在第十届（2021年）中国智能交通市场年会上，杭州海康威视数字技术股份有限公司公共服务事业群交警行业总经理邹辉针对海康威视这两年的沉淀和思考，重点从交管业务认知引擎和交管情报融合研判引擎等方面做了详细分享

编者按：面对云计算、交通智能体、数字孪生、数字驾驶舱、全息路口等智能交通行业概念大爆发的当下，作为在这个行业中长期经营的企业，海康威视开始思考是不是可以为行业沉淀些什么？

智能交通发展这么多年，交通业务场景已经积累的足够丰富，从城市道路到乡村道路，再到国省道，以及高速公路，我们能想象到的每一个场景似乎都有海康威视的感知设备和系统在工作。

这些设备和系统本身是在解决交通场景的管理和监督问题，同时也在提供大量的数据。

在第十届（2021年）中国智能交通市场年会上，杭州海康威视数字技术股份有限公司公共服务事业群交警行业总经理邹辉针对海康威视这两年的沉淀和思考分享了“三擎驱动，数智融合，数据驱动智慧新交管”主题演讲。

重点从交管业务认知引擎和交管情报融合研判引擎等方面做了详细分享，结合实际应用为大家解析了新技术给行业带来的实际变化。 

以下为海康威视公共服务事业群交警行业总经理邹辉的现场演讲内容，赛文交通网做了不改变原意的整理与编辑，有删减：

第一个沉淀，就是海康的三个数据引擎。

这三个数据引擎，大概能支撑目前交管领域绝大多数的数据应用。

第一，道路交通数字时空引擎，它主要提供五种三大类的能力。

第一个是轨迹拟合，因为我们经常去识别车辆轨迹的时候会有雷达类的设备，雷达视频结合类的设备、视频类的设备、卡口类的设备，可能很多设备在不同的角度和位置会给同一辆车的轨迹进行识别。

但是，在面对最终用户的时候，不能输出多条轨迹，否则会让用户感到非常困扰。所以，海康需要利用引擎的能力，把多个设备、多个场景下检测到的同一辆车的轨迹进行拟合，拟合成一个轨迹，让这个轨迹的可信度更高一些。

第二个是地址解析，我们能够提供从自然语言到地图坐标的双向解析。比如我们经常会接触到事故数据，大家在记录事故数据的时候会发现，在事故的那张表里面记录的地址信息比如说某某学校往北200米，这种纯自然语言描述的地址，是很难打到地图上的，需要做反向解析，这个工作量可不小。当然，正向也有用，比如说在地图上点一个点，需要一线警员前往该地点时，自然语言的描述更合适一些。

再往上的三个都是属于空间计算类的，比如说要做路网连通类的信息，要做位置的测距，都包含在这一块，这是第一个数字时空引擎。

第二，交管业务的认知引擎。

这块更多的是与交通工程学专业相关知识模型的集合。举个例子，我怎么判断一个路口的配时有没有问题，它能不能更多的做优化。我怎么配合路网的结构有没有问题，怎么判断目前的勤务效率是不是足够高，这些其实都是与道路交通工程学或者与管理相关的专业知识模型组成的一套引擎。

第三，交管情报融合研判引擎。

这个是以全息档案为基础，把驾驶人、车辆、道路、运营企业、事件等基础数据治理完以后形成了档案，它作为一个基础，在它以上有若干个模型。比如说在“车驾管”领域就能有200多个监管模型，比如说一辆车被二手交易的频次过高，或者说一个因交通事故去世的人员驾照没有被及时吊销等等，像这样的模型有200多个。这是在车驾管领域。可能在其他领域，比如酒驾、碰瓷、失驾、黄牛等等，这些模型非常多，都是在这个引擎里面。

我们认为这三大引擎可以支撑绝大多数的智慧交管应用。

数字时空引领。

我们自己命名叫“时空底座”，它的核心是不可见的，实际上是一堆结构化的空间地理数据。

举一个例子，可以把一个城市划成若干个网格，一个网格可以是一个十字路口，可以是一个喇叭口，每一个网格里面关联三种属性：

1. 道路基础属性，比如说这个网格的入口有几条车道、几米宽，实线还是虚线，还有哪些标志标牌；

2. 设备属性，在这个单元网格里面装了哪些信息化设备，包括电子眼卡口、信号机、诱导屏等等全在内；

3. 业务属性，比如这里允不允许逆向行车，允不允许压线行驶，允不允许渣土车和大货车通行，甚至有没有人预计在这个地方明天10点钟要占道施工一小时等等，像这些相关的业务属性都挂在上面。

有了这三种属性的匹配之后，所有的交管领域与空间相关的业务都可以发生直接的关联，并最终归结到这里。

举一个实战例子，通行证管理。

一个城市往往需要从安全和城市发展的角度适当去管控渣土车和大货车，但目前绝大多数的情况下管理模式是开纸制通行证，但是这样就带来两个问题。

第一是审批效率很低，尤其是当申请的通行线路跨中队、跨大队的时候，某一个负责审批的民警可能不知道其他区域的情况，他需要打电话问；第二个就是监管难，往往只能用卡口抽查或者人员在路上抽样拦截的方式，去看车辆是不是按照申请的路线走的，这个效率太低。

如果说我们有了“数字时空底座”的模式就很简单，因为每个单元里面都已经规定了这个单元允不允许大货车、渣土车行驶，甚至可以是动态时间段的。

用户可以远程通过APP申请路线的时候，系统自动在允许大货车行驶的网格群里面生成导航路线，系统已经保证了它的合规性，不需要人工复杂审核。有了这条合规路径，系统自动跟据实际运行的轨迹调用卡口数据进行匹配，如果发现不匹配生成报告，一般不会每单去处理。一个月约谈对应的企业一次，如果说他的违章频次过高，可以降低他下个月的通行证配额，这样就形成了管理上的闭环。

第二个引擎的应用——交通运行问诊应用，主要是对信控领域。

比如这个一个路口我们可以看到它的流量异常等等六大类的问题，并且能够针对这些问题在出时间、空间、频次、类型上的研判。另外，我们还可以通过车流投射技术，让用户眼见为实看到问题的呈现并进行确认，如果确认问题属实，我们还能看到最拥堵的路口它的流量top3的来源是哪里，如果单个路口不好做管控，我们可以利用这个流量的溯源做上游的管控。

有了这个溯源之后，我们可以通过纯数据层面的分析去给出每个路口每天在不同的时间段最合适的配时是什么。这个配时可以直接下发到第三方的信号平台，当然，如果是我们自己的信号机也可以直接下发到我们自己的信号机去执行，这都没有问题。

有了配置方案还没有完全闭环，还可以把这个配置方案导到我们的仿真系统里面去，可以让它去跑一跑，可以看看它的仿真结果比以前的方案是不是能有优化。

再看一下同样是交通业务认知引擎——事故画像的应用。

这是把100多万条交通事故的数据导入到系统里，用上文说的地址反向解析手段生成了事故热力图，而且可以支持时空层面、事故类型、事故原因，甚至是事故个体是受害方还是导致方，这样的多种类型的数据研判。这主要是让用户知道这个城市可能的隐患点在什么地方，这是第一大能力。

第二大能力是可以提供事故规律的分析，画面上看到的只是事故本身的呈现。从事故规律分析层面，我们最后能发现有几条非常有意思的规律：

1. 非机动车的事故什么时候发生最多呢？可能大家想象不到，不是早晚高峰期，也不是夜间，居然是中午12点至下午2点之间。

2. 我们经常说女司机，但从我们拿到的事故实际性别的统计数据来看，男司机的事故发生率远远高于女司机，这已经考虑了两个群体基数的不同。

3. 能够直接生成事故分析报告，主要是可以帮助用户单位更好的呈现，让他去了解当地各个区域的事故发生情况。

第三个引擎，交管情报融合研判引擎——异常号牌研判应用。

这不是为了讲以图搜图，我想说的是怎么样去大规模的识别大货车上装了灯带的问题，这样对于他夜间的违章行为没法取证。你就利用情报融合研判引擎，先通过以图搜图找到这辆大货车号牌正常时的情况，有了这个之后我反向解锁他所在的企业，如果一个企业管理不严，它旗下存在一辆改装的大货车的话，可以认为它旗下还存在很多这样的车，事实证明就是这样的。

我们把这个运营企业所有的大货车的白天卡口图片都找出来，装了一个很明显的灯带，最后发现这个企业旗下有几十辆这样的车，就是这样的逻辑，也是典型的大数据应用逻辑。

接下来，还有两个是比较新一点的智能领域的应用。

一个比较新的特勤路线的模型，传统的特勤路线要么是全人工，要么就是在导引车上装了一个带GPS发声的装置。但是这个模型有两个问题：

第一，GPS有可能在旁边楼道密集的时候发生飘移，这给后面的信控包括对于它位置的掌握带来不确定的隐患因素；

第二，现在越来越多的特勤任务不需要导引车，就很难获得位置数据配合信控系统。

我们采用了DT摄像机，这个仅仅适合于特勤路线相对固定的城市，如果满城都是特勤路线，就不合适了，成本比较高。这个DT摄像机有个特殊的能力，它能够把画面里面所有车辆的经纬度坐标识别出来。

有了这个能力它就能实现跨摄像机的连续追踪，保证这个车队的视频处在画面最中央的位置。

受去年疫情的启发，人能够测温，那么车可不可以？

事实上我们经过半年的努力发现车也是可以的，主要是车轮毂。因为车轮胎的燃点普遍是350度。实际上在长时间刹车的时候，刹车片的温度会很容易到500度以上，它们之间的距离是比较近的。

尤其对于大货车而言，它在长下坡的时候，如果长时间踩着刹车有可能会导致车辆爆胎或者自燃。我们在路两侧，用两个测温的相机加了一些优化算法，识别车轮区域的温度，正面的卡口识别这个车辆的号牌。一旦发现温度超标的车辆，通过情报板或者中心报警的方式来进行预警。

当然，未来如果车路协同成熟，能够直接通知到车内是最好的。