不追求形式上的“大数据”，深入实践中“小应用”

赛文交通网 智能交通 智慧交管

编者按：8月30日，在赛文交通网主办的“交通管理大数据融合与应用”线上研讨会上，浙江大学智能交通研究所副所长金盛作了《车牌识别数据在城市管理中的应用》为主题的报告。

该报告主要针对车牌识别数据特性进行了详细分析，在此基础上讨论了应用车牌识别数据开展交通运行画像、交通状态分析以及交通信号控制等方面的研究工作，相关研究成果为车牌识别数据的深度挖掘与场景应用提供了有效借鉴。

一、交通管理数据

1、社会需求一一城市交通治理的需求

现在交通管理领域有各种各样的多元数据，如何发挥好数据价值是实现城市交通治理中的关键环节。

大数据在交通中的深度应用给行业带来了巨大的变革。从2010年开始，网约车平台或网约车进入到交通运输领域，深刻改变了传统出租车的管理体系。有了这个平台后，网约车平台端和客户端都拥有的大量轨迹数据可以进行司机端和乘客端的数据匹配，基于数据能够进行很多的应用，包括对网约车的管理、路径需求的管理，以及用轨迹数据管理等。

现在出租车管理平台基本被网约车取代。此外，很多互联网企业和传统智能交通企业希望从交警手中拿到信号配时数据，但往往受制于网络安全等问题，这部分数据很难公开。但现在有了大量的轨迹数据后，应用轨迹数据可以通过一些算法识别出信号配时方案。

但这样的识别又产生了新的问题。如果这个信号配时是固定方案，可以用轨迹数据进行识别，但如果这个信号配时是自适应或感应控制，它的动态变化用传统的轨迹方法识别不出来，这就倒逼公安交管要进行变革。

大数据时代会对整个交通领域产生很大的影响，这也是大数据驱动交通治理的逻辑。

2、交通运行数据分类

下图展示的是交通运行数据。交通运行数据可以分为三类，首先是断面无标识数据，即传统的采集数据，如车辆的流量速度、密度、排队长度等。类型包括线圈、地磁、微波、红外、视频、雷视融合等，更多是检测在某个断面或区间内的整体交通运行情况，但可能没有车辆身份的信息。

第二类是断面有标识数据，标识其实就是车辆身份，公安交管部门用的相对比较多的通过电警/卡口识别车辆的身份信息。交通运输部门用的更多的是ETC和RFID数据，比如电子车牌、部分公交车、营运车辆以及部分电动自行车，但这类有标识数据的前提是车辆上需要安装相关的识别设备，同时在路侧需要安装ETC、RFID读写设备或电警/卡口检测设备。

另一类是轨迹数据，其核心是基于GPS或北斗实时识别出车辆或人的轨迹数据，目前的核心技术是用GPS定位。对于人来说，可基于手机定位得到轨迹数据，当然这类轨迹数据是连续的，但很难做到全样，因为很多人不是实时在使用地图数据或LBS数据，所以这类数据的广泛性或覆盖性没有那么好。

断面有标识数据的特点是全量离散，几乎是被认为是全量的，但不是每个位置都有，因为只有安装设备才能得到的，如果没有安装设备，这部分数据是缺失的。轨迹数据的特点是抽样连续，虽然不能做到每辆车或每个人都有数据，但它是实时连续的。总体来看，这两类数据各有特点，各有利弊。

3、车牌识别数据特性

车牌识别数据本质上是一种离散断面的时空大数据，是从执法设备到感知设备的转变。

下图是杭州主城区电警和卡口的设备布设，共有3000多个设备，每天约有2000万过车数据，日检测量约180万辆，检测字段包含车牌、时间、车牌颜色、转向等，通过对这些数据进行进一步的深入挖掘，能够更好的赋能交通管理。

车牌识别数据是最稳定的公安交警大数据来源。同时，相比于流量检测设备，车牌识别数据的维护性和在线率较高。目前这部分数据的深度挖掘与应用不足，对算法的要求较高，且需要根据交通管理需求进行数据处理与设备布设优化。

下面对比一下断面标识数据和轨迹数据的差异。首先，断面识别数据几乎是全样本的，设备故障和检测精度跟轨迹数据相比不够稳定。从交通方式来说，断面识别数据主要以机动车为主，这也是我们管理的重点。

同时它的建设成本相对来说比较低，或者可以说没有成本，因为本身是结合其他系统进行建设，相当于复用电警卡口设备。隐私方面，断面识别数据是在专网/公安网内，而同样轨迹数据也有它的特性，二者其实是互补的关系。

4、数据驱动管控技术的发展

交通管理的逻辑是数据驱动。以信号控制为例，传统的信号控制可能刚开始没有数据或是断面的静态数据，随着数据的质量越来越好。现阶段几乎应用于交通信号控制的理论体系都是用断面的流量或速度等信息。

目前我们已经进入到了一个新的时代，能够掌握每辆车的身份、轨迹等信息，这也意味着我们的管理方式、管理方法以及控制模型也将发生深刻的变革。

我们现在所处的阶段是数据走在前面，但一些管理的理论方法、理论模型却还不能适应新的数据。因此，我们希望能够更好的利用这些数据，重新构建一套新的理论体系，这也是我们当前需要努力的方向。

二、交通运行特征获取

城市交通管理可从车辆类型、交通需求、出行路径、运行状态四个维度描述城市交通特征参数。我们希望通过电警卡口或者车牌识别数据，将这四个维度的特征识别出来，能够更好的发挥数据价值。

1、车辆特征

在有了大量的城市内的车牌识别数据，可通过对车辆时空位置变化特征的分析与聚类，得到车辆分类规则。

下面看两个例子，第一个是网约车特征，目前对网约车的识别是网约平台将数据报备给交通运输部门，交警其实是不掌握路上哪些车是网约车，但通过对比网约车和出租车的出行特性的分析，可以识别出来网约车的具体车牌号、运行特征等信息。

此外，通勤车是我们关注的重点，也是管理的难点。我们识别出来通勤车的特性有三点，即工作日每天第一次出行时间、地点相对稳定，工作日每天非高峰时间出行次数较少，工作日每天早晚高峰基本都有出行。

如下图所示，通勤车早晚高峰的峰值明显比非通勤车的峰值高很多，早高峰会更加集中，这是由于晚高峰涉及到上下班时间的变化，相对没那么集中。通勤车占全部车辆的比例很低，不到5%，但检测的数量达25%以上。

同时我们发现，通勤车早高峰的高峰期在6:30-9:30，在我们的识别范围内，但晚高峰会从16:00一直延续到21:30，这和杭州互联网企业比较多的特点有关，通行时间差异会非常大。

2、交通需求

通过融合POI和车牌识别及手机信令数据，可以分析土地利用与宏观交通需求的关系。

通过过车数据特性分析，可得到车道级的饱和度以及绿灯损失情况。

3、出行路径

在有了不同断面之间车辆的出行时空轨迹后，可通过离散断面数据分析进行出行链打断，并对车辆出行路径进行重构还原。

4、运行状态

用导航也能得到路段的运行状态，但是不够精细。因为路段上的车辆本质有9种路径，每条路径的形成时间可能不一样，比如如下图所示的两个路口做了直行的绿波协调，直行的行程时间会很少，但如果从上游交叉口左转过来的车辆到直行，它的延误时间不会很长，所以我们可以实现多路径的行程估计，为后续的管理和服务工作提供更好的支持。

交通运行状态参数的获取

总体而言，通过对车牌识别数据进行深度挖掘，可获取行程时间、饱和度、配时参数、停车次数、排队长度等多类型运行参数。

以过车数据为例，通过过车数据可以得到每条车道的运行状态、饱和度，进而能得到每个方向的行程时间。如果数据质量比较好，也能大致估计出信号配时的状况，以及不同车的停车率情况，同样通过停车率可以估计出停车次数，进而得到其排队演化的过程，最后得到排队长度。

三、典型案例应用

1、限行政策影响评估

以杭州为例，我们通过分析发现，杭州一个月内外地车总数约219万辆，但实际上真正需要管理的其实是本地化运营的外地车辆，真正本地化运营的车辆可能只有20万辆，不到10%。从车辆的数据也能看出。如何针对不到10%的外地车做针对性的管理，是交通管理的重点工作。

同时虽然杭州的早高峰限行时间是7:00~9:00，但我们发现有20%以上的车会提早出现，12.2%的车会推迟出行，这部分车辆会在同一时间段内集中进入路口导致高峰延长。

限行的本意是希望出行者能够转换出行方式，如变成公交出行、地铁出行等方式，但大部分驾驶员没有做到，这里还不包括家里有两辆车的情况，这也给交通需求管理提供了新的思考。

晚高峰也是一样，有14%的车会在4:30限行进行开始之前完成出行，20%以上的车会在6:30之后出行。

同时，随着通勤距离的增加，通勤车限行日使用小汽车出行的比例显著增加。说明小汽车的使用粘性与出行距离存在显著相关性。

2、新冠肺炎疫情影响下的出行特征

我们依托某城市的车牌识别数据深入分析了新冠肺炎疫情对出行特征的影响，这部分数据都是在2020年左右。我们通过对背景交通量、疫情期间交通量、复学稳定期后交通量以及复工复产后交通量进行分析发现，复工复产后的交通量仅恢复到原来的70%左右，对出租车、网约车的影响更大。

到2020年四、五月份左右，出租车网约车相比疫情前减少了约300辆。

同时出行强度减少，公众的出行欲望也不像以往那么强烈，出租车网约车相比疫情前减少了约三分之一的出行强度，比例也是非常高。

此外，我们分析发现各地区均受到了疫情及其管控措施的影响，在第二阶段与义乌的交流均显著减少，其中湖北、武汉、温州、台州等地区受疫情影响更为严重。此外，是否进行交通管制与车辆数变化比例之间的相关系数为0.754。可以发现疫情相对严重的地区，也就意味着管控比较强的城市车辆下降比例更高，相关性更强。

同时我们也对出行模式进行了分析，右图蓝色是指在第一阶段车辆的出行频率大概是2.6次，但是在第二、第三阶段，几乎不存在出行，这表明这部分车受疫情影响，整个出行模式会发生变化。以橙色为例，疫情前平均每天出行频率大概在三次左右，疫情期间是没有的，疫情恢复后恢复到三次左右。

3、全量机动车碳排放估计

双碳是现在的热点，我们同样用车牌识别路网数加车牌识别数据将把车辆的轨迹进行还原，能够将每辆车的行为特征、运行行程精确估计出来。

有了这个数据后，我们通过将微观运行工况与比功率模型、动力学电耗模型进行结合，可以得到每辆车的碳排放率。通过对车辆每天的出行数量、碳排量进行精确估计，最终可以得到整个杭州绕城区内不同时间段每条路段的碳排放量，同时可以得到每辆车的排放情况，共同支撑双碳战略。

4、多路径干线协调控制

现在很多地方讲绿波控制、协调控制，绿波协调控制的核心是直行，但现实中很多交叉口之间面临协调路径不一样的问题。干道转向需求增加+智能网联环境下基于路径差异化、精细化管控需求，需要面向全路径车流的干线信号协调控制方法。

基于通过车牌识别数据分析得到的各个OD路径等数据，我们可以分析两个路口之间可以协调的路径有多少种，将由车牌识别得到的OD路径和协调路径进行评估，构建新的多路径协调。

我们在萧山的某条路上做了实验，将多路径协调和传统的执行方向协调进行对比，发现在整体通行效率方面，相较于其他模型方案，MP-BAND干线协调车辆平均延误显著改善；在干道通行效率方面，MP-BAND干线协调方案相较于其他模型方案，车辆通行效率持平或者略优。在这样的背景下，一方面能够保证直行的协调效率，同时也使得有左转协调需求车辆的平均延误能够显示出来。

现在公安交管有大量的数据，做交通管理的应用，不应拘泥数据类型，而是挖掘数据的最大价值，提升公安交管的管理能力。此外，不追求形式上的“大数据”，而是要深入实践中“小应用”，更好的发挥数据的价值。