5月29日，滴滴互聯網智慧信控論壇上，北京市市政工程設計研究總院高級工程師韓冬，通過中關村西區交通治理項目為例，分享了大數據在城市交通治理中的應用實踐。
以下是以下是韓冬的演講全文，億歐智慧城市在不改變嘉賓原意的基礎上，進行了編輯，供讀者參考。
交通治理面臨的問題與挑戰
交通治理指的是面向城市綜合交通系統的治理方案，工作流程首先要對現狀交通需求和設施供給進行排查，然后識別問題。對于各類交通方式的使用者提出綜合治理方案，最后形成項目化的清單，作為主要成果提交給相關機構執行建設計劃。
我們在做交通治理項目的時候，遇到了交通問題識別與數據收集的瓶頸。首先是調研手段落后，其次是數據少范圍小，還包括觀測時段受限、無法追蹤路徑、OD獲取困難、數據不可回溯等。
以中關村西區交通治理項目為例看大數據的應用。在問題識別階段，主要利用浮動車軌跡數據等聚合起來進行數據驗證作為問題識別的主要依據。在改善方案階段，構建一個宏觀交通預測模型，在模型輸入數據過程中用到了滴滴提供的OD數據作為基礎數據。
在后評價階段，我們計劃用數據回溯功能進行前后對比來分析項目實施效果。
態勢判斷是大數據最廣泛的應用場景，獲取指定時段的區域路網總體運行狀態信息，用于初步分析擁堵成因。實時監測路網運行狀態，用于態勢研判和輔助決策。可回溯的歷史數據，用于分析擁堵演進過程。
二、區域出行分布和路徑特征
基于軌跡大數據，追溯出行路徑。追溯擁堵路段的主要交通來源，用于分析擁堵成因。分析片區信號燈控路口的出行鏈路，免備案服務器，用于指導交叉口信號控制策略和子區劃分。
三、交叉口全時段指標分析
全時段、全天候交叉口歷史數據回溯，指導單個路口的信號配時優化方案，對路口的改善方案后評估。
總結：大數據應用中的優勢就是在定性的態勢判斷上非常有用，但是在定量的分析上，會暴露一些大數據的精度問題。
目前主要依據軌跡數據反饋的排隊長度和延誤特征來推算交叉口流量，而這個方式更多的是依靠交叉口現有的路口設施渠化方案，以及現有的配時方案來推算。
但是浮動車有一個特點是在某個路段的某個點一天的數據量可能不是特別充足，在分析的時候需要疊加一個月的數據，一個月內路口的某些渠化方案或配時方案或許會發生改變，這樣會導致所推算的流量產生誤差。
因此，在后續改進中，我們也利用了交管部門提供的歷史方案和配時數據來修正這個問題。另外一點是軌跡數據無法反應公交車的信息，流量推算無法反饋公交專用車道的流量。
二、路段斷面流量分析遇到的問題
路段流量分為兩類，一種是城市燈控交叉口的流量，這種流量推算目前主要是依據路口的流量，但有一個問題是有些地方兩個路口之間還存在非燈控的交叉口流量無法檢測。
第二種是城市快速路的流量，目前還是基于流量速度模型進行推算，但是無法準確反映帶有公交專用道的快速路流量。
三、OD分析遇到的問題
軌跡數據來源于APP用戶，無法做到全樣本數據；樣本分布呈現偏態，無法做到簡單隨機抽樣；用地業態對OD樣本集中度影響大；因OD樣本抽樣比例未知，準確擴樣難度大。
作為用戶談一下我們的感受，沒有大數據是萬萬不能的。因為大數據提供了新的平臺、新的方法、新的診斷工具，但是從實踐來看，大數據并不是萬能的。
大數據的這種特征，對定性、判態分析的影響較小，但對定量分析的數據精度影響較大。因此，需配合多種數據修正手段，甚至仍然依靠現場人工復核的方式才能保證精度。
第一是慢行系統治理，是交通治理的重要工作，目前的大數據統計，更關注機動車的運行狀態和數據分析，缺少有效的，收集慢行交通大數據的手段。期待大數據在步行、自行車交通上，能夠提供更多的數據來源和分析手段。
第二是目前大數據對事故數據分析尚有欠缺，VPS，期待大數據在事故的識別、判定和統計上，能發揮更大的作用。
關于對未來大數據的愿景與期望
第一是希望在智慧城市頂層設計框架下，構建交通大數據云端公共平臺，實現全樣本、全方式的交通大數據。
第二是構建規劃建設與交通治理決策平臺，平臺的基礎是交通大數據和城市總體規劃數據。
我們希望構建這個平臺能夠作為政府決策、多單位協同作業的公共平臺，包括公眾參與的平臺，這樣對未來的城市建設有更好的指導。
