AI技术在解决国内城市出行问题方面的具体应用
发布时间: 2020-08-06 09:41
近日，杭州市萧山区出租车司机刘师傅常常感叹：“这两天真好走，一路没堵车，真幸运。”他可能不知道，这份“小幸运”并非偶然，基于AI、大数据等技术，交通系统正一点点变得“智慧”起来。
近年来在世界范围内，城市拥堵情况越来越严峻。据统计，全球每人每天因堵车平均浪费15分钟，北京居民因拥堵造成的经济损失为30元/半小时。快速、便捷的交通已经成为城市居民的核心需求之一。为满足这一需求，基于AI的智慧动态交通系统发挥了强大作用——它可以优化道路资源、实施道路交通状况预测，对城市交通进行动态、实时管理。那么，AI究竟如何让城市交通系统变智慧从而解决拥堵问题?AI已经在哪些城市落地?当前面临哪些挑战?
近日，杭州市萧山区出租车司机刘师傅常常感叹：“这两天真好走，一路没堵车，真幸运。”他可能不知道，这份“小幸运”并非偶然，基于AI、大数据等技术，交通系统正一点点变得“智慧”起来。
智慧交通已在多个城市落地
道路是整个城市交通系统的“血管”，每一个路口的通畅程度都影响着整个交通系统的“健康水平”，进而影响着整座城市的运营效率、市民的生活成本以及宜居指数。2018年交通运输部办公厅发布《关于加快推进新一代国家交通控制网和智慧公路试点的通知》，决定在北京、河北、吉林、江苏、浙江、福建、江西、河南、广东等九省份加快推进新一代国家交通控制网和智慧公路试点。
如今，全国已经有超过20个城市的交通系统基于AI、大数据实施了智慧化改造。华为、阿里、百度、腾讯、京东、滴滴、平安等互联网公司和产业巨头纷纷参与了智慧交通的建设。
2016年，杭州市政府和阿里合作，为杭州安装了数据大脑，从城市交通切入，实现基础设施数据化。2018年，杭州城市大脑建立了新的交通数据中台，管辖范围较最初扩大了28倍，每2分钟便可完成一次区域扫描，处置效率提高了9倍。2020年，杭州城市大脑已更新到3.0版本。新冠肺炎疫情发生以来，基于AI的智慧交通系统帮助杭州实现了逢车必查，既守好了全市疫情的第一道防线，又保证了复工复产后居民正常出行不受影响。
北京CBD区域地面与地下交通错综复杂，几乎覆盖了所有类型的城市交通出行方式。以北京CBD为试点区的智慧交通系统示范工程于2019年全面开展，根据AI和交通大数据综合分析各灯控路口24小时交通量变化规律，将路口信号调控时段划分为2个夜间低峰、2个高峰和1个平峰，自动平衡区域整体交通压力。截至目前，CBD西北区域已经实现了交通大脑全覆盖，包括行人过街通道、智慧道钉提示设备、全区域车路协同控制系统、多个路段电子警察等设施全面完善。目前该区域高峰通行效率提升25%，部分道路事故拥堵报警下降了35.7%。
在深圳，华为公司和深圳市政府共同建设Traffic Go(交通智能体)，现在已经发展到全市的大概200个路口。深圳市公安局交通警察局局长徐炜介绍，经过这大概一年多的运行，深圳市在高峰时段路口通行能力大概提升了10%左右，接下来全市2000多个路口都将接入到智慧交通系统中，让所有路口的交通流达到相对均衡的状态。
此外，深圳机场交通枢纽的“拥堵”也时有发生，利用AI、大数据等信息技术，人们现在仅凭一张“人脸”和身份证便能快速通行;还会结合航线和天气状况，合理调度飞机的停机位，减少摆渡车的乘坐。数据显示，深圳宝安机场的运控效率整体提升了8%～10%，平均一个廊桥每天可以多停一架次的飞机，这样一个年旅客吞吐量达千万级的机场，每年约可以减少250万人次乘坐摆渡车。
基于AI建立“感知+识别+决策”系统
赛迪顾问人工智能产业研究中心副总经理邹德宝在接受《中国电子报》记者采访时表示，智慧交通领域有众多细分应用场景，涉及道路设施、交通指挥类设备、视频监控系统与设备、公交系统、出租车、停车系统等9个维度;在交通控制系统中，涉及了信息采集、云端处理、集中指挥、即时反馈的逻辑闭环。
在智慧交通管控系统中，驾驶员、行人、城市交警以及视频监控系统等是主要的信息采集源泉，这些交通信息数据将连接到统一的动态网络中并及时传送到城市指挥中心，随后进行大数据集中分析，并制定出城市交通的优化方案，将其反馈到相关管理人员和交通设施当中，从而对城市交通进行智能掌控。
在杭州市，萧山区道路上已有的交通摄像头就像“眼睛”，信号灯则像指挥交通的“手”，它们之间需要建立一个机器大脑来进行沟通协调。机器大脑需要训练，数据就是知识，各种各样的算法和场景模型则像是思维。传统的信号灯运行模式是根据固定的时间进行变化，从而容易导致某一方向中出现严重压车等问题。在智慧交通系统的管理控制之下，能够结合所收集上来的车辆速度、数量以及分布密度等因素，对相同方向的路段进行智能分析，随后结合相应的分析结果，科学调控红绿灯的转换，从而有效降低车辆等待时间。
智慧信号灯系统中，AI担当大任，在AI算法训练时，阿里视频组的成员瞪大眼睛，一帧一帧地将摄像头中出现的各种车型、车牌、左右转弯、标志标线等信息标记出来，训练机器认识它们。数据智能团队对道路、车辆、车流进行算法建模，让机器学习并预判各种可能发生的情况，通过信号灯发出相应的指令。比如，当摄像头发现当前直行方向车流量大时，机器的大脑就要自动分析，控制信号灯变化时长，让直行车辆降速，避免拥堵。
AI要和行业“Know-How”深度结合
AI是由理论指导的机理模型，而不仅靠数据驱动。机理模型指导下的算法和AI算法、数据驱动的算法之间如何有机配合，实现高精度、高可靠，是AI落地的关键。华为云人工智能领域总裁贾永利表示：“要想训练出最适合某一行业的AI模型，使之能够进入到核心生产和核心应用中发挥价值，就必须要让AI真正地与行业专业知识‘Know-How’深度结合，毕竟只有行业最懂行业生产系统的关键点是什么。”
在智慧交通领域中，缓解某一个路口的交通压力远远不够，城市中不同区域有着不同的交通管控需求，且交通系统中不同交通工具之间处于分割运营的状态，如何多样化、立体化地规划一个动态的全市交通网络，值得业界深思。
邹德宝指出，在多样化的城市载体中无法建立统一标准、统一要求的智能交通系统，规划的思路应是“1+N”模式，即在整个交通系统中建立一个通用的智能交通管理平台系统，针对不同的城市特点，包括交通路线路口的复杂程度，城市内车辆的类型及车流量、车速等因素进行个性化布局监测平台，调整监测平台的数据监测频次、时延和决策机制，从而达到适应当前城市的数据系统。将这个城市的数据系统分析后进行实时上传总管理平台，达到实时交互城市间的交通情况，以满足跨城市车辆交通情况进行判断、分析和规划使用。
事实上，智慧交通系统远比人们想象的更要复杂，徐炜指出，在交通系统管控过程中，私家车在日常来往中具有一种自由化、个性化和分散化的特征，行车过程中违法违规、占用应急车道等现象频发。智慧交通系统需要对私家车的引导和服务更为完善，除了通过电子导航、路面显示器等工具为私家车及时传送路面交通状况外，还应帮助私家车在出行前规划好出行路线，做好交通事故实时上报，甚至还要提前部署灾害天气交通预案。
这一系列智能交通管控的实现无法仅靠AI完成，需要AI与大数据、云计算和物联网系统的系统作战。在邹德宝看来，AI最核心的功能是提升算力，进行智能化服务，而前提需要通过传感器的不断感知监测、物联网的互网传输、大数据中心的不断收集和分析判断、云计算平台的数据提取。尽管交通领域信息化程度提升难度不大，但目前AI技术研发的成熟度还不足以适应复杂的行业应用，计算机视觉技术、深度学习技术和语音识别、自然语言处理等技术还无法对不同场景进行无缝耦合，仍需要长期实践积累的过程。
近年来在世界范围内，城市拥堵情况越来越严峻。据统计，全球每人每天因堵车平均浪费15分钟，北京居民因拥堵造成的经济损失为30元/半小时。快速、便捷的交通已经成为城市居民的核心需求之一。为满足这一需求，基于AI的智慧动态交通系统发挥了强大作用——它可以优化道路资源、实施道路交通状况预测，对城市交通进行动态、实时管理。那么，AI究竟如何让城市交通系统变智慧从而解决拥堵问题?AI已经在哪些城市落地?当前面临哪些挑战?
近日，杭州市萧山区出租车司机刘师傅常常感叹：“这两天真好走，一路没堵车，真幸运。”他可能不知道，这份“小幸运”并非偶然，基于AI、大数据等技术，交通系统正一点点变得“智慧”起来。
智慧交通已在多个城市落地
道路是整个城市交通系统的“血管”，每一个路口的通畅程度都影响着整个交通系统的“健康水平”，进而影响着整座城市的运营效率、市民的生活成本以及宜居指数。2018年交通运输部办公厅发布《关于加快推进新一代国家交通控制网和智慧公路试点的通知》，决定在北京、河北、吉林、江苏、浙江、福建、江西、河南、广东等九省份加快推进新一代国家交通控制网和智慧公路试点。
如今，全国已经有超过20个城市的交通系统基于AI、大数据实施了智慧化改造。华为、阿里、百度、腾讯、京东、滴滴、平安等互联网公司和产业巨头纷纷参与了智慧交通的建设。
2016年，杭州市政府和阿里合作，为杭州安装了数据大脑，从城市交通切入，实现基础设施数据化。2018年，杭州城市大脑建立了新的交通数据中台，管辖范围较最初扩大了28倍，每2分钟便可完成一次区域扫描，处置效率提高了9倍。2020年，杭州城市大脑已更新到3.0版本。新冠肺炎疫情发生以来，基于AI的智慧交通系统帮助杭州实现了逢车必查，既守好了全市疫情的第一道防线，又保证了复工复产后居民正常出行不受影响。
北京CBD区域地面与地下交通错综复杂，几乎覆盖了所有类型的城市交通出行方式。以北京CBD为试点区的智慧交通系统示范工程于2019年全面开展，根据AI和交通大数据综合分析各灯控路口24小时交通量变化规律，将路口信号调控时段划分为2个夜间低峰、2个高峰和1个平峰，自动平衡区域整体交通压力。截至目前，CBD西北区域已经实现了交通大脑全覆盖，包括行人过街通道、智慧道钉提示设备、全区域车路协同控制系统、多个路段电子警察等设施全面完善。目前该区域高峰通行效率提升25%，部分道路事故拥堵报警下降了35.7%。
在深圳，华为公司和深圳市政府共同建设Traffic Go(交通智能体)，现在已经发展到全市的大概200个路口。深圳市公安局交通警察局局长徐炜介绍，经过这大概一年多的运行，深圳市在高峰时段路口通行能力大概提升了10%左右，接下来全市2000多个路口都将接入到智慧交通系统中，让所有路口的交通流达到相对均衡的状态。
此外，深圳机场交通枢纽的“拥堵”也时有发生，利用AI、大数据等信息技术，人们现在仅凭一张“人脸”和身份证便能快速通行;还会结合航线和天气状况，合理调度飞机的停机位，减少摆渡车的乘坐。数据显示，深圳宝安机场的运控效率整体提升了8%～10%，平均一个廊桥每天可以多停一架次的飞机，这样一个年旅客吞吐量达千万级的机场，每年约可以减少250万人次乘坐摆渡车。
基于AI建立“感知+识别+决策”系统
赛迪顾问人工智能产业研究中心副总经理邹德宝在接受《中国电子报》记者采访时表示，智慧交通领域有众多细分应用场景，涉及道路设施、交通指挥类设备、视频监控系统与设备、公交系统、出租车、停车系统等9个维度;在交通控制系统中，涉及了信息采集、云端处理、集中指挥、即时反馈的逻辑闭环。
在智慧交通管控系统中，驾驶员、行人、城市交警以及视频监控系统等是主要的信息采集源泉，这些交通信息数据将连接到统一的动态网络中并及时传送到城市指挥中心，随后进行大数据集中分析，并制定出城市交通的优化方案，将其反馈到相关管理人员和交通设施当中，从而对城市交通进行智能掌控。
在杭州市，萧山区道路上已有的交通摄像头就像“眼睛”，信号灯则像指挥交通的“手”，它们之间需要建立一个机器大脑来进行沟通协调。机器大脑需要训练，数据就是知识，各种各样的算法和场景模型则像是思维。传统的信号灯运行模式是根据固定的时间进行变化，从而容易导致某一方向中出现严重压车等问题。在智慧交通系统的管理控制之下，能够结合所收集上来的车辆速度、数量以及分布密度等因素，对相同方向的路段进行智能分析，随后结合相应的分析结果，科学调控红绿灯的转换，从而有效降低车辆等待时间。
智慧信号灯系统中，AI担当大任，在AI算法训练时，阿里视频组的成员瞪大眼睛，一帧一帧地将摄像头中出现的各种车型、车牌、左右转弯、标志标线等信息标记出来，训练机器认识它们。数据智能团队对道路、车辆、车流进行算法建模，让机器学习并预判各种可能发生的情况，通过信号灯发出相应的指令。比如，当摄像头发现当前直行方向车流量大时，机器的大脑就要自动分析，控制信号灯变化时长，让直行车辆降速，避免拥堵。
AI要和行业“Know-How”深度结合
AI是由理论指导的机理模型，而不仅靠数据驱动。机理模型指导下的算法和AI算法、数据驱动的算法之间如何有机配合，实现高精度、高可靠，是AI落地的关键。华为云人工智能领域总裁贾永利表示：“要想训练出最适合某一行业的AI模型，使之能够进入到核心生产和核心应用中发挥价值，就必须要让AI真正地与行业专业知识‘Know-How’深度结合，毕竟只有行业最懂行业生产系统的关键点是什么。”
在智慧交通领域中，缓解某一个路口的交通压力远远不够，城市中不同区域有着不同的交通管控需求，且交通系统中不同交通工具之间处于分割运营的状态，如何多样化、立体化地规划一个动态的全市交通网络，值得业界深思。
邹德宝指出，在多样化的城市载体中无法建立统一标准、统一要求的智能交通系统，规划的思路应是“1+N”模式，即在整个交通系统中建立一个通用的智能交通管理平台系统，针对不同的城市特点，包括交通路线路口的复杂程度，城市内车辆的类型及车流量、车速等因素进行个性化布局监测平台，调整监测平台的数据监测频次、时延和决策机制，从而达到适应当前城市的数据系统。将这个城市的数据系统分析后进行实时上传总管理平台，达到实时交互城市间的交通情况，以满足跨城市车辆交通情况进行判断、分析和规划使用。
事实上，智慧交通系统远比人们想象的更要复杂，徐炜指出，在交通系统管控过程中，私家车在日常来往中具有一种自由化、个性化和分散化的特征，行车过程中违法违规、占用应急车道等现象频发。智慧交通系统需要对私家车的引导和服务更为完善，除了通过电子导航、路面显示器等工具为私家车及时传送路面交通状况外，还应帮助私家车在出行前规划好出行路线，做好交通事故实时上报，甚至还要提前部署灾害天气交通预案。
这一系列智能交通管控的实现无法仅靠AI完成，需要AI与大数据、云计算和物联网系统的系统作战。在邹德宝看来，AI最核心的功能是提升算力，进行智能化服务，而前提需要通过传感器的不断感知监测、物联网的互网传输、大数据中心的不断收集和分析判断、云计算平台的数据提取。尽管交通领域信息化程度提升难度不大，但目前AI技术研发的成熟度还不足以适应复杂的行业应用，计算机视觉技术、深度学习技术和语音识别、自然语言处理等技术还无法对不同场景进行无缝耦合，仍需要长期实践积累的过程。
推荐资讯
相关新闻
最新信息
赞助商广告位
