关于智能交通管理数据粒度模型的建立与应用

　　摘要本文分析了交通管理数据粒度的必要性，建立了粒度模型，阐述了对数据仓库中早期细节级、当前细节级、轻度综合级、高度综合级数据的分类管理及促使业务流程数据与决策信息形成有效流转情况。在此基础上，根据粒度化历史数据变动情况和查询统计要求，提出辅助决策数学模型和相关系统自动报警指标临界值，进一步分析了粒度模型在智能辅助决策IDSS中的应用。

在公安战线实施科技强警战略，主要一项任务是加强信息化建设，促使公安机关快速反应和综合侦控能力不断提高，加速形成与经济建设、社会发展和人民生活相适应的社会公共安全保障体系。目前，道路交通违法犯罪已显示出极高的科技信息化含量，为案件的及时查控与侦破带来相当大的难度，这迫使我们加快智能交通管理方面深层次的综合性信息化发展的步伐。随着信息技术的飞速发展,各部门建立了各自的业务信息管理平台,促进了业务的快速发展，但需要打破部门界限，实现交通、保险、税务、消防等各部门信息的共享，加强信息的互为补充、互为利用，减少信息采集以及管理系统建设的社会代价，对相关数据进行整合和关联，建立统一的数据中心，进行智能交通管理数据粒度级的研究，建立相关模型，加以智能交通辅助决策方面的综合性深层面运用，为预防道路交通犯罪、侦破案件与维护道路安全及社会稳定、促进经济发展发挥必要的作用。

一、关于交通管理数据粒度的必要性分析

道路交通管理是一项系统工程，在坚持政府主导、建管并举、部门负责、多方联动、社会参与、综合治理原则的前提下，需要科技化、信息化手段的强力支撑，确保道路交通安全畅通，促使我们公安战线快速反映、及时预防和侦控道路交通违法犯罪，提高道路交通的综合管理水平。近几年，关于我们交通管理部门的科技信息化得到了快速发展，已经开发和正在建设的各类系统如残疾人机动车专用信息管理、交通信号控制、闭路电视监控、电子警察、交通流采集、交通诱导、集成指挥调度、交通地理信息、移动查询、警车警员定位、警务管理、交通设施管理、运行维护管理等各子系统中，积累了海量数据，当务之急就是对其粒度分析，建立必要模型，进行高效率的综合运用，充分发挥系统的辅助决策作用。关于交通信息管理决策支持系统（Decision-makingSupportSystem,DSS）的数据处理，是完全依赖于一个面向主题的、集成的、非易失的，随时间变化的用来支持管理人员决策的数据集合，即数据仓库，它包含粒度化的交通管理数据，存在着各种细节级如早期细节级、当前细节级、轻度综合数据级、高度综合数据级。各子系统的交通管理数据是由操作型环境导入数据仓库的，其转换发生在由操作层向数据仓库层进行数据传输的过程中，使过期的数据由当前细节级进入早期细节级，综合后的数据由当前细节级进入轻度综合数据级，进一步综合处理进入高度综合数据级。构建数据仓库辅助决策系统的实践表明：交通管理数据的粒度分析是必要的，它能够明确数据的细节程度或综合程度的级别。在某些情况下，从各交通管理子系统的数据在进入数据仓库时的粒度级别太低，便在网络操作环境中产生的网络日志粒度级别太低，要使点击流数据适合于数据仓库环境，必须首先对这些数据进行编辑、过滤和汇总。

在交通管理信息子系统中，数据多、信息少，增加了交互关联有效挖掘数据的潜在难度，累积了表格式大量数据，使各子系统形成了数据孤岛，似乎成为一般统计分析人员的垃圾数据，但对敏感性、洞察力强的高层决策人员是极为有用的数据，需要在海量数据中搜寻那些潜在的规则，使各粒度级的数据之间相互关联，提供结论性、判断性、指引性的深层次的决策信息。例如，创建全国文明城市期间一项交通管理业务情况日报表，在子系统中由机关业务处室、大队、中队分为三个层次、环节进行汇总、计算，此时出现了统计口径的不同，导致了统计数据结果的偏差，且汇总时间较长，难以满足临时性、突发性的快速决策需求，在时间紧迫时，较低层级的部门出现弄虚作假现象，各层级也出现重复性劳动，浪费了人力物力。但是，若将各子系统的数据传输到交通管理数据仓库，通过智能决策支持系统（IntelligentDecision-makingSupportSystem，IDSS），对各种粒度化的数据方案进行分析、判断与比较，并进行评价、优选，使数据标准化、条理化，加速信息传递，缩短处理时间，使上述统计报送过程责任问题、重复性劳动问题便可迎刃而解。

从以上状况看，关于交通管理辅助决策系统的构建，对抽取各子系统的数据进行粒度化是非常必要的。

二、关于交通管理数据粒度模型的建立

随着IDSS的不断发展，数据的海量复杂性，逐渐被人们认识和运用。在我们日益复杂的交通管理事务中，时常遇到残疾人驾驶管理、交通违法行为、交通事故处置、机动车种类、交通设施、交通组织、勤务安排和警力部署等各种数据及相应的变化历史数据，似乎处于茫茫大海之中。实际上，这海量数据之间存在着内在联系，基于数据仓库IDSS，可将粒度化数据进行有效关联，为政府和各级领导提供动态多维的数据统计查询﹑建立数据模型预测发展趋势。例如，在建立网格化勤务机制中，依据从集成指挥调度、交通违法、交通流采集等子系统中提取的数据，用来及时地把某一时间段内某警区的交通堵塞进行疏导和处置相关的交通警情。对执罚交通违法行为等粒度化数据，便于以警区作关联进行统计分析，客观衡量该警区民警的工作量，为评价其绩效考核提供准确的依据。对机动车数量的逐年增加，作为导致交通拥堵与警情增加的因素分析时，把车辆管理、集成指挥调度等子系统通过粒度化的车牌数据建立关联，将一个时期内机动车上牌增加量与交通警情增加情况进行比对，可分析机动车数量增加因素对交通拥堵与警情的影响度。

在智能交通辅助决策系统粒度化的数据可具多重性，对众多用户可以不同方式进行使用，使交通管理数据同时满足交通、保险、税务、消防等部门的需要，如了解各地区的每月机动车辆增加等情况，而且数据粒度化有助于对数据仓库中数据进行一致性协调，对不同部门的分析结果的差异进行一致性解释。若粒度级别足够详细，可使得交通管理数据满足不同的需要进行重构，满足各部门对新需求的处理。通过对当月、当年或十年前等不同时间段上的交通管理历史数据和当前数据的粒度化分析，可设立交通管理数据粒度级模型，如图[2-1]所示。

交通管理数据粒度模型图[2-1]

关于图[2-1]高细节低粒度级的记录数据，是辅助决策系统中基本的数据单元，它在应用层或DBMS层得到处理，其结果是各业务系统操作处理的现场或非现场等相关交通违法详细记录中车牌号、车型、违法日期、违法代码、违法行为、违法地点、处理地点、咨询电话、文书类别、文书号等字段的抽取集合。这低粒度级数据，能够回答查询的任何关联字段信息，解决交通违法中最直接、最细节、最根本的问题，这一问题在高粒度级上是难以明确回答的。但是，在当月、当年或十年前的海量数据中查询某记录，花费资源太大，耗时太长，辅助决策的及时性相对偏弱。

在智能辅助决策IDSS处理环境中，对单个交通违法或犯罪事件进行查询的情况很少，通常是查询当日、当月、当年的某种数据集合，甚至需要与上月、上年或前几年的数据集合进行分析比对，这就需要在低细节高粒度级的综合数据中进行处理。在高粒度级上，数据经过压缩，

十分简洁，包括了足够的细节，能够很快提供一个统计分析结果。另外，从交通管理数据仓库中抽取的数据可流向公安内部和外部如刑侦、经侦、治安、国保、保险、税务、消防、银行等不同单位部门，进行独立地分析各自的数据，会使辅助决策效率大大提高。

在交通管理辅助决策系统中粒度化的数据不但支持数据集成还支持数据挖掘，而且由大量历史细节数据找出潜藏的交通管理模式。但是，对于某些正常的存取和分析，仓库中的数据太多，这就需要粒度化的活样本数据支撑这一系统，例如对政府和领导层所关注的行人与非机动车、驾驶员与机动车、残疾人车辆交通违法行为，需要对相关的活样本数据进行统计分析或概要生成。关于活样本数据库中的数据，要用一个抽取选择程序搜索大规模数据库，选取1/100或1/1000的记录后，送到活样本数据库，这样对活样本数据的统计查询仅耗费资源的1/100或1/1000，对海量数据其误差率很低，但极大地发挥了辅助决策DDS的功效。

三、关于交通管理数据粒度模型的应用

在智能辅助决策IDSS中，根据粒度化历史数据变动情况和查询统计要求，可使业务流程数据与决策信息形成有效流转，在交通管理数据粒度模型基础上，设立辅助决策数学模型和相关指标临界值，使系统自动报警，充分发挥辅助决策作用。假设某粒度级因素项的数据量为X，关联因素项数据量为Y，数据挖掘分析结果项为Z，那么建立辅助决策数学模型，如图[3-1]所示：

假若，X与Y的增长量分别为dx、dy,就对应一个分析结果项变化量dz,其关系为积分方程：

在上式中，把指标临界值分别设为x=x0,y=y0,z=z0,各粒度级因素项的数据量分别设为x1,x2,……xn；各关联因素项数据量分别为y1,y2,……yn；各数据挖掘所获得的分析结果项分别为z1,z2,……zn。这些值，有的情况是离散值，但大多数情况是连续值或分段连续值，Z为积分曲线，后面列举了相关的应用实例。

交通管理辅助决策数学模型如图[3-1]

（一）在关联交通管理内部粒度化数据挖掘隐潜问题方面的应用。

运用粒度化的低细节高粒度级的综合数据，可挖掘当年某季度交通违法罚款所达到1.2亿元的数据，相对于去年对应季度1.1亿元上升幅度不大情况与前年对应季度罚款数额只有5千多万元相比却属于增加了一倍多的异常情况，即因素项x>1，再通过关联交通违法行为宗数分析，交通违法行为处罚数量上升，平均每宗交通违法行为罚款额从原来的150余元上升至当前的170余元，即关联项y的变化范围为170>y>150，便得出执法民警倾向于危害较大的交通违法行为的处罚。系统中可设定关联分析临界值（不同年份对应季度或月相比增加量x0=1倍以上，处罚宗数增加量y01>0,平均每宗处罚款额增加量y02>0），超过临界值，辅助决策系统便自动报警，向相关部门领导发布民警执法情况信息，为制定更科学的交通管理方案提供决策支持。

（二）在关联交通管理外部数据挖掘隐潜问题方面的应用。

关于交通管理外部保险、税务、消防、环保等相关部门的数据，可异构载入数据仓库，进行数据粒度化处理，按照粒度级模型，分类管理和使用，关联交通管理低细节高粒度级的综合数据，满足不同的决策需求。例如，关联某地区机动车一年增加30多万辆数据与所耗汽油一年增加量达到150多万吨数据，即因素项分别为x1=30,x2=150，分析车辆营运距离的增加影响该地区经济发展指数增加达3个百分点，影响空气污染指数增加达2个百分点，影响路面值勤民警健康指数下降2.5个百分点，即关联项因素分别为y1=3,y2=2,y3=2.5,在交通管理辅助决策系统中可设定相关的指数临界点，自动报警，及时向环境保护部门和交通管理部门发布信息，为领导决策服务，制定环保方案，落实民警定期健康检查制度，确保该地区的经济能够健康、快速发展。

（三）在加快粒度化数据有效流转与虚拟现实方面的应用。

关于快速灵活辅助决策、挖掘交通管理隐潜信息与实现发展预测功能，数据粒度级模型的支撑是必要的。这一模型是鉴于费用、效率、访问的便利和满足一定的查询统计能力所提出来的，在交通管理数据仓库环境中数据量不大时，可使用高细节低粒度的单一记录级模型，对于数据量大的环境，需要对模型中不同粒度级进行结构优化，满足数据有效流转与虚拟现实方面的需求，达到智能辅助决策IDSS的快速灵活处理数据之目的。

目前，对交通管理发展动态的虚拟现实，作出前瞻性决策支持，是加快粒度化数据有效流转的主要目的之一。随着智能交通信息化管理各子系统的发展，道路信息、车流量信息、残疾人车辆营运信息等各方面基础数据得到了进一步开发和广泛应用，建立了相关数据库、知识库、图形库、模型库，为IDSS创造了合成环境，为虚拟现实、模拟验证，以及建立应急预测方案与决策环境，化解交通管理风险奠定了基础。例如，在进行春运期间火车站周围道路与路口的交通组织时，事先进行虚拟现实，输入相关道路环境和监测到的机动车与人流量历年异常数据，可进行仿真实验，提出合理的交通组织实施方案，使建立的粒度级模型在IDSS中大显身手。

关于交通管理辅助决策系统数据粒度模型，可用于支持数据仓库中资料的完整、准确与可靠性，确保智能辅助决策系统对各交通管理子系统进行科学的、有效的协调与高效率的数据抽取，充分发挥IDSS的重要作用。

张爱华广州市天河区华观路1726号（岑村）广州市交警支队昌岗中队