大數(shù)據(jù)在GIS智慧高速中的創(chuàng)新應(yīng)用！通過分析信息化建設(shè)脈絡(luò)中高速公路數(shù)據(jù)的海量產(chǎn)生，結(jié)構(gòu)復(fù)雜的海量數(shù)據(jù)存儲(chǔ)及處理，闡述大數(shù)據(jù)平臺(tái)在智慧高速建設(shè)中的作用，總結(jié)大數(shù)據(jù)在智慧高速中的客戶服務(wù)、運(yùn)營優(yōu)化、稽查分析、應(yīng)急資源調(diào)度、預(yù)測(cè)預(yù)警等方面的具體應(yīng)用，對(duì)交通指揮中心工作提供支持。
1引言
隨著經(jīng)濟(jì)社會(huì)的發(fā)展，城市人口持續(xù)增長，數(shù)量持續(xù)增長的車輛給交通基礎(chǔ)設(shè)施通行能力帶來極大壓力。交通擁堵、交通事故、環(huán)境污染及能源短缺已成為目前面臨的重要問題，尤其在高速公路交通管理尤其變得更加明顯。如何有效利用傳統(tǒng)的高速公路數(shù)據(jù)與設(shè)備，提高交通運(yùn)輸效率、安全性、整體效益，提高交通的科學(xué)管理和組織服務(wù)水平是管理者迫切需要解決的問題。
車輛在高速公路上，本身的動(dòng)作及設(shè)備會(huì)產(chǎn)生海量數(shù)據(jù)，在沒有大數(shù)據(jù)平臺(tái)之前，高速公路上產(chǎn)生的數(shù)據(jù)分門別類的分布在Oracle、MySQL等數(shù)據(jù)庫中，因?yàn)楦髯蕴幚碚Z言不同，在剛使用時(shí)分析速度尚且可以，但隨著數(shù)據(jù)量越來越多，查詢調(diào)用越來越頻繁，速度變得越來越慢，無法滿足高速管理需求。
2高速公路數(shù)據(jù)產(chǎn)生
高速公路的信息化建設(shè)包含從基建到信息記錄等多個(gè)層面。所有的環(huán)節(jié)都在不停地產(chǎn)生數(shù)據(jù)，成為智慧高速中的海量數(shù)據(jù)來源。首先是高速公路的硬件和基礎(chǔ)設(shè)施，當(dāng)一輛車開進(jìn)收費(fèi)站，先經(jīng)過地下預(yù)埋的地感線圈，經(jīng)過地板線圈進(jìn)行切割磁力線，產(chǎn)生很弱的電流，車輛開進(jìn)來會(huì)由定焦在地感線圈的攝像機(jī)拍一張圖片，產(chǎn)生車輛進(jìn)入收費(fèi)站的第一個(gè)數(shù)據(jù)。繼而遞交收費(fèi)卡、讀卡、寫卡，寫卡的同時(shí)計(jì)算從A點(diǎn)到B點(diǎn)的費(fèi)用，每一個(gè)動(dòng)作都在產(chǎn)生數(shù)據(jù)。高速公路收費(fèi)還涉及更加復(fù)雜的情況，如起點(diǎn)A到終點(diǎn)B，中間經(jīng)過三段高速公路，三段的收費(fèi)主體不同，需要在收費(fèi)的金額上進(jìn)行三個(gè)收費(fèi)主體的拆分，這涉及到后臺(tái)的數(shù)據(jù)計(jì)算。所以一輛車從進(jìn)入收費(fèi)口到駛離收費(fèi)口，至少會(huì)產(chǎn)生兩張圖片，十余條流水?dāng)?shù)據(jù)，同時(shí)還會(huì)產(chǎn)生車道攝像和停位攝像等大量的視頻信息。
產(chǎn)生大量車輛數(shù)據(jù)的同時(shí)，收費(fèi)員的動(dòng)作，如按抬桿鍵、放行鍵、軍車鍵等，也會(huì)產(chǎn)生數(shù)據(jù)記錄，方便后續(xù)稽查時(shí)的圖片分析，避免逃費(fèi)等行為。設(shè)備本身也會(huì)產(chǎn)生大量數(shù)據(jù)，比如抬桿、打票、紅綠燈轉(zhuǎn)換，全部都會(huì)產(chǎn)生日志信息進(jìn)入數(shù)據(jù)庫，這還只是收費(fèi)相關(guān)的數(shù)據(jù)信息。在看不到的地面上，還會(huì)存在很多信息采集系統(tǒng)，比如地磁式傳感器、攝像頭，檢測(cè)車輛通過時(shí)的平均速度、平均車間距和平均占有率等等信息，大量數(shù)據(jù)都會(huì)進(jìn)入數(shù)據(jù)庫，進(jìn)行后續(xù)的存儲(chǔ)分析。一輛車在駛離高速公路時(shí)，已經(jīng)產(chǎn)生了大量的數(shù)據(jù)信息，其中包含結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)、流數(shù)據(jù)等多種數(shù)據(jù)形式。
3大數(shù)據(jù)平臺(tái)架構(gòu)設(shè)計(jì)及數(shù)據(jù)處理
高速公路上產(chǎn)生的海量數(shù)據(jù)，需要一個(gè)企業(yè)級(jí)的大數(shù)據(jù)平臺(tái)，對(duì)數(shù)據(jù)進(jìn)行分門別類的存儲(chǔ)管理，TDH企業(yè)級(jí)一站式大數(shù)據(jù)平臺(tái)，以分布式架構(gòu)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)和計(jì)算，并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)處理和應(yīng)用。
3.1大數(shù)據(jù)平臺(tái)架構(gòu)設(shè)計(jì)
數(shù)據(jù)進(jìn)入大數(shù)據(jù)平臺(tái)，上游業(yè)務(wù)系統(tǒng)中的數(shù)據(jù)，通過文件交換或Sqoop方式同步到大數(shù)據(jù)平臺(tái)的貼源層，然后經(jīng)過批處理加工后，形成明細(xì)層、匯總層和模型層。對(duì)于歷史數(shù)據(jù)，比如收費(fèi)站入口流水表和出口流水表，選擇存儲(chǔ)在Search引擎中，可以進(jìn)行快速的歷史數(shù)據(jù)檢索。對(duì)于非結(jié)構(gòu)化數(shù)據(jù)，例如圖片和視頻影像，選擇存儲(chǔ)在Hyperbase引擎中。
同時(shí)，為了提高大數(shù)據(jù)平臺(tái)的數(shù)據(jù)質(zhì)量，使用Governor管理元數(shù)據(jù)（包括表和存儲(chǔ)過程），監(jiān)控所有數(shù)據(jù)的更改歷史，進(jìn)行數(shù)據(jù)血緣分析和影響分析。對(duì)上層的基于大數(shù)據(jù)平臺(tái)的應(yīng)用，可以使用標(biāo)準(zhǔn)的JDBC或ODBC與大數(shù)據(jù)平臺(tái)進(jìn)行連接，對(duì)數(shù)據(jù)挖掘需求，如節(jié)假日車流量預(yù)測(cè)、高速路擁堵程度預(yù)測(cè)等，可以圖形化拖拽機(jī)器學(xué)習(xí)平臺(tái)Sophon組件進(jìn)行預(yù)測(cè)。
3.2高速公路的數(shù)據(jù)存儲(chǔ)及處理
高速公路中產(chǎn)生的車輛動(dòng)作和收費(fèi)員動(dòng)作、信息采集系統(tǒng)等產(chǎn)生的海量數(shù)據(jù)都進(jìn)入大數(shù)據(jù)平臺(tái)進(jìn)行存儲(chǔ)和處理。這些結(jié)構(gòu)復(fù)雜，形式多樣的海量數(shù)據(jù)，對(duì)數(shù)據(jù)存儲(chǔ)和處理提出了很高的要求。
大數(shù)據(jù)平臺(tái)支持兼容Oracle、DB2、Teradata數(shù)據(jù)庫/數(shù)據(jù)倉庫SQL方言，可以輕松的將數(shù)據(jù)從傳統(tǒng)架構(gòu)中進(jìn)行遷移，所以方便應(yīng)用研發(fā)人員利用這一特性實(shí)現(xiàn)數(shù)據(jù)處理核心的升級(jí)換代。同時(shí)，TDH支持低延時(shí)和高吞吐的實(shí)時(shí)計(jì)算場(chǎng)景，可實(shí)現(xiàn)基礎(chǔ)結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和流數(shù)據(jù)的存儲(chǔ)，并隨時(shí)無縫擴(kuò)容。大數(shù)據(jù)平臺(tái)基本架構(gòu)在于，對(duì)全省高速路網(wǎng)監(jiān)控收費(fèi)運(yùn)營數(shù)據(jù)進(jìn)行采集和整合，進(jìn)入數(shù)據(jù)中心，基礎(chǔ)數(shù)據(jù)庫經(jīng)過大數(shù)據(jù)平臺(tái)處理形成專題數(shù)據(jù)庫，然后將路網(wǎng)設(shè)備設(shè)施等資源統(tǒng)一融合，形成GIS和視頻支撐平臺(tái)，繼而在集成平臺(tái)以GIS和視頻平臺(tái)做支撐形成五大應(yīng)用系統(tǒng)相互協(xié)作，最終在終端設(shè)置，如監(jiān)控中心的監(jiān)控大屏、會(huì)商室顯示、普通的監(jiān)控工作站、移動(dòng)終端等設(shè)備上進(jìn)行展示和發(fā)布。
高速公路大數(shù)據(jù)由幾個(gè)大的部分構(gòu)成：高速收費(fèi)數(shù)據(jù)主要應(yīng)用于收費(fèi)管理、風(fēng)險(xiǎn)管理、運(yùn)營優(yōu)化；監(jiān)控設(shè)備數(shù)據(jù)主要應(yīng)用于視頻監(jiān)控、運(yùn)營管理、指揮調(diào)度；交調(diào)設(shè)備數(shù)據(jù)主要應(yīng)用于基礎(chǔ)采集、運(yùn)營管理、指揮調(diào)度。交通數(shù)據(jù)尤其是視頻數(shù)據(jù)和圖像數(shù)據(jù)，在一個(gè)省份數(shù)萬個(gè)攝像頭下，以TB量級(jí)甚至PB量級(jí)增長，數(shù)據(jù)量巨大，在大數(shù)據(jù)平臺(tái)支撐下，完成平滑擴(kuò)容和查詢分析等業(yè)務(wù)應(yīng)用。
4智慧高速中的大數(shù)據(jù)應(yīng)用
4.1大數(shù)據(jù)平臺(tái)的處理
大數(shù)據(jù)平臺(tái)把實(shí)時(shí)數(shù)據(jù)，包括高速公路上的收費(fèi)、監(jiān)控等實(shí)時(shí)數(shù)據(jù)上傳，與傳統(tǒng)業(yè)務(wù)數(shù)據(jù)進(jìn)行整合，包括一些城市交通等外聯(lián)單位的歷史數(shù)據(jù)。將各類結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)，包括監(jiān)控圖像、抓拍信息、收費(fèi)日志和視頻等信息，進(jìn)行數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換處理，然后各自建模分析，形成專題數(shù)據(jù)，把專題數(shù)據(jù)應(yīng)用到相應(yīng)的應(yīng)用系統(tǒng)中，提供支撐。
4.2主要應(yīng)用方面
大數(shù)據(jù)在高速中的應(yīng)用主要包括以下幾方面：
?。?）客戶服務(wù)。在ETC用戶管理與車輛引導(dǎo)中，主要使用Apriori算法進(jìn)行關(guān)聯(lián)分析，提供客戶增值服務(wù)和精準(zhǔn)信息推送，同時(shí)滿足客戶關(guān)系管理的要求?？梢愿鶕?jù)客戶的車輛遷徙路線等分析，進(jìn)行相關(guān)的路線信息推送等。
在ETC用戶管理與車輛引導(dǎo)中，基于客戶歷史遷徙路線和商品購買歷史，運(yùn)用高維矩陣分解方法，發(fā)現(xiàn)客戶購買偏好和潛在需求以及出行規(guī)律。當(dāng)客戶通過ETC時(shí)，實(shí)時(shí)拍照識(shí)別鑒定客戶之后，基于客戶車輛歷史通過卡口數(shù)據(jù)，調(diào)用訓(xùn)練好在線數(shù)據(jù)挖掘模型，可以以大數(shù)據(jù)可視化的方式顯示出來客戶遷徙路線，并預(yù)測(cè)出客戶未來遷徙線路，進(jìn)而進(jìn)行精準(zhǔn)的地點(diǎn)線路信息推送。
路線遷徙的可視化和路線預(yù)測(cè)的建模過程如下：
利用大數(shù)據(jù)可視化方法，不僅可以詳細(xì)每個(gè)車輛在地圖上車輛行駛軌跡，而且可以顯示所有車輛的運(yùn)行總線路。例如春運(yùn)年前的時(shí)候，可以看到小轎車大部分都是從北上廣深流向中西部城市，年后的時(shí)候大部分車輛向北上廣深匯集。再者，某個(gè)客運(yùn)或者貨車司機(jī)的路線有其固定的運(yùn)行線路。路線預(yù)測(cè)建模過程如下：
基于客戶信息、車輛信息、車輛通過何時(shí)通過卡口數(shù)據(jù)歷史數(shù)據(jù)，利用關(guān)聯(lián)分析和高維矩陣分解方法，找到車輛和卡口進(jìn)出對(duì)應(yīng)關(guān)系，預(yù)測(cè)客戶在下一段時(shí)間會(huì)通過的卡口，進(jìn)而預(yù)測(cè)車輛行駛軌跡，從而提供精準(zhǔn)的信息推送。
?。?）運(yùn)營優(yōu)化。通過流式機(jī)器學(xué)習(xí)實(shí)現(xiàn)時(shí)效分析，提前預(yù)警，協(xié)同各單位指揮調(diào)度；在進(jìn)入大數(shù)據(jù)平臺(tái)之后，通過數(shù)據(jù)分析，可以通過高速公路熱點(diǎn)視頻查看，進(jìn)行自動(dòng)推送；建立領(lǐng)導(dǎo)駕駛艙，設(shè)定流量排名，為優(yōu)化運(yùn)營提供決策依據(jù)。
通過流式機(jī)器學(xué)習(xí)實(shí)現(xiàn)時(shí)效分析，提前預(yù)警，協(xié)同各單位指揮調(diào)度；在進(jìn)入大數(shù)據(jù)平臺(tái)之后，通過數(shù)據(jù)分析，可以通過高速公路熱點(diǎn)視頻查看，進(jìn)行自動(dòng)推送；建立領(lǐng)導(dǎo)駕駛艙，設(shè)定流量排名，為優(yōu)化運(yùn)營提供決策依據(jù)?；趕ophon的在線的流式增量機(jī)器學(xué)習(xí)算法，開發(fā)時(shí)空深度殘差網(wǎng)絡(luò)（ST-ResNet）預(yù)測(cè)車輛密度。例如把高速公路，劃成很多個(gè)矩形小區(qū)域，多個(gè)區(qū)域同時(shí)分析，它是一種整體性的預(yù)測(cè)。主要基于平滑性、周期性以及趨勢(shì)性等三個(gè)個(gè)時(shí)間屬性以及空時(shí)間屬性和外部天氣數(shù)據(jù)。
第一，模擬局部相鄰時(shí)刻。它是一個(gè)平滑的過程，比如中午三點(diǎn)跟中午四點(diǎn)流量變化不會(huì)很大。
第二，模擬周期性。把對(duì)應(yīng)時(shí)間點(diǎn)昨天、前天、近一周平均、近一個(gè)月平均這個(gè)時(shí)刻的數(shù)據(jù)，作為輸入，來刻畫周期性。
第三，模擬趨勢(shì)性。把當(dāng)前時(shí)間點(diǎn)更遠(yuǎn)點(diǎn)（前推半個(gè)、一個(gè)小時(shí)）的時(shí)間點(diǎn)（例如昨天、上周、上個(gè)月）的數(shù)據(jù)，模擬趨勢(shì)性。
第四，抽取空間屬性。利用深度卷積神經(jīng)網(wǎng)絡(luò)，把一些地區(qū)劃成子區(qū)域之后，相關(guān)的區(qū)域做會(huì)做卷積運(yùn)算并合并，通過卷積之后，抓住了這個(gè)區(qū)域周圍的車輛流量的相關(guān)性。這樣卷積多次之后，相當(dāng)于把更遠(yuǎn)相關(guān)區(qū)域的屬性的影響都聚合到一起了。
基于這四個(gè)結(jié)果，系統(tǒng)再做一個(gè)融合。第一部分融合，就是只考慮它的時(shí)間和空間屬性。再考慮外部因素，比如最近的附近天氣數(shù)據(jù)拿做第二次融合得到最終結(jié)果。
?。?）稽查分析。通過在Inceptor中對(duì)原始交易流水費(fèi)分析，提供逃費(fèi)稽查、出入口流水對(duì)比等異常行為的分析服務(wù)。
通過在Inceptor中對(duì)原始的交易流水統(tǒng)計(jì)分析，抽取車輛逃費(fèi)稽查和出入口流量相關(guān)歷史特征，具體有，車輛最近一周、最近一個(gè)月、最近半年的繳費(fèi)信息，繳費(fèi)卡口每天每個(gè)時(shí)間點(diǎn)的出入流量信息。
利用discover模型融合方法，融合時(shí)序預(yù)測(cè)模型和異常檢測(cè)模型，效果較單獨(dú)一種方法提升1.6倍。具體實(shí)現(xiàn)如下：
首先，利用discover大數(shù)據(jù)分布式自動(dòng)的時(shí)序預(yù)測(cè)方法，預(yù)測(cè)此卡口的當(dāng)前流量，并和當(dāng)前實(shí)際的出入情況對(duì)比，如果當(dāng)前流量少于預(yù)測(cè)流量，則可能有逃費(fèi)稽查情況出現(xiàn)；其次，利用分布式異常檢測(cè)算法iforest和無監(jiān)督算法深度自編碼器檢測(cè)數(shù)據(jù)異常，發(fā)現(xiàn)行為詭異車輛，業(yè)界先進(jìn)的iforest和深度自編碼器算法可以自動(dòng)異常檢測(cè)此種逃費(fèi)稽查的車輛，會(huì)和平時(shí)它的繳費(fèi)習(xí)慣不同，也會(huì)和其自前所屬群體的習(xí)慣有所偏離，綜合的偏離程度月的，逃費(fèi)的概率越大。最后，利用非線性模型融合的方法，融合時(shí)序預(yù)測(cè)模型和異常檢測(cè)模型兩者的優(yōu)點(diǎn)，能更準(zhǔn)確的定位異常行為的車輛，為車輛稽查分析提供智能。
（4）聯(lián)合指揮。通過各項(xiàng)數(shù)據(jù)在Inceptor中的匯總和分析，綜合呈現(xiàn)各相關(guān)數(shù)據(jù)，形成聯(lián)合指揮。基于應(yīng)急資源管理、路網(wǎng)交通協(xié)同調(diào)度、應(yīng)急預(yù)案管理、處置效果評(píng)估、無人機(jī)監(jiān)控等模塊，實(shí)現(xiàn)交警、消防、路政等多部門聯(lián)動(dòng)響應(yīng)，為各類交通事件條件下的路網(wǎng)協(xié)同控制和誘導(dǎo)管理提供可視化管理界面和決策支持。
?。?）應(yīng)急資源調(diào)度。借助Inceptor的大規(guī)模數(shù)據(jù)處理能力，整合傳統(tǒng)的應(yīng)急資源設(shè)備與資源，協(xié)同建立最優(yōu)化的調(diào)度。應(yīng)急指揮調(diào)度系統(tǒng)可以采取“掛圖作戰(zhàn)”的形式進(jìn)行，有效地保證在出現(xiàn)特殊情況時(shí)可以采取科學(xué)的應(yīng)急措施，積極、快速、有序地處理各類事件，保障高速公路的正常、安全運(yùn)行，實(shí)現(xiàn)應(yīng)急指揮、應(yīng)急資源和應(yīng)急過程的信息化管理。
?。?）預(yù)測(cè)預(yù)警。擴(kuò)充傳統(tǒng)全面風(fēng)險(xiǎn)管理的數(shù)據(jù)維度，在交通預(yù)警等角度分析，提前告知用戶。根據(jù)往年節(jié)假日各收費(fèi)站流量統(tǒng)計(jì)數(shù)據(jù)，通過分析算法對(duì)本年節(jié)假日流量做出預(yù)測(cè)并進(jìn)行排名。預(yù)測(cè)值是否超過對(duì)應(yīng)收費(fèi)站設(shè)定的報(bào)警門限，可以根據(jù)顏色分級(jí)進(jìn)行預(yù)警。根據(jù)歷史通行數(shù)據(jù)對(duì)車流量進(jìn)行分析和預(yù)測(cè)，為節(jié)假日高峰時(shí)段的安全暢通發(fā)出預(yù)警、提前采取保暢措施，為高速路網(wǎng)的安全暢通提供保障。
基于對(duì)各收費(fèi)站實(shí)時(shí)數(shù)據(jù)的分析結(jié)果，可以對(duì)平日車流量按站點(diǎn)、小時(shí)/天分別進(jìn)行統(tǒng)計(jì)得到時(shí)間序列，ARIMA是做時(shí)間序列預(yù)測(cè)較為成熟的模型，分別對(duì)該時(shí)間時(shí)間序列采用ARIMA自回歸進(jìn)行建模，然后對(duì)未來一個(gè)周期的數(shù)據(jù)進(jìn)行預(yù)測(cè)。ARIMA全稱為自回歸積分滑動(dòng)平均模型，可以記作ARIMA(p,d,q)，其中p為自回歸項(xiàng)，d為差分階數(shù)，q為移動(dòng)平均項(xiàng)數(shù)，通過ARIMA模型可以對(duì)收費(fèi)站某個(gè)時(shí)段流量進(jìn)行預(yù)測(cè)與應(yīng)用，從而提升對(duì)車流量的預(yù)測(cè)預(yù)警。
?。?）資產(chǎn)管理。結(jié)合Inceptor和workflow，實(shí)現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測(cè)、質(zhì)量分析等；通過設(shè)備監(jiān)控專題，可以對(duì)高速公路外場(chǎng)設(shè)備如車檢器、攝像機(jī)、氣象站、情報(bào)板、GPS車輛及無人機(jī)等進(jìn)行基于GIS地圖的一體化監(jiān)控；點(diǎn)擊設(shè)備圖標(biāo)即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。
結(jié)合Inceptor和workflow，實(shí)現(xiàn)交通設(shè)備資產(chǎn)全生命周期管理，包括設(shè)備故障預(yù)測(cè)、質(zhì)量分析等；通過設(shè)備監(jiān)控專題，可以對(duì)高速公路外場(chǎng)設(shè)備如車檢器、攝像機(jī)、氣象站、情報(bào)板、GPS車輛及無人機(jī)等進(jìn)行基于GIS地圖的一體化監(jiān)控；點(diǎn)擊設(shè)備圖標(biāo)即可查看各種設(shè)備的狀態(tài)、數(shù)據(jù)及圖像。
基于新老設(shè)備的歷史數(shù)據(jù)，建立設(shè)別的壽命預(yù)測(cè)，可以大大降低故障率，及時(shí)對(duì)故障進(jìn)行預(yù)警，并及時(shí)更換設(shè)備。抽取樣本從當(dāng)前狀態(tài)到達(dá)設(shè)備不能使用或者故障的狀態(tài)所經(jīng)過的時(shí)間作為樣本標(biāo)簽，設(shè)備的各種溫度、電壓、電流、功率、脈沖，表面數(shù)字清晰度、當(dāng)前個(gè)指標(biāo)的誤差等作為特征，從而基于這些的建立訓(xùn)練數(shù)據(jù)，訓(xùn)練一個(gè)GBDT模型。經(jīng)過交叉驗(yàn)證，證明此壽命預(yù)測(cè)模型的精度高于90%。
總體來講，通過Slipstream的流式處理，Inceptor的復(fù)雜邏輯數(shù)據(jù)加工，Discover和Sophon的數(shù)據(jù)挖掘和分析，可以及時(shí)、高效、全面地對(duì)高速場(chǎng)景和業(yè)務(wù)進(jìn)行深度優(yōu)化處理，為“智慧高速”的構(gòu)建提供了強(qiáng)有力的支撐。
5結(jié)語
現(xiàn)在，在平臺(tái)上的技術(shù)應(yīng)用與數(shù)據(jù)分析已經(jīng)發(fā)展到集合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)階段，應(yīng)用中算法模型也會(huì)不斷根據(jù)新的數(shù)據(jù)進(jìn)行迭代學(xué)習(xí)。同時(shí)，隨著物聯(lián)網(wǎng)建設(shè)的推進(jìn)，產(chǎn)生更多海量的數(shù)據(jù)，數(shù)據(jù)處理和應(yīng)用的價(jià)值將得到進(jìn)一步體現(xiàn)。高速公路的數(shù)據(jù)將和更多的行業(yè)數(shù)據(jù)打通進(jìn)行跨界應(yīng)用，讓高速公路更加“智慧”，并應(yīng)用到實(shí)際的場(chǎng)景中。
