交通大數據涉及到交通、交管、公交、氣象、環保、互聯網、電信運營商等方面，融合了大約有86類數據源。這里面既有靜態的交通數據，也有動態的交通數據。在靜動態數據中，我們以交管數據為主，同時融合其他數據來解決一些特定場景的問題。

　　由于這些數據的數據量大，類型多，智能交通系統時常需面對一些管理缺陷與技術故障難以區分的問題，那基于現在的情況，我們如何去解決? 1975年計算機圖靈獎及1978年諾貝爾經濟獎得主西蒙(H.A.Simon)提出了一個聰明的對策：有限的理性，即把無限范圍中的非概念、非結構化成分可以延伸成有限時空中可以操作的柔性的概念、結構化成分處理，這樣就可把非線性、不確定的系統線性化、滿意化處理，進而把表面上無關之事物相關在了一起，使復合型智能交通大數據變得更加智慧落地。

　　現實的研究場景通過復合型大數據融合構建數據鐵籠，態勢感知，融合指揮，情指一體，信息閉環的智慧計算技術支撐體系，建成實戰、實用、實效，集情報中心，宣傳中心，輿情控制中心，督察中心，指揮中心等五大業務中心為一體大數據聯合作戰智慧指揮中心，從而提升交通管理和治理的能力。

　　具體需要做什么呢?要進行全方位的交通態勢及風險感知，即在特定空間和時間范圍內，對環境要素的認知理解以及對當前或近期狀態的預測。態勢感知分為原始數據、理解任務目標重要性的融合數據和預估近期將要或可能發生事件的數據。態勢感知不僅僅意味著數據的共享，還包括從戰略層面做出決策和反饋。

　　智慧指揮中心通過各種各樣的傳感器感知物質世界的運行狀態，實時分析交通智能軟件的數據、信息、知識;通過大數據平臺實現異構系統數據的流動與知識的分享，通過控制器、執行器等機械硬件實現對決策的反饋響應。這一閉環賦能體系被概括為“一硬”(感知和自動控制)、“一軟”(交通智慧計算軟件)、“一網”(交通網絡)、“一平臺” (交通云和大數據智慧賦能服務平臺)，即“新交通智慧四基”。

　　一個完整的交通安全態勢感知體系實現必須是“平臺+數據+團隊”三位一體:交通安全態勢感知體系不僅僅是一個技術實現，也不僅僅是軟件和硬件，它是一個系統工程，體現了各類交通設備和系統之間的機機協同，還包括人機協同。交通態勢及風險感知平臺是整個系統運轉的大腦，是數據融合中心、數據分析中心、決策指揮中心;態勢感知數據源是獲取全面要素信息的抓手和神經節點;態勢感知支撐團隊則是系統發揮實效的指揮官、決策者和關鍵保障;三者相互支撐、缺一不可，其本質是要打造“態勢感知-實時分析-科學決策-精準執行”的數據閉環，構筑數據自動流動的規則體系。

　　耳聰目明的智慧交通管理大腦一個是集管理融合、信息融合、功能融合、場景融合、系統融合的指揮體系，其六大方向為：監管，指導，評價，指揮，培訓，服務;形成了一個信息領、情況明、看得見、喊得應、調得動的閉環。指揮中心的未來，應是所有數據都集中到一個中心，為隊伍管理，交通管理、安全管理，停車監管、運輸監管、公交管理，以及為出行服務提供數據和方案支持，同時與統一集群通訊平臺，統一接警信息平臺，統一視頻匯聚平臺等無縫對接，優化交通管理和治理，更好的服務人民群眾。

　　最終智慧指揮體系一定是七統一的扁平化智慧，即統一接警、出警、通訊、視頻、策略、信息、角色。如果要用大數據去改造一個東西，大數據智慧升級的七步法適用于眾多領域:

　　第一，有頂層設計，做頂層設計的目的決定了看數據的視角，各種各樣的技術也是為了頂層設計服務。

　　第二，有團隊，即使智慧系統、人機互動的系統，也是需要人去做的，機器還做不到。

　　第三，有政策保障，需要資金，需要各種部門協調。

　　第四，有數據治理，各種各樣數據都是原始數據狀態，需要把它們融起來。

　　第五，有場景嵌入，做大數據的目的要解決特定場景特定問題，特定問題就要是特定場景。

　　第六，有流程改造，如果過去的流程不適合于要解決的問題，不配合流程，不能形成閉環，大數據的結果就不會產生價值。

　　第七，從上到下解決問題，使整個治理得以提升。

　　復合型智慧指揮中心要形成雙閉環。

　　第一個閉環為警力管理閉環;

　　第二個閉環為用戶閉環。

　　交通大數據研究中心用互聯網的想法和手段去對傳統上大家可能想象不到的事情進行嘗試。

　　我們針對交通場景建構了一套計算體系，即交通大數據智慧的體系。這里面涵蓋了用戶、場景、專題、公共、基礎和引擎。在引擎上，我們應用了交通仿真技術，用于道路指導和道路建設，可以清晰的輔助分析預測交通堵塞的地段和原因。通過交通仿真、大數據分析、機器學習、深度學習等技術，每個引擎發揮著特定的效用。

　　在數據基礎平臺上，設計數據中臺，然后進行應用創新，就形成了跨界多維交通大數據智慧運營體系，既保障了流程機制，又使得運營方式得到創新。

　　如何解決交通態勢信息融合、路網風險預警指標、路網事故預測指標、交通知識智能問答、駕駛員信用評分、城市交通出行行為、城市交通出行規律、城市信號控制優化等系列問題?我們進行了整個網絡體系的架構。如下圖所示。

　　具體的應用場景有哪些呢?核心分為4大類，即數據鐵籠 、公路安全、城市暢通和旅游保障。如下圖所示。

　　為了提前預知風險，我們做了一些模型指數，包括道路交通路網的量化風險預測預警指標和路網風險動態量化指標。道路交通路網的量化風險預測預警指標，提供量化決策依據，而路網風險動態量化指標為交通管理指揮決策提供量化依據。

　　智慧誘導可以精準，及時的進行引流。用戶上路之后，如果收到一些信息，大部分人認為是無效的，但是實際上收到的信息對特定區域和特定人群是很有意義的。這里分為擁堵區域臨近車流引流和擁堵區域道路流量峰值削減。擁堵區域臨近車流引流指擁堵區域的車流量很難瞬時降低，擁堵中的車輛也很難做出調整改變，因此在發送信息的時候是不會針對擁堵區域中的車輛，而是擁堵區域附近20-100公里左右的高速公路上的車輛，引導不要開往擁堵區域，或者繞行到其他高速公路，或者延緩行車速度，或者停車等待。而擁堵區域道路流量峰值削減指一定時間段的總交通量往往是固定的，是客觀存在的。造成交通癱瘓的并不是總交通量，而是交通峰值。因此我們需要通過信息發送引導交通參與者的出行行為來削減峰值，使得交通流走勢趨于平緩。

　　智慧誘導在2018年春運的實戰中得到了檢驗，交通事故死亡率再次下降。而態勢感知，智慧指導還需要更長時間去驗證，交通大數據研究中心從今年開始可能到各省會去做一些相關性的引導，逐步使所有大數據要形成一個閉環的場景。