原標題：【前沿】預測分析在交通領域的應用分析

隨著機器學習和人工智能技術的興起，意味著算命先生將面臨失業的危機。

自從行業機構逐漸意識到大數據對未來的洞察力之后，科學家們一直致力于研究其對未來的預測能力。隨著自動化、機器學習、人工智能等技術的發展，要實現對未來的預測并不是科學家們的空想。

目前，我們正處于預測分析的時代。

預測分析結合了機器學習（ML）和人工智能（AI）技術，通過分析大量的歷史數據來實現對未來事件的預測。雖然該技術幾乎適用于任何行業，但在交通領域的應用，比如出行模式的選擇更具有引導性。它可以通過優化網絡性能使城市變得更加高效，它可以協助交通機構為公眾帶來更好的出行體驗，同時還可以平衡城市交通流量，利用其預測能力，緩解交通擁堵。

但是這里存在幾個問題：這項技術如何真正落地應用？必須滿足哪些條件才能確保預測最高的準確性和可靠性？還有，我們的城市是否真的可以從預測分析中獲益？

數據處理

雖然預測分析可以廣泛應用于交通行業的各個領域，但我們重點關注只有兩個關鍵類別：服務預測分析（預測性維護）和運營預測分析。前者協助交通機構預先防范設備故障并提高客戶滿意度，而后者則協助城市以更可靠的方式和更低的成本為交通管理提供更強大的解決方案。

在預測性維護模型中，建模和預測的來源通常來自歷史數據和外部變量，例如旅客吞吐量、交通流量和氣象條件。數據涵蓋所有設備相關的歷史記錄，甚至是每臺機器的組件級別，比如自動售票機的智能卡讀卡器，投幣式保險柜，硬幣處理單元等元素。這項數據與其他歷史數據（如修復日志）一起提供預測分析引擎的ML部件。引擎吸收數據后，根據每個設備的行為和性能歷史數據，挖掘頻繁模式、關聯和相關性，然后在專用算法的幫助下，構建資產的基本預測模型。其中，該模型必須在10次中做出至少8次正確的預測，才能被認為是準確的。更重要的是，預測工具可以對設備的剩余壽命進行預測，并生成生命周期管理表提供給交通機構或代理商，使其可以在其故障之前采取主動預防措施進行維護。

只需輕按“開啟”按鈕即可進行有效的預測分析。例如，預測性模型的可靠性通常取決于數據的數量和質量。這里的問題是，并非所有代理商都能提供強大的數據源。即使代理機構確實擁有大量的設備數據，也可能會被破壞或丟失，這些數據可能沒辦法全部收集起來，或者數量不足以進行預測分析。同時，也并非所有設備都可以收集、存儲和傳輸大量實時數據到中央處理系統。

Cubic公司在美國的預測性維護試驗給予了我們很重要的學習經驗，無論是在亞特蘭大，還是在洛杉磯，缺乏合適的硬件設施是各個機構之間普遍存在的問題。因此，有效的預測分析程序可能需要代理商和技術開發商回到硬件本身，來找出改進或促使數據生成的方法。在其他情況下，預測分析程序可能還涉及到數據實時收集的初步階段，以補充現有數據庫，同時改進數據樣本的現狀。

交通機構可以將預測技術和人的專業知識組合在一起，從而進一步確保預測引擎的準確性。這種方法在預測性維護的早期階段尤為重要。當模型將特定設備標記為可能失敗時，研究人員可以通過生成磨損程度的報告來保證預測的準確性，并給出可能發生故障的結論。這種驗證不僅有助于優化預測算法，而且還通過其反饋的關鍵循環信息，不斷提高預測質量。

多任務處理

今年早些時候，澳大利亞人口最多的城市——新南威爾士州計劃將斥資數百萬美元以加強該地區道路網絡的監測和管理。該計劃要求Cubic提供交通擁堵智能管理計劃，即運營預測分析的應用示例。該城市將利用數據驅動的交通管理平臺來預測交通流量，減少擁堵，及時響應交通事件的應急處置。到2020年底，該計劃完成后，悉尼將成為世界上第一個基于預測分析模型管理交通網絡的城市。

事實上，要預測悉尼這么大城市的交通網絡、交通模式和事故是一個很棘手的問題，這里涉及幾個問題。首先，預測引擎必須匯聚整個城市所有交通數據，包括行人，私家車，公共交通工具，第三方運輸服務（如乘車服務，小型摩托車和微型交通），以及整個城市交通基礎設施端點（交通攝像頭、交通和路燈、停車場、公共汽車站、火車站等）。最重要的是，這個系統必須足夠智能，同時還要涵蓋了可能影響模型變化的動態信息，例如天氣和季節性活動（黑色星期五，足球比賽，假日等）。

雖然“智慧城市”的概念吸引了許多城市規劃者和代理商參與規劃和建設，但并不是所有城市都可以完成。由于各個城市的基礎設施存在較大差距，各系統之間缺乏信息共享，路網監控覆蓋不足，因此，城市地區的創新步伐往往達不到預測的理想環境。在這種情況下，預測引擎不僅需要分析，理解和模仿實際的交通系統，還需要用到基于AI的模擬來填補信息空白的地方。而隨著城市智能基礎設施的升級和代理商的投資推動，這些信息空白的地方可以得到填補，從而保證了預測的準確性。

同時，值得慶幸的是，盡管各個層面的復雜性很高，但預測模型很容易擴展。換句話說，盡管建立基礎模型的時間和資源的初始投入很大，但是一旦完成了工作，該模型就可以應用于城市，逐步改善城市生活質量。例如，如果新城市中基礎模型的初始準確度為70％，則可以使用新數據源調整預測算法可以產生更好的結果。

未來的重點

由于預測是基于不斷調整和重新評估信息的復雜的動態算法，因此確保運算模型中預測的準確性并非易事。但是通過分析各類交通事件的AI模擬效果，并針對類似的歷史情景進行基準測試，其預測結果存在一定的可靠性。這里有一個很重要的點，如果要在預測網絡中響應某個交通事件，例如由于車輛故障將其他駕駛員重新定向到新路線的做法，可能會無意中影響到其他因素。因此，在評估預測分析模型的有效性時，并不是圍繞單個交通事件實現單一收益，提高交通網絡整體效率始終是首要考慮因素。

雖然目前Cubic對悉尼交通管理平臺的口號是“預測未來30分鐘，行動響應5分鐘”，但實際上，實現長期的預測只是時間問題。隨著機器學習、人工智能、以及即將到來的5G技術，未來實現1小時，12小時，甚至一天的預測都將成為可能。

隨著時間的推移，可以合理地預期城市的預測能力將成倍增長，為交通信號燈立即識別并優先考慮應急車輛的自動化城市交通網絡奠定基礎，同時，智慧道路還可以適應不斷變化的交通狀況，駕駛員的手機主動提醒前方道路障礙物，為避免碰撞，將自動重定向到另一條路線，自動駕駛汽車永遠不會陷入交通擁堵狀態。

對未來預測的愿景無疑是令人期待的，但要記住，預測分析無法在真空環境中運行。如果沒有適當的監管環境，不同利益相關方的聚集，以及城市基礎設施的投資，即使是最先進的分析技術也無法發揮作用。

（文/國際智能交通 譯/梁蘭春）返回搜狐，查看更多

責任編輯：