的电子车牌可以让公交候车人员知道公交车入站的具体时间。在交通信息化建设方面上海市与深圳市相比自身的特点比较明显。上海市在澳大利亚的交通信号控制系统的基础上，又建立了交通自适应控制系统。结合各区的高架以及桥梁，设置监控系统、通信系统和控制系统。上海是我国第一推出交通广播台的成市，它能及时的交通信息，并于世纪之交成立了上海交通信息中心，2000年底又相继推出了上海交通网，为出行者提供了方便有效的交通动态指南；并在公交站内设置了电子站牌。利用信息技术解决上海的交通问题已经成为了上海交通现代化建设的重要组成部分。
3.2国外研究状况
3.2.1美国
美国作为经济大国，虽然在信息技术的研究上一度落后，但是由于其先进的技术，已经后来居上，一跃成为世界第一的IT大国，目前，美国在各项信息技术的研究和引用上都处于领先地位。美国对于IT业的重视程度非常之高，对IT技术在服务领域有的应用进行了深远的研究和实践。
1995年美国运输部根据之前颁布的地面运输效率法案正式公布了IT的基本系统以及子系统。此外，美国还在研发一个IT的新领域，这个领域及时信息化乡村运输系统。该系统把城市的信息化交通管理系统应用到乡村道路中去，主要是利用先进的信息技术，提高车辆的行驶安全，保证各国游客的顺利出行，以此促进乡村经济的快速发展。此系统主要包括无线电紧急呼救系统，恶劣交通状况实时警告系统以及相关的旅游服务信息[8]。
3.2.2日本
日本是一个经济大国，虽然面积不大，但是人口密度相当大，人口的总人数也有1.28亿，并且超过80%的人住在城市，这就对城市的交通带来了巨大的压力，因此就造成了交通事故的大量增加，这也造成很大的经济损失，据估计，每年因为交通问题为日本带来的经济损失高达12兆亿日元。日本政府也接如何解决交通问题作为重点工作，但是由于地域面积的限制，通过新建道路来解决此类问题显然不太现实。为此，日本政府就加大了对智能交通系统的开发建设力度。日本的信息技术产业的一大特点就是各政府部门的共同参与，减少技术研究中漏洞的出现几率。1993年，日本成立了智能交通协会，从而使与IT相关的多个部门之间建立了共同研究的工作机制，1995年，上述部门对信息用户的服务范围进行了详细分析，并对IT项目的研发进行了统一的规划，并且陆续开发除了交通相关的多个领域的多功能服务系统。
【关键词】铁路智能运输系统，运输效率，服务质量
【中图分类号】U29-39
【文献标识码】A
【文章编号】1672-5158（2012）12-0021-02
1 概述
在当今开放的市场中，由于其它交通工具的竞争，使封闭的、以内导向性组织为主体，以专业经理各管一段为主要特征的铁路企业面临着巨大挑战。其出路在于抓紧利用现代信息技术的平台，筑建智能化的铁路运输管理系统，以自动化、信息化，网络化为基础，打破专业经理分工过细的管理模式，实现相关系统整合，以运输产品为导向，以智能运输管理技术为手段，实现与市场的对接。
20世纪70年代以来，面对社会和经济发展对铁路运输不断增长的“高速、高密度”的需求，铁路运输系统经历了从以人工为主的、机械化的、电子化的、信息化的进而向智能化方向发展的历程。世界发达铁路国家铁路运输的信息化过程已经完成，并在现代信息技术的支撑下改造内部组织模式，基本上完成了市场商业化运行的改革，大大提高了运输产品的生产效率。与此同时，基础智能化的进程正以更快的速度和更高的效率进行。通过实现智能化使传统铁路运输向铁路智能运输系统转化已成为各发达国家使铁路传统产业升级，保持和提高铁路运输业在21世纪竞争力的核心战略之一。
我国铁路目前正在经历着有史以来最深刻的变革，适应市场需要提供更多更好的运输产品，改造铁路管理模式，提升传统技术水平，目前和未来相当长的时期内，铁路运输技术要实现跨跃式发展所面临的挑战也是极其严峻的过去分散的、按业务划分的无法共享信息与资源的各业务系统已无法适应这些新的挑战。通过信息化建设实现智能化已成为我国铁路运输系统发展的历史必然。
2 RITS定义、特征及关键技术
铁路智能运输系统的核心特征就是系统的智能性，所谓智能是指能有效地获取、处理、再生和利用信息，从而在任意给定的环境下达到预定目标的能力。
2.1 RITS的特征
RITS应是一个安全、高效、低碳、和谐，按需求驱动的自主化系统。作为一个集成了多因素的复杂系统，RITS的特点主要体现在以下4个方面：
（1）互联互通、信息共享：RITS功能的集成必然要求系统中子系统及子系统各部分问实现有机的互联互通，以保证顺畅高速的通信和及时高度的信息共享。
（2）智能处理：RITS应实现行车控制、综合调度、资源管理、营运管理等的智能处理，以形成一个高度智能化自主化的铁路生产经营体系。
（3）协同工作：RITS应使固定设施、移动设施和维修设施有机地协调成一个整体，实现各子系统的协同工作，以提高运输效率和加强安全保障。
（4）按需配置：基于系统信息共享机制，RITS应完成系统内外的实时需求分析，并按需动态配置各种资源，以达到高效、低碳、按需驱动的目的。
2.2 RITS关键技术
为达到可测、可控、可视、可响应的目标，物联网（传感网）、大容量通信、互操作、云计算、知识推理和网络安全等是RITS中必不可少的六大关键技术。这六大关键技术分别服务于RITS的不同层次。
铁路智能化的发展在有线和无线网络的安全方面提出了更高要求。有线网络安全主要研究防火墙、密码、数字水印、入侵检测和病毒检测等技术。无线网络安全的研究集中在安全路由、安全聚合、密钥管理、身份认证和异构无线网络安全等方向。在RITS中，这些技术可分别应用于数据获取、网络通信和应用管理。物联网（传感网）技术的研究内容主要涉及射频识别（RFID）、传感器网络与检测技术等。一般将RFID技术用于列车、乘客、车站、固定设备等的静态信息采集，而传感器网络技术则用于列车运行状态、轨道状态、铁路防灾系统等动态信息采集。专有大容量信息网络可简单分为车载、车地和地面蝌。国内外车载设备网络连接研究和应用主要集中在基于TCN相关网络上。在车地问大容量无线传输方面，国内外对WLAN、GSM-R、WiMax、WiFi网络等进行了应用研究和实地测试。地面数据汇接传输应用较多的主要是MSTP网络和基于IP的数据网络。云计算是一种共享的网络交付信息服务模式。在RITS中，云计算可以提供动态、灵活的基础设施相关服务，可以实现铁路资源和应用的虚拟化，进而实现RITS不同子系统间的数据与应用共享。互操作是实现不同系统共享信息、协凋工作的核心技术，是解决分布式、异构系统集成应用的有效方法。目前欧美等国和我国其他交通相关领域也进行了初步研究。在RITS中，互操作技术主要用于满足资源管理、运输组织调度、安全监测与控制、客货服务、综合运输等多个模块问大量信息交互的需求。知识推理包含了推理系统、知识发现、数据挖掘等内容，其核心是复杂动态环境下的建模、基于本体论的知识表达和基于智能Agent的动态协作等方面。在RITS中，知识推理技术的应用主要集中在基础设施运用维护、综合安全监控、运输组织优化、智能化旅客信息服务等方面。
3 中国RITS构想
我国铁路目前所处的发展阶段和面临的客观环境，实际是既要高速度，又要高密度；既要重载，又要客货混跑。这种复杂的技术组成和运输产品结构，更需要智能化的运输管理技术作为支撑。在今后一段时期内，中国铁路智能运输系统的建设和发展应在追踪和采用现代智能技术的同时，结合国内已有的基础，在统一的体系框架下，重点整合信息化建设的资源和优势。与此同时，集中力量进行关键技术的攻关和示范应用，力争实现技术上的跨越。我国铁路RITS建设的优先领域和研发重点可以确定为：
（1）中国铁路RITS发展的总体规划和体系框架研究
通过规划研究，将确定我国铁路RITS分阶段的发展目标、发展重点、实施步骤与对策措施等重要内容，形成RITS发展的宏观和整体蓝图。规划的研究和制定从总体上要体现前瞻性与现实可操作性相结合、需求与可能性相结合等原则，能够为政府部门决策提供支持。作为整个RITS发展的基础和出发点，国家RITS体系结构框架的研究将是近期工作的一个重点，其目的是要结合我国铁路运输系统的实际特点，为具有中国特色的RITS的发展提供规划、设计、实施、标准和管理的依据和指导。
（2）建设好国家铁路智能运输系统工程技术中心，研究开发RITS重大关键技术
在国家RITS体系框架的指导下，除了进一步完善与整合已有的以TMIS、DMIS等为代表的信息化建设的成果外，根据我国RITS的特点和技术要求，以国家铁路智能运输系统工程技术中心为依托，对一批重大关键技术组织进行研究开发和技术攻关，在国家铁路试验中心，建设一个高水平的铁路智能运输工程技术示范基地。近期尤其是要在例如铁路移动体与固定设施一体化安全检测网络系统、国家铁路运输安全保障体系及相关核心技术等关键技术的研发中取得突破。
（3）组织实施中国铁路
RITS的示范应用在目前情况下，由于受资金、技术等多种因素的制约，我国RITS可行的发展模式应是研究与开发并举，试验与推广并举，以点带线，以线带面，争取在统一的体系框架下，采用分阶段渐进集成的方式加以推进。其中，系统集成的概念和技术具有十分重要的作用，无论是RITS的研究开发，还是系统设计与实施，渐进集成都将是我国RITS发展过程中必须始终坚持的一项基本原则。作为推动全路RITS建设的重要举措，近期可以考虑在示范基地的基础上选择基础设施条件较好的地区或线路组织实施RITS的区域或线路运行示范。首批示范项目的确定可以考虑选择对提高运输效率，保障运输安全或改进服务质量等具有直接影响的核心业务子系统进行，如能够明显提高铁路货运质量和市场竞争力的智能物流系统的开发及应用等，在单项示范的基础上，不断配套完善，最终形成综合性的RITS的完整体系。
【关键词】 智能交通系统 无线通信网络
前言：信息时代背景下，物联网、移动互联网等技术的出现和广泛应用，为人们交通出行提供了极大的便捷，尤其是智能交通系统，以其自身安全、高效等优势，在控制车流量、缓解交通拥堵等方面发挥着积极作用。
一、智能交通系统发展现状
智能交通系统（ITS），主要涉及道路车辆运营、服务控制等多个领域，并融合了计算机技术、传感器技术等技术于一体，将车辆、管理人员及使用者等主体结合到一起，构建一种高效、准确的运输系统。
智能交通系统最早开始于美国，直至上个世纪八十年代，才进入我国。至此，我国开始运用高科技手段发展交通运输[1]。随着该项技术应用范围的扩大，越来越多的技术人员参与研究和开发当中，尝试在技术上有所突破。在“十二五”期间，国家将该项技术的研究列入到信息科学部门的重点研究行列当中，以此来促进我国城市快速发展。
二、智能交通系统中无线通信网络应用分析
目前，无线通信网络主要由两类构成，一是能够覆盖公众领域的无线，如GSM、3G、LTE等；二是用于短距x的行业通信，如DSRC、McWiLL。车辆无线通信在100米以内和方向性传输层面具有有效性，经过激光、毫米波信道，能够实现双向或者单向数据信息的传输，且能够进行不同格式间的转换。一般来说，传输的信息主要包括车辆位置、道路信息等，以此来避免追尾、碰撞等交通事故。
1、公共领域无线。GSM是由欧洲电信标准组织制定的一种数字移动通信标准，空中接口多采用时分多址技术。WCDMA主要采用宽带码分多址技术，其与传统通信系统具有相似的结构，可以划分为频分双工等方式。在实践使用中，码片速率为3.85Mcps，载波宽带为5MHz。TD-SCDMA标准是由中国第一次提出，也是我国在无线通信领域研究的一项重大突破，并在国际上使用的第三代移动通信标准，该标准综合了多种通信方式的优势，通过综合使用智能天线等技术，在很大程度增强了无线通信的传输容量及效率，且能够避免外部因素的过度干扰。
2、短距离通信。DSRC是一种用于车辆的无线通信技术，能够在车――路、车――车之间形成良好的通信网络。该项技术能够为系统运行提供高速、实时的数据传输，能够保证通信链路低时延以及系统运行可靠性，能够有效节约成本，提高道路运行有效性[2]。在实践中，该项技术能够对高速移动的物体进行监测。WcWiLL建立在空中接口的下行共享信道基础上，能够发挥语音组呼功能，各项功能指标符合集群调度应用需求，最为关键的是其与系统能够实现良好的链接，形成无线虚拟专网，最大限度上避免外部因素对信息传输的过度干扰，确保数据信息传输可靠、真实性。虽然，WLAN是当前应用范围最广的无限宽带接入技术，但是其通信覆盖率过小，更多的是用于室内无线网络，在智能交通系统应用中还存在一定局限性，尤其是超过百米以上的距离，较易受到外部因素的干扰。
3、比较分析。通过对当前智能交通系统中无线通信网络的研究，我们进行综合比较发现，不同的接入技术，对应的性能也有所差别，如无线蜂窝技术无法有效满足时延需求，需要始终保持连接状态，才能够满足短时告警类业务，如果采取这种方式，将会在很大程度上增加系统运行成本、且会过度消耗终端电能。但是该项技术在实践中，具有覆盖广等优势，适用于支持交通效率、信息服务等多个环境当中[3]。如在公交车内安装具有蜂窝功能的无线识别器，站内具备监控器当中同样安装该设备，在运行过程中，能够接受到车内无线设备发来的信号，以此来检测车辆的到达时间、车牌号等。同时向公交车发送站台标识号，公交车能够根据收到的信号进行自动报站，根据车辆发来信号的强弱判断车辆与控制中心之间的距离，从而准确掌握每辆公交车的运行状况，进行科学合理调度公交车。而对于短距离通信来说，DSRC技术具有较好的时延性特点，在相对安全的环境当中较为适用，如固定管理节点与移动台之间的通信。
结论：无线通信网络在智能交通系统中的应用，能够在很大程度上提高交通系统运行有效性，且能够为人们生活和出行提供便利。在具体应用中，我们可以根据当地道路通信情况合理选择无线网络技术，充分发挥技术的灵活性、多元化等优势，促进智能交通系统有序运行，促进我国道路交通事业持续健康发展。随着科学技术不断发展，我们还需要进一步加强对无线通信的研究，不断完善各项技术的通信性能。
参 考 文 献
[1]杜少凤，韩玉楠，杨岩岩，于晓溪.智能交通系统的无线通信技术探讨[J].现代电信科技，2014，（07）：68-73.
关键词：大数据背景；智能交通；无线通信
0引言
智能交通是当前非常热门的话题，各种关于智能交通如何开展的讨论层出不穷。交通大数据分析可提供决策支持，成为议题的核心内容。围绕分析和解决交通问题，运用大数据技术，采用智能交通的思路，研发智能交通无线通信技术，对未来智能交通的发展具有深远意义。
1大数据发展现状
由于大数据的特点是快速、数据量大，因此计算机处理的信息必须紧密配合，以极快的速度提高工作效率。及时有效处理数据流后，要精密分析，计算机技术面临巨大挑战。大数据处理具有一定难度，当前随着技术的进步，可以进行视频、音频、图片等多样化数据处理。在格式上，计算机处理工作改变了传统的方法，如先收集再统计分析。当前新技术可以采集不同领域和空间的数据，整合和分析数据资料[1]。经运行，智能无线通信系统形成了一种具备“三高三低三精”（高可靠、高速率、高容量、低时延、低功耗、低成本、精准定位、精细计算和精密控制）特点的无线通信技术。数据通信传输技术的核心特点是实时、准确、高效。EUHT系统通过车辆车载终端与路侧基站无缝连接，实现高速、可靠接入。EUHT系统通过采集、分析、处理数据，实现智慧级管理和服务。
2大数据背景下智能交通发展现状
大数据时代，交通运输领域的主要特征是数据量巨大，无法想象的高速处理速度，带来了通信技术中数据的爆炸性增长和更新，造成了数据存储和分析速度的变化。多样性是大数据的另一类别。数据化的结构性包括非结构下的文本图片视频、网络日志、社交媒体、互联网、手机通话等，都被传感器传送到网络数据平台，实现数据的真实准确分析。简单说来，大数据是一种高速发展、体量庞大的数据类型。结合当前交通大数据发展现状，随着科学技术的发展，交通信息化已成为现实。交通数据平台的数据采集，一方面属于自动化数据采集；另一方面是半自动化业务记录。前者主要是由各业务单位建立业务系统，将高速公路联网收费系统采集的各种数据录入系统，包括公路交通量、签证业务等数据。后者是联网观察省公路客运情况，采集数据，并运用到运政管理系统[2]。
3无线通信技术在智能交通中的应用
基于可见光通信（LiFi）的智能交通系统，即采用可见光取代传统无线电协议，实现车与车之间（V2V）、车与基础设施、互联网之间（V2I）的通信连接。V2V系统主要保障安全应用。V2I系统包括个人通信、移动办公、远程信息处理、基于位置的信息、与汽车相关的移动服务、视频直播和互联网接入。V2V与V2I统称为V2X。V2X应用能够改善安全性、车辆通行和能耗情况。城市轨道交通中，应用无线通信技术的系统有很多，包括专用无线调度、乘客信息系统（PassengerInformationSystem，PIS）、车地无线、信号系统车地通信、警用无线系统、消防无线系统、民用无线系统、车辆信息及检测信息上传系统、车载视频监控系统、无线政务网和无线数据通信需求系统等。对智能交通数据进行通信式处理，系统在前台操作和数据库管理上运用数据分析。在分析方式上，主要运用数据库管理自查系统等和用数据库管理系统，挖掘分析数据库。整个数据挖掘分析经历两个阶段。第一阶段是在数据库中分析相关业务数据，设置方案，利用数据库分析和挖掘管理系统，在数据库系统中进行前台操作，使用数据库管理系统进行自带查询和分析，运用相关工具实现第三方工具的运行。第二阶段是解决业务系统中报表填报和系统数据填报。在系统分析功能上，满足交通运输管理部门对行业调查和运行的掌控需求，采用动态监控和质量管控方式，实现共享服务和公共服务的综合分析。在数据通信技术应用上，为了应对不同的通信需求，通过不同的技术深度和信息广度，结合不同的时间和不同层级的需求，展现和应用相应数据。形式多种多样，如阅读报表，包括固定资产投资运输量和交通运输情况等[3]。智能交通实现了智能化、信息智能化、现代科技智能化与交通运输相结合的全方位智慧化交通运输发展。在智能交通和智能化管理方面，实现了信息技术传感技术的统一。通过比对交通领域建设内容关键技术和各个方面，最终产生了智能交通市场、信息化交通和信息服务化相结合的交通运输管理系统。智能交通融入了物联网、云计算等技术，采用IT技术，汇集交通信息，统一大量数据模型，采集实时交通数据，提供交通信息服务，强调系统的实时性、信息交流的交互性等，并体现服务的广泛性。
4智能交通无线通信发展趋势
4.1客户需求层次识别
第一，基本型需求，收费快捷、态度友好、路面平整、无事故隐患、排障迅速、施救合规、保障畅通；第二，期望型需求，信息服务周全、收费站咨询路况熟练、排障施救价格公道；第三，魅力型需求，信息平台提供精准的路况咨询服务，一站式排忧解难服务体系（高速管家、全程无忧）。
4.2服务出行大数据应用
第一，“两客一危”车辆监控，实现运输企业、高速公路、交警多方合作，全程可视化远程管控“两客一危”等特殊车辆；第二，配套设施增值服务，比如服务区优惠、油品信息、车位信息、预点餐服务、服务终端体验店和车辆状态检修；第三，多元化服务，多种支付方式并存，差异性收费，比如旅游景点推送、重大活动推送、旅游时间预测和物流车辆管控。物流企业通过服务平台，可视化远程管控物流车队，为企业提供优质服务。
4.3文明交通标杆路段
车路协同：通过车与路、车与车之间的可靠通信，为车辆提供高速路变道预警、盲区预警等超视距辅助驾驶功能，实现交通效率与出行体验双赢，达到通行服务的新高度。变道、盲区、匝道等出现其他汽车，系统进行提示，避免车主做出不安全驾驶行为。大流量情况下，通过EUHT实现通行车辆严管引导，规范行车秩序，改变传统高速公路服务模式，提高通行效率，为高速公路发展做出方向性探索。高速前瞻性的信息化建设，为未来智慧交通的发展打开关键突破口，为万物互联、工业互联时代的智慧高速提供重要的实践案例。目前，智能交通建立在电子控制技术、电子传感技术的基础上，有效集成运用道路港口机场、通信类的各种信息技术以及基础设施，在交通运输管理体系中，建立大范围全方位实时综合运输和管理平台。此平台一般利用新一代通信和信息技术，采用可交互和可感知的方式促进交通管理，实现一体化、精细化管理和物流生产的产业化。通过体验智能化，实现相应环境协调发展，真正实现管理和智慧的统一协调发展。
4.4感知互联应用服务方面
随着科技的不断进步，当前智能交通和智慧交通在概念上既有相同之处，又有不同之处，但最终结论是智能交通和智慧交通在基础上彼此相通。为了发展更高级别的交通模式，需运用大数据技术，在大数据最终目标的推动下，实现更强的决策力洞察力。这需要研究机构不断描述大数据，更新处理模式，当使用者需要更专业的数据分析时，能够提供数据分析报告，有效利用大数据的特征，将技术应用于交通管理[4]。
【关键词】 3G通信 智能交通 控制系统
Abstract： The 3G mobile communication technologies in intelligent traffic control system command， using the rapidly developing 3G mobile communications network composed of 3G wireless LAN to transmit the traffic intersection point of the video signal and control information for intelligent traffic control system network to provide a new way .
Key words： 3G mobile communication； intelligent traffic； control system
一、引言
我国交通管理事业经过几年的发展，同以往相比，有了长足的进步。但因城市化交通持续发展和汽车拥有量的稳定快速增加，城市交通的发展已经超过了我国交通管理发展的速度。而由城市交通中交通违章（违法）行为给交通管理所带来的负面影响，往往是危害最大的一种。再加上我国各地城市交通发展情况不同，交通情况错综复杂，管理难度非常大。在我国大中型城市中交通路口众多，交通流量较大，违章事件频繁，在此情况下基于3G通信技术的智能交通指挥控制系统就能为控制交通违章行为的发生、智能化调节交通流量起到很大的作用。
二、系统的主要构成
基于3G通信技术的智能交通指挥系统主要由3G（TD-SCDMA或CDMA2000）数据通信链路，监控中心和多个监控远端组成。3G数据通信链路采用标准的TCP/IP协议，可直接运行在交通部门的内部无线局域网上。前端摄像机的视频信号利用网络视频服务器通过网络传输到分节点，在分节点可以直接传输上网，或者分节点有矩阵时，也可以把矩阵连接到DVR上，然后再传输上网。监控中心可以通过多级级联构成多级监控系统，系统可以根据现场情况和用户的需求配置不同的硬件设备。监控远端使用系统设备有远端监控主机、3G数据传输模块、告警采集器、温湿度传感器、画面分割器、摄像机、数字解码器、高速云台和可变镜头、话筒、扬声器等，完成监控中心所需的图像实时监控、现场交通信号智能控制和报警联动功能。监控中心使用系统设备有主控台、3G无线路由器、监视器阵列、视频切换矩阵、主交换机、视频服务器、电视墙等。具体可根据用户要求进行灵活配置。
利用发展迅速的3G网组成3G无线局域网来传输各交通路口信号点的视频和控制信息，为智能交通指挥系统组网提供了一条新路。网络管理用户可以对多个监控现场进行实时浏览监控。系统综合应用了智能图像处理与识别技术，智能控制技术、数字图像传输技术、数字图像压缩编解码技术和3G网络通信技术等，可实现交通监控现场的实时图像显示和网络传输、智能调整摄像机的位置、清晰度和亮度、实现对运动物体的跟踪与识别，对监控情况进行纪录及报警，实时智能调整控制区域内交通信号灯的切换等。
三、系统的主要关键技术
3.1 最佳交通流量预测算法
利用人工神经网络建立的预测模型有独特的优越性。人工神经网络利用输入数据和输出数据进行建模，是一种并行的计算模型，具有高速运算能力，有很好的非线性映射能力和很强的自学习、自适应能力及高度的灵活性。在各种形式的人工神经网络中，又以误差逆传播（BP）网络应用最为广泛，它已成为前向网络的核心部分，并体现了人工神经网络最精华的部分。目前，在人工神经网络的实际应用中， 绝大部分的神经网络模型都采用BP网络和它的变化形式。
高阶神经网络属于BP神经网络的一种，它与传统BP神经网络的不同在于构成高阶神经网络的神经元是智能神经元，即这种神经元具有“思考”的能力，它能根据自身外部网络的变化调整内部的转移函数，在内外双调的情况下，达到更好的学习效果。这样建立神经网络模型，可以应用并能够胜任于实时交通流预测。
3.2 TD-SCDMA3G移动通信技术
TD-SCDMA是目前世界上唯一采用智能天线的第三代移动通信系统。在系统中，由于采用了TDD模式，上、下行链路采用同一频率，在同一时刻上下行链路的空间物理特性是完全相同的，因此，只要在基站端依据上行数据进行空间参数的估底再根据这些估值对下行链路的数据进行数字赋形，就可以达到自适应波束赋形的目的，充分发挥智能天线的作用。
TD-SCDMA系统仅采用1.28Mb/s的码片速率，只需占用单一的 11Mb/s频带宽度，就可传送2Mb/s的数据业务而其他的3G FDD（频分双工）的方案，要传送2Mb/s的数据业务均需要2×5Mb/s的带宽即需两个对称的5Mb/s带宽分别作为上、下行频段，且上下行频段间需要有几十兆的频率间隔作为保护，在目前频谱资源十分紧张的情况下要找到符合要求的对称频段非常困难，而D-SCDMA系统可以“见缝插针”只要有满足一个载彼的频段（1.6Mb/s）就可使用，可以灵活有效地利用现有的频率资源。
3.3 数字图像压缩编解码技术
（1） 视频对象提取技术。MPEG-4实现基于内容交互的首要任务就是把视频/图像分割成不同对象或者把运动对象从背景中分离出来，然后针对不同对象采用相应编码方法，以实现高效压缩。因此视频对象提取即视频对象分割，是MPEG-4视频编码的关键技术，也是新一代视频编码的研究热点和难点。
在视频分割中基于数学形态理论的分水岭（watershed）算法被广泛使用，它又称水线算法，其基本过程是连续腐蚀二值图像，由图像简化、标记提取、决策、后处理四个阶段构成。分水岭算法具有运算简单、性能优良，能够较好提取运动对象轮廓、准确得到运动物体边缘的优点。
（2） VOP视频编码技术。视频对象平面（VOP，Video Object Plane）是视频对象（VO）在某一时刻的采样，VOP是MPEG-4视频编码的核心概念。MPEG-4在编码过程中针对不同VO采用不同的编码策略，即对前景VO的压缩编码尽可能保留细节和平滑；对背景VO则采用高压缩率的编码策略，甚至不予传输而在解码端由其他背景拼接而成。这种基于对象的视频编码不仅克服了第一代视频编码中高压缩率编码所产生的方块效应，而且使用户可与场景交互，从而既提高了压缩比，又实现了基于内容的交互，为视频编码提供了广阔的发展空间。
（3） 视频编码可分级性技术 。MPEG- 4通过视频对象层（VOL，Video Object Layer）数据结构来实现分级编码。MPEG-4提供了两种基本分级工具，即时域分级（Temporal Scalability）和空域分级（Spatial Scalability），此外还支持时域和空域的混合分级。每一种分级编码都至少有两层VOL，低层称为基本层，高层称为增强层。基本层提供了视频序列的基本信息，增强层提供了视频序列更高的分辨率和细节。
四、结束语
系统综合应用了智能图像处理与识别技术，最佳交通流量算法、智能控制技术、数字图像传输技术、数字图像压缩编解码技术和3G网络通信等技术。所构建的智能交通系统可实现及时准确地掌握所监视路口、路段周围的车辆、行人的流量、交通治安情况等，为指挥人员提供迅速直观的信息从而对交通事故和交通堵塞做出准确判断并及时响应。
参 考 文 献
[1] GB/T17975-2000信息技术. 运动图像及其伴音信息的通用编码
关键词：智能交通 ；预测 ；短时交通信息
中图分类号：U491文献标识码：A0
引言
智能交通（ITS）是将人工智能技术、自动控制技术、计算机技术、先进的信息通信技术及传感器技术等有效的集成，并应用于整个地面交通管理系统而建立的一种大范围、全方位发挥作用的综合交通运输管理系统，包括先进交通管理系统（ATMS）、先进的驾驶员信息系统（ATIS）、先进公共运输系统（APTS）、出行指导系统等[2,3]。
短期交通信息预测是对城市交通系统或高速公路系统中某条道路或某个交通网络在未来一段时间内（时间跨度通常不超过15分钟）交通流等信息的变化情况进行预测，其结果可以用于制订和实施交通管理，对交通流进行调节，实现路径诱导，也可以直接送到先进的交通信息系统和先进的交通管理系统中，为出行者提供实时有效的信息，以更好地进行路径选择，缩短出行时间，减少交通拥挤。目前，短期交通信息预测的研究越来越受到重视，已经成为智能交通领域的重点研究内容之一[3]。
本文对短时交通信息的几种主要预测方法进行了介绍，重点分析了时间序列、神经网络、非参数回归、支持向量机等几种预测方法的优缺点、应用场合，并对当前研究中的问题和未来发展趋势作了介绍。
1短时交通信息预测方法分类
短期交通信息的预测包括对交通流三大参数，即交通流量、车流速度和密度预测，以及对行程时间等其他信息的预测。从20世纪50年代中期开始，国内外的研究人员对交通系统的短时交通信息的预测方法进行了广泛的研究，从早期的历史平均法、指数平滑法、谱分析方法、时间序列分析，到近十几年发展起来的神经网络方法、小波分析方法、混沌预测、支持向量机、动态交通分配等预测方法，应用于智能交通领域的短时预测方法有几十种[10]。根据各种预测方法本身的性质和研究问题的角度不同，常见的预测方法可以分为两大类：一类是基于数据驱动的预测方法，结合统计经验进行分析，如神经网络、支持向量机等方法；另一类是基于机理的预测方法，即以交通理论的为基础，从交通工程上的供求关系角度进行分析，如动态交通分配法（DTA，Dynamic traffic assignment）[2][12]。常见的预测方法具体分类如图1所示。
交通流是一个时变过程，不同的空间位置环境其状态特征差异大，各种预测方法也都有各自的优缺点和相应的适用场合，因此对各种环境条件下的交通信息预测应当是一个综合运用各种方法相互补充的过程。一个成功的交通流预测过程应能正确反映被测过程及其环境变化并及时调整模型结构，使预测具有适应性。
图1 短时交通信息预测方法分类
2短时交通信息主要预测方法
2.1时间序列模型
时间序列分析主要指采用参数模型对观测到的有序随机数据进行分析和处理的一种数据处理方法。其预测原理是将预测对象随时间变化形成的数据序列看成一个随机时间序列，该序列的未来发展变化与对象历史变化存在依赖性和延续性，包括自回归模型（AR，Auto-Regressive）、滑动平均模型（MA，Moving Average）、自回归综合滑动平均模型（ARIMA，Auto-Regressive Integrated Moving Average）等[1]。其中单变量ARIMA是典型的时间序列方法，适用于短时交通信息预测，它实际上是用二项式差分消除了非平稳时序中的多项式趋向，从系统角度分析，就是分离出了系统中相同的一阶环节，从而可以按照平稳时序建模。ARIMA适用于稳定的交通流。但是时间序列方法的缺点是：1）交通状况变化时由于计算量大，该算法具有预测延迟的特点，且算法本身依赖于大量不间断的数据，若实际中数据遗失则预测精度变低，算法的鲁棒性差；2）模型是通过研究交通流过去的变化规律来外推或预测其未来值，只利用了历史数据，没有考虑其他影响因素，如相邻路段、天气变化影响等，所以交通状态急剧变化时，预测结果与实际情况差别很大；3）模型参数的求解一般是离线进行的，并且在预测过程中的模型参数是固定的，不能移植，不能很好的适应不确定性强的短时交通流动态预测要求[5][13]。与单变量ARIMA相似，多变量时间序列预测也得到了广泛研究，包括多变量时间序列模型包括向量ARIMA、空间时间ARIMA等，这些模型主要考虑交通网络中多个节点交通流之间的相互联系，一定程度上更能反映交通流的本质特征，但由于模型过于复杂，在实际中很难实现。
2.2神经网络模型
神经网络是一种并行的、分布式的智能信息处理方法，具有非线性映射和联想记忆功能，非常适合解决强非线性、时变系统的预测问题。利用神经网络对环境变化的较强的自适应学习能力和较好的抗干扰能力，可以克服传统交通信息预测方法的局限性，所以在智能交通系统得到了广泛的应用。目前，在交通信息预测方向的神经网络预测研究主要分为三个层次[18]：
1）将某一类神经网络方法直接用于短时交通信息预测的方法有：例如BP神经网络、RBF神经网络、时滞神经网络等；
2）将两种或多种神经网络相结合的混合预测模型：例如神经网络集成方法；
3）将神经网络与其他方法结合，进行综合预测的方法：例如模糊神经网络、粗神经网络、以及小波神经网络等。粗神经网络建立在粗神经元基础上，基于粗糙集理论和近似概念建立的粗神经元可以看作由两个存在重叠的常规神经元组成。粗神经网络中的常规神经元对应于确定性变量，如交通流量密度、速度以及行程时间，粗神经元用于描述不确定性变量或变量波动情况，如偶发事故、天气原因引起的交通流参数波动[3]。小波神经网络是在小波分析基础上提出的前馈网络，与传统神经网络的区别是隐含层节点激励函数不是Sigmoid函数而是小波函数。小波神经网络原理是：交通流在不同时间尺度上具有自相似性和多尺度特征，低频部分反映的是总体变化趋势，高频部分是随机性和不稳定性的表现，因此可以利用小波分析方法将交通信息中的高频部分和低频部分预测。
不过，将神经网络用于实际交通系统预测的难点是神经网络的训练时间较长，普适性差，交通状态变化时难以在线调整，不适用于大规模网络。
2.3非参数回归
非参数回归是利用模式匹配算法，找到一组与输入数据相对应的数据或相似的数据来预测[8]，对应关系不需要精确的函数表达式，而是一个近似的关系。在每次模式匹配算法中，随着输入数据模式变化，这个近似的关系也会有变化，从而达到动态预测的目的[18]。非参数回归方法本质上是一种数据驱动的智能方法，认为系统所有因素之间的内在联系都蕴含在历史数据中，从大量的历史数据样本中找到所需的匹配数据，依赖匹配数据预测。
利用非参数回归进行短时交通流预测的原理是：对于固定的道路状况，车流的上下游因果关系是具有重复性的，同时这种因果关系也是随着时间变化的，由于交通流的时变性和非线性，寻找这种动态的具体映射关系是不现实的，采用基于数据驱动的非参数回归方法是一种较好的解决方法[21]。文[20]对非参数回归方法在短时交通预测中的可行性进行了分析。文[8]利用反馈机制对系统变量和输入变量进行动态调节，提高了非参数回归方法的预测精度，并通过北京市路网的交通流预报实例证明了这种方法的有效性。
非参数回归方法的优点是：1）不需要先验和大量的参数识别，不必确定任何模型参数，只需要足够的历史数据，寻找历史数据中与当前点相似的近邻，并用这些近邻预测下一时段的流量；2）应对突发事件能力强，预测准确性和误差分布较好算法原理清晰，鲁棒性好，尤其适用于交通状态不稳定时的系统预测。非参数回归方法的缺点是：存储的历史数据较多时查找近似点的效率就会降低，影响预测速度，另外交通环境变化时导致状态和流量的对应关系发生变化，需要更新数据库信息[18,19]。
2.4混沌预测
交通系统是一个复杂的大系统，它表现出来的非线性动力学性质之一就是混沌现象。实际上，在一个较短的时间段内（例如10分钟），每条道路的车流量、路口总体流量和交通控制网络流量的变化具有丰富的内部层次有序结构，有很强的规律可寻，是一种介于随机和确定性之间的现象，即混沌。具体来说，车辆间的非线性跟驰和交通系统的状态参数的变化都存在混沌现象。
基于混沌理论的进行交通信息短时预测主要以混沌理论、分形理论、耗散理论、协同理论、自组织理论等为基础，利用混沌理论中的相空间重构、奇怪吸引子、分形方法等建立预测模型[18]。研究可分为两个方面：基于交通流理论模型的混沌研究和基于实测交通流数据的混沌研究。混沌时间序列预测方法有：全域预测、局域预测、加权零阶局域预测、加权一阶局域预测、基于最大Lyapunov 指数的预测、自适应预测等方法。文[28]分析了短时交通流的非线性特性及其对预测的影响，并讨论了两个方面的问题，即交通流随着观测时间尺度不同时混沌和分形特征的变化情况及对交通流预测的影响。文[17]对交通混沌研究的现状进行了分析和展望。
从理论上利用混沌理论对非线性和不确定性很强的交通流进行预测是非常合适的，所以这种方法将有很好的应用前景。不过目前交通混沌预测的研究中也有许多问题需要解决，例如：1）短时交通信息的混沌预测对实时性要求高，因此需要研究快速判别混沌方法，解决样本数据和实时性之间的矛盾；2）应用混沌解释一些原来解释不了的交通问题相对容易，而应用混沌解决实际交通问题非常困难。即混沌预测的实用化方法还是一个难题。
2.5支持向量机
支持向量机（SVM）是机器学习的一个重要分支，也是模式识别、统计学习等领域研究的热点。SVM在智能交通领域的应用主要包括车辆检测、交通状况识别等，目前SVM越来越多的被应用在时间序列分析上，即支持向量回归（SVR，Support vector regression），具体包括有-支持向量回归机、-支持向量回归机和最小二乘支持向量回归机（LS-SVM，Least square SVM）等[4][24]。利用SVR预测短时交通信息包括交通流量预测和行程时间预测两个方面。
基于支持向量回归的交通信息预测思想在于：首先选择一个非线性映射把样本向量从原空间映射到高维特征空间，在此高维特征空间构造最优决策函数，利用结构最小化原则，同时引入损失函数，并利用原空间的核函数取代高维特征空间的内积运算。支持向量回归可以解决神经网络的一些固有缺点，在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势[25]。与基于神经网络的预测方法相比，SVR的预测精度高，预测结果一般好于神经网络[11][14]。文[9]基于支持向量机对行程时间进行短时预测，并与BP神经网络的方法进行了对比，实验结果表明对于小样本和高维的数据集，SVM在行程时间预测中的效果较好, 误差较BP神经网络的方法小。文[22]利用在线支持向量机（OSVR，Online SVR）进行短时交通流预测，与BP神经网络预测相比，预测的精度、收敛时间、泛化能力都有提高。文[27]利用LS-SVM对行程时间指标（TTI，Travel time index）进行预测，LS-SVM与SVM区别是LS-SVM采用一组线性方程训练，SVM采用的是二次规划方法，所以LS-SVM的优点是快速收敛，精度更高，计算量小，预测性能更好。
但是基于支持向量机的预测方法缺点是训练算法速度慢，预测的实时性还难以保证，另外对核函数及其参数以及损失函数的选择也没有确定方法。
2.6 组合预测方法
由于短时交通信息预测的随机性和不确定性，单一的预测方法很难取得好的预测效果，各种预测方法都存在不同程度的缺点和相应的适用范围，如果将各种方法有机的结合起来，则可能会取得更好的效果，这也是组合预测方法的出发点。组合预测方法是指将两种或两种以上的预测方法在中间预测过程结合或者将最终的预测结果融合[7][18]。现在已有的组合模型包括：数学模型与智能方法的结合、时域方法与频域方法的结合等。如表1所示。
表1组合预测方法分类
组合模型 作用
数学模型
时域方法 智能信息处理方法
（模糊、神经网络、灰色模型等） 数据分类
频域方法（傅立叶变换、小波模型等） 数据分解、消噪
常用的一类组合模型是利用模糊方法、神经网络、灰色模型等智能信息处理方法对短时交通流的数据聚类，然后对每一组聚类数据用线性或非线性方法预测。文[26]利用组合方法进行交通流预测，目的是将不同模型的数据和知识结合起来，最大化的利用有用信息，将MA、ES、ARMA作为神经网络的输入，实验结果表明组合方法比单一预测方法精度更高。文[23]利用模糊神经网络进行城市交通流预测，提出了一种模糊神经模型（FNM）预测城市路网的交通流，首先利用模糊方法对输入数据进行划分，再利用神经网络建立输入输出关系，并在线滚动优化训练FNM，根据实际交通条件，通过模型系数自适应变化，提高预测能力。利用智能信息处理方法对交通信息进行分类可以减少预测时间，但是很难对不同的交通条件给出确切的定义，而且聚类处理可能破坏时间序列的内在机理，失去交通流原有的动态信息[12]。
另一类组合模型是用频域方法对数据先分解，再对分解后的数据再预测，典型的是基于小波分解的预测模型。通过小波分析，可以将信号逐层分解到不同的频率层次上，分解后的信号的平稳性比原始信号好的多，利用小波变化将交通流序列分解为多个分量，对个信号分量分别进行预测，可以极大的提高预测准确性。例如文[15] 提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波降维分解，预测由多个子网络独立完成，实验结果表明，该方法比典型的神经网络预测准确度更高。文[16]提出基于小波包和LS-SVM的交通流短时组合预测方法。小波分析的另一个应用是对交通原始数据进行消噪处理，文[6]将小波分析方法和ARIMA相结合，取得了更好的预测效果。文[23]利用离散小波变换（DWT）去除交通数据中的噪声后进行交通流量预测。DWT的多分辨率分析（MRA，Multi-resolution analysis）可以在保留交通流量快变特性的同时，消除噪声信息利用小波消噪，提高预测精度。缺点是每次分解信号样本减少一半，存在信息丢失，影响模型重构。
3结束语
通过智能交通中短时交通预测主要方法的归纳、分析、比较，可以看出无论是传统的时间序列预测方法还是神经网络、小波分析、支持向量机等智能预测方法都存在各自的适用范围和优缺点。交通流本质上时空函数，即从时间上看，短时交通流信息可以作为时间序列处理，同时，交通流也具有空间上的相关性，上下游的路段之间存在必然的因果联系，所以如何在现有预测方法的基础上融入更多的交通流的时空信息将是一个值得研究的方向，另外将其他工程、金融等领域的预测方法借鉴到智能交通领域，并将各种预测方法有效融合在一起，处理短时交通信息预测中的不确定性和随机性，提高预测的精度和可靠性，并保证实时性也是一个需要继续探索的方向。
参考文献（References）
[1]杨叔子.时间序列分析的工程应用（第二版）[M].武汉：华中科技大学出版社,2007.
[2]朱顺应,王红等.交通流参数及交通事件动态预测方法[M].南京：东南大学出版社,2010.
[3]许伦辉,付惠.交通信息智能预测理论与方法[M].北京:科学出版社,2009.
[4]陆海亭,张宁等.短时交通流预测方法研究进展[J].交通运输工程与信息学报.2009, 7(4):84-91.
[5]贺国光,李宇等.基于数学模型的短时交通流预测方法探讨[J]. 系统工程理论与实践.2000(12):51-56.
[6]窦慧丽,刘好德等.基于小波分析和ARIMA模型的交通流预测方法[J].同济大学学报（自然科学版）.2009, 37(4):486-494.
[7]张益,陈淑燕等.短时交通量时间序列智能复合预测方法概述[J].公路交通科技.2006, 23(8):139-142.
[8]张晓利,陆化普.非参数回归方法在短时交通流预测中的应用[J].清华大学学报（自然科学版）.2009, 49(9):1471-1475.
[9]姚智胜,邵春福等.支持向量机在路段行程时间预测中的应用研究[J].公路交通科技.2007, 24(9):96-99.
[10]刘静,关伟.交通流预测方法综述[J].公路交通科技.2004, 21(3):81-85.
[11]徐启华,杨瑞.支持向量机在交通流量实时预测中的应用[J].公路交通科技.2005, 22(12):131-134.
[12]王正武, 黄中祥.短时交通流预测模型的分析与评价[J].系统工程.2003, 21(6):97-100.
[13]韩超, 宋苏等.基于ARIMA 模型的短时交通流实时自适应预测[J].2004, 16(7):1530-1533.
[14]杨兆升,王媛等.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报（工学版）,2006,36(6): 881-884.
[15]张晓利.基于小波分析与神经网络的交通流短时预测方法[J].信息与控制.2007, 36(4):467-470.
[16]姚智胜,邵春福等.基于小波包和最小二乘支持向量机的短时交通流组合预测方法研究[J].中国管理科学.2007, 15(1):64-69.
[17]王东山,贺国光等.交通混沌研究综述与展望[J].土木工程学报.2003, 36(1):68-73.
[18]王进,史其信.短时交通流预测模型综述[J].智能交通.2005, 1(6):93-98.
[19]李振龙,张利国等.基于非参数回归的短时交通流预测研究综述[J].交通运输工程与信息学报.2008, 6(4):34-39.
关键词：物联网； 智能交通系统； 数据通信； 数据处理
中图分类号：TP391 文献标识码：A 文章编号：2095-2163（2013）05-0043-04
0引言
智能交通系统（Intelligent Transportation Systems，简称ITS） 是指通过对交通基础设施和交通出行工具的全面的信息化、网络化和智能化来实现交通系统的性能提升，如增加交通安全性，减少交通时间和降低燃油耗费等等[1]。据统计，世界上每年都会有五千万人由于交通事故而受伤[2]，而由于交通事故造成的经济损失则超过五亿美元[3]。 为此，智能交通系统将具有异常重要的实用价值，以及异常巨大的市场容量。有信息显示，其相关产业已然成为全球最大产业之一，已经而且也必将会对未来世界将产生深刻影响。 另一方面，智能交通系统也是一个融汇计算机、通信、信息处理、人工智能、自动控制等多个学科进行交叉的复杂系统，系统中存在大量具有相当难度的研究课题，所以对于学术界而言，智能交通系统的研究多年以来一直非常活跃，且颇受重视，成为热点研究领域。
智能交通系统的最终价值就体现在构建于其上的各类应用上，因此可以认为智能交通应用是智能交通系统的动力与源泉。 现在的智能交通应用大都集中在交通导航上，但是除了交通导航以外，还有很多与交通有关的应用可以用于提高道路安全，如道路预定，事故避免，未来交通流量的预测，道路拥塞的模式搜寻， 控制交通废气排放， 交通安全风险评估与避免等等。本文即针对物联网智能交通系统的研究现状进行了全面总结和深入剖析。
1智能交通系统中的环境感知
物理环境感知无疑是智能交通系统的基础，实际上对环境的感知与认知也是任何智能系统的基础。可分为以下几个专题进行系统阐述和分析。
1.1移动感知已经逐渐成为城市感知的基本手段
智能交通系统的监控传感器通常可分为两种基本类型：静态传感器和移动传感器（Mobile sensors）。由于移动传感器具有更大的灵活性，目前使用移动传感器进行交通环境感知的实例已有很多。例如，在上海和广州就分别使用带有GPS设备的出租车来收集交通环境信息（上海使用了4 000辆出租车，而广州使用了100辆出租车）[4，5]。 另外，使用带有GPS的公交车也可用来进行数据收集[6]，文献[7]即使用安装在出租车上的探测器来监测核危险。 除上述手段外，通过智能手机来完成智能交通系统中的感知也是一种新出现的手段，文献[8]就利用了对移动 cellular网络的匿名监控对城市的实时移动性来实现监控。 再如，文献[9]给出的就是一种以车与车之间的通信协作为基础的路口安全实用方法，文献[10]给出的方法就是通过交通工具携带传感器完成环境感知以及通过车与车的直接通信作为网络基础的智能交通应用。
1.2降低感知的能耗，提高感知的精度
由于智能交通系统是一个关乎交通效率和人身安全的实践应用系统，所以感知精度的保障一直是一个重要的研究内容，同时由于智能交通系统的规模又非常庞大，节能也就成为其中的一个关键问题，因此在降低感知能耗的同时、又要保证感知精度就成为智能交通系统环境感知的一个难点挑战问题。 基于簇的结构是一种广泛应用于无线传感器网络中降低感知能耗的方法，但交通系统属于一个典型的动态系统，[JP2]节点不停地移动导致网络拓扑的动态变化，由此使得簇结构也需要跟着变化，所以在文献[11]中分析并给出了一个考虑节点移动的组簇算法进行数据收集，降低了感知能耗。
1.3智能交通系统环境感知研究现状的分析与总结
由上面的分析可以看出，移动感知已经逐渐成为智能交通系统环境感知的主体，而且这些感知节点往往是自身主动移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更复杂，因为选择哪些节点部署感知动作所导致的感知效果可能会截然不同。[JP2]一个显然的结论是在选择感知设备时，需充分考虑节点移动特征，尤其是一些重要社会特征，如那些移动活跃的用户和群体，或者移动性具有一定关联的用户和群体等等。
2智能交通系统中的数据通信网络
只有将采集获得的感知数据依托通信网络发送到需要的位置上，才能使智能交通系统真正得以运转，所以通信网络成为智能交通系统的另一个重要基础。总的来说感知和通信构成了智能交通系统的两大基础。
2.1智能交通系统中数据通信的基本结构
近年来，国外很多著名大学和企业都相继开展了城市感知项目的研究，当然其中的感知信息需要通过网络实现通信与共享。 如麻省理工大学开展的CarTel项目就是一个旨在基于机会通信建立延迟容忍的移动感知系统，建基于系统上的应用可以收集、处理、发送、分析、以及可视化由底层移动用户（如智能手机和车辆）采集感知的数据，并给用户推荐感兴趣的服务。 CarTel系统建基的网络可称为Cabernet[12-14]， Cabernet采用的通信结构是建立IEEE 802.11协议基础之上，并主要集中在移动设备和WiFi AP之间的无线通信上，显然该结构是一种基本的集中物联的通信结构。
而MetroSense[15]是由Dartmouth大学开展的、由移动手机组成的、一个全局移动传感器网络，由此可实现整个社会范围内的超大规模感知，其感知网络可分成三层结构完成感知数据的收集。在有线Internet中的servers用于负责存储、处理感知数据；通过Internet连接的固定Sensor Access Points （SAP）可用来作为服务器和移动传感器（mobile sensors，简称MS）之间的gateways；而MS能在现场移动，用来收集数据，将数据“mule”到SAP处。另外，静态传感器也完成类似于MS的功能，只是SS不能移动。 由于感知数据的收集主体是随人移动的MS，MS位置的随机性，网络连通的间歇性都是经常发生的现象，这就决定了MetroSense只能提供机会性的感知。 不难发现，目前针对城市感知的通信网络都是以Internet为核心的一种集中物联结构。
2.2智能交通系统中常见的数据通信方式
移动无线通信环境采用的通信方式目前可见的已有许多种，基本方式可以分为如下四种：
（1）DSRC（Dedicated Short-Range Communication）[16]是一个工作在5.9 GHz波段的短到中距离的无线通信方式，对于车载网络，DSRC可支持的车速最高可达120mph，通信范围是300m，[JP2]缺省数据速率是6 Mbps，目前已有大量研究采用DSRC来建立车-车之间，车体-路边设施之间的实时信息通信。应用这些通信可以减少拥堵，提高人身安全等等[17]。
（2）Cellular networks，包括2G和3G，2G系统可以支持9.6 kbps的通信速率，GPRS和EDGE用来提高通信速率。相比而言3G提供的数据传输速率要大得多，其中的地理位置是引入带宽变化的重要因素[18]。
（3）WiMAX/802.16e的目的是提供最后一里（last mile）的无线宽带数据传输，常可用于取代cable和xDSL。 WiMAX用来填补3G和WLAN之间的通讯鸿沟，可以提供数十Mbps的带宽，
（4）WiFi或WLAN也能支持宽带无线服务，802.11a/g提供54Mbps的传输带宽，支持的通信范围是38 m （室内）、140 m（室外）。 由于WiFi的普适部署，使得WLAN成为一种极具吸引力的无线宽带传输手段。 同时，开放的WiFi mesh网络也引发了广泛的兴趣与关注[19]。
3智能交通系统中的数据处理技术
智能交通系统的智能化就集中体现在对系统内各种数据的处理上，所以对数据的处理可以认为是智能交通系统的核心所在。数据处理的详情如下所示。
3.1时空数据的处理
智能交通系统处理的数据是一种伴有时空特征的典型数据，由于现今的GPS装置已经非常成熟且实现了平民价格，所以大量配备有定位装置的设备广泛应用至各行各业，如带有GPS设备的为数众多的出租车、公共汽车以及一般的民用车辆，加上无线通信的日益成熟更使得现在的智能交通系统中产生了海量可以使用的、带有时空位置的序列化数据，如何应用和处理这些数据就成为智能交通系统时下研究中的一项基本内容。 如文献[20]使用的就是人工智能中的无导师学习方法来处理车辆产生的位置数据，用以推导得出车辆的状态和动作，从而实现对交通事故的避免。 除了对时空序列数据进行处理以外，发现和利用数据的空间特征也是智能交通系统时空数据处理的一项新兴研究内容，文献[21]给出的正是这样一项分析道路网络交通流量状态宏观角度空间特征的方法，而文献[22-24]中的研究也是针对交通流量的时间和空间依赖性完成的，智能交通系统可以应用这些空间特征进行各个方面，诸如VANETs通信等方面的性能优化。
3.2数据的在线分析
智能交通系统的高度动态性使得系统会产生大量数据，并且许多数据会因为环境的动态变化而随时失效，这就使得对于数据的在线分析变为一个复杂的问题[25]，而文献[25]就使用一个简单的折价因子来为那些不断陈旧的历史信息建立数据模型。
3.3人工智能的数据处理
显而易知，智能交通系统中的数据处理必然要使用各类人工智能的最新技术。 近年来，人工智能中的一些新技术已经受到越来越多的智能交通研究者的推崇和青睐[26，27]。 例如，针对交通流量的预测和建模可以借助于人工神经网络、模糊推理系统以及一些聚类技术。 文献[25]中的风险评估就使用了一个经过修改的在线最近邻聚类算法，用以提取最有价值位置。 而使用模糊推理的原因则是由于交通系统的动态性和复杂性，并由此导致感知数据带有明显不确定性，因此就需要在推理时连带这些不确定性一同进行模糊推理。
4总结与展望
由上面的分析可以看出，移动感知已经逐渐成为智能交通系统环境感知的主体，而且这些感知节点往往是自身主动移动（即其移动是不可控制的）的节点，在增加了环境感知灵活程度，降低感知代价的同时，也使感知问题变得更加复杂。
