将感知干预做成可复制、可推广

编者按：目前交通事故已然成为一大安全隐患，中国作为一个交通大国又是如何解决这一问题的呢？公安部交通管理科学研究所施一珑在中国智慧交通管理产业联盟2021年度线上技术沙龙活动———交通管理大数据技术应用论坛上表示：要做到高速公路交通事故减量和控大，核心思想就要加强对事故多发场景的安全管控。以下为演讲内容，有删减：

从国家宏观层面上看，在加强大数据和AI应用上，党中央和国务院实施了一系列战略部署，习近平总书记也专门发表过讲话。这为大数据、AI等新技术在交通管理领域的深入融合应用提供了基本的遵循，指明了前进的方向。公安部也要求各地认真贯彻实施大数据的战略，全面深化公安交管改革，深入推进智慧交管建设，不断提升交通治理和服务群众的应用能力。

近几年来，机动车保有量和驾驶人的数量急剧上升，公路交通“减量控大”的管控压力巨大。在此背景下，我们应侧重大数据、AI等前沿技术，提升高速公路违法感知和干预能力。

交通事故遵循海恩法则，90%的事故都是先有违法的安全隐患存在，因此才出现了事故。所以违法整治是公安交通管理工作的一个“牛鼻子”，通过消除违法从而达到消除事故的目的。

我们可以将违法整治分成人、车、路三个维度。

人是指所有违法主观都是人导致的，所以应对违法就应该对所有交通参与者进行精准的发现和干预。

车是指对两客一危一货、面包车等重点车辆的动态监管和车流量的监管、管控，只要管住车流，同样可以管住事故。

最后是路，高速公路每个路段发生事故的比例是不一样的。比如说匝道的里程远远低于主线，但是匝道发生的事故数量却跟高速公路的主线持平，所以需要把路进行划分，从而实现不同的场景用不同的方式处置干预。

在调研中发现，目前各地建设的智慧大脑大多以发现为目的，而不注重有效的管控手段，这就导致很多建设的智慧大脑项目处于“天上飘”的状态。以交通违法感知为大脑，那一定需要有效的干预手段。在手脑协同的情况下，才能让大数据AI技术实现真正着陆。

交通违法感知研究的第一个维度是人。人在不受路段类型限制的情况下的违法主要体现在4个方向。

第一是驾驶证异常，我们可以通过人脸识别功能比对全国驾驶人库，扩大跨省驾驶证异常的识别，从而实现对高速公路省外车、过境车较多场景的有效管控。

第二是疲劳驾驶，我们可以通过分析比对全国的轨迹车辆，对司机的疲劳驾驶行为进行监管。

第三是群众违法举报，通过在公路固定班线的营运车辆安装车载的违法取证设备，在不需要司机的干预下，实时对前方车辆的违法变道、加塞等违法行为进行发现、自动检测和上传，有效弥补高速公路监控覆盖不足的缺点，从而实现对高速公路主线的全管控，消除一些驾驶人违法的侥幸心理。

第四是其他重点违法行为，要结合大数据和AI的能力，结合各地的零星需求，逐步完善各类算法模型。通过对算法库的不断完善更新，从而实现对高速公路上易引发事故的违法行为进行全管控。

（关于第二点的疲劳驾驶还需要补充）以疲劳驾驶为例，疲劳驾驶是高速公路上排名第五的违法杀手，大量疲劳驾驶是以追尾、变更车道导致的事故体现的，所以实际疲劳驾驶导致的事故，远不止第五名。

那么如何发现疲劳驾驶呢？可以从两个维度去做，第一个是驾驶时长，第二个是驾驶人的形态。重点讲一下第一种方式，就是通过全国车辆轨迹实时比对的方式，分析各省省际卡口的历史轨迹，对涉嫌疲劳驾驶超过80%的车辆进行预警提示。

具体的感知手段是，第一步，先对试点省份的高速入省卡口进行梳理。第二步，对这些卡口实时分析，通过时空等模型算法对他们近8个小时内的轨迹进行分析计算，得到疲劳驾驶的嫌疑度。最后，对这些疲劳驾驶车辆进行各种手段的干预，让他们下高速休息。

第二个维度是车。车主要分为三个方向。第一是对两客一危一货和面包车等重点车辆的通行管控，实时监管重点车辆的通行态势，对嫌疑车辆进行近场监测预警，有效对其进行缉查布控和检查，对超宽超长、非法营运、夜间违停车辆进行监测、分析和动态监管。

第二是一车一档，依托卡口过车轨迹、违法和事故信息，对车辆贴标签，让民警对某一类车可以更精准的进行管控。

第三是路网大流量，利用卡口、ETC实时轨迹信息数据，对辖区高速进行交通运行监测、大流量预测智能分流、流量实时动态监测，从而具备实现对辖区路段流量变化的掌握，提前进行勤务安排，提升整体管控水平。

例如上图展示，公交客运在做距离拟合之后，出现的轨迹呈波浪形态。通过地图进行三次多项式的拟合，就能够得出车的一条营运班线。即使这辆车有多条营运班线，同样能够拟合出来。在这个基础上，即使与车管所登记信息不一致也可以把公交客运车辆的标签贴在这辆车上。

同样的道理，我们采用不同的算法也可以给私家车、出租车、面包车、非法营运车辆贴上标签，更有利于交警对某一类车型进行更精准化的管理。

大数据除了对车群体进行描述之外，也可以对高速公路的车流量进行描述。

这里举两个例子，一个是通行能力的计算公式，另一个是交通拥堵的计算公式，第一个图是根据京沪高速江阴北为例的，通过流量和速度的离散值拟合的流量和速度关系图，可以看出为了保证最大的流量，那么最合理的速度，应该设置在63公里/小时，但是因为流量最大的区间，它也是处于一个事故的亚稳定区，也就是说在这个区间一旦发生事故，那么流量和速度会迅速的向黄色，甚至向红色的散点区进行坍塌。

再根据这段高速的事故量可以看出：80%的事故发生在危险区，分别用绿色和红色画出来的区域内（见上图），绿色标注的区域是因为低速行驶，也就是拥堵时发生的事故，红色区域就是它的速度太快了，导致它的事故的可能性也变得更多，从而导致车虽然速度很快，但是车流量并没有提高。

有了这个图，我们就可以很好的引导出这条道路的流量和速度。京沪高速江阴北段的拥堵概念的指数大概如上图（见上图“交通拥堵计算”图示）一样，可以看出它的矩阵的连接点大概是4200辆/每小时之间，那么对应的速度流量的区间就像图里面虚线标出来的。

所以在节假日期间，江阴北路段的交通流量可以控制在3800~4000辆/小时的流量之间，速度控制在80~85公里/小时范围内，那么此时拥堵概率就会是最低的，也就是10%左右。

第三个维度是路，也是比较重要的一个维度。这是某高速大队辖区高速的一段，（见上图）全程大概是60公里，有两个枢纽，收费站和一些服务区，我们把近5年的事故叠加到这张图上面去，就会发现事故一般发生在匝道、长下坡这些路段。所以我们如果对交通事故来进行整治的话，那么肯定是要对路段来进行分类管控的。

这里把路分成6大场景，分别是匝道、隧道、长下坡、急弯、主线和恶劣天气易发路段（见上图）。

这里主要介绍一下事故率较高的匝道。匝道事故主要是由四类违法引起的（见上图）。

为了解决这些事故难题，我们提出了在高速匝道口的特定位置部署视频监控、雷达、射线等感控感知设备，通过科研所人工智能联创实验室的一些检测算法的成果，全天候的监测匝道口的交通异常，取证交通违法（见下图）。

目前通过试点匝道口的检测，每天能发现一两次的停车倒车违法，二三十起的压导流线违法。而这么多数量的违法感知其实是很难通过人力来进行监测的。那么如何通过干预手段减少这些违法行为？

02、干预措施研究

单纯的违法感知是很难真正发挥大数据AI的效果。只有融合各种手段，对路面的嫌疑车辆或者异常情况快速干预处置，才能把危险消除在萌芽期。

我们可以将干预措施分成路测设备的干预和后台设备的干预两类。

首先介绍一下路侧设备的干预措施。路侧设备干预分为四种（见下图）。

需要注意的是，各类路侧设备不能作为一个单体存在于道路上，一定要与其他的感知设备或者大数据后台进行绑定，这样才能真正发挥路侧设备的实用性，否则大量的设备在道路上将仅仅用来作为摆设。

干预措施的第二种是后台设备的干预措施，是指搭建在后台的一些科技设备。后台设备干预措施主要分为三种，第一种是融合通信电话，通过电话自动语音拨打到驾驶人手机上，从而把交通管制、违法等信息告知驾驶人。

这种方案正在湖北高速进行试点，也就是“云哨”系统，目前反响还是比较好的。

第二种是12123的APP消息，它会把系统检测到的交通违法安全隐患信息精准的发送到驾驶人手机的APP上面去，用来提醒驾驶人做出相应的安全提示和绕行的一些措施。

第三种是手机短信，这个与12123APP消息的样式基本上类似。

后台设备干预告知从事后到事中拓展，提供个性化信息服务，震慑作用大，体现交通执法智能化。同时不以处罚为目的，可通过“温度执法”对曾嫌疑违法过的驾驶人进行提醒、警示，也能达到消除违法、减少事故的目的。

电话应用案例中湖北高速的“云哨”在4个月之间通过自动语音的方式通知驾驶人达到了100多万次，回访群众的满意度达到了86.7%。

“云哨”目前唤起的种类有9种，包括了疲劳驾驶，夜间红眼时段进省的跨省车等等。目前这种方式唤起的数量稳定在每天2.1万路左右，呼通率达到了75%。法规支持在已知车主处于非安全驾驶的情况下，对其进行提醒，包括采用电话告知，且融合通信自动语音呼通后，不需车主回复，仅需车主聆听。

目前大数据AI技术作为国家战略，正处于井喷式发展阶段，每年都有新的计算模型，新的AI识别能力，而且其他科技领域的黑科技也会改变目前的干预措施。

技术的发展从很大层面上是会改变交警业务模式的，我们应该紧盯科技发展，时刻保持学习的心态，从社会科技发展中搜索我们业务革命点。

下一步我们将会以公安交通集成指挥平台为核心，辅以大量路面前端设备接入的数据，利用高速大数据强大的计算能力，开展车辆大数据能力的分析，图像AI智能识别应用，建立各种车辆大数据模型和实时智能分析业务，完成面向各级交警领导的辅助决策，面向一线民警的指挥调度和服务，面向社会驾驶人的服务，面向公安的车辆信息的服务的四大服务，形成一个业务闭环，把所有的感知干预做成可复制、可推广。