交通大数据涉及到交通、交管、公交、气象、环保、互联网、电信运营商等方面，融合了大约有86类数据源。这里面既有静态的交通数据，也有动态的交通数据。在静动态数据中，我们以交管数据为主，同时融合其他数据来解决一些特定场景的问题。

　　由于这些数据的数据量大，类型多，智能交通系统时常需面对一些管理缺陷与技术故障难以区分的问题，那基于现在的情况，我们如何去解决? 1975年计算机图灵奖及1978年诺贝尔经济奖得主西蒙(H.A.Simon)提出了一个聪明的对策：有限的理性，即把无限范围中的非概念、非结构化成分可以延伸成有限时空中可以操作的柔性的概念、结构化成分处理，这样就可把非线性、不确定的系统线性化、满意化处理，进而把表面上无关之事物相关在了一起，使复合型智能交通大数据变得更加智慧落地。

　　现实的研究场景通过复合型大数据融合构建数据铁笼，态势感知，融合指挥，情指一体，信息闭环的智慧计算技术支撑体系，建成实战、实用、实效，集情报中心，宣传中心，舆情控制中心，督察中心，指挥中心等五大业务中心为一体大数据联合作战智慧指挥中心，从而提升交通管理和治理的能力。

　　具体需要做什么呢?要进行全方位的交通态势及风险感知，即在特定空间和时间范围内，对环境要素的认知理解以及对当前或近期状态的预测。态势感知分为原始数据、理解任务目标重要性的融合数据和预估近期将要或可能发生事件的数据。态势感知不仅仅意味着数据的共享，还包括从战略层面做出决策和反馈。

　　智慧指挥中心通过各种各样的传感器感知物质世界的运行状态，实时分析交通智能软件的数据、信息、知识;通过大数据平台实现异构系统数据的流动与知识的分享，通过控制器、执行器等机械硬件实现对决策的反馈响应。这一闭环赋能体系被概括为“一硬”(感知和自动控制)、“一软”(交通智慧计算软件)、“一网”(交通网络)、“一平台” (交通云和大数据智慧赋能服务平台)，即“新交通智慧四基”。

　　一个完整的交通安全态势感知体系实现必须是“平台+数据+团队”三位一体:交通安全态势感知体系不仅仅是一个技术实现，也不仅仅是软件和硬件，它是一个系统工程，体现了各类交通设备和系统之间的机机协同，还包括人机协同。交通态势及风险感知平台是整个系统运转的大脑，是数据融合中心、数据分析中心、决策指挥中心;态势感知数据源是获取全面要素信息的抓手和神经节点;态势感知支撑团队则是系统发挥实效的指挥官、决策者和关键保障;三者相互支撑、缺一不可，其本质是要打造“态势感知-实时分析-科学决策-精准执行”的数据闭环，构筑数据自动流动的规则体系。

　　耳聪目明的智慧交通管理大脑一个是集管理融合、信息融合、功能融合、场景融合、系统融合的指挥体系，其六大方向为：监管，指导，评价，指挥，培训，服务;形成了一个信息领、情况明、看得见、喊得应、调得动的闭环。指挥中心的未来，应是所有数据都集中到一个中心，为队伍管理，交通管理、安全管理，停车监管、运输监管、公交管理，以及为出行服务提供数据和方案支持，同时与统一集群通讯平台，统一接警信息平台，统一视频汇聚平台等无缝对接，优化交通管理和治理，更好的服务人民群众。

　　最终智慧指挥体系一定是七统一的扁平化智慧，即统一接警、出警、通讯、视频、策略、信息、角色。如果要用大数据去改造一个东西，大数据智慧升级的七步法适用于众多领域:

　　第一，有顶层设计，做顶层设计的目的决定了看数据的视角，各种各样的技术也是为了顶层设计服务。

　　第二，有团队，即使智慧系统、人机互动的系统，也是需要人去做的，机器还做不到。

　　第三，有政策保障，需要资金，需要各种部门协调。

　　第四，有数据治理，各种各样数据都是原始数据状态，需要把它们融起来。

　　第五，有场景嵌入，做大数据的目的要解决特定场景特定问题，特定问题就要是特定场景。

　　第六，有流程改造，如果过去的流程不适合于要解决的问题，不配合流程，不能形成闭环，大数据的结果就不会产生价值。

　　第七，从上到下解决问题，使整个治理得以提升。

　　复合型智慧指挥中心要形成双闭环。

　　第一个闭环为警力管理闭环;

　　第二个闭环为用户闭环。

　　交通大数据研究中心用互联网的想法和手段去对传统上大家可能想象不到的事情进行尝试。

　　我们针对交通场景建构了一套计算体系，即交通大数据智慧的体系。这里面涵盖了用户、场景、专题、公共、基础和引擎。在引擎上，我们应用了交通仿真技术，用于道路指导和道路建设，可以清晰的辅助分析预测交通堵塞的地段和原因。通过交通仿真、大数据分析、机器学习、深度学习等技术，每个引擎发挥着特定的效用。

　　在数据基础平台上，设计数据中台，然后进行应用创新，就形成了跨界多维交通大数据智慧运营体系，既保障了流程机制，又使得运营方式得到创新。

　　如何解决交通态势信息融合、路网风险预警指标、路网事故预测指标、交通知识智能问答、驾驶员信用评分、城市交通出行行为、城市交通出行规律、城市信号控制优化等系列问题?我们进行了整个网络体系的架构。如下图所示。

　　具体的应用场景有哪些呢?核心分为4大类，即数据铁笼 、公路安全、城市畅通和旅游保障。如下图所示。

　　为了提前预知风险，我们做了一些模型指数，包括道路交通路网的量化风险预测预警指标和路网风险动态量化指标。道路交通路网的量化风险预测预警指标，提供量化决策依据，而路网风险动态量化指标为交通管理指挥决策提供量化依据。

　　智慧诱导可以精准，及时的进行引流。用户上路之后，如果收到一些信息，大部分人认为是无效的，但是实际上收到的信息对特定区域和特定人群是很有意义的。这里分为拥堵区域临近车流引流和拥堵区域道路流量峰值削减。拥堵区域临近车流引流指拥堵区域的车流量很难瞬时降低，拥堵中的车辆也很难做出调整改变，因此在发送信息的时候是不会针对拥堵区域中的车辆，而是拥堵区域附近20-100公里左右的高速公路上的车辆，引导不要开往拥堵区域，或者绕行到其他高速公路，或者延缓行车速度，或者停车等待。而拥堵区域道路流量峰值削减指一定时间段的总交通量往往是固定的，是客观存在的。造成交通瘫痪的并不是总交通量，而是交通峰值。因此我们需要通过信息发送引导交通参与者的出行行为来削减峰值，使得交通流走势趋于平缓。

　　智慧诱导在2018年春运的实战中得到了检验，交通事故死亡率再次下降。而态势感知，智慧指导还需要更长时间去验证，交通大数据研究中心从今年开始可能到各省会去做一些相关性的引导，逐步使所有大数据要形成一个闭环的场景。