交通系统的状态一直在变化。因此在利用机器学习时，有必要构造一个多模式的评估准则来优化规划出行路线，并针对不同的用户需求提供不同的最优方案。
近年来，中国城市化的进程越来越快, 在大中型城市中人口数量和人群密度也有了较显著的增长。同时，随着民众购买力的提高，汽车购买的数量也越来越多。以北京市为例，2010年9月汽车保有量超过450万辆，保守估计全年至少增加汽车80多万辆。这些因素导致交通拥堵现象日益严峻，交通污染日益严重，交通事故也显著增多。据报道，2009年中国有67 759人死于交通事故，275 125人受伤，直接财产损失9.1亿元。医学研究表明，人们陷于交通堵塞1小时后,心脏病发作的风险会增加3倍[1]。这些问题一方面影响了大众的出行安排，也危害了人身安全和健康。要解决这些问题，一种办法是增加宏观交通基础设施，比如扩建道路。然而，其成本较高，且受城市规模限制。第二种办法是制定相关的交通政策，如北京奥运会期间的单双号限行。然而，类似政策的推行容易导致抵触，不易长期实施,并且北京市车辆剧增可能与限行有关。交通领域专家逐渐认识到，交通系统中包含着大量的数据，这些数据的分析、挖掘和利用对于交通管理和公共安全极其重要。不仅交通用户和交通管理部门存在对数据分析的需求，国家层面也有较强的需求。美国“911”事件和伦敦地铁爆炸案后，交通基础设施的应急安全性和有效性对国家安全和人群疏散的重要性日益受到关注。同时，国家间的经济实力竞争也与交通系统的有效性密不可分。另外，随着车载设备、电台、手机、GPS等通讯设备以及地理信息系统的广泛使用，交通系统中也产生了一些独特的数据，这些信息开拓了交通系统的新功能。因此要能在有效利用现有设备的前提下，最大地优化交通服务品质和拓展交通系统的功能，一个可能的方向是对交通中涌现的数据进行合理分析和利用，并指导交通方案的设计和实施。这其中涉及到非常多的机器学习技术，也为机器学习的研究提出了一些新的问题[2]。下面将就这些问题展开讨论，希望能为机器学习和智能交通及相关领域的研究人员提供一些新的思路和可能的研究方向。
交通系统与地理位置的关系十分紧密，因此使用机器学习技术处理交通相关问题时经常需要考虑地理位置的差异。聚类是常见的机器学习技术，一个好的聚类通常要求类内距离较近、类间距离较远。在交通系统的空间数据聚类时，还需要考虑道路与道路间的障碍，如高速公路中间的隔离墩，以防止障碍两侧对应的数据被错误地聚在一起，导致诸如最短路径的搜索失效[3]。因此，如何有效考虑空间约束的聚类技术是智能交通研究中的一个值得关注的问题。类似对地理位置的考虑也表现在交通事故的预测上。近年来对交通事故的预测不仅希望做到及时响应，也希望能做到事前阻止，以降低对交通用户的伤害和减少交通的拥堵。因此，在提取单个站点的模式特征时，往往需要考虑站与站之间的地理邻域关系，以及有效利用与空间和时间相关的数据特征。举例来说，交通事故的发生将增加上游的交通占有率和减少下游的交通占有率[4]。因此，有效结合交通系统的特点是提高交通预测模型精度的重要途径。
交通系统中有大量的用户设备和交互的参与，如车载GPS、手机，以及微博。这些设备在提供给用户交通信息的同时，也向交通系统输出了用户个人信息。举例来说，车载GPS和手机会输出用户的位置信息，这些信息可以帮助交通系统了解(个人和群体)用户的出行模式和移动性，从而起到辅助改进交通系统的作用。如何合理地收集和分析这些信息，做到以用户为中心，同时有效地保护用户的隐私，是值得关注的方向。可以预见，未来的智能交通系统是以用户为中心，保护用户隐私为主来展开的。需要指出的是，近年来机器学习领域有大量与隐私保护相关的研究工作发表，如结合密钥保护等的学习算法，有兴趣的读者不妨在这两者之间寻找一些关联点。
近年来，交通系统的一个显著变化是视频采集设备的广泛使用。主要原因是其成本低廉、安装和维护方便，视频数据便于人的理解和处理。而传统交通采集设备如用于统计流量的匝道线圈需要提前埋设，且维护成本高。视频采集的使用产生了许多新的应用，如路牌识别、用于自动驾驶中的道路曲率检测、行人/车辆检测和计数、车辆轨迹分析等[5-8]。视频采集在驾驶员辅助系统中有重要的作用，这些应用可以帮助预防和减少交通事故的方法。在交通宏观决策中，可以替代一些传统技术。然而，视频和图像存在的问题如对天气、目标的遮挡敏感，也会影响其实用性。利用机器学习能够使视频采集设备掌握更多与场景变化相关的知识和经验，提高对复杂动态环境的适应能力。同时，视频和图像数据本身具有明显的高维特性，解决维数灾难问题是其中一个必要的手段。机器学习领域提供了较多的解决方案，如流形学习[9]、独立分量分析、核维数约简[10]等都是从维数约简的角度来分析数据。而近年来较热的Lasso、L1范数的优化、压缩传感等则从稀疏性的角度减少维数，并试图保持数据的可解释性。从维数约简的角度研究交通视频中的学习问题已有一定数量的文献，但是相对较少。另外，由于驾驶员辅助系统对算法反应时间有较高的要求，同时也需要根据时间的变化定期更新模型。因此，在线学习、主动学习等是交通视频图像处理的一种主要分析手段。
除了视频设备以外，交通系统中还存在其他用于收集信息的设备，如用于检测车流的激光扫描器、匝道测速器、车辆上用于避障的雷达等。这些设备的信息可以从硬件上弥补视频采集设备的不足，同时也从不同侧面反映了交通事件的特点。因此，要获得一个完整的视角，常见的处理方法是对不同设备采集的信号进行融合。一个难点在于不同设备之间的信号具有明显的异质性，因此需要进行异质数据的学习。可能的策略包括考虑典型相关性分析、Procrustes分析，以及迁移学习等机器学习中常用的技术。另外，交通信息中多设备之间可能存在一定的干扰，如多个用于定位的避障雷达间信号会发生混淆，即交通中讲的Cross-talk问题[11]。如何通过机器学习技术解决这种问题是一个很有趣的课题。
尽管在交通领域的软硬件建设中，建设费用通常较高，但如何在提高交通服务品质和运营能力的前提下降低成本仍是一个值得关注的问题。在降低成本方面，目前已经有一些相应的研究成果。举例来说，用高分辨摄像机替代所有低分辨率摄像机的成本过于昂贵而不切实际，一种可行的方式是立足于现有设备，通过机器学习来提高数据质量和改进数据分析手段。在行人识别上，我们曾提出利用基于流形学习的超分辨率技术获得高分辨率的行人轮廓，从而提高低分辨率摄像机对行人的可识别距离，也降低了对高分辨率摄像机的需求[12]。另外，我们也曾研究过利用低精度GPS的数据，通过学习数据的中间结构来逼近高精度GPS的性能[13]。
还需要指出的是，交通中对期望目标的定义往往不是单一的。如交通用户规划出行时，需要考虑多个选择项，如总的旅行时间、总的旅行费用、换乘的次数、总的步行和等待时间等。除此以外，交通系统的状态一直在变化。因此在利用机器学习时，有必要构造一个多模式的评估准则来优化规划出行路线，并针对不同的用户需求提供不同的最优方案。在某种意义上，有可能利用机器学习中的多任务学习或多标记学习来改善相应的性能。
除此以外，在应用机器学习到交通领域时，需要考虑交通场景特点来缩小解空间。举例来说，为防止与行人相关的交通事故，需要驾驶员辅助系统能够对可能出现在车前或车侧的行人有及时的响应。然而，如果在摄像头的整个视野内搜索行人，无疑会影响系统的响应时间。类似情况发生从视频中采集车辆相关数据时，车辆只可能出现在路面上，图像中的建筑物、天空等区域不可能存在车辆。因此，如果可以通过机器学习方法来引入交通场景上下文信息，自动减少搜索空间，则可能形成面向交通的机器学习方法。
回顾机器学习的发展，不难发现其是以应用为驱动的研究方向。而智能交通领域的迅猛发展产生了大量新的数据分析问题，也有交通系统独特的一些特点。尤其需要指出的是，现阶段及今后若干年的智能交通领域会产生史无前例的大规模数据，其中蕴含了大量可用的信息和可能指导交通系统向优质服务发展的知识，也可能导致智能交通产生新的功能，有助于缓解和减少日益严峻的交通拥堵、交通事故等社会问题。然而，目前并没有太多有效的方法能从这些海量、异质、时变、需要考虑隐私保护及以用户为中心的数据中成功提取相关内容。因此，如何将机器学习与智能交通系统做有效的结合，期待更多机器学习的从业人员和科研工作者来致力解决。
参考文献：
［1］Peters A, von Klot S, Heier M, et al. Exposure to traffic and the onset of myocardial infarction［J］.New England Journal of Medicine, 2004,351(17):1721-1730.
［2］Zhang Junping, Wang Feiyue, Wang Kunfeng, et al. Data-driven intelligent transportation systems: a survey［J］. IEEE Transactions on Intelligent Transportation Systems, 2011,12(4):1624-1639.
［3］ Jin Ying, Dai Jing, Lu C T. Spatial-temporal data mining in traffic incident detection［C］// SIAM SDM’06. Bethesda:［s.n.］，2006:1-5.
［4］Tung A K H, Hou J, Han J. Spatial clustering in the presence of obstacles［C］// Proceeding of 2001 International Conference on Data Engineering. ［S.l.］: IEEE Press, 2001:674-678.
［5］Wang C-C R, Lien J-J J. Automatic vehicle detection using local features-a statistical approach［J］. IEEE Transactions on Intelligent Transportation Systems, 2008,9(1):83-96.
［6］Munder S, Schn?rr C, Gavrila D M. Pedestrian detection and tracking using a mixture of view-based shape-texture models［J］. IEEE Transactions on Intelligent Transportation Systems, 2008, 9(2):333-343.
［7］Anagnostopoulos C-N E, Anagnostopolous I E, Psoroulas I D, et al. License plate recognition from still images and video sequences: a survey［J］. IEEE Transactions on Intelligent Transportation Systems, 2008,9(3):377-391.
［8］Bar? X, Escalera S, Vitri? J, et al. Traffic sign recognition using evolutionary adaboost detection and forest-ECOC classification［J］. IEEE Transactions on Intelligent Transportation Systems,2009, 10(1):113-126.
［9］Zhang Junping, Huang Hua, Wang Jue. Manifold learning for visualizing and analyzing high-dimensional data［J］. IEEE Intelligent Systems, 2010,25(4):54-61.
［10］Fukumizu K，Bach F R, Jordan M. Kernel dimension reduction in regression［J］. The Annals of Statistics, 2009,37(4):1871-1905.
［11］Agarwal V, Murali N V, Chandramouli C. A cost-effective ultrasonic sensor-based driver assistance system for congested traffic conditions［J］. IEEE Transactions on Intelligent Transportation Systems, 2009,10(3):486-498.
［12］Zhang Junping, Pu Jian, Chen Changyou, et al. Low-resolution gait recognition［J］. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2010, 40(4):986-996.
［13］Zhang Junping, Chen Dewang, Kruger U. Adaptive constraint K-segment principal curves for intelligent transportation systems［J］. IEEE Transactions on Intelligent Transportation Systems, 2008,9(4):666-677.
作者简介：张军平，复旦大学计算机科学技术学院副教授，硕士生导师，中国计算机学会高级会员，中国人工智能学会机器学习专业委员会委员;主要研究方向为机器学习、智能交通、生物认证、图像处理。E-mail：jpzhang@fudan.edu.cn
王坤峰，中国科学院自动化研究所复杂系统管理与控制国家重点实验室助理研究员；主要研究方向为智能系统、交通建模与控制、交通视频检测、机器学习。E-mail: kunfeng.wang@ia.ac.cn
声明： 此文观点不代表本站立场；转载须要保留原文链接；版权疑问请联系我们。
