
交通大数据:大城市交通路在何方
在百度大数据战略会议上,交通运输部科技司司长赵冲久讲解了中国未来的大数据交通战略。众所周知北京的交通一向很糟糕,那么大数据会让这样的大城市交通带向何方?我希望能够从交通大数据的获得,以及对数据的处理上来对其解读,希望国民们都能从一个更宏观层面知道科技与政策的交融的结果,大数据并非玄虚,其实已在我们身边。
一,交通大数据如何获得?
正像赵冲久司长所说的,今后的政策都不再会是拍脑袋决定,而是要根据实实在在的数据来说话,那么交通上的大数据将从以下途径获得。
第一:用户出行的一卡通,以北京为例,交通局有一个终端系统,可以详细的统计出每天进出地铁的人数,每个人在地铁上的行踪都能一清二楚的获得,并且用户使用一卡通做公交车的也是能够统计出来的,但是公交车有个缺点就是有用户可能是不用公交卡出行的,但交通部依然可以根据使用一卡通的人数按一定比例计算出大概的人数。
当然,这里还有一个没有爆发的点NFC的近场支付,如果中国未来可以像日本那样达成全民的NFC支付,那么未来交通部获得的市民出行的数据将更加完善。
第二:运输车辆进行全面监控,目前《道路运输车辆动态监督管理办法》将于今年7月1日起执行,其中最大亮点就是运输车辆的车联网系统,将所有运输车辆都与GPS卫星连接,国家可以实时监控这些运输车辆的路线,这对交通规划是非常好的事情。
第三:车联网,由于车联网的逐渐普及,交通部也能更好的掌握车辆出行的数据,再根据比列进行模拟出大概数据。
第四:路网监控,国家在道路监控上的投入可谓不菲,重庆高速公路视频监控数据每天就达到50T,我们获得了船舶位置数据,航速数据每天就达5500万条,在广州,综合处理服务平台,每日新增城市交通运营数据记录超过12亿,每天数据量达到150到300GB。通过视频监控,交通部能够弥补上其他信息的不足。
第五:与百度的战略合作,这也是百度请交通部来做演讲的原因,百度将自己的地图生态开放给交通部,为其增加数据的渠道来源。百度地图的日请求次数有70亿次(包括手机APP地图,导航等等),拥有大量的用户出行数据,进而诞生了百度迁徙图,而交通部可以根据百度提供的数据来提高数据的可靠性,成为可靠的参考样本,进而做好决策。
此外,还有诸如物流公司的物流信息平台,以及船联网等等可以获取的方式,但不在本次讨论范围。
二,交通大数据的应用是如何?
其实交通部在使用大数据上已经做了很多事情,但是由于数据量的不断增大,自身的分析技术的不足,所以这次与百度共同合作,利用百度对数据的深度分析技术,为政策制定提供更可靠的参考。
当然还有能够帮助交通决策的情况有很多,这里留出最重要的四个部分。
第一:智能公交,这是交通部早已实现的事情,也是交通部最早利用大数据决策的成功案例之一。交通部根据GPS定位技术、3G通信技术、GIS地理信息系统技术等等结合对车辆的监控,实施的公交车智能调度策略,提高了公交车的利用率,同时也在不断减轻城市道路的拥堵负担。
目前智能公交的调度技术已经在绝大多数城市铺展开来,目前中国各个城市都在陆续展开该项目。
第二:用大数据辅助交通规划辅助决策,就公交网络而言,传统的方式需要在投入大量人力进行OD调查和数据收集。而目前的一卡通,则让数据更为全面的展现在决策人员面前,流量数据全部可以精确掌握,同时再利用上车辆拥堵时间,拥堵路段的大数据分析后,公交车的线路调整,增加与减少换乘站的决策就会更加有依据。
第三:对驾驶员评估,交通部与百度技术结合后将通过驾驶员的出行习惯,从路线到行为,为该驾驶员提供一套评估,而此人的评估会被送往交通管理部门以及运输企业等地方,让用人的参考数据更多。并且这些评估也可以为个人提供安全参考意见。
第四:预测群体出行行为,目前百度地图已经做到了可以提前两周预测某个城市的人数大概规模,而将这一成熟的预测算法用于交通后,结合交通部的其他大数据,便可以预测出群体出行的态势,对其可能出行的时间,出行路线,出行方式等等进行预测,从而为城市车辆调度提供决策帮助。
并且再反过来看,这些预测的群体出行行为数据也将为个人出行提供更加精确的服务,帮助个人决策,让个人出行尽量以最短的时间最短的路线抵达目的地。
结语:在我们的不知不觉中,中国已经迅速步入大数据决策的时代,而政府也在利用科技利用大数据对国家进行更科学的建设,而这次政府与百度的合作,可以说是互联网公司有史以来以来与政府政策制定结合的最为紧密的一次。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01