机器学习预测方法在智能交通大数据领域的应用

智能交通系统(Intelligent Transportation System，简称ITS)是未来交通系统的发展方向。它是下一代城市地面交通系统管理的基础。智能交通，一个基于现代信息技术面向交通运输的服务系统，是美国于20世纪90年代初最先提出的理念。它有效的集成了最先进的数据采集和处理技术，模型预测和分析技术，信息控制技术等等，并将他们运用于整个地面交通管理。它是为城市道路出行建立的一种全方位、大范围的实时、准确、高效、便捷的综合交通管理系统。智能交通受到了政府、企业以及海内外学界的广泛关注，在科技部《“十三五”交通领域科技创新专项规划》里面着重题出了要进一步大力发展智能交通。美国政府交通部更是为此专门成立了“智能交通联合项目办公室”（ITSJPO）。

“交通流量预测和分析”作为智能交通领域中最重要的一环，直接决定了智能交通系统的性能表现以及适用范围。一个优秀的预测模型，既可以使出行者合理的安排自己的出行方式，出发到达时间以及路线，节省不必要的时间浪费，提高工作生活效率。又可以让政府服务部门及时了解和预测路况信息，对可能发生的道路拥堵和交通事故提早做出预判，节省社会负担，合理配置社会资源。来自美国马里兰大学的张燕如博士是一名在交通流量及出行时间预测和分析领域的重量级学者。张博士及其合作者在国际顶级期刊Transportation Research Part C: Emerging Technologies上发表了题为“基于梯度提升算法（gradient boostingmethod）的交通出行时间预测方法”的研究成果。她的论文得到了来自全世界多个国家的学者的广泛关注，所提出的方法收到广泛的引用和采纳，并被该期刊评选为近三年来“被引用最多的25篇论文之一”。

传统的交通流量和出行时间预测模型主要集中在基础统计方法的应用上面。该类方法主要适用于样本数量小以及数据结构简单的传统型数据。然而随着数据采集能力攀升，以及人们对数据科学机器学习领域的不断提升的需求，传统预测方法对于数据量大复杂度高的大数据问题，其表现会严重受制于数据噪音以及突发事件的影响。张博士提出的交通流量模型，是首个在智能交通领域应用基于梯度提升算法的模型。她在论文中揭示了机器学习算法对解决大数据交通问题的重要性。对比其他的传统模型，她提出的机器学习模型可以在庞大复杂的数据中快速有效的提取特征信息。模型表现显著提高了预测的精度和稳定性，并极大的降低了计算的复杂度，对新一代城镇交通系统的建设具有广泛的应用价值，尤其适用于高速公路的出行和交通流量预测。张博士说：“预测的本质是理解数据。找到数据的产生机制以及其与现实环境中诸多因素的关联关系尤为重要。”区别于一些黑箱机器学习模型，她的模型有良好的解释性，可以很好的满足政府，企业，机构以及个人对交通问题做进一步深入分析的需求。

目前，智能交通领域吸引了来自大数据、云计算、移动互联等各种尖端领域的人才。广阔的应用价值、极具想象力的上升空间使得诸如互联网企业等各路英豪携着数据、数据技术和资本进入了交通领域。智能交通，做为21世纪人类最关注的问题，正在逐步影响着我们每一个人的生活。