有一种遥远，是家与公司的距离。无论你选择公共交通、自驾、打车、骑车、步行还是代步，都免不了经受日常通勤之苦。通勤这件小事，不仅是影响着现代都市人生活幸福感的大事，更与很多城市愈加蔓延的“城市病”休戚相关。极光大数据发布《2018年中国城市通勤研究报告》，以2017年国内GDP排名top 10 城市作为城市通勤研究对象，从行业、人群、城市等维度深入解读了北京、上海、深圳、广州等10个城市的通勤指数。你和你所在城市的通勤时间处在什么水平，不如通过这份报告来一览究竟吧。

极光观点：

• 北京居民通勤最痛苦，平均通勤路程13.2km，平均用时达56分钟
• 武汉人民通勤最轻松，平均通勤路程为8.2km，97.7%的武汉人民通勤时间在1小时以内
• 6%的广州通勤人口需要跨城通勤
• 中年男性最苦，平均通勤时间最长
• 深圳过半上班族通勤距离不超过5km
• 5%的上海通勤人口选择了反向通勤

一、行业背景

关于城市通勤

路漫漫其修远兮，城市通勤成为上班族的一大痛点

• 通勤指从居住地往返工作地的交通行为，是连接生活与工作的纽带
• 随着城市化和交通工具的发展，居住地和工作地分离的现象愈加显著；“职住分离”现象意味着通勤距离和通勤时间增长；城市的早晚高峰使得上班族候车等待时间增加，乘车拥挤和交通的潮汐式拥堵；通勤问题不仅挤占了生活工作的时间和增加经济成本，而且影响工作的心情，降低生活的满意度和幸福感

改善城市通勤现状的价值和举措

改善城市通勤将大大提升上班族幸福感

• 通勤是每个有工作的人需要面对的问题，改善城市通勤现状将提升上班族的幸福感，提高工作效率；同时，一定程度上提升通勤效率将缓解早晚高峰的交通压力，达到节能减排的效果
• 面对城市通勤带来的问题，各大城市在城市总体规划中也提出了各种方案，如北京提出“创新职住对接机制，推进职住平衡发展”，杭州提出“构建都市区1小时通勤网络”

二、不同人群城市通勤数据

不同性别和年龄人群通勤路程差异

男性比女性通勤平均多走半公里

• 在2017年GDP排名top 10城市中，男性通勤人群平均通勤路程为9.3公里，女性为8.6公里，男性通勤平均路程较女性长500米
• 36-45岁的女性通勤路程为8.5公里，在四个年龄层中通勤路程仅高于16-25岁女性群体；而相同年龄层的男性通勤人群通勤路程为10公里，是四个年龄层中通勤路程最长的年龄层

不同性别和年龄人群通勤时间差异

36-45岁的男性通勤人群通勤时间最长

• 男性通勤人群平均通勤时间为45.8分钟，女性通勤时间为44.2分钟，男性平均通勤时间较女性长1.6分钟
• 通勤人群中，16-25岁男性人群的通勤时间最短，时长为42.5分钟；36-45岁的男性人群通勤时间最长，时长是47.9分钟

三、各城市通勤数据比较

各城市平均通勤路程比较

北京居民上班漫漫长路，通勤最为辛苦

• 在10个城市中，4个直辖市占据平均通勤路程排名前四位，北京的通勤路程最长，达到13.2公里；上海通勤路程排名第二，达12.4公里；重庆通勤路程为12.2公里，排名第三；而广州通勤路程为8.8公里，深圳通勤路程为8.7公里，相对北京和上海两个城市通勤路程较短；武汉通勤路程为8.2公里，比北京居民短5公里

各城市通勤时间1小时以内人群占比

武汉人民不太喜欢远距离上班

• 在10个城市中，有7个城市的9成通勤人群通勤时间小于1小时，其中，武汉市一小时以内通勤时间占比达97.7%，杭州市占比达97.2%，广州市占比达94.3%，分列前三甲

各城市跨城通勤人群占比

100个广州通勤人口中，就有6个属于跨城通勤人群

• 广州市跨城通勤人群占比达6%，苏州市达4.4%，武汉市达4%

各城市平均通勤时间比较

直辖代表上班更痛苦，四大直辖市通勤时间排名前四

• 北京市平均通勤时间达56分钟，上海市和重庆市均为54分钟，三个城市位列通勤时长前三甲

各城市反向通勤人群占比

上海通勤人群最任性，反向通勤人群占比达5%

• 反向通勤人群指从工作区出发去生活区工作的通勤人群；上海市反向通勤人群占比达5%，北京市反向通勤人群占比达4.7%；杭州市反向通勤人群占比为4.3%

四、城市通勤数据

广州市

广州通勤路程分布

接近半数广州通勤人群路程小于5公里

• 广州市平均通勤路程为8.8公里，其中，47.2%的通勤人群通勤路程小于5公里，32.6%的通勤人群通勤路程在5到15公里之间，13.7%的通勤人群通勤路程在15到25公里之间，6.5%的通勤人群通勤路程超过25公里

广州职住比分布图

珠江新城/天河北、科韵路、科学城为职住比较高的三个区域

• 广州市以珠江新城和天河北为核心的CBD是全城职住比最高的区域；天河区的科韵路产业园和黄埔区的科学城均有较高职住比

广州各个行政区职住比

广州主城区中，越秀区和天河区职住比较高

• 在广州主城区中，越秀区的职住比为1.19，天河区的职住比为1.10，而同为主城区的海珠区职住比为0.96，番禺区职住比为0.95

广州各行政区通勤路程比较

黄埔区和番禺区的通勤路程均超过10公里

• 黄埔区和番禺区的通勤路程均为10.1公里，白云区的通勤路程达9.2公里

广州跨城通勤来源地分布

佛山-广州跨城通勤人群占比达1.1%

• 佛山，深圳，东莞是广州主要的跨城通勤来源地，在通勤人群中的占比分别达到1.1%，0.9%，0.4%

上海市

上海通勤路程分布

有13.8%的上海市通勤人群通勤路程超过25公里

• 上海市平均通勤路程为12.4公里，其中，小于5公里通勤路程的通勤人群占比30.6%，35.4%的通勤人群通勤路程在5到15公里之间，20.2%的通勤人群通勤路程为15到25公里之间

上海市职住比分布图

陆家嘴、张江高科和漕河泾开发区为上海职住比较高的区域

• 上海市陆家嘴CBD，国家级高新技术园区张江高科和经济开发区漕河泾开发区是上海是职住比相对较高的区域

上海各个行政区职住比

黄浦区、徐汇区和静安区为上海职住比最高的三个区域

• 黄浦区职住比为1.32，徐汇区职住比为1.21，静安区职住比为1.20，这三个区域是上海职住比最高的区域；嘉定区职住比是0.93，松江区职住比为0.92，宝山区为0.84，这三个区域是上海职住比最低的区域；而崇明区和奉贤区相对独立，职住比均为1

上海各行政区通勤路程比较

宝山区通勤人群是上海市通勤路程最长的群体

• 宝山区的通勤路程达14.5公里，是上海市通勤路程最长的一个区域；闵行区的通勤路程达14.1公里，浦东新区的通勤路程达13.1公里

上海跨城通勤来源地分布

上海市跨城通勤的来源地主要是苏州、杭州和南通等城市

• 苏州-上海的跨城通勤人群占比达0.49%，杭州-上海的跨城通勤人群占比为0.16%，南通-上海的跨城通勤人群占比为0.12%

北京市

北京平均通勤路程分布

北京有17.1%的通勤人群通勤路程超过25公里

• 北京市平均的通勤路程为13.2公里，其中小于5公里的人群占比31.8%，5到15公里之间的人群占比30.8%，15到25公里之间的人群占比20.3%；另外有17.1%的人群通勤路程超过25公里

北京职住比分布图

国贸、金融街、丰台科技园为北京典型的高职住比区域

• 在五环以内，国贸、金融街、丰台科技园为北京职住比较高的区域

北京各个行政区职住比

西城区、东城区和海淀区为北京职住比最高的三个区域

• 在北京市的中心城区中，西城区的职住比达1.19，东城区的职住比达1.15，海淀区的职住比达1.11，朝阳区职住比达1.08，这是四个职住比大于1的区域；而通州区、门头沟区和昌平区职住比分别为0.87，0.86和0.79，是职住比最低的三个区域

北京各行政区通勤路程比较

北京市有四个区域通勤路程超过15公里，分别是通州、昌平、门头沟和石景山区

• 在北京的中心城市中，石景山区的通勤路程最长，达15公里，西城区的通勤路程较短，达11.5公里

北京跨城通勤来源地分布

廊坊是北京主要的跨城通勤来源地

• 廊坊-北京跨城通勤人群在北京整体通勤群体中占比达0.54%

深圳市

深圳通勤路程分布

超半数的深圳通勤人群通勤路程小于5公里

• 深圳市平均通勤路程为8.7公里，其中小于5公里通勤路程的群体占比50.7%，5到15公里之间通勤路程的人群占比27.9%，15到25公里之间通勤路程的人群占比13.9%，超过25公里通勤路程的人群占比为7.5%

深圳职住比分布图

福田CBD、南山科技园、富士康和华为产业园区是深圳职住比较高的区域

• 福田区CBD、南山区科技园、富士康龙华园区、华为坂田园区是深圳职住比较高的区域

深圳各个行政区职住比

福田区职住比最高，达到1.1

• 深圳市各区的职住比范围在0.9到1.1之间，各区职住比较为平衡；其中，福田区职住比为1.1，南山区职住比为1.08，罗湖区职住比为1.01

深圳各行政区通勤路程比较

深圳市各区中，盐田、南山和罗湖的通勤路程最高，均超过9公里

• 在深圳市各区中，除了通勤路程最短的坪山区以外，其他各区的通勤路程均在8.1至9.6公里之间

深圳跨城通勤来源地分布

东莞是深圳跨区通勤人群的主要来源地

• 东莞-深圳的跨区通勤人群在深圳整体通勤人群中的占比达0.53%

重庆市

重庆平均通勤路程分布

接近半数重庆通勤人群通勤路程小于5公里

• 重庆市平均通勤路程是12.2公里，其中，小于5公里的人群占比48%，5到15公里之间通勤路程的人群占比27%，15到25公里之间通勤路程的人群占比为10.3%，超过25公里通勤路程的人群达14.7%

重庆职住比分布图

江北嘴CBD、弹子石CBD和光电园是重庆职住比较高的区域

• 同属于重庆中央商务区“金三角”的江北嘴和弹子石是重庆职住比较高的区域；另外，位于两江新区的光电园也是重庆职住比较高的区域

重庆各个行政区职住比

在重庆主城区中，渝中区的职住比最高

• 在重庆主城区中，渝中区职住比达1.17，渝北区职住比为1.02，江北区职住比为1

重庆各行政区通勤路程比较

重庆主城区通勤路程均超过10公里

• 在重庆主城区中，北碚区的通勤路程最长，达15.3公里，巴南区的通勤路程达14.7公里，渝北区的通勤路程达13.1公里，3个区域位列主城区通勤路程前三名

天津市

天津平均通勤路程分布

天津市超四成通勤人群通勤路程小于5公里

• 天津市的平均通勤路程为9.9公里，其中，小于5公里通勤路程的人群占比为41.4%，5到15公里之间通勤路程的人群占比为36.2%，15到25公里之间通勤路程的人群占比13.4%，超过25公里通勤路程的通勤人群占比9%

天津职住比分布图

小白楼CBD、华苑科技园、空港经济区和经济开发区是天津主要的高职住比的区域

• 小白楼CBD、高新区核心区华苑科技园、位于东丽区的空港经济区和滨海新区的经济开发区是天津职住比较高的区域

天津各个行政区职住比

和平区职住比达1.33

• 位于天津市中心的和平区职住比达1.33，同属中小城区的河北区、河东区和红桥区均为0.9

天津各行政区通勤路程比较

东丽区通勤路程最长，达12.1公里

• 东丽区通勤路程达12.1公里，津南区通勤路程达11.4公里，北辰区通勤路程达11.3公里，是天津是通勤路程最长的三个区

苏州市

苏州平均通勤路程分布

44.8%的苏州通勤人群通勤路程小于5公里

• 苏州市平均通勤路程为9公里，其中，小于5公里通勤路程的人群占比44.8%，5到15公里之间通勤路程人群占比35.7%，15到25公里之间通勤路程的人群占比达12.6%，超过25公里通勤路程的人群占比6.9%

苏州职住比分布图

湖西CBD、星湖街站、高新区和独墅湖科教创新区是苏州职住比较高的区域

• 位于苏州工业园区的湖西CBD、工业园区地铁星湖街站周边和被誉为“苏州硅谷”的独墅湖科教创新区是苏州职住比较高的区域

苏州各个行政区职住比

苏州各个行政区职住比较为均衡

• 苏州市各个行政区的职住比均在0.97到1.05之间，虎丘区职住比最高，达1.05，姑苏区职住比最低为0.97

苏州各行政区通勤路程比较

苏州市各区通勤路程中，仅吴中区超过10公里

• 吴中区通勤路程达10.1公里，相城区通勤路程达9.8公里，姑苏区通勤路程达9.4公里，是苏州市通勤路程最长的三个区

成都市

成都通勤路程分布

43.5%的成都通勤人群通勤路程低于5公里

• 成都市平均通勤路程达9.3公里，其中，小于5公里通勤路程的人群占比达43.5%，5到15公里之间通勤路程的人群占比34.4%，15-25公里之间通勤路程的人群占比14.9%，超过25公里通勤路程的人群占比7.2%

成都职住比分布图

青羊工业总部基地、高新区九兴大道、高新孵化园和天府软件园是成都职住比较高的区域

成都中心城区各个行政区职住比

在成都市的中心城区中，武侯区职住比最高

• 武侯区的职住比达1.17，青羊区的职住比达1.06，锦江区的职住比达1.03，三个区域职住比最高

成都中心城区各行政区通勤路程比较

青白江区通勤路程仅为7.5公里

• 成都中心城区中，双流区通勤路程达10.3公里，成华区和新都区的通勤路程均为10公里，而青白江区仅为7.5公里

武汉市

武汉通勤路程分布

接近五成通勤人群通勤路程小于5公里

• 武汉市平均通勤路程是8.2公里，其中，小于5公里通勤路程的群体占比47.5%，5到15公里之间通勤路程的群体占比33.7%，15到25公里之间通勤路程的群体占比15.7%，超过25公里通勤路程的群体达3.1%

武汉职住比分布图

王家墩CBD、楚河汉街、街道口/广埠屯和东湖新技术开发区是武汉职住比较高的区域

• 位于江汉区的王家墩CBD、武昌区的楚河汉街、洪山区的街道口/广埠屯和东湖新技术开发区是武汉高职住比区域

武汉各个行政区职住比

江汉区职住比最高，汉阳区职住比最低

• 武汉市行政区职住比前三名分别是江汉区、武昌区和江夏区，职住比分别是1.12、1.07和1.03；汉阳区职住比最低，仅为0.93

武汉各行政区通勤路程比较

汉阳区和青山区通勤路程最长，达9.3公里

• 武汉市各个区通勤路程均低于10公里，汉阳区和青山区最长，达9.3公里；汉南区通勤路程最短，仅为5.2公里

杭州市

杭州平均通勤路程分布

44.2%的杭州通勤人群通勤路程小于5公里

• 杭州市平均通勤路程为8.4公里，其中，小于5公里通勤路程的群体占比44.2%，5到15公里之间通勤路程的群体占比37.8%，15到25公里之间通勤路程的人群占比14.4%，超过25公里通勤路程的人群占比3.6%

杭州职住比分布图

钱江新城、黄龙CBD、西湖科技园和海创园、滨江区科技园是杭州高职住比的区域

• 位于江干区的钱江新城、位于西湖区北部城区的黄龙CBD、西湖科技园、海创园和滨江区科技园是杭州职住比较高的区域

杭州各个行政区职住比

杭州有四个区职住比为1，另有三个区域职住比为0.99，接近职住平衡状态

• 上城区职住比达1.11，滨江区职住比达1.08，西湖区职住比达1.06，这三个区域是杭州职住比最高的区域

杭州各行政区通勤路程比较

杭州各区通勤路程均低于10公里

• 余杭区、江干区和西湖区是通勤路程最高的三个区域，通勤路程分别是9.2公里、8.7公里和8.6公里；另外，桐庐县、临安市和淳安县通勤路程均低于7公里

来源：极光

《阿姆斯特丹宣言》通过

近日，欧洲各国运输部长、欧洲委员会和欧洲汽车制造商协会（ACEA）关于网联汽车和自动驾驶领域的合作达成协议。欧盟主席团组织的非正式运输委员会通过了《阿姆斯特丹宣言》，各方同意共同努力，确保在欧洲成功应用这些智能技术。

ACEA称，在平衡运输、交通与环境保护不断增长的需求，以及增加安全性方面，网联汽车和自动驾驶是应对未来交通挑战的重要组成部分。这场技术革命正在快速塑造汽车行业，但在前进的道路上仍然有许多挑战。要克服这些挑战，必须调整交通法规，完善数字化基础设施，制定清晰的责任界限，确保人员个人信息安全，增加研究和创新投资，进行运营试验。

《阿姆斯特丹宣言》成为推动汽车制造商、国家政府和欧盟机构之间合作的重要里程碑。荷兰基础设施和环境部长称，这是欧洲首次在政治层面上谈论自动驾驶汽车，并推动制定相应的措施，加快部署进度对交通有很多好处，网联汽车和自动驾驶将使道路更安全、更可持续、更有效率。

卡车队列将于2023年在欧洲应用

2017年5月，ACEA代表15家乘用车、面包车、卡车和客车制造商发布了欧盟卡车车队发展路线图。根据欧洲卡车车队技术的发展，路线图展示重卡队列在市场上出现的时间和条件。

从路线图可以看出，自2016年欧洲卡车队列挑战赛启动之后，制造商一直在积极提升车辆队列技术，并进行测试和验证。2017—2021年期间，一系列大型示范活动将陆续举办，主要参加者为物流运营商、卡车制造商和一级供应商，通过制定标准化通信协议来开发多个品牌的队列技术。

ACEA称，同一品牌的卡车队列技术目前已经可以实现，但是，客户需要能够组合不同品牌的卡车，所以下一个目标是开发多个品牌的队列技术。到2023年，跨越欧洲的高速公路上有可能会出现多品牌卡车队列，它们跨越国界不需要特殊的豁免政策，从而实现国际运输。

路线图还阐述了对于车辆队列至关重要的法规变化。2017—2021年期间，各国有关部门将对队列管理规定进行审查和统一。此外，他们还将制订出许多市场激励措施，促进队列技术的应用，如降低通行费和减税等。

商用车行业需要执行《阿姆斯特丹宣言》的倡议，吸取欧洲卡车队列挑战赛中得到的启示，最重要的是，需要在欧盟和国际上建立两级监管结构。

斯堪尼亚是参加路线图制定的制造商之一，该公司的一名研发工程师将路线图描述为“复杂而具有挑战性的前景”，因为涉及到不同公司和利益相关者。这不仅仅是简单地在道路上使用卡车队列，也是一个政策落实到位的问题，可能需要很长时间，而且需要确保这些卡车可以高效通信，无论它们出自哪里。无论什么品牌的卡车，都可以相互通信，这是确保队列技术广泛应用的关键。因此，电信公司需要与制造商合作，开发低延时网络。

在汽车行业使用5G连接技术，5G网络会更快实现商业运营。联网的自动驾驶卡车具有明显的吸引力，车辆队列很快就会成为公路和高速公路上的常见景象。利用这些网络，制造商将能够实现一键通（V2X）连接，卡车可以连接到其他车辆、基础设施甚至行人，这是改变运输模式，实现协同驾驶，最终实现自动驾驶安全应用的关键。为了在2023年之前在重卡行业广泛实现队列技术，需要加强所有参与者之间的合作，包括道路基础设施运营商、运输公司、监管机构和保险公司，政策制定者尤为重要。供应商之间也需要在投资和开发队列技术方面开展合作。

       中国大数据产业起步晚，发展速度快。物联网、移动互联网的迅速发展，使数据产生速度加快、规模加大，迫切需要运用大数据手段进行分析处理，提炼其中的有效信息。

　　大数据行业发展规模分析

　　中国大数据产业起步晚，发展速度快。物联网、移动互联网的迅速发展，使数据产生速度加快、规模加大，迫切需要运用大数据手段进行分析处理，提炼其中的有效信息。2014年，中国大数据市场规模达到767亿元，同比增长27.8%。预计到2020年，中国大数据产业规模将达到8228.81亿元。2015-2017年复合增长率为51.5%。2014年，中国大数据应用市场规模为80.54亿元，同比增长3.2%，2015年市场规模约增长37.3%，至110.56亿元，预计到2020年，中国大数据应用市场规模将增长至5019.58亿元。2015-2017年复合增速为87.8%。

　　大数据应用于智能交通产业

　　当智能交通遇到大数据，如同二氧化锰在制取氧气的实验中作为催化剂一样，一场剧烈的化学反应加剧了两方的共同发展。

　　随着城市的迅速发展，交通拥堵、交通污染日益严重，交通事故频繁发生，这些都是各大城市亟待解决的问题。智能交通成为改善城市交通的关键所在。为此，及时、准确获取交通数据并构建交通数据处理模型是建设智能交通的前提，而这一难题可以通过大数据技术得到解决。

　　1、智能交通需求与大数据契合

　　智能交通整体框架主要包括物理感知层、软件应用平台及分析预测及优化管理的应用。其中物理感知层主要是对交通状况和交通数据的感知采集；软件应用平台是将各感知终端的信息进行整合、转换处理，以支撑分析预警与优化管理的应用系统建设；分析预测及优化管理应用主要包括交通规划、交通监控、智能诱导、智能停车等应用系统。

　　系统利用先进的视频监控、智能识别和信息技术手段，增加可管理空间、时间和范围，不断提升管理广度、深度和精细度。整个系统由信息综合应用平台、信号控制系统、视频监控系统、智能卡口系统、电子警察系统、信息采集系统、信息发布系统等组成。以达到四方面的目标：提高通行能力、减少交通事故、打击违章事件、出行信息服务。

　　整个系统建设的核心是数据的采集、存储与计算，而其中最重要的核心思想就是“数据是价值”。问题就是如何把数据转换成价值。这就成为一个技术问题。

　　从统计学的角度，任何领域任何动态发展的事物，只要有足够多的样本数据，就一定能从样本数据中找到动态发展的规律。数据越多，准确率越高。这个“规律”就是数据的价值所在。对于商业机构，可以分析用户行为规律从而提高销售量；分析目标市场规律，定点投放广告从而降低成本等等；对于公安行业，可以分析区域性犯罪趋势，提前预防从而降低犯罪率；还可以分析交通行为规律，提前做交通疏导，提高交通通畅率，这就能真正挖掘数据的潜在价值，提高其社会价值。

　　从20世纪初的网络发展以来，进入一个高度联网的阶段。联网的同时，数据高度集中，数据量急剧增加。据IDC报告现在互联网的数据，每两年就翻一番。这个增长率在智能交通行业同样有效，随着卡口、电警、摄像机数量的增加，高清化、智能化的发展，如果再算上物联网的各种传感器，未来几年的数据量增加可能大大高于这个增长率。这就为智能交通行业实现大数据提供了数据基础。

　　从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。由此我们再看IBM归纳的4个V(量Volume，多样Variety，价值Value，速Velocity)：

　　(1)Volume数据体量巨大。从TB级别，跃升到PB级别；

　　(2)Variety数据类型繁多。包括视频、图片、地理位置信息、传感器数据等等。

　　(3)Value价值密度低，应用价值高。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。

　　(4)Velocity处理速度快，1秒定律。

　　最后这一点也是和传统的数据挖掘技术有着本质的不同。在交通领域，海量的数据主要包括4个类型的数据：传感器数据(位置、温度、压力、图像、速度、RFID等信息)；系统数据(日志、设备记录、MIBs等)；服务数据(收费信息、上网服务及其他信息)；应用数据(生成厂家、能源、交通、性能、兼容性等信息)。交通数据的类型繁多，而且体积巨大。量Volume和多样Variety是因，数据类型的复杂和数据量的急剧增加，决定了原有简单因果关系的应用模式对数据使用率极低，完全无法发挥数据的作用；速Velocity是过程，巨大的运算量决定了速度必须快；价值Value是最终的果。

　　2、大数据采集

　　在各城市建设智慧交通的过程中，将产生越来越多的视频监控、卡口电警、路况信息、管控信息、营运信息、GPS定位信息、RFID识别信息等数据，每天产生的数据量可以达到PB级别，并且呈现指数级增长。

　　3、大数据增值应用

　　深入挖掘数据价值，在智能交通、公安实战等行业上推出车辆轨迹、道路流量、案件聚类等大数据模型。基于大数据模型，推出智能套牌、智能跟车分析、轨迹碰撞、人脸比对、舆情分析等数据增值应用，逐步解决行业的深层次问题。

　　4、海量数据计算

　　通过云计算集群，实现对海量数据的分布式高速计算，支撑对海量数据的高效分析挖掘。云计算集群是一种M/S架构的分布式计算系统，Master作为调度管理服务器，负责计算任务分解与调度、计算资源统一管理。Slave则由大量的计算服务器组成，负责完成Master下发的计算任务。

　　5、海量数据检索

　　基于行业数据查询特点，对搜索引擎进行优化定制，支持百亿记录的秒级高速查询。通过集群机制，实现搜索服务的高可靠性、高容错性、高扩展性。

　　6、海量数据存储

　　对于海量数据存储，采用HBase分布式存储系统。相比传统关系型数据库，有四个特点：数据格式灵活、高可用、横向扩展能力强和访问高效。

　　同时能够做到无缝集成，快速从关系型数据库导入已经存在的历史数据。提供高可靠性、高容错性、高性能的海量数据存储解决方案，支持无缝容量扩展。

　　7、大数据分析与应用

　　高效的云计算能力，带来千亿数据的秒级返回的检索能力，为大数据分析应用，提供了快速的保障。基于深度学习的智能分析算法，为大数据分析应用提供有力的工具。交通大数据的分析，为交通管理、决策、规划、服务以及主动安全防范带来更加有效的支持。

　　利用大数据技术，结合高清监控视频、卡口数据、线圈微采集波数据等，再辅以智能研判，基本可以实现路口的自适应以及信号配时的优化。通过大数据分析，得出区域内多路口综合通行能力，用于区域内多路口红绿灯配时优化，达到提升单一路口或区域内的通行效率。如根据平日/节假日，早、晚高峰/其他时段，主要干道关键路口/次关键路口/普通路口，白天/夜间等不同情况，人工或系统自动设置不同的配时，达到大幅提高区域内交通通行能力。

　　大数据分析研判功能，还可以支持对卡口数据、视频监控数据进行二次识别，提高车辆信息的准确性，进而利用大数据实现轨迹分析、落脚点分析、隐匿车辆分析等功能。对车辆大数据进行深入挖掘，实现事前全面监控、事中及时追踪、事后准确回溯的不同场景需求。常州市建设的车辆大数据平台，协助有关部门每天自动发现套牌车辆10余起，再根据车辆的轨迹分析和落脚点分析，快速找到套牌车辆进行处罚管理。

　　结合智能算法，二次识别等功能，可以更准确的识别车牌、车身颜色、车型、车标、年款等特征，并且对遮阳板检测、安全带检测、接打电话检测、司机人脸识别等进行分析。

　　利用智能交通的管理系统，可以获取道路天气、施工情况、事故情况、结合大数据分析，为出行司机和交管部门提供天气、路面状况、事故易发地点、停车场等信息，并根据车辆目的地、行驶习惯，路面情况推荐行驶路线。

美国是全球智能交通(ITS)发展较早的国家。美国的ITS规划是从1995年起首次正式发布了“国家智能交通运输项目规划”，规划中明确规定了智能交通系统的7大领域和29个用户服务功能，并确定了到2005年的年度开发计划。7大领域包括：出行和交通管理系统、出行需求管理系统、公共交通运营系统、商用车运营系统、电子收费系统、应急管理系统、先进的车辆控制和安全系统。每一领域均包含相应的用户服务功能。2001年美国运输部和美国智能交通协会(ITSAmerica)联合编制的《美国国家智能交通系统10年发展规划》明确了区域间作为一个整体系统的发展建设的主题。

笔者曾在喜马拉雅山另一侧的尼泊尔待过一段时间，那里的交通发展水平大约相当于上世纪七八十年代的中国。尼泊尔首都加德满都是政治和经济文化中心，然而这座城市却极少有交通信号灯，交叉路口主要靠交警指挥。笔者认为也许从发明并使用红绿灯开始就可以算做埋下了智能交通的种子吧。

　智能交通的前世——停留在外行人的脑海里

外行人对智能交通的理解可能还停留在抓拍闯红灯、监测超速、路口监控的层面。但是内行人知道，智能交通技术日新月异，抓拍闯红灯这类的“小儿科”已经是前世之事了。

智能交通一直是以传统的交通工程理论与实践为基础,以提高交通系统的可靠性、安全性、经济性、舒适性及运行效率为目的。社会对交通体系的要求更高了，智能交通的市场自然就慢慢打开了。

智能交通的今生——技术日新月异

如今，在行业巨头的带领下，智能交通已经可以通过深入挖掘用户需求，融合人脸识别、智能分析、大数据、云存储、云计算等智能前瞻技术，引导交通行业跨入安全、畅通、智慧的道路交通全新领域了。

笔者认为，海康威视在智能交通方面取得的成就足以代表智能交通的今生。

在道路监控中，传统违法检测可以做到闯红灯、超速、黄标车抓拍等车辆违法行为分析捕获，如今结合图像智能分析算法能够实现不系安全带、接打电话行为检测、遮阳板检测等众多智能行为分析检测，以更好的规范驾驶员行为习惯，遏制事故与违法源头。

从海康威视发布的智能交通综合解决方案来看，在交通应用中，人脸卡口功能所发挥的作用非常明显，它通过分析抓拍图中的人脸部分，比对黑名单库，助力于违法犯罪捕获，实现城市道路畅通与公共安全有序发展。 除了对驾驶员进行行为规范，海康的智能交通综合解决方案对车辆的特性行为分析也极为重要。智能交通综合管控系统还能对车辆属性进行二次识别，分析车牌号码、车牌颜色、车身颜色、车型、车标、车辆子品牌等属性，不仅增加了识别种类，更是提高了分析速度，为交警建立全面系统的车辆库提供了强大的技术保障。

基于交警的车辆大数据系统，创造性的结合道路、天气、季节、节假日等众多因素，采用大数据技术对交通违法行为的运行规律进行分析推理，实现对违法行为的总体特征、实时状况、未来趋势进行定量直观的刻画，同时分析道路情况对交通违法的影响，为交警部门预防、整治交通违法行为，改进交通渠化设计等工作提供数据支撑。

交通数据智能研判是以前端采集的各项交通数据(路口信息、车辆信息、车辆号牌、车辆类型、车身颜色、车速等)为基础，通过关联算法，挖掘并评估不同类别交通数据之间的关联性，最终对部分交通行为或事件作出辅助性的分析判断，为交通管理者提供决策依据。

　未来——需要解决的问题还很多

安全、有序、畅通是未来智能交通发展的目标。智能交通的发展已经迈上了一个台阶，然而随着城市车辆的增长，交通愈发拥堵，未来智能交通需要解决的问题还很多，更棘手。

智能交通是近年来被频繁提及的一剂治堵“解药”，也是智慧城市建设蓝图中的标配。但是，智能交通真的能让一切交通问题迎刃而解吗?答案是否定的。智能交通肯定是减少拥堵了，更有序、更通顺了。假设智能交通把交通阻塞减少了，那可能是更多人要买车了，就会带来更多的问题。这一点是我们在建设智能交通系统时不得不考虑的。

还有一个问题是，每个城市都有多个与交通相关的系统，且大多独立运行、由不同政府部门运营或负责，要做智慧交通的数据平台，如何打破不同部门间的行政壁垒呢?西门子首席交通顾问在采访时曾说，“市政有市政的数据，交警有交警的数据，还有公安也有自己的数据。但要形成一个智能的管理平台，数据肯定要集成。那怎么才能打破不同部门间数据不互联互通的情况呢?一般是把交通系统纳入到更高层面的规划，比如到智慧城市、大数据的层面。在这个框架下，它们都是子系统，子系统的数据就是必不可少的组成部分。” 此外，智能交通与无人驾驶技术相爱相杀。无人驾驶和智能交通都是科技发展的产物。目前无人驾驶技术正在走向实际应用，但是在监管和立法方面却不够完善。智能交通若想要安全、有序、畅通的终极目标必然要有明晰的执行规则，因此智能交通的发展目标需要政府部门和企业携手一起去实现。 慧聪安防网总结：未来的一切必然是越来越智能化的，技术在不断发展，未来智能交通的发展空间还很大。有专家曾预言，到2020年中国智能交通领域投资将超1800亿元，具体某一个企业能分几杯羹可能还要看企业对智能交通领域的研发投入有多少，战略方向与市场策略是否正确了。

　    2014年6月10日，第五届中国智能运输大会暨第三届深圳国际智能交通与卫星导航位置服务展览会在深圳会展中心开幕。中国智能交通协会理事长吴忠泽到会做了中国智能交通未来发展的趋势发言。 在我们中国，十几年来，智能交通的发展，大体上经历了体系框架的制定，示范城市的建设，到目前各级城市全面展开智能交通系统建设的过程。在科技创新的引领和推动下，中国智能交通技术的研究开发和应用，取得了瞩目的成就。在城市交通管理、高速公路监控、电子收费、公众服务，以及决策支持等方面，开始发挥越来越重要的作用。对于缓解交通拥堵，减少交通事故，改善交通的环境等等，都起到了良好的支撑作用。

　　目前，我们国内从事智能交通相关的企业超过了2000家，有关政策在直接驱动着市场对视频、安防、监控、电子收费等设备以及各种软件开发和系统集成等方面的需求，预计到2020年国内智能交通领域的投入将达到上千亿元，智能交通产业将进入新一轮的快速发展轨道。

　　今后一段时期，面向建设综合交通、智慧交通、绿色交通、平安交通的重大需求，迎接大数据时代为智能交通技术发展所带来的机遇和挑战，立足国情、运用新技术手段、结合智慧城市建设，构建具有中国特色的新一代智能交通系统，将是我国智能交通发展的重要方向。

　　首先，我们要不断的提升交通感知智能化水平，构建网络化的交通状态感知体系，提高交通信息资源的综合利用水平；

　　一是要突破车路状态感知与交互等关键技术，来提升交通运行监测能力和技术水平。二是在提高交通基础设施承载能力的同时加快交通基础设施智能化管理升级，完善道路交通、轨道交通和水上交通的智能化监管体系。三是建设大范围交通感知和数据传感网络，尽快形成权路网智能监控体系。

　　四是推动交通运输各个相关部门实现信息共享，支撑综合交通智能化协调管理，安全应急指挥和规划决策。

　　第二，我们要重视面向公众的综合交通的信息服务，改善和提高公众出行的智能化服务水平；

　　这是我国智能交通产业未来亟待要加强和突破的重点，为了满足公众出行的多样化、个性化和动态化的交通服务需求。以及交通应急救援，跨行业综合交通服务需求，首先我们要建立起交通数据采集、共享和信息发布的制度。

　　二是推进政府交通信息资源有序开放，建立起公益服务与市场化增值服务相结合的交通信息资源开发利用机制。

　三是应用新一代宽带发展网络，应用大数据、云计算、泛在网络、智能终端等新技术、大力推进个性化的移动服务发展，创新交通信息服务商业模式，鼓励交通管理、载运工具制造、信息产业等多方组成联盟，共同推进新一代的交通信息服务系统的建立，让老百姓随时随地的享受到高效便捷的出行服务。

　　第三，提升公共交通智能化水平与服务能力，增强交通运输系统综合运行能；

一是要大力推广应用公交信号优先、快速公交、多模式城市公共交通协同控制与服务等关键技术，来加快实现公共交通智能化。

二是推进公共交通智能调度系统建设，使公交系统的运行效率和服务品质有更好的提升。

三是要建设发展综合客运枢纽的智能化管理和服务体系，提升客运枢纽的集散能力和服务水平。

四是要逐步建立起城际公路、铁路、民航等交通体系一体化发展的综合交通智能华协调运行体系，提高综合交通运营的协同能力管理智能化水平。

　第四，建设跨区域、多模式的综合交通电子支付系统；

这是我们国家智能交通产业化未来要突破的另一个重点，一是建立起全国联网电子收费结算体系网络信任平台，建设国家高速公路联网电子收费清分结算和客户服务体系，实现全国范围跨区域电子不停车收费服务。

二是加快交通一卡通跨区域跨行业互联互通，逐步实现多种交通方式之间，不同城市之间一卡通通用。

三是加快电子不停车收费技术，在城市拥堵停车场等领域里的广泛推广应用，形成跨区域、多模式的综合交通电子支付体系，为公众出行提供智能化的服务。

　第五、加快构建绿色交通运输体系；

一是重视智能汽车的发展，提升车辆的智能化水平，加强车路协同系统、专用短程通信等核心技术研究开发，普及车辆的智能终端，加强城市物流车辆的智能管理，并开展“车联网”试点工作，提高车辆运行效率；二、要积极采用混合动力汽车、替代燃料车等节能环保型营运车辆。

三是要推广高速公路不停车收费系统。

　　四是构建绿色交通技术体系，促进客货运输市场的电子化、网络化提高运输效率，降低能源消耗，实现技术性节能减排。

　　第六、促进智能交通科技成果推广应用，积极营造智能交通产业发展的良好环境；

　　一、紧密结合行业发展实际需求，通过开展示范工程及专项行动计划等各种方式，加强智能交通领域的成果推广应用。重点在资金投入、人才保障、激励措施、信息共享、知识产权保护等方面予以加强，完善促进科技成果推广的制度保障与动力机制，探索新型科技成果推广模式，广泛利用社会资本，促进科技成果资本化和产业化。鼓励优势企业参与和主导智能交通标准的制定，积极参与智能交通国际标准化工作。

　　二、建议政府有关部门制定将公益性智能交通应用系统和必要的支撑设施纳入交通基本建设范畴的政策，同步规划和建设；

　　三、政府要加大对智能交通基础性、公益性系统的建设资金和运行维护资金的保障力度，充分发挥金融市场的作用，鼓励和引导民营和社会资本参与智能交通的建设和运营。

　　四、健全智能交通技术创新市场导向机制，支持和引导智能交通领域里带动性强、集中度高的大企业以及拥有技术专长的中小企业发展，促进企业成为技术创新决策主体、研发投入的主体、科研组织的主体和科技成果转化的主体。构建产学研用协同创新的机制，形成创新集聚效应。

近年来全国大规模兴建高速公路网，国道、省道以及农村公路建设也日益完善。由于制度和历史原因，目前中国的购置附加费和养路费用于城市道路的建设较少，主要投向了城际道路，但是城市才是私人汽车的真正主要活动空间。这种资金的使用方式一定程度上造成大中型城市道路拥堵、城市土地利用率低、汽车停放困难、交通配套设施相对滞后的状况。北京、上海、广州的人均道路面积仅为7.72 平方米、6.62平方米、和8平方米，均低于国际拥堵城市之最的东京（10.7平方米/人）和纽约（12平方米/人）。中国城市中汽车高昂的使用成本和行驶的时间成本，成为了目前中国城市交通的一大难题。

面对日益严峻的交通问题，各发达国家尝试了多种政策措施，主要包括科学城市规划、交通设施建设和提高交通管理水平。城市规划对于大部分国内大城市来说已经为时过晚。交通设施建设从实际效果看效果比较明显，但是其制约因素也十分突出。

首先是成本问题，道路基础设施建设需要巨额资金投入，特别是建成区难以依靠大量拆迁来增、扩建道路，地铁虽然不占用地面空间资源，但每公里约10亿人民币的成本只有部分一线城市能够承担。

其次是网络负效应问题，即由于城市空间资源有限，路网建设过于密集会产生大量交叉路口以及出入口，反而会引起拥堵，降低整体的通行效率。因此在道路资源建设到达一定水平之后，通过交通设施建设提高交通资源供给的手段的边际效用将产生递减，此时工作的核心在于提高道路整体的使用效率，提高交通管理水平成为首选方案。随着城市规模的不断增大，纯人力已经不能满足城市交通管理的需求，高技术管理手段的应用势在必行。

智能交通是解决城市拥堵问题的三大手段之一，城市拥堵问题是困扰地方政府的重大民生问题之一，政府较为重视，2011年千万级项目数量195项，项目规模合计57.9亿元，同比增长分别为129%、180%。

智能交通在全球发展经过了三大阶段：1960-1980年的探索阶段，美国、欧洲、日本分散探索用先进的信息技术改进道路交通管理，探索的主要领域在于道路监控系统、交通信号自动控制系统、电子诱导系统、汽车定位系统和汽车导航系统等；1980-1990年的起步阶段，美国、欧洲、日本经过20余年探索后逐渐达成共识，明确了数字化交通管理的智能化发展方向，纷纷开始制定各项智能化交通发展计划和方案；1994年至今的大发展阶段，美国、欧洲、日本等各国政府开始投入巨额资金研究开发，智能交通得到突飞猛进的发展。

从美国的实际应用效果看，智能交通系统取得了明显的成效，为道路交通资源合理使用提供了有力支撑，20世纪80年代后美国大规模的全国州际高速公路系统建设告一段落，面对已经相当庞大的公路网，要想再占用大量土地，投入大量资金进行大规模道路建设已经不可能，因此交通发展重心逐步由交通系统建设转向交通系统管理。日益恶化的交通拥挤和无力继续扩展交通系统构成了深刻的矛盾，同时当时的计算机和通讯技术已经开始蓬勃发展，美国在20世纪80年代末期终于再次对ITS（智能交通系统）加以重视，凭借其雄厚的科技实力逐步赶上并超越欧洲和日本在这一领域里的研究水平。

美国公路建设放缓

我国城市智能交通行业起步较晚，在2000年前后开始起步，前期一直发展缓慢。从2008年起行业发展开始加速。目前行业开始由初步发展阶段向深度发展阶段，标志是个别大城市的子系统布局已经较为全面，开始向系统应用深度以及系统覆盖的广度扩张。中国城市智能交通目前仍以面向管理为主，未来必然向面向服务为主发展，还有很长的路要走。行业未来5年有千亿市场空间，目前行业规模约120亿左右，未来3-5年有望保持20％-30%的增速。

智能交通未来市场前景非常好，以美国为例，目前美国智能交通价值链总规模已经超过千亿美元。主要由零部件生产、项目实施和终端产品和服务等三部分组成。其中零部件生产市场规模约170.3亿美元，项目实施包括通信系统建设、系统集成、建筑设计、工程、规划和咨询等内容，市场规模约为469.2亿美元；终端产品和服务部分包括专用车辆、电脑系统设计、广播电视及无线通信设备、计算机、电话设备、道路桥梁建设、电脑外围设备、视听设备和电脑存储设备等，市场规模约478.9亿美元，超过互联网广告、计算机制造、电影和视频制造等行业市场规模，其中产品约261亿美元，服务约219亿美元，三项加总全行业价值链总规模约1118.4亿美元。

虽然智能交通已经开始发展，市场前景大，但国内相关产业链市场并未形成。根据中国交通技术网统计，2010年城市智能交通行业前5名企业仅占全年市场规模12%，市场份额排名前列的企业占全年市场规模不足4%。主要原因是行业标准制定严重滞后，技术门槛较低，加之市场容量大，需求分布区域广以及地方保护主义的存在，造成行业仍处于低水平的竞争阶段，未出现绝对的领军企业，品牌效应不足，整个行业处于幼稚期向成熟期的转换阶段，未来行业将保持高增速且空间广阔，行业龙头型公司有望通过全国性扩展和并购提高市场集中度。

看看哪里才是智能交通市场的重点。我们从需求来考虑，目前中国各大城市来看，以人均城市道路面积来代表城市的智能交通需求程度，人均道路面积越低代表需求越强烈；以单位道路GDP量代表城市对智能交通的支付能力。我们发现支付能力最强的佛山、上海、北京、广州、汕头等城市正是人均道路面积最低的几个城市，我们有理由相信这些城市正是智能交通市场的蓝海。

via：http://content.businessvalue.com.cn/post/7134.html