智能交通系统（ITS）中的大数据技术调查

1. 引言

在学术界和工业界，数据分析如今已成为一个热议话题。它包含来自各种来源的大量数据。许多大数据机制包括文本挖掘、数据科学、机器人技术、社会经济网络、知识发现等等[1]。对于全球的经济和生活质量而言，城市和汽车的成功扩展一直至关重要。低效率正在耗费资金、增加排放，并占用人们的时间。问题在于交通基础设施的供给正越来越无法跟上需求的增长趋势。汽车的设计速度超过了轨道的建设速度。城市地区正变得越来越智能，例如道路设施，但似乎汽车行业正在转向数据分析，以寻找现有资本的替代方案，缓解拥堵并提升出行体验。自20世纪70年代以来，智能交通系统（ITS）已开始建立。这代表着包含其交通网络在内的长远未来。先进技术，包括自动化创新、无线技术、数据工具和智能控制技术甚至已集成到智能交通系统的交通网络中[3]。

智能交通系统（ITS）的目标是为交通系统中的道路使用者和乘客提供良好的基础设施。ITS从各种来源收集信息，例如现金加卡、全球定位系统、执行器、多媒体定位器、互联网社区等。通过对明显无序的记录进行详细而高效的内容分析，ITS所产生的信息量正从万亿字节扩展到拍字节，随着ITS的发展而不断增长。传统的数据库框架面对如此体量的数据显得不足，无法满足数据分析的需求，因为数据体量和复杂性的指数级增长并未被预见。大数据分析为ITS提供了现代化的技术手段。智能交通系统可以从大数据分析中受益。HDFS和Spark等大型数据系统目前在学术界和商业领域广泛应用，能够处理大量数据。

Facebook、Twitter、微博和微信等主要社交媒体平台通过思想、情感和知识的交流，无论是在正式场合还是学习组织中，都为公众提供了普遍参与的机会，产生了关于并发总体波动的巨大数据量[5]。社交网络通过智能手机收集人员移动数据，甚至通过社交信号引发大量数据。

紧凑灵活的设备（例如智能手机）可以访问信息[6]。在此前的论述中，我们将提出社会交通这一新兴领域应主要集中在五个方面：1）利用模式发现、数据科学和语音识别技术进行大数据和社会信号交通或交通分析；2）基于社交媒体、个性化、物联网（IoT）或可能基于物联网的交通机制的宣传框架；3）新的基于位置的服务（LBS），如交通专业知识自动化，特别是基于决策的服务（DBS）或基于任务的服务（TBS），以及时方式为交通行动或目标提供所需综合信息，而非通信或智能服务（IBS）或知识型服务（KBS），这些服务可使操作员或活动团体获取信息；4）基于网络的移动监管和战略代理技术[8]，除了智能机器、信息自动化或应用顾问以及监控系统、预防性维护、健康与能源治理外，还应致力于开发不同的物联网设备，真正积累社区道路信息，将个体通过有效时间与拥堵和汽车连接起来；5）针对进一步发展以及分析的实际解决方案甚至评估。结合通勤评估、每种线性运动模型以及认知科学，研究人员已对交通的各个方面进行了建模。对于提供分布式设计的高级分析结构而言，当问题发生时能够简单地构建和解决问题至关重要。

高级分析是一种用于分析包含先前的信息类别、平凡的未知趋势、隐藏关联、零售时尚、消费者趋势或其他商业智能证据的大量数据的综合方法；[23]。分析的分类包括描述性分析、预测性分析和规范性分析。描述性分析描述“发生了什么或正在发生什么”，有助于发现业务中的现代事件和威胁。预测性分析指明“将会发生什么以及为什么”，通过应用多种技术来实现[24]。规范性分析指出“我应该做什么以及为什么我要这么做”，涉及可视化系统、能力以及通过考察不同偏好为决策者提供建议的分析过程。为了准确预测未来情况和状态，可采用文本/网络/数据挖掘等技术[25]。

当今，由交通与移动性知识所产生的体量和速度远超本世纪初数据被收集、处理和分析的规模。现代数字化理念（包括物联网（IoT））、数字社区的兴起、传感器行业数据传输费用的急剧下降、传感器或个人计算机的经济且普及的应用，以及数字网络中提出的各项问题，极大地增强了人类智能，以进一步全面理解出行行为。交通网络持续发展出多个平台，使个人可通过汽车、公共汽车、火车、步行、自行车等方式从起点前往终点。尽管交通网络具有可达性和连通性的优点，但由于社区规模及交通流量的持续增长，城市一直面临移动性问题（如交通拥堵和空气污染）。智慧交通作为精明城市的一个重要而庞大的部分，承载着积极有益的目标，旨在通过创建智能且新颖的车辆模型[12]来缓解问题，提升城市社区宜居性、实用性与可持续性。智能交通模型的最终可行性在很大程度上取决于发送信息的性质以及对信息进行处理的洞察方法的质量。

2. 背景

智能交通的综合发展常常使分析人员关注智能交通系统（ITS）的深入架构。常规的智能交通系统能够带来多种效益。目前，研究人员正致力于通过智能公共交通实现有意义的计算[13]。同样，在现有文献中，已提出一系列建议，主张通过严格的实验和仿真在测试平台上解决相关问题。当考察通勤交通相关问题时，虽然重点关注交通密度，但交通速度、道路等因素也被认为会影响交通状况。货运在每个社会的经济收益以及居民增长中均发挥着同样关键的作用。本文阐述了一种减少RFID拥塞问题的技术，相较于传统的自组织网关方法，该技术更加清洁且成本低廉。上述方法的目的在于必要时对交通阻塞进行管理和追踪。

基于物联网的智能交通采用某些数据分析框架非常重要，例如MapReduce、Cassandra、NoSQL等，用于信息精炼。Hadoop使用MapReduce机制[14]进行信息分析。MapReduce将任务分为两个独立阶段：（1）映射；（2）归约。映射任务以修改后的方式转换并整合在映射阶段收集的信息，供后续归约过程使用。MapReduce生成多个数据集，负责常规活动的全面选择。信息由MapReduce在独立的模块中进行分离，并被同时处理。框架模式对输出（映射）进行分类，并将其传递到下一个任务（归约）。这些任务由MapReduce同时执行，即实现完整性、容错性和负载分配。如今社会正转向创新机制，而智能交通方法仅提供信息支持。相关事件也通过互联网彼此关联表达，这种互联网愿景被称为普适物联网[16]。

本文献旨在管理海量数据，同时为多样化客户群提供物联网应用。然而，大数据具有不同的不可渗透性，物联网正在开启一项有价值的分析研究。此外，大数据精炼以及针对基于物联网的领域的巨量线上线下输入的导向，由不同的架构所实现。

3. 智慧城市与智能交通

3.1. 智慧城市

随着大都市方面的快速扩张，诸如数字政府、信息技术提案、机械、框架和环境等领域相互交织，形成了一个巨大的复杂系统。这种复合结构带来了一系列威胁和责任，例如碳排放和交通堵塞，以及失业率上升和负面社会影响。利用信息与通信技术（ICT）使城市变得“智能”，是解决城市问题并提升城市宜居性、可操作性和可持续性的一种方案。

在智能社区的具体背景下，存在三个层次：1）数据采集与处理，2）系统分析，3）资源提供。首先，在建设智慧城市时，必须借助遍布城市的智能设备（如交通传感器、公用事业使用传感器、气象站、手机以及社交媒体网络）来收集数据。为了准备时序信息，来自不同来源的异构数据必须通过数据规范化和数据管理技术进行组织，作为分析阶段的主要输入，如图1所示。

3.2. 智能交通

如今，每一次户外活动都依赖于交通系统，其中包括道路、铁路线、地下通道、控制信号、汽车等。这些设施使人们能够在城市中通勤上班、购物、出行、上学以及与朋友聚会。另一方面，由于城市地区交通方式和经济的快速发展，交通通道的快速普及也引发了一系列重要问题，主要挑战是交通拥堵。电力使用、污染水平、经济增长和社会关怀等方面对能源耗竭、环境影响、生产力、全球健康和货运碰撞具有紧密的负面影响。[17]

货运输入来源分为六个类别：1）交通流量传感器数据，2）视频图像处理器（VIP）数据，3）来自车辆和人员的数据，4）本地互联网社区数据，5）基于智能卡的公共交通数据，以及6）环境知识。由于计算机视觉和图像处理领域的快速发展，视频图像处理器（VIP）相比其他交通流量传感器已应用于更多的交通场景。因此，尽管它属于交通流量传感器组，我们将VIP视为一个独立的类别。探测车辆和通过移动检测器获取随机交通信息的人群群体，主要根据所使用的数据采集技术进行划分：全球定位系统（GPS）、蓝牙和移动蜂窝网络。

4. IT中数据分析的架构设计

执行智能交通系统（ITS）数据分析的设计在图2[35]中展示。该设计可分为三层：数据采集层、数据分析层和应用层。

4.1 智能交通系统中的数据分析架构

4.1.1. 数据采集层

该架构基于数据采集层，尽管它仅收集顶层所需的数据。信息来自各种衍生源，包括感应线圈检测器、无线电波、广播监控、信息获取、无线电波以及全球定位系统。在接下来的章节中，将详细介绍大数据采集。

4.1.2. 数据分析层

核心架构层是数据分析层。该层本质上通常设计用于从数据收集过程中捕获信息，并实施各种数据分析方法以及相关的存储设备、维护、挖掘、数据展示和访问的框架。在接下来的章节中，将详细描述大规模数据分析接口和模型。

4.1.3. 应用层

应用层是架构的最上层。来自数据分析层的统计模型结果被应用于多种交通条件，包括交通预测和交通辅助。

4.2 全球综述

旨在对基于移动设备中智能对象的数据融合举措进行批判性综述，特别关注分类人类活动的分类[18]。与本文相关的调查在表1中进一步展开。对每篇相关调查论文的主要关注点进行了总结。显然，尽管已有不少关于数据融合的调查，但这些调查主要集中在特定应用领域或分类上（例如智能交通系统中移动设备的嵌入式传感器）。

4.3. 协作式智能交通系统中数据分析技术的评估

协作式智能交通系统（C‐ITS）是不可避免的国家交通管理中的重要推动者。一项创新的C‐ITS研究利用汽车、路边实体和控制区域来管理交通，这些设备会产生大量交通数据，包含上下文移动性和基础设施信息。[19]。在C‐ITS中，数据分析工具可用于通过拥堵控制和竞争性传输来评估服务的准确性。某些C‐ITS服务主要依赖于收集的智能决策信息，一些数据分析策略通常可在大数据计算中优化精确的仿真。更多C‐ITS技术获取并分析数据，同时提供基于用户的数据。本文讨论了其中两个应用，即智能停车系统和道路状况监测，该研究通过物联网（IoT）提供一种智能的基于云的停车方案。每辆汽车都配备有RFID标签，车辆在进出口处均设有RFID读取器。系统通过RFID读取器收集接近车辆的交通数据。用户可通过移动应用预订停车位，数据库控制器负责分配停车位。

4.4. 云存储

基于云的数据在到达云的在线存储中得到了很好的分类。数据管理器（DM）负责根据数据源对不同的数据集进行分类。云组件中的时间计算器（TC）和导航器（NG）利用由DM标记的数据源[32]，在云服务中构建创新的数据点。在云存储中操作的数据集具体如下所示。

4.4.1. 移动性数据集

移动性数据集（mdata）根据不同数据集中的车道编号（lanId）描述路侧单元数据。这些不同路线的数据集在移动性数据仓库（MD）中进行处理。mdata从车道接入通信阶段添加车辆编号（vId）、车辆速度（v）、车辆空气阻力（a）、车辆位置（vLoc）和车辆距离（d）。车载传感器采集的快速性，因为该加速由车载单元（OBU）[20]进行分析。间距通过车辆位置（vLoc）和车道下游信号点的位置推断得出。车辆中的GPS编码对应传感器数值，而信号点的位置则通过相应的车道编号（lanId）确定，每当有效载荷朝向路侧单元（RSUs）传输时，移动性数据集都会保持更新。

4.4.2. 目的地列表数据集

目的地列表数据集(dList)指定一个数据源，表示车辆前往的所有不同目的地位置(desLoc)。乘客在车载单元(OBU)中保持设备位置，通常从开始时即如此，因此每次来自路侧单元(RSUs)的新服务主要结合RSUs出行期望地点以及主要来自目的地列表的移动性数据(dListData)进行审查。

4.4.3. 交通流数据集

Traffic fl tFlowdata数据集在不同激光距离传感器（LDSs）的旅行时间数据库中组织信息，包含车道编号（lanId），以及不同的车辆体量（vCount）。用于检测静止车辆的环形检测器所达到的自动化水平取决于其频率（LDS）。每个时间段结束后，交通流数据（tFlowdata）都会保持更新。

4.4.4. 决策前数据集

时间计算器（TC）的云方面通过使用相应的测量数据（mData）来量化每辆汽车的到达时间（TTR），并参考相应传感器的废弃情况。所获得的值按轨迹记录为预决策数据集（pDecData）时间序列，并存入各个预决策数据存储库（PDD）中，据此确定TTR。

4.4.5. 导航器

云模块接收目的地列表数据（dListData），并利用在线服务确定每个目的地列表数据终点的所有最优路线。一个新的数据集，即关于所有相邻节点与相关位置的序列，被存储在最短路径（sPathdata）中，每个记录包含一个目标终点以及沿其时间间隔的所有最近邻节点信息，以支持后续给定终点的计算。为了确定到该路线的所有最快路径，导航器（NG）采用Dijkstra单目标最短路径算法。

5. 文献调查

大数据的前提在整个交通与移动性框架内被解读，一项关于智能的调研研究将得到提供，强调近几十年来现有文献的多样性，并提出在云上部署大规模交通数据的路线图问题（表2）。

5.1. 交通与移动性中的大数据

大数据正在进入交通行业，以解决传统的数字化问题，通过独特的数据来源和应用科学提供现代范畴和应用维护。交通影响数据流的合理实施确实是一个理想范例；这类特定问题并非革命性的，但其体量、速度和范围似乎是影响信息处理的关键属性。对大数据的情境化描述综合了海量高速、异构且不断发展的领域信息，并结合前沿方法和示例，用于存储库中的数据存储、恢复、管理以及对捕获的数据进行分析措施[26]。

大数据意味着大量数据，即时而非现实地提供上下文基础设施，需要多种类别的优化复杂性，并结合专业知识与流程简化。从交通的角度来看，作为一种应用科学的体现，它能够通过不同路径的进步，有效管理所需的所有数据（存储、处理和访问），从而实现坚固且更有效的交通，使消费者能够展示并定制其交通体验。三大交通特征和规模是引用大数据特性的主要方面，即高德纳（Gartner）定义的大数据3V模型：体量、速度和多样性。其他作者还提到了准确性、可视化和可见性等方面。

5.2. 交通大数据的特征与规模

此外，我们将重点关注之前的变量，因为它们在信息的收集、分析、组织、存储库、传播和处理方式中具有重要意义[29]。

接下来的清单列出了设计三个主要重要标志，用以区分大数据集与典型数据。

5.3. 数据融合架构

尝试通过数据融合算法对无法从给定标准中提取的灵活性行为和出行者趋势进行深入评估，这些算法应用于个体但互补的数据源。智能交通数据融合算法的主要目标是建立一种先进的自动化策略，以整合来自不同领域的专业知识。输入/输出类型可分为不同的数据/特征/决策组合与数据/特征/决策输出。在融合技术中，所采用数据的协议层包括原始数据、特征和决策，这三个抽象层次通过输入到融合算法中被转换为更精确的层次。在交通系统[32]中，大数据来源于多种数据源，例如道路和车内交通监控系统。此外，在正常、不确定或碰撞情况下，安装在汽车中的检测器在分析信息方面发挥着重要作用。除了网络架构外，全球定位系统、移动通信、无线个域网、无线电导航、自动车辆识别等技术也发挥着重要作用。

5.4. 交通与出行数据的收集

因此，大数据收集被视为居民和飞机通过各种交通与出行平台触发的传感器设备进行数据累积的任务。信息收集包括从频率中获取数据的多项任务。其实施能够贡献于实际的数据结构，即使这些电子数据样本也可以通过计算机在电子信号内进行组织。

最近，交通和移动性领域的数据分析被全球技术趋势视为高端模型，该模型采用模式假设、学习与优化系统。

5.4.1. 描述性分析

它包括知识发现（聚类、异常值检测）、模式识别以及对构建传统数据设计具有重要意义的元素。属于此类别的模型本质上试图总结和压缩所获得的知识，或解释这些知识，从而从类别背景或事实的结构性系数中剔除所有无用的文档和隐含现象。描述性统计在汽车行业中有大量应用，也广泛应用于研究中，包括自动驾驶应对措施和安全协议、车辆安全分析、事件检测以及自动驾驶汽车，因为这些领域已广泛应用了描述性方法。

5.4.2. 预测性分析

为了识别两个可能结果或后果与回归线之间的相关性，训练方案被扩展到知识表示。一旦训练完成，这些模型便能够预测未知目标变量的新输入数据的成本，其结果不可避免地类似于构建该概念时所依据的所有当前事实[30]。在交通领域，某些分类算法的框架众多，包括用于实时识别的自动驾驶、交通事件预测，以及优步、奥拉等电子出租车的目标（挑战预测），或Nexar等社区内容事件检测公司（碰撞的理解与忽略）。在该主题的早期研究发现中，尤其值得关注的是基于预测建模在交通预测（供应、环境和效率）方面所揭示的交互作用。

5.4.3. 规范性分析

通过优化过程，智能检索还结合了计算智能、优化理论和性能研究的不同方面，从而在各种可能性之间提出更具影响力或更优的结果。为此，规范性分析利用了描述性和预测性对手从以往积累的洞察[31]。交通与物流改进中的问题一直得益于规范性分析工具的应用，例如物流、重要交通规划或数据服务。

因此，深度学习技术被认为非常适用于描述性、预测性和规范性分析。特别是通过大规模复合数据集，利用来自互联网社区的数据，结合序列语义网络、智能检索、对抗网络等技术，进一步提出预测交通事故死亡率的建议。例如，基于HBase的大规模数据精炼概念可用于分析智能交通系统提供的数据，以实现记录和监控。此外，构建识别模型以检测非法营运车辆的分析任务也是一项值得关注的贡献。

5.4.4. 交通与移动性数据的可视化

一些数据分析firms最强大的领域目前是数据可视化。对数据的全面分析已发展成为一门体系学科，旨在通过推导方法论来理解复杂数据集中的洞察。在本段中，作者可以特别关注图形化数据源，因为这些技术、标准以及计算管道需要进行广泛评估。重要分析认为数据提取是一项雄心勃勃的计划，旨在通过数据构想表达庞大的交通数据库，并将可视化作为知识发现的机制。对于聚合数据表示，存储容量以及频率方面的职责领域将得到加强并整合。

一项研究专注于信息识别，旨在可视化常去的场所和行为倾向以及实体参与者，以分析与当地组织的会面情况。特别是，可视化已被分为描述性、预测性和指导性分析，代表从数据中选择的用于区分模式的特征。

5.5. 交通中的数据来源

数据在交通平台中以多种形式存在，例如道路或车辆交通监控系统中的数据。此外，汽车在不可预测或碰撞情况下的信息收集过程中确实发挥着重要作用。目前，实际应用包括全球定位系统、移动通信、无线个域网、无线电导航、自动识别车辆和射频识别。不同路径上的交通需求在各条路线之间略有差异。

数量余量和服务水平一直是交通管理部门用来表示交通拥堵的标志。这将导致一系列综合分析措施，如向乘客发送警报、采用不同技术缓解交通、实施比例交通法规、路段改造以及规划乘客出行，这些举措中的大部分可能有助于降低拥堵。

5.5.1. 汽车路径规划

建议了乘客受力的几种变化，主要基于设计特性，旨在阻止特定车辆并使人员保持在车道内，提出了多种方法。一种技术是将障碍物附加到势场中，以防止致命事故，当货物接近势场区域内的相同距离时生效。然而，在发生意外致命事故的情况下，如果路线包含急转弯或位于高速公路上，则可能成为异常困难的时刻。

5.5.2. 车辆位置检测

如果能够提前准确计算车辆位置，则车辆的位置或地点将具有重要影响，可假设此类前景如事故情况。相反，由于评估过程中还涉及车速，构建车辆能力的可视化通常是一个主要障碍。建议采用一种策略来模拟汽车三维输入图像，此外，除了少数通勤特征外，还可制定详细计划，甚至估计碰撞，所获得的数据可来自三维地图。

5.6. 使用Spark进行数据存储与解释

详细布局中的主要阶段旨在实现大数据分析阶段的全部操作。图3展示了此阶段所涉及的组件和机制。整个检索基于数据编程的理念，通过同时执行不同的进程执行以节省时间。多个处理器通常可使程序运行更快，因为它由多个引擎（中央处理器）共同运行。借助并行计算，基本的聚类正在发展，负载均衡提高了桥接任务在多台超级计算机上的可用性。数据传输的目标包括最小化微控制器的使用、减轻响应时间、最大化输出以及避免影响。首先，数据分析的采集与分析模块提供负载均衡方法，用于将负载划分为每个服务器上相同密度的部分。各段的等量划分提升了过程质量，各个服务器将处理极为相似的输入，并同时生成输出。为了在数据采集环境中保持高度一致性，通过MapReduce计算技术实现这一目标。

目前阶段，将讨论MapReduce和HDFS的等效指令。除了HDFS之外，用于数据库管理（离线或内存中）的历史数据存储还需要SQL对应的HBASE、HIVE。在Hadoop集群中，MapReduce和HDFS共同发挥作用。因此，我们还需要实时数据流以及离线数据分析能力。此外，我们需要第三方软件来结合Hadoop计算协议，以实现在实际环境中的有效部署。Spark通常与Hadoop平台一起使用，用于实现这一目标。

对于大规模数据处理，Apache Spark是一个专用引擎。它为大数据提供了更快的访问速度，并支持在流式应用之间重用。通常用于大数据工作负载，提供高级并行计算接口。性能快速，结合了缓存和增强的认知效率。Apache Spark由亚马逊支持，在Hadoop YARN上，其模式能够被快速检查和执行。

5.7. 智能交通系统应用中使用的大数据方法

现在可以以前所未有的规模获取和共享详细的交通数据，揭示了交通和智能出行优点的新范式。多种交通与移动性应用由大数据框架支持，该框架包括研究条目中的所有关键利益相关者：[34]居民（步行者）、公共服务（管理人员）和资本主义。在汽车行业中，源自数据采集、观测和处理的实际应用中所采用的大数据方法流程，在不同系统和服务之间并无显著差异。相反，如果这些技术的研究成果以及所采用的科学策略发生变化，每个利益相关者的参与将覆盖从研究过程到智能记录确立的整个大数据阶段（这已重要地引发了一系列与分布式计算相关的新问题）。

5.8. 数据分析问题与实现

因此，在此类别中，专家们评估了与协作式智能交通系统数据科学相关的若干关键问题。以下将讨论这些困难及其潜在解决方案 35 。

5.8.1. 数据收集

每个协作式智能交通系统（C‐ITS）站点根据交通和移动性信息收集数据。IEEE和ETSI标准均已为C‐ITS相关信息交换分配了连续的5.9 GHz频段作为适当的起源。专用短程通信（DSRC）再次被划分为通信链路，但属于专用短程通信连续频段。除了安全信息和非安全信息的相互交换外，还有不同的广播设施。

5.8.2. 数据扩散

另一个具有挑战性的任务是与信息洞察相关的成功数据扩散。汽车会接收周期性的协作式感知消息，以做出与安全实施相关的选择，如前所述。由于可靠性假设基于社区移动性信息，这些消息必须被车辆高可靠地接收。在此背景下，用于在本地社区区域内传播这些消息的默认无线技术是IEEE 802.11p。此外，对于大型矩阵和预警消息等情况，可分别采用多跳方式，车辆和路侧单元均可能成为信息源。

5.8.3. 数据计算

智能交通系统数据计算可以采用分布式或集中式方式进行。相反，每位驾驶员无需在虚拟化环境中持续评估汽车，而是通过周期性记录器进行通信，将结果用于自身的安全决策，包括利用制动系统，并针对对向交通采取多种干预措施。

5.8.4. 指标

使用有效的度量指标是应用协作式智能交通系统分析时的另一个问题。在评估协作式智能交通系统中安全应用的可靠性时，首要问题是通过加强汽车完整性方面的有效安全措施，来确定汽车之间共识的程度及其性质，这可能成为一个可确保的指标。

5.8.5. 数据分析

简洁的数据分析是数据分析的另一个重要方面。即使路侧单元和交通控制中心接收到更多信息，汽车数量和道路上预期的交通流量以及关键安全算法的更长密钥长度意味着安全汽车方法，可基于此类数据做出适当的推断。采用k‐均值聚类和相关转换将导致数据传输量下降，除非汽车数量在每个时间间隔内达到最大。在城市内，可能需要利用模糊推理原理来有效制定关于关键同时代事物的出行决策。

6. 开放性挑战

现有文献中表现出的大量交互可能表明，数据分析最近引入了一些创新在城市交通区域实施。此外，尽管存在大量案例研究，但其中许多问题仍未解决，且尚未被及时识别，然而由于异构交通区域中的数据获取与贫化，以及对最新大数据特性和实际数据分析的适应，重大创新仍在不断涌现。创造性和性能在保持一致的实际数据精炼和应用开发方面得到了进一步规范。

6.1. 安全与隐私

数据安全是一个在移动性和交通领域被广泛研究的长期问题。在这方面，该调查为未来的研究提供了指导，提出了利用传感器数据来改善智能电动自行车控制系统的电池电量和时间。已进行统计分析，并加以整合，以确保有效可用性，同时满足该领域的审批组织汇总建议需求。

6.2. 数据收集

在公共交通过程中收集的数据可能不一致、不足或无效，尤其是在特定地点或特定时间间隔内，尽管车辆和行人的流动具有巨大势头。例如，很少有汽车会集成关键质量，其中包含实际位置数据和道路交通统计，而交通检测器可能会忽略这些信息。另一种评估该问题的可行方案是改进现有的定量策略，通过采用物联网（IoT）来提升数据收集能力，并通过人工方式推广特定的检测工具，从而显著提高信息收集效率。

6.3. 数据隐私

大数据时代最令人担忧的问题是隐私。在数据传输和存储过程中，个人信息有时会被泄露。交通系统和政府收集的信息应审查当前的数据保密政策，该政策包含在文稿中报告的个人信息，以及记录的使用、数据集的通用规则和资源共享等方面，以避免相关敏感数据的进一步丢失。

6.4. 数据存储

目前，数据体量已达到太字节到拍字节级别，而计算能力的进步仍处于起步阶段。每个尤其是智能交通系统（ITS）将拥有来自各种执行器的大量信息。传统数据库设施和服务器设备无法处理过多的问题以及复杂的记录基础设施和数据库工具。[35]。

对于谷歌、微软等云服务而言，实施最合适的内存结构现在已成为一个关键问题，这些公司正通过提升内置效率来增强对每个人的数据分析支持。云资源和固态硬盘存储在海量信息存储方面正变得越来越重要。

6.5. 数据处理

可预测性对于智能交通系统（ITS）的实际应用至关重要，同时涉及交通数据分类、交通状态识别、实际交通控制、车辆路线引导以及公共交通的实际调度。通过多种平台和大量方法采集的交通数据可用于分析历史数据，并在极短时间内进行实时评估。数据采集方法能够处理日益复杂和大规模的数据[36]。在处理过程中，利用强大且有效的统计方法来保持系统的可靠性是一个关键问题。一系列用于处理实际数据集的大规模数据架构，如Apache Storm、Apache Flink、Apache Samza、Apache Spark Streaming和Kafka Streams，已得到广泛应用。

6.6. 数据开放

信息将被修改并以高质量向公众共享，以便公共交通内容提供商的消费者能够考虑使用可重复使用的相关数据。信息完整性与其可靠性、真实性相关，数据分析可能会误导决策，甚至产生性能不佳且具有负面影响的信息。然而，建立高质量的数据可能需要投入时间和支付费用。

在建立对变动费用敏感的信息与创建适用于巨大成本的定性信息之间进行权衡，使得开放高质量数据成为一项困难的任务[37]。技术项目通过自动数据采集和/或使用为人工智能在测试执行中的应用提供了支持。此外，为确保交通实体的数据生动且准确，可能已实施了商业活动。

6.7. 大数据分析

基础设施方法通常应用于分析单元中。智能交通系统输入数据集在映射‐归约框架中被分割成多个部分，因此对映射器集群进行分析。主要基于分配的记录，因此每个映射器模块独立运行，中间结果持续生成。包括执行聚类的修饰符，归约器得到的结果被整合到最终结果中，并传递给仿真组件，而映射器得到的结果至关重要。[38]。

7. 讨论与未来研究方向

本节指出了现有研究的局限性。因此，在未来的研究中，可能会出现一些需要解决的关键问题，以充分支持大数据交通[22]的全面应用。

由智能交通系统（ITS）机制收集的信息旨在优化更广泛交通拥堵情况下的机会，进一步探索具有重要意义。最近的大多数研究发现依赖于一个或两个大规模交通数据集，而某些众多因素则提供了有价值的见解。[39]。

交通数据正通过各种渠道获取。即便如此，这些数据仍具有高度异构性。因此，从长远来看，数据聚合将为交通系统的数据分析工作提供强大支持。

城市公交系统的仿真器有可能基于智能交通采集设备[41]收集的实际数据进行大幅提升。上述仿真程序在推动智能交通系统发展方面发挥着重要作用，同时限制了测试新平台的开支。

一些大数据分析挑战在表4中表示。

8. 结论

智能公共交通促进了国家基础设施的发展，并提升了居民的幸福感。通过本文，开发者讨论了数据分析以及智能交通系统（ITS）识别方面的重要进展。文章还探讨了实施智能交通系统数据分析的有效架构。已经进行了探索。许多智能交通系统数据分析平台正在被研究，涉及路线优化、交通拥堵预测、致命事故分析、大规模公共交通组织、个人路线规划和交通基础设施管理。为实际存储开发了采用高级分析工具的智慧出行框架。我们通过建立强大的汽车数据资产，确保对真实世界实时交通做出实时决策，从而切实提升各项任务的效率。