有說是四維特征，有說是五維特征，實際上大同小異了。大數(shù)據(jù)的第一個特征，數(shù)據(jù)量非常龐大？那么大到什么樣的程度才算大呢？一般來說是要達到Pb級量級才能認為是大數(shù)據(jù)。從嚴格意義上來說，機動車駕駛員靜態(tài)數(shù)據(jù)還不能算是大數(shù)據(jù)，不能說是嚴格意義上的大數(shù)據(jù)，今天主要匯報的內(nèi)容是公安交管集成指揮平臺，通過路面前端卡口設(shè)備采集到機動車通行軌跡數(shù)據(jù)，這個數(shù)據(jù)量非常龐大。目前我們匯聚的數(shù)據(jù)量已經(jīng)達到了萬億級別，每天的增量大概是12.5億左右，毫無疑問，這是一個龐大的數(shù)據(jù)量。

          大數(shù)據(jù)的第二個特征是價值特征，就是說價值非常龐大，是針對于總體價值來說的。還有一種說法說是大數(shù)據(jù)的價值密度實際比較低，數(shù)據(jù)量非常龐大，但單條數(shù)據(jù)價值相對比較低的。一個說大，一個說低，實際上并不矛盾，一個是從總體出發(fā)，一個是從單條數(shù)據(jù)可以發(fā)揮的作用而言，大家關(guān)注的點不一樣?，F(xiàn)在，大數(shù)據(jù)發(fā)展應(yīng)用到一定階段以后，又開始考慮大數(shù)據(jù)到底能夠發(fā)揮多大的作用？數(shù)據(jù)價值到底能到一個什么樣的程度？

          有很多因素。

          首先從數(shù)據(jù)質(zhì)量的角度出發(fā)，交管大數(shù)據(jù)是指通過道路上各種交管設(shè)備傳感器采集到的數(shù)據(jù)，數(shù)據(jù)質(zhì)量并不高。根據(jù)《道路車輛智能監(jiān)測記錄系統(tǒng)通用技術(shù)條件》標準提出的車牌識別準確率要求，白天識別準確率不能低于95%，夜間識別準確率不能低于90%。一般情況下，產(chǎn)品檢測時是按照理想的光線和跟車環(huán)境來做檢測，成像的角度數(shù)，圖片的清晰度，包括測試場景都比較單一，測試的時候產(chǎn)品能達到這兩個指標，問題不大。

          但實際上卡口是安裝在路面上，識別就有些問題。比如像首漢字的識別，很多設(shè)備的首漢字識別錯誤的現(xiàn)象還是比較嚴重，比如像“湘”很容易被識別成“浙”和“冀”，比較容易混淆。包括一些非均衡的號牌，經(jīng)常會被誤識別，甚至有些車的車身廣告數(shù)字和條紋，都會被誤識別成車牌。還有一些容易混淆的字母或數(shù)字，比如像D和Q很容易會被識別成0，P容易被識別成F等。基于目前的數(shù)據(jù)情況，其實卡口設(shè)備的識別準確率在實際環(huán)境中是比較低的，識別準確率低，也就意味著采集的數(shù)據(jù)跟實際情況不相符合。

          前一段時間，我們選取了條件比較好的高速公路路段上功能相對單一的、拍攝單個車道的卡口所采集到的、能識別車牌的圖片進行分析，發(fā)現(xiàn)大車的車牌識別準確率目前只有80%，小車的識別準確率是87%。表面上看起來距離行業(yè)標準比較接近了，但這只是已經(jīng)抓拍和識別后的車牌分析，還有大量未被識別、無號牌的抓拍圖片，也還不包括未被卡口抓拍到的車輛。也就是說，目前卡口的車牌抓拍識別率實際上不足70%。曾經(jīng)我們拿過卡口抓拍到的車牌數(shù)據(jù)，跟交通運輸部重點營運車輛聯(lián)網(wǎng)聯(lián)控系統(tǒng)平臺的GPS車輛軌跡數(shù)據(jù)做了一個碰撞分析，但兩邊數(shù)據(jù)能重合的，大概也就百分之五六十左右。也就是說，盡管我們現(xiàn)在擁有了上萬億條的卡口數(shù)據(jù)，但只有70%不到的數(shù)據(jù)是準確的，還有1/3左右的數(shù)據(jù)不可識別或者識別錯誤，這會帶來什么影響？

          舉一個簡單的例子，比如這個模型是一個我們用來分析從事非法營運車車輛的模型，模型比較理想，也能夠發(fā)揮一些作用。

          模型的原理比較簡單，頻繁往返于機場、客運車站等場所的車輛，比如面包車、小客車等不具備營運資格的車輛，就可以被預警為疑似非法營運車輛。在理想的數(shù)據(jù)情況下，只要是從事非法營運車輛的嫌疑車輛，基本都能被發(fā)現(xiàn)。但在實際應(yīng)用中出現(xiàn)了一些問題。比如真正從事非法營運車輛的車輛號牌根本就沒有被識別到或者識別錯誤，系統(tǒng)無法識別也就無法預警，就會出現(xiàn)漏報。還有將具備資質(zhì)的營運車輛識別成其他車輛的號牌，系統(tǒng)分析就會造成誤報。不管是哪種情形，這兩種情況都會對實際應(yīng)用造成較大影響。

          第二個價值密度低的表現(xiàn)是覆蓋面不均衡不完整。

          現(xiàn)在全國所有卡口都要求接入到公安部交通管理集成指揮平臺里，實際上還有大量的卡口還沒有接進，因此就導致數(shù)據(jù)覆蓋不全。另外，道路上的卡口設(shè)備沒有達到路段100%覆蓋。

          數(shù)據(jù)覆蓋不全，就可能導致分析結(jié)果的偏差。比如說分析某高速公路的車流量什么時候最大，什么時候最小，什么時候哪些路段車流量最大。若是路段中間卡口設(shè)備空缺，不管怎么分析，都會出現(xiàn)錯誤。

          根據(jù)《2020年加強重要點位交通監(jiān)控設(shè)備聯(lián)網(wǎng)接入和運維管理工作方案》要求年底前，國家高速公路服務(wù)區(qū)、收費站卡口聯(lián)網(wǎng)率達到60%以上。但到目前為止，高速公路服務(wù)區(qū)的卡口聯(lián)網(wǎng)率只有43%，收費站的卡口聯(lián)網(wǎng)率更低，只有21%。當然這里有很多的因素，設(shè)備不是交管部門建和用，采用交通運輸部的設(shè)備可能通訊協(xié)議和數(shù)據(jù)格式，和交管部門可能會有差異，這些設(shè)備就沒有被接進來。有些服務(wù)區(qū)，可能根本就沒安裝卡口，這樣就做不到全覆蓋。

          如果做不到全覆蓋，對大數(shù)據(jù)分析有什么影響？可以看一下比較典型的專項大數(shù)據(jù)案例。很多時候我們拿大數(shù)據(jù)和傳統(tǒng)的民警經(jīng)驗來做比較，比如以往要組織一些專項行動，更多靠一些老民警的經(jīng)驗來實現(xiàn)，有了大數(shù)據(jù)以后，就可以依靠數(shù)據(jù)來實現(xiàn)輔助決策。

          舉個例子。我們通過卡口識別車牌，通過車牌信息在車駕管數(shù)據(jù)中了解到車輛基本信息，包括車輛類型，年限，荷載人數(shù)或者噸數(shù)等，這是單條數(shù)據(jù)。積累了一定量的數(shù)據(jù)以后，就能夠分析出來在哪些道路、哪些時段上，到了報廢期限仍上路的大貨車比較多，從而有助于決策，是否開展一次針對于大貨車逾期未報廢的專項整治行動？

          專項行動有沒有取得效果，也是根據(jù)大數(shù)據(jù)的分析和運算來復盤，如果逾期沒報廢的車輛確實減少了，專項行動就可以結(jié)束了，而不像以前沒有數(shù)據(jù)支撐，不知道要開展幾次專項行動執(zhí)法，才有效果，只能固定排班，浪費警力。但如果某一條路沒有一個卡口接進來，數(shù)據(jù)分析就不完整，有可能這條路上逾期未報廢卻上路通行的車輛最多。

          所以如果數(shù)據(jù)不全面，就很可能做出誤導性的決策。雖然模型很好，但實際上因為數(shù)據(jù)沒有做到全覆蓋，數(shù)據(jù)分析結(jié)果就出現(xiàn)問題。為什么會出現(xiàn)這樣的情況？我們也簡單做了分析，從技術(shù)層面來說，現(xiàn)在公安交通集成指揮平臺接入的卡口設(shè)備，大概有5.1萬套是三年前備案，此外，即便是三年前備案接入，設(shè)備實際的建設(shè)應(yīng)用可能更早，早期設(shè)備的技術(shù)條件還沒有目前這么先進，當時用的識別技術(shù)、算法跟目前的技術(shù)完全不是一回事。

          這些卡口的成像條件也沒有現(xiàn)在這么好，因而可能造成識別錯誤。比如這張抓拍圖片，車身上噴涂的順豐快遞專用服務(wù)電話號碼比車牌本身要清晰，正好也是5個數(shù)字，卡口就容易將這個電話號碼識別成號牌。比如這種農(nóng)用車，因為樣本數(shù)據(jù)少，更多的被識別成小型汽車。比如這兩年開始規(guī)模上路的新能源車輛，不少卡口在安裝時，還沒有新能源號牌，也就不具備識別的能力，很多前端設(shè)備又沒有及時的升級，沒有更新識別算法，因此這些新能源號牌通過此類卡口后，基本上車牌數(shù)字會少一位。

          還有很多摩托車和電動自行車卡口基本識別不了，甚至有些摩托車和非機動車抓拍照片壓根就沒有傳到公安交通集成指揮平臺里面去，這樣就會造成很多數(shù)據(jù)的錯誤和缺失。

          從管理角度來看，還有很多卡口位置的地圖標注存在問題。因為很多模型會根據(jù)兩個卡口設(shè)備間距離，從而推算出車輛通行的速度。但這些卡口位置的地圖標注都是人工標注的，人工標注就可能存在誤差。比如有相當一部分設(shè)備，根本沒有標注在路上，甚至標到了河流、湖泊、山脈上。還有一些比較難以發(fā)現(xiàn)，比如城區(qū)一個卡口被標注到城際公路上，也就是位置錯標。這樣的數(shù)據(jù)，如果拿過來做數(shù)據(jù)分析，輸入業(yè)務(wù)模型，就會存在問題，也就不能得到一個有效的價值信息。

          還有，對前端設(shè)備的運維，可能也沒做到位。比如被樹葉被遮擋，強烈反光，補光不足，以及設(shè)備安裝角度出現(xiàn)偏差，就沒辦法較好的采集到車牌數(shù)據(jù)并識別。

          通過前面的分析，可以看出目前公安交管大數(shù)據(jù)主要還是通過車輛軌跡數(shù)據(jù)實現(xiàn)各種目標。數(shù)據(jù)質(zhì)量不高會帶來什么影響？目前的算法、技術(shù)走到了前面，即便數(shù)據(jù)存在問題，但業(yè)務(wù)模型仍可以產(chǎn)生一些效果。技術(shù)解決了能不能的問題，后面能不能用好，就依賴于基礎(chǔ)的數(shù)據(jù)質(zhì)量。也就是說，現(xiàn)在解決了從0到1，下面就是如何從1走到100。

          要實現(xiàn)這個目標，要解決兩個問題。

          有兩個很大的問題需要去解決。

          第一個鴻溝，技術(shù)和業(yè)務(wù)的鴻溝，技術(shù)是為業(yè)務(wù)服務(wù)的，技術(shù)能不能用于業(yè)務(wù)，中間有一個很大的跨度需要去通過。舉一個簡單的例子，我們的技術(shù)指標可以達到很高，通過各種算法的一個訓練優(yōu)化，使準確率達到99%。比如說套牌車的識別，套牌車是怎么識別的呢？就是通過卡口電警等設(shè)備識別出車牌后，再將車輛特征與車駕管的登記數(shù)據(jù)進行核對，不符合的極可能是套牌車。假設(shè)一個城市里套牌車的比例是萬分之五，10萬輛車里可能有5輛套牌車，但識別準確率是99%，那可能1萬輛車里面有100輛被識別出疑似套牌，但真正的套牌車實際上只有5輛。所以，即便準確率達到了99%，但對于應(yīng)用人員來說，能發(fā)現(xiàn)套牌車的準確率只有5%。目前技術(shù)手段雖然已經(jīng)很成熟，但要真正的投入業(yè)務(wù)應(yīng)用，還有很多功課要做。

          第二個鴻溝就是理論和實際的鴻溝。理論上模型很完美，但實際應(yīng)用時，又會發(fā)現(xiàn)各種各樣的問題。簡單舉兩個例子，比如車輛限尾號通行，怎樣科學合理的制定限行政策和措施，要不要限行？什么時段限行？應(yīng)該限哪些車？目前多是組織去北京上海深圳杭州廣州等地考察一下，但實際上不同城市的交通流車輛類型和通行規(guī)律，是不同的，借鑒作用有限。

          若是通過數(shù)據(jù)來，比如說通過這個城市的卡口采集了很多數(shù)據(jù)，通過數(shù)據(jù)分析發(fā)現(xiàn)車流量在什么時段最大，由哪些類型的車輛組成，本地車和外牌車各有多少，哪些是長期行駛，哪些是短期通行，哪些車輛通勤距離很長，哪些很短？通過數(shù)據(jù)的預演推算，就可以模擬制定出一套比較合理的限行政策。

          之前我們經(jīng)常會拿這個來舉例，但發(fā)現(xiàn)很少有地方拿這個數(shù)據(jù)來作為決策依據(jù)。理論上是可行的，但目前的數(shù)據(jù)質(zhì)量，包括準確率、覆蓋面都還達不到實際應(yīng)用的要求。如果數(shù)據(jù)質(zhì)量不高，反過來還會產(chǎn)生負面的影響。

          再舉個例子?，F(xiàn)在有很多地方在提，根據(jù)卡口采集的車輛通行軌跡特征對城市出行做一個畫像。包括車輛基本信息，每天什么時間出行，通行距離多少，通行強度是多少……但多停在理論階段，因為能夠滿足出行畫像要求的車輛，可能只有10%左右。因為很多車采集到的軌跡數(shù)據(jù)很少，如果只有幾條或者十幾條軌跡數(shù)量，就達不到畫像的要求。即便數(shù)據(jù)量達到了一定的要求，但因為數(shù)據(jù)質(zhì)量比較低，對該車輛的出行畫像準確性，也沒有辦法驗證。

          可以簡單的總結(jié)一下，目前大數(shù)據(jù)處理分析技術(shù)已經(jīng)非常成熟，但是交管大數(shù)據(jù)的應(yīng)用還遠遠沒有跟上。技術(shù)的研究發(fā)展和推進，主要由一些企業(yè)和高校在研究，技術(shù)上沒有問題。但在應(yīng)用的過程中，就涉及到真正的數(shù)據(jù)應(yīng)用。

          一般一些模型訓練的數(shù)據(jù)量比較少，很多的數(shù)據(jù)還是模擬的。有些地方為了避免模擬數(shù)據(jù)帶來的問題，會挑一些城市的真實數(shù)據(jù)輸入，但即便是真實的數(shù)據(jù)，也不能代表全國的城市。

          所以說，在理想的數(shù)據(jù)環(huán)境下，模型已經(jīng)很成熟，沒有問題，但投入到應(yīng)用后，你就發(fā)現(xiàn)不同城市的情況是不一樣的。前一段時間我們也在調(diào)研，發(fā)現(xiàn)很多地方都上了很多大數(shù)據(jù)應(yīng)用模型，也確實收集了很多的數(shù)據(jù)，但這些模型真正應(yīng)用上，還是很少。

          沒有常態(tài)化的應(yīng)用，主要還是因為兩個鴻溝，一個是技術(shù)和業(yè)務(wù)的的鴻溝，一個是理論和實際的鴻溝。

          今天匯報的主要內(nèi)容，就是如何在現(xiàn)有情況下，來更好的實現(xiàn)交管大數(shù)據(jù)應(yīng)用。

          先回顧一下標準的大數(shù)據(jù)處理流程，一般通過幾個步驟，先是采集數(shù)據(jù)，采集完后是數(shù)據(jù)清洗，清洗完后再對數(shù)據(jù)做分析和挖掘，最后對數(shù)據(jù)分析挖掘的結(jié)果做應(yīng)用。

          但根據(jù)我們長時間的經(jīng)驗發(fā)現(xiàn)，數(shù)據(jù)清洗不是一個預制的動作，而是一個從前到后由始至終都需要的操作，就是說在數(shù)據(jù)采集過程中需要清洗數(shù)據(jù)，數(shù)據(jù)分析挖掘時也要清洗數(shù)據(jù)，甚至最后的應(yīng)用過程中，還是需要清洗數(shù)據(jù)。目前數(shù)據(jù)質(zhì)量就擺在面前，整個應(yīng)用過程都離不開數(shù)據(jù)的清洗和數(shù)據(jù)的處理。

          數(shù)據(jù)清洗和處理有哪些方法？簡單列了幾個，和大家分享一下。

          第一種方法是二次加工，2014年我們就開始做。通過二次識別以后，識別的結(jié)果再跟卡口所采集數(shù)據(jù)做一個比較，如果結(jié)果是一致的，就可認為數(shù)據(jù)是可用的。

          如果對比對結(jié)果不滿，再來一個二次識別，因為二次識別的算法可以有多種不同的算法，采用不同的算法交叉驗證，驗證完以后，將可信度更高的數(shù)據(jù)拉入后續(xù)應(yīng)用。二次加工方法也不是一個單獨的應(yīng)用，可能會跟其他的數(shù)據(jù)加工方法結(jié)合在一起，也不是說在每個環(huán)節(jié)都適合。二次識別需要對圖片做特征的提取，算力消耗比較大，時間也相對較長。所以這個過程一般不會放在第一環(huán)節(jié)，第一環(huán)節(jié)經(jīng)過初步的加工初篩以后，得到一個數(shù)據(jù)量比較小的數(shù)據(jù)集以后，再采取二次加工的方式。

           二次識別除對機動車號牌進行識別以外，還可以對駕駛?cè)俗龆巫R別。很多模型里面會對同一路程中，駕駛員是否同一個人進行識別，非機動車駕駛員是否戴了頭盔等進行識別，并不要很精確。當然有些緝查需要知曉駕駛員身份，包括身份證號碼、駕駛證信息等。

           怎么判斷一個車底有沒有更換駕駛員，主要應(yīng)用場景是大客車和重載貨車，一是是否符合準駕資格，二是是否有疲勞駕駛的嫌疑。通過大數(shù)據(jù)分析得出嫌疑車輛，如何確定到底有沒有換駕駛員？只要把主駕駛和副駕駛兩人的特征來提取出來，再交叉驗證一下，兩人有沒有換座位，主駕駛位上是不是同一個人就可以了，并不需要知道駕駛員是誰，甚至都不需要人臉信息，只要提取大概特征，比如對衣服樣式和顏色進行提取然后分析。

           第二個方法是叫條件過濾。

           這可能是在大數(shù)據(jù)處理中最常用的一個方法，例子也可多舉幾個。第一個是城市套牌車分析，原理也比較簡單，同一個號牌的兩輛車，不大可能再一個很短的時間內(nèi)，出現(xiàn)在兩個不同的地方。如果出現(xiàn)，某一輛車可能套牌嫌疑車。原理比較簡單。很早以前就提出來了，但當時數(shù)據(jù)的處理能力還不夠，還是比較難實現(xiàn)，但現(xiàn)在有了大數(shù)據(jù)技術(shù)以后，很容易就能實現(xiàn)。

           但在應(yīng)用的過程當中也發(fā)現(xiàn)了問題，比如原始數(shù)據(jù)中2100個卡口，7天的抓拍圖像數(shù)據(jù)總量匯集達到了1.66個億車輛數(shù)據(jù)。

           對這些數(shù)據(jù)輸入模型然后運算，結(jié)果是有46.9萬對的嫌疑車同時出現(xiàn)了兩地。用常識想也知道，不可能有46.9萬套牌車，為什么會出現(xiàn)這樣的數(shù)據(jù)結(jié)果？主要還是因為數(shù)據(jù)質(zhì)量。比如如何界定異地，首先會用到兩個卡口之間的位置。如果本來兩個卡口距離很遠，但被人為的標注到比較近，抓取車牌后也就可能被認為是套牌嫌疑車。此外就是號牌識別錯誤。比如一個是Q一個是0，但都被識別成0，也會被認為是同一個號牌。怎么辦？

          所以要用條件過濾，比如剛提到的同一個卡口，本來是距離很遠，誤標注到一起以后就被認為是嫌疑套牌車。怎么過濾呢？就把符合這樣條件的卡口所采集到的數(shù)據(jù)，全去掉。通過篩選以后就剩下2萬對嫌疑車，基本比較接近實際情況，但還是有號牌識別錯誤的情況。

          號牌識別錯誤怎么解決？前面也說了，可以通過二次加工對吧？采用另一種算法二次識別一下，這樣的數(shù)據(jù)才認為是嫌疑套牌車的數(shù)據(jù)。通過二次識別后，剩下2000多對車有套牌嫌疑。

          第二個例子是黑校車識別。原理也不復雜，就是篩選出那些在上學、放學時段，經(jīng)常在學校附近出現(xiàn)但平時又不出現(xiàn)的面包車。通過大數(shù)據(jù)運算以后，確實能夠篩選出符合這樣特征的車輛。

          當然同樣我們也發(fā)現(xiàn)有些車輛并不是面包車，只是因為號牌識別錯誤，被錯認為是面包車，這時同樣可以增加圖片二次加工環(huán)節(jié)，來過濾數(shù)據(jù)。

          此外，黑校車一般會在車廂內(nèi)塞很多學生，可能存在某幾輛面包車每天給學校去送貨，也會每天在這個時段出現(xiàn)，這時候再加一個前排人臉識別，只要識別出車前排坐了幾個人。通過二次加工以后，就能初步判斷是否有非法營運的嫌疑。除此之外，通過長期跟蹤發(fā)現(xiàn)，有一些車輛也會被誤識別，比如一些學校周邊的家庭，有兩個小孩，每天送小孩上學放學，這也要用到一個過濾，比如說一些白名單的集合，在分析的結(jié)果中剔除。

          還有一些其他的過濾方法，比如像按軌跡次數(shù)過濾，軌跡天數(shù)過濾等。前面說到對車輛出行進行畫像，首先軌跡的數(shù)量要達到一定的數(shù)量值。比如可以設(shè)定一個閥值，出行軌跡條數(shù)一定要超過多少條，一個月內(nèi)通行天數(shù)要超過多少天，符合這樣條件的，才給車輛去做出行畫像，這也是條件過濾。

          第三個方法是多元數(shù)據(jù)的融合。

          用一維的數(shù)據(jù)來分析，也沒有辦法確定分析結(jié)果的準確性，也沒有辦法去過濾，但可以通過另外的數(shù)據(jù)來跟現(xiàn)有的數(shù)據(jù)做交叉融合，驗證之后來確定結(jié)果的準確性。

          比如疲勞駕駛的數(shù)據(jù)分析。此前是通過車輛的定位軌跡數(shù)據(jù)，連續(xù)行駛4個小時以上就認為存在疲勞駕駛的嫌疑，但模型也是比較簡單、理想，在運用的過程當中就發(fā)現(xiàn)很多問題，比如有些車輛沒有正常開啟GPS裝置，或者上傳偽造的定位數(shù)據(jù)，這些車輛即便有疲勞駕駛的嫌疑，也很難發(fā)現(xiàn)。還有一些車輛定位設(shè)備正常，數(shù)據(jù)也上傳，發(fā)現(xiàn)存在疲勞駕駛的嫌疑，但駕駛?cè)丝赡軙仲?，說換了人了，但是IC卡忘了換，這個時候也沒有充足的證據(jù)證明他有疲勞駕駛嫌疑。還有一些是換了卡，但沒有換駕駛?cè)耍€是同一個人開，這樣也很難發(fā)現(xiàn)是否疲勞駕駛。

          針對這些情況就可以用到多元數(shù)據(jù)的融合交叉驗證，把定位數(shù)據(jù)和卡口數(shù)據(jù)做交叉融合，卡口是能夠拍到貨車前部的照片，這個時間點是哪個駕駛員，如果把這個圖片作為證據(jù)給駕駛員，駕駛員很難抵賴。

          若是換卡不換人，或者關(guān)閉設(shè)備，這些沒有被發(fā)現(xiàn)的疲勞駕駛?cè)藛T，也可以通過算法來做簡單的驗證。車輛在兩個卡口之間通行了多長時間，可以算出行駛速度，如果速度是在100以上或者是80以上，基本可以認定在這兩個卡口之間沒有停車休息的，一旦休息了滿20分鐘，行駛速度肯定是達不到80以及100。根據(jù)這個原理去累計分析，超過4個小時行駛速度都在80以上，就證明沒有休息過，有疲勞駕駛的嫌疑。再拿卡口數(shù)據(jù)和GPS定位數(shù)據(jù)來做一個交叉的驗證。一方面能認定四小時內(nèi)沒有停車，同時也讀不到GPS數(shù)據(jù)，但車輛是連續(xù)行駛，同時又能知道車內(nèi)駕駛員沒有更換，通過這些數(shù)據(jù)的交叉融合，去提高數(shù)據(jù)的準確性，如果你是用單一的數(shù)據(jù)，分析結(jié)果是不準確的。

          第四個方法是人工干預。

          目前的大數(shù)據(jù)分析還沒有達到非常準確、智能的程度，要完全通過算法運算推出來的結(jié)果不一定是準確的，所以就需要人工干預，但人工干預也分很多場景，有些是事前人工干預，有些是事后干預，有些是事前事后都需要人工干預，常見的人工干預方法就是人工匹配。

          比如要分析一些區(qū)間的車輛通行速度，首先得知道哪個是起點，哪個是終點，需要提前人工標注好。比如設(shè)定一些參數(shù)的閾值，像套牌嫌疑車的分析，區(qū)間設(shè)置的分析，可以設(shè)定一個速度，因為有些卡口的時間不一定準確，算出來的速度可能會有偏差，閥值可以調(diào)高一點。

          最常用的是人工審核，最終分析的結(jié)果還需要人工審核判斷，因為很多交管業(yè)務(wù)應(yīng)用都會涉及，如果存在交通違法，就可能會涉及到處罰。如果涉及到處罰的話，就要保證數(shù)據(jù)是準確的，所以基本上每一個業(yè)務(wù)模型的最后都會有一道人工審核確認的環(huán)節(jié)。

          前面主要是介紹了低價值密度下交管大數(shù)據(jù)常用的幾個方法。

          簡單總結(jié)一下，這些應(yīng)用主要針對數(shù)據(jù)應(yīng)用，在這方面下一步主要的工作是深化數(shù)據(jù)治理，很多數(shù)據(jù)的清洗、模型的優(yōu)化、迭代都屬于數(shù)據(jù)治理的內(nèi)容。另一個工作是需要有更多的數(shù)據(jù)接入進來，比如保險大數(shù)據(jù)、事故數(shù)據(jù)等等，進行多維的交叉的驗證。

          就數(shù)據(jù)采集來說，加強源頭管理很重要。前面說的都是基于現(xiàn)狀怎么數(shù)據(jù)治理，如果加強數(shù)據(jù)源頭管理，保證第一手采集的數(shù)據(jù)是準確及時無誤，就能做更好的應(yīng)用。下一步我們會組織全國交通監(jiān)控前端設(shè)備的升級和運維保障，并計劃組織開展視頻專網(wǎng)公安交通集成指揮平臺的建設(shè)，從而加強前端卡口設(shè)備的運維管理。通過AI智能運維，自動檢測卡口設(shè)備采集的角度是不是準確，數(shù)據(jù)是不是及時傳輸?shù)取?/p>

          最后希望通過大家共同的努力，然后能夠把公安交管大數(shù)據(jù)應(yīng)用用得更好，謝謝大家。