大数据环境下城市交通分析技术——第3章 城市交通决策过程中的数据化分析

大数据环境下城市交通分析技术

第3章 城市交通决策过程中的数据化分析

---

量化方法隐藏在量化目标中。利用大数据环境支持城市交通决策的数据分析方法，就在城市交通决策过程中的信息分析需求中。

城市交通的决策问题分为：

• 战略
• 政策
• 规划
• 设计
• 管理

四个问题领域：

• 土地开发与交通协调
• 综合交通体系建设
• 公交有限发展
• 拥堵对策

不同领域的不同层次，其决策分析需求和信息需求存在差异性和关联性。

3.1 跨越从模型工程师到数据分析工程师的障碍

基于数据的交通分析与基于模型的分析有很大的差异。

基于模型的分析技术：
建立在对分析对象因果关系认识的基础上，具有逻辑上的严密性，同时受到分析者自身的局限。

基于数据的交通分析：强调通过数据的相关性寻找事实关联，在原有经验不能覆盖的范围内发现新规律、提供新认识。

3.1.1 交通模型工程师的职责

从交通模型分析技术应用任务来看：

• 针对城市有限的资源（土地、空间等）确定系统布局资源配置
• 针对耗资巨大的交通基础设施提供科学的决策支持
• 应对机动化带来的各种交通问题，提供交通现状分析、预测未来趋势、评估对策效果

上海城市交通模型：在相关调查数据基础上形成了需要持续维护的城市交通模型，并针对特殊需求构建专用模型。每5~10年进行的城市综合交通调查数据给出了城市交通需求基本特征的描述，成为城市交通分析的建模基础。

上海城市交通分析模型.png

交通模型工程师的任务：在交通调查数据的支持下，采用选定的模型架构（包括“四阶段”交通需求预测模型、网络交通流分析模型、交通行为分析模型等）进行适当的技术组合完成建模工作，并采用实测数据对模型参数加以标定。

交通模型在传统城市交通决策技术分析中占有主导性地位，因此对交通模型可信度提出了较高要求。现有交通模型技术与期望存在较大差距。

城市交通具有复杂适应系统特征，局部微小的扰动将导致系统的演化轨迹变化，使得原有判断失效。因此，交通模型是一个重要的决策支持手段，但不能完全依赖。

3.1.2 交通数据工程师的职责

传统交通分析方式中，交通规划师、交通工程师、交通模型师三类人员形成紧密合作关系，而伴随大数据环境建设，交通数据工程师也加入这一团队并扮演日益重要的角色。

交通数据工程师指的是专门从事交通相关数据搜集、整理、分析，并依据数据做出相应研究、评估和预测的专业人员。

数据工程师核心工作方式——将数据组织为信息，在原有架构内逐步形成一种相对独立技术特点的分析过程。

为克服传统调查中的各种问题，交通数据工程师尝试应用各种新技术拓展数据渠道，比如GPS对个人或车辆时空轨迹追踪。相对问卷调查，显示出获得信息的差异。

城市交通系统的发展演变，使得交通对决策面临的问题更加复杂。面对不确定性的城市交通对策制定过程中，数据工程师专注于通过质量化手段消除决策判断所面对的不确定性，降低决策风险并挖掘数据价值。

感知、决策和行动构成城市交通制定对策的基本步骤。感知阶段，从多个交通信息系统中提取数据，构建城市交通完整的数据图像；决策阶段，将数据组织为信息，并从信息中凝结知识，提供给决策者进行判断；行动阶段，沟通不同执行主体之间的信息，使其协同工作。

由此开间，交通数据工程师在相关决策和沟通过程中承担相关数据搜集、整理、分析工作，其中任务是依据数据做出研究、评估和预测。

3.1.3 模型分析与数据分析的关联及差异

模型分析和数据分析都是在实测数据基础上完成的一种分析工作，且从某种意义上统计分析本身就是“模型”。但从思维方式上看，二者存在明显差异的研究过程。

模型是所研究的系统、过程、事物或概念的一种表达形式。模型是依据我们对研究对象的认识，遵循某种框架建立的数学或物理表达形式。
传统交通模型分析建立在一种线性思维模式基础之上，依据已有经验，实现把握研究对象存在的某种稳定的规律，据此通过趋势外延推算未来的状态。
但交通系统呈现复杂社会系统的特征，未来发展具有复杂的不确定性；我国快速城镇化和机动化的变化，使得决策者和分析人员原有经验出现某种程度的不适应性。
因此，分析过程不再是一个简单的建立在已有知识基础上的趋势外推，而是一个不断调整完善认识，追踪研究对象演变的知识提炼和认识提升过程。因此充分利用所能搜集到的数据以减少判断过程中不确定性的量化工作具有很高的价值，尽管相比具有很强“完备性”的模型分析，这种量化具有某种程度的“模糊”，但仍然可以对决策产生重要影响。

• 抽样调查正在被海量连续观测数据分析逐步取代，其分析方法也需要进行变革；
• 大数据基础上的简单算法比小数据基础上的复杂算法更加有效；
• 数据融合等手段整合多源数据反映出局部特征
• 数据去冗余和高效率低成本的数据存储技术，适应本领域的大数据挖掘分析工具和开发环境

大数据环境下的对相关性的重视，并不是对“因果关系”的摒弃，而是由于城市交通处于重大演变过程之中，单纯依赖传统因果关系必然过于强调“理解”，受到传统经验的局限会忽视许多海量数据中表露出的“征兆”，同时在具体决策过程中追求因果的严密性会延误决策时机。

一个具体的数据分析过程取决于决策研究的问题分析模板，即量化方法隐藏于量化目标中。如在麦肯锡分析问题模板中，数据分析技术应用划分为分解问题和解剖问题两大类型，贯穿于第二、三阶段的工作之中。

麦肯锡解决问题七步法.png

城市交通的数据化决策，也是围绕对研究对象多角度观察，以及依据决策任务而展开。尽管城市交通是一个复杂的社会系统，但实际上对那些看似不可量化的东西，大多情况下总能找到相对简单的量化方法来帮助理解问题。