近年来，数据的快速增长成了许多行业共同面对的严峻挑战和宝贵机遇，信息社会正在进入大数据时代。在此趋势下，城市交通大数据需要结合其本身内容及相关处理技术进行研究。

近年来，数据的快速增长成了许多行业共同面对的严峻挑战和宝贵机遇，信息社会正在进入大数据时代。大数据发展主要呈现以下趋势：通过云计算来完成大数据分析；数据分析集逐步扩大，企业级数据仓库将成为主流；Hadoop对MapReduce的依赖程度越来越小。在此趋势下，城市交通大数据需要结合其本身内容及相关处理技术进行研究。

1. 城市交通大数据的主要研究内容

（1）时效约束的大数据多尺度汇聚计算和动态图谱

交通大数据存在多源、异质、局部性、时空关联、异步性、信息稀疏性和并发性等特点，而城市交通系统存在着对大数据汇聚处理的高时效性以及对“大而信息稀疏”的交通大数据的领域知识牵引要求。现有的数据融合、计算理论与方法难以满足高时效性的大数据处理和基于数据的知识构建与转换等需求，亟需提出时效约束的大数据多尺度汇聚计算和动态图谱的交通大数据处理新理论与新方法。

（2）高维空间的隐性知识序贯挖掘与演化模型

交通主体、行为、态势、路网拓扑和环境形成了高维生态系统闭空间，相互之间存在着高度非线性、随机性和动态的耦合关系。交通态势及其演化是交通系统的宏观体现，具有约束条件下的动态性、序贯性、自组织、随机性等特点，交通态势机理解释对解决城市交通的难题非常重要。传统的交通理论难以发现隐含在如此高维空间的知识，对交通出行规律及其时空演化、大面积交通拥堵演变规律、环境与交通行为等进行综合知识和数据支撑的解释与评价，高维空间的隐性知识序贯挖掘与演化将为此提供坚实的理论与技术支撑。

（3）交通态势的预测机理与调控策略

交通态势是城市交通系统运行状态的反映，受到交通需求、网络拓扑、多交通子系统、环境、管理和调控策略等众多因素的相互影响与作用。由于城市交通态势具有时变性、不确定性、非马氏性以及影响因素之间的相关性等特点，是一个超维的复杂巨系统，其调控与预测是世界性的难题，目前尚缺乏相关的理论与方法。交通态势的预测机理与调控策略的研究，将创建复杂交通巨系统的预测及其控制的新理论与途径。 

2 . 城市交通大数据相关处理技术

在城市交通蓬勃发展的过程中，其数据采集量必然成倍增长，形成海量、动态、实时的交通大数据。因此，以大数据处理技术为支撑的城市交通信息服务将成为未来智能交通发展的增长点。城市交通所涉及的大数据技术，总结起来大致包括如下内容：

（1）基于Hadoop框架的MapReduce模式技术

Hadoop是一个能够对大量数据进行分布式处理的软件框架，而map/reduce是Hadoop的核心计算模型，它将复杂地运行于大规模集群上的并行计算过程高度地抽象到了两个函数。Hadoop实现了一个分布式文件系统（Hadoop distributed file system，HDFS）。HDFS有着高容错性的特点，用来部署在低廉的硬件上。而且它能提供高传输率来访问应用程序的数据，适合那些有着超大数据集的应用程序。

（2）数据仓库技术

数据仓库是决策支持系统（DSS）和联机分析应用数据源的结构化数据环境，研究和解决从数据库中获取信息等问题。数据仓库的特征在于面向主题、集成性、稳定性和时变性。其主要功能是将组织通过资讯系统的联机交易处理（OLTP）经年累月所累积的大量资料、数据仓库理论所特有的资料存储架构进行系统的分析整理，以利于各种分析方法如线上分析处理（OLAP）、数据挖掘（data mining）的进行，进而支持决策支持系统、主管资讯系统（EIS）等系统的创建，帮助决策者快速、有效地从大量数据资料中分析出有价值的信息，以利于决策拟定及快速回应外在环境变动，帮助构建商业智能。

（3）中央数据登记簿技术

中央数据登记簿系统是平台数据统一管理、综合交通信息服务的基础，包括与交通信息有关的数据表示和交互以及交通信息服务、适合于综合交通环境的数据字典和消息模板、交通数据项定义规则、注册和管理机制等。

（4）平台GIS-T应用技术

平台GIS-T应用技术是交通地理信息系统的支撑技术，可为交通信息服务提供高效的信息查询功能、海量的存储功能，包括出租车、公交车、综合交通视频信息等数据；提供优秀用户体验的WebGIS引擎，让用户享受基于浏览器的交通信息服务。

（5）基于非序列性数据操作技术

基于非序列性数据操作技术包括虚拟化环境以及流数据处理技术，通过网络将大量服务器的内存空间统合在一起，使之形成一个超大型的虚拟内存，然后在其上进行数据配置，可实现对现有设备资源的最大使用效率，同时实现对即时性数据的反馈能力。

（6）视频大数据处理技术

视频大数据处理技术将目前各个专用性的视频监控系统有机地整合在一起，实现视频资源统一接入、统一转码、统一分发、统一管理和统一运营的“五统一”目标。它可整合包括交通视频、站台视频、客运站视频、高速公路视频、社会治安视频、车载视频等在内的多种视频资源，提高整体视频监控的效率，且基于视频监控基础设施之上创造更多增值性的应用，从而实现视频监控系统的最大化效用。

（7）大数据处理技术

大数据预处理技术是将接入平台的数据根据具体的业务规则进行进一步的处理，包括对接入的数据进行有效性的检验、大数据清洗等。大数据标准化处理技术从数据库中取出经过清洗后的数据，根据业务规则将外部系统的数据格式转化为平台定义的标准格式。

（8）大数据融合处理技术

大数据融合处理技术是指采用多源交通信息融合方法，结合特征融合技术（识别/分类、神经网络、贝叶斯网络等）、目标机动信息处理技术（自适应噪声模型等）及多目标跟踪的信息融合技术，提高信息系统的顽健性及可靠性。多源交通大数据信息融合分为3级：基础级是数据级融合，它只完成数据的预处理和简单关联；第二级是特征级融合，就是根据现有数据的特征预测交通参数；第三级是状态级融合，根据当前交通流信息判断交通状态。交通流信息融合的基本过程包括多源信息提取、信息预处理、融合处理以及目标参数获取和状态估计。

（9）实时数据分发订阅技术

海量交通大数据具有数据量大、更新频繁、时效性高等特点，往往需要来自于其他系统的实时数据来支持其业务逻辑。比如浮动车辆的GPS数据、目前城市道路的路况分析和收费站排队监控分析、省级运政卫星定位联网监控系统的上报、营运车辆安全监管系统等监控分析系统需要向外单位共享的数据。

（10）大数据挖掘技术

多源交通大数据挖掘是一个多步骤的过程，可以分为问题定义、数据准备、数据分析、模式评估等基本阶段，其处理模型如图所示：

城市智能交通大数据平台基于云计算平台和高速网络传输，支撑移动互联网时代的智能交通服务，实现用户移动终端数据采集、大数据分析挖掘、智能推送等信息实时高速传输；基于实时数据为用户提供更精准的导航、停车服务，实现新型的实时互联交通服务模式。

展望未来，通过物联网、云计算、大数据等技术手段，有望减少甚至消除城市交通原有的行政壁垒，实现城市交通各种大数据的全面采集和有机整合，在一个平台上同时为政府各部门提供交通行政监管服务、为企业和大众提供交通信息服务，从而可进一步提高城市交通的运营管理和综合服务水平。