2025, Vol. 42扩展功能
文章信息
- 杜博文, 于海洋, 刘志远, 何兆成, 吴建清, 杨峰, 叶俊辰, 任毅龙.
- DU Bowen, YU Haiyang, LIU Zhiyuan, HE Zhaocheng, WU Jianqing, YANG Feng, YE Junchen, REN Yilong
- 智慧公路发展与研究大综述(2025): 交通信息监测
- Comprehensive review on smart highway evolution and research 2025: Traffic information monitoring
- 公路交通科技, 2025, 42(10): 23-54
- Journal of Highway and Transportation Research and Denelopment, 2025, 42(10): 23-54
- 10.3969/j.issn.1002-0268.2025.10.002
-
文章历史
- 收稿日期: 2025-02-06
引用本文 |
, 2. 东南大学, 江苏 南京 211189;
3. 中山大学, 广东 深圳 510275;
4. 山东大学, 山东 济南 250100;
5. 交通运输部路网监测与应急处置中心, 北京 100029
2. Southeast University, Nanjing, Jiangsu 211189, China;
3. Sun Yat-sen University, Shenzhen, Guangdong 510275, China;
4. Shandong University, Jinan, Shandong 250100, Chian;
5. Highway Monitoring & Emergency Center, Ministry of Transport, Beijing 100029, China
公路交通作为现代综合运输体系的骨干网络，其运行效能与服务能力直接影响着社会经济发展与公众出行体验。随着中国新型城镇化与机动化进程的加速，路网拓扑复杂度持续提升，公路网络规模持续扩张, 交通流量呈指数级增长, 交通状态动态演变加剧，传统依赖单一传感器的监测模式已难以应对全天候感知、多要素联动的技术需求。在“十四五”交通基础设施数字化升级的背景下，智慧公路已成为提升路网效能、保障出行安全的核心突破口。物联网、人工智能与交通工程的深度融合，正推动着交通信息监测体系从离散设备集采向智能系统协同的范式转变，为破解复杂环境感知、突发事件响应、多源数据治理等难题提供了全新路径。
当前智慧公路建设面临着多重技术挑战：在感知层面，隧道、互通立交等特殊场景存在监测盲区，多模态传感器时空配准精度与恶劣环境鲁棒性亟待提升；在分析层面，海量异构数据的实时处理能力、隐私安全与数据效用间的动态平衡尚未完全突破；在服务层面，城市与公路场景的差异化需求催生出异构化技术路线，制约着全域交通系统的协同优化。这些问题的解决亟需构建覆盖“感知-分析-服务”全链条的技术创新体系，实现从单一功能设备到系统化解决方案的跨越。
本研究聚焦智慧公路交通信息监测技术的前沿发展，系统剖析多源感知网络构建、智能分析算法演进与场景化服务创新的内在逻辑；通过揭示车路协同感知机理与云边端协同计算框架的技术耦合关系，探索复杂环境下交通状态精准感知与风险预警的新方法；深入研究多源数据融合机制与隐私保护技术的协同优化策略，构建兼顾效率与安全的新型分析体系；针对城市与公路场景特性差异，提出分级分类的监测服务实施方案。研究成果为推进交通基础设施数字化、管理服务智能化提供了理论支撑与实践参考，助力交通系统向全要素感知、全链条服务的方向转型升级。
1 智慧感知技术智慧感知技术是车路协同系统的重要组成部分，其核心在于通过多元化的感知手段和先进的数据分析技术，对道路、车辆、环境等多要素进行实时动态监测与分析，为智慧公路交通信息监测提供重要的数据与决策支撑。在“交通强国”战略、“十四五”规划等国家政策引领下，我国公路设施网络不断完善，其中互通式立交、隧道、山区公路等复杂环境对智慧感知技术的发展提出了重大挑战。从道路网络的复杂性来看，城市和高速公路网络由于其结构复杂、交通量大以及自然灾害的影响，常常出现交通堵塞和局部失效的情况[1]。山区公路弯道多、坡陡等因素更是导致监测设施的部署成本高且难以实现全域覆盖，这些不仅影响了道路的运营效率，也使得感知系统难以在大范围内普及[2]。
传统的交通状况感知方法多利用单一传感器，常见的包括雷达感知、视频感知、电磁感知、光纤感知、微波感知等，但由于传感器性能不同，检测效果易受到光照、恶劣天气、目标大小等因素影响。尤其在面向突发性强的交通事故时，传感器受到检测范围和视场角限制，数据间实时交互不足，难以完成对交通状况的实时感知和决策。多传感器融合感知是一个正在快速发展的研究领域，通过有机组合不同传感器的信息片段，弥补了单一传感器感知方法的缺陷，显著提高对交通流、交通事件、基础设施及气象条件等交通状况的感知精度和鲁棒性，有效扩展了监测系统的覆盖范围和应用领域。
然而，鉴于公路环境的复杂性、交通事件的突发性、多传感器的难兼容性，智慧感知技术的应用与普及仍受到制约。本节从路侧感知、车载感知、协同感知3个层面出发，总结目前智慧感知技术的发展现状，探讨感知技术的研究进展，解析未来发展方向与趋势。
1.1 路侧感知技术路侧感知技术通常采用视频摄像机、激光雷达、毫米波雷达等多种传感器进行感知，为驾驶员或相关管理部门提供道路环境的实时信息，例如车流量统计、碰撞预警、违章停车等。目前，针对复杂环境下单一传感器检测效果有限、目标易丢失遮挡等问题，国内外学者对不同传感器检测算法进行了提升，同时致力于多源数据融合方法研究。Kim[3]开发了激光雷达和摄像头的融合，设计了时间同步、物体年龄和重新排序算法，实现了对物体的稳定跟踪。Park[4]提出了一种深度传感器融合框架，考虑了移动设备在精度和效率之间的权衡，解决了未校准激光雷达点云和立体图像的三维重建问题。陈磊[5]针对交通数据多传感器融合算法精度不足、稳定性差等问题，提出一种基于思维进化算法优化的BP神经网络(MEA-BP)融合算法，对视频、微波及浮动车采集到的车速进行了融合，但仅在天气良好的情况下进行了验证。Wu[6]通过半自动拐点探测算法提取路侧多个激光雷达的共同特征点，运用改进的迭代最近点算法，寻找旋转参数和平移参数，使激光雷达间的数据融合的有效性和准确性提高较多。俞毓锋[7]结合激光雷达的深度信息和图像的颜色纹理信息，构建了多源数据在时序帧间的特征点匹配关系，同时引入一种置信度评价方法，实现了在光照和地形起伏因素影响下激光雷达与摄像头的近距离融合。罗逍[8]提出了以车辆纵向对称平面为基准的毫米波雷达和摄像头的联合标定方法，建立了两种传感器之间的坐标转换关系，试验表明两种传感器的横向距离测量误差都在0.12 m以内。Lü[9]提出了一种基于旋转和翻转的通用方法来自动整合点云，通过优化算法匹配地面点，使特征收集具有更高的自动化水平和更高的精确度。Wu[10]为解决雨雪等恶劣天气对激光雷达检测的遮挡影响，在基于密度的噪声应用空间聚类(DBSCAN)方法中引入自适应参数，来区分激光雷达数据中的车辆和雪花，提高了在恶劣天气下车辆检测的准确性。
除此之外，受到复杂环境的限制，路侧感知系统对于设备的布设提出了更高的要求，不同的安装方式将显著影响多传感器数据融合和检测能力。一些学者研究了不同传感器的布设方案，主要涉及安装成本、高度、角度和水平距离等方面。Vijay[11]考虑了成本、覆盖范围和冗余度等各种因素，结合了射线投射和线性优化技术，以获得车路协同基础设施传感器的最佳位置。檀雷[12]从雷达波入射角度、距离分辨率、横向距离分辨率等多个方面入手，结合仿真方法绘制了雷达探测的几何图，提升了雷达探测效果。荣文[13]利用DBSCAN聚类方法划分高速公路路段，基于遗传算法的路测设备优化布设方法，改进对多元感知设备布设方案，设备检测效果在杭甬高速G92和沪昆高速得到了应用验证。Cao[14]将传感器部署问题转化为道路交通事故风险的最优覆盖问题，在传感器部署成本、事故检测误差等约束条件下，建立了异构传感器的最优部署模型，以实现覆盖率的最大化。
路侧感知技术现已被广泛应用于多种场景，如道路监控与执法、交通管理优化以及车路协同自动驾驶等。该技术不仅能够实现重点路段全天候、多要素的状态感知，还能推动公路感知网络与基础设施同步规划、同步建设，为车路协同、自动驾驶技术的发展提供强有力的支持。
1.2 车载感知技术公路监测具有点多面广、过程连续、动态变化的特点。车载感知技术能够快速适应各种复杂的道路场景，增强监测的实时性与全面性，对于提升交通安全管理效率、增强应急处置能力以及推动智能交通系统的发展具有重要意义。目前，国内外学者对于车载感知技术的研究主要包括车身感知、环境感知与车端网联感知3大部分。其中，车身与环境感知是实现车辆自主驾驶的基础和前提，使车辆能够确保自身状态和周边环境的准确测量与识别，车端网联感知则扩展了车辆的信息获取范围，获取更多外部信息。
在车身与环境感知方面，由于车载传感器的类型、感知范围和分辨率等因素限制，车辆对交通状况、参与者或障碍物检测不稳定。在多源数据融合的基础上，许多学者在检测算法中融入机器学习、人工智能(AI)算法等[15-16]，提升数据处理分析效率，加强对车辆自身状况及周边环境的检测效果。Chen[17]提出了一种无线全景摄像系统与新型深度卷积神经网络(EZ-Net)，用于360°驾驶场景的实时无缝成像，大幅减轻了传统多摄像头全景系统的计算和存储负担。徐昕[18]提出基于“北斗+车载视频识别”的道路状态智能感知巡检方法，数据召回率高于90%，保证了道路状态智能感知巡检精度。赵望宇[19]对毫米波雷达与视觉传感器进行空间标定，提出一种基于目标景深的自适应车辆检测方法，通过试验表明融合的数据源相对于单一数据源可以有效提高监测系统对阴天及雨天等不同天气的鲁棒性，减少漏检和误检率。Waldschmidt[20]介绍了车载雷达的发展历程，并对数字调制方案、雷达网络、雷达成像和机器学习等进行了总结分析。Chen[21]考虑到先跟踪后检测方法可满足高级驾驶辅助系统(ADAS)的实时性要求，提出一种基于图的毫米波雷达目标检测算法，大大减少了图之间相关性检测的计算量。Sligar[22]利用单通道77 GHz调频连续波(FMCW)雷达系统，结合机器学习训练和测试大规模虚拟数据集，实现对道路目标的分类与定位。曾庆化[23]针对复杂城市环境下因外部干扰或传感器故障而引起的传统车载导航系统定位精度下降的问题，建立了惯性测量单元/全球导航卫星系统/激光探测雷达(IMU/GNSS/LIDAR)组合导航系统模型，并引入了交互式多模型优化传感器检测效率，有效提升了车辆定位精度。
在车端网联感知方面，由于传统的自主式智能汽车完全依赖单车智能，难以全面感知拐角、遮挡等盲区情况，而智能车载终端结合5G通信、物联网、北斗卫星导航系统等无线新兴技术，能够实现大范围区域内动态交通信息的感知与共享[24]。因此，国内外学者开始逐渐重视智能车载终端的发展潜力。吕绪浩[25]将通用分组无线服务(GPRS)模块接入通信网络车载信息移动终端，设计了车载信息终端嵌入式系统硬件及相应终端缓存管理机制，可有效缩短数据传输时间，降低丢包率。陈湘军[26]研发了基于移动上下文传感的终端系统，包括网络分层架构、数据动态采集、上下文处理、信息发布等，有效提升交通监管、应急处理效率。Feng[27]采用虚拟现实技术提取移动终端视频图像模糊特征，利用加速稳健特征(Speeded Up Robust Features, SURF)描述算子匹配特征点，并设定全约束条件过滤掉错误的匹配点对，算法的误识别率为0.101，所用时间仅为0.41 s。此外，智慧公路获取车载感知设备数据的所有权分散于车企、地图服务商等商业机构，涉及用户隐私与商业机密。针对此问题，现有研究提出通过3个路径实现数据融合：其一，通过政策法规推动数据开放共享，如我国工业和信息化部主管的国家计划标准《智能网联汽车数据安全管理规范》明确要求涉及公共安全的数据需向交通管理部门开放接口；其二，构建基于车用通信技术(V2X)的边缘计算架构，部署路侧单元(RSU)，实现车辆运行数据的匿名化采集与实时传输；其三，运用区块链技术[28-29]建立数据确权机制，采用联邦学习[30]等隐私计算技术实现“数据可用不可见”的协同分析模式。
虽然车载感知算法和终端都有所进步，但推广应用仍面临普适性和安全性的严峻挑战。例如当前支持时间敏感网络(Time Sensitive Network，TSN)的车载终端较少，导致了组网的灵活性降低，并增加了运维难度和风险；车载终端的研发还需解决隐私保护的难题。车载感知技术的发展不仅需要解决技术层面的问题，还需要在政策、标准、产业链协同等方面进行综合性的改进和优化。
1.3 协同感知技术协同感知技术是对车载和路侧感知的有效整合，集路侧感知的全面性和车载感知的灵活性于一体，显著提升了复杂环境下信息的连贯性和准确度。按照信息共享的层次，协同感知可以分为早期协同、中期协同和后期协同3种模式。早期协同主要共享点云、图像等原始数据，能够直接扩大车辆的感知范围，但面临数据传输压力大、通信网络易拥塞等问题；中期协同共享提取的特征信息，传输压力相对较小，但感知效果依赖于特征融合策略；后期协同共享感知结果，如检测到的目标位置、类别等，传输数据量最小，融合方式简单，但感知效果受单个感知网络性能影响较大[31]。
目前，国内外学者针对不同感知对象开展相关研究，主要划分为车对车、车对基础设施、车对行人、车对网络4种类型。
(1) 车对车。车对车的协同感知是车路协同中最基本的一种形式，车辆通过无线通信技术共享感知数据，感知周边交通流状态及交通事件。钱敏[32]为解决车路协同系统的感知信息冗余问题，设计考虑多种权重的融合策略，提出一种基于多元信息融合的重识别算法，试验证明该算法的准确率较单一信息元重识别算法提升了30%。Kuang[33]构建了目标特征金字塔，以自上而下的方式融合来自不同尺度的多个特征图，提升了目标识别的速度和准确率。Arnold[34]结合了分布在环境周围的不同空间传感器的信息，使用两种单模态传感器进行合作检测交通流状态，感知召回率达到95%。
(2) 车对基础设施。车对基础设施是协同感知的另一重要方面，通过与信号灯、路侧摄像头、雷达等设备的交互，扩展车辆感知范围。Wu[35]基于路侧激光雷达数据中车辆轨迹信息，在背景滤除的基础上识别车道线，实现车辆的变道检测、车辆偏离和错道警告等。Wang[36]利用高动态成像和深度学习识别信号灯，采用多类分类器减少了通道中的误报数量，并结合时间轨迹跟踪加快了算法速度。Zhou[37]提出一种三维检测网络体素网络(VoxelNet)，提升特征提取的效率，并在卡尔斯鲁厄理工学院和丰田技术研究所(KITTI)汽车检测基准上进行试验验证，结果表明其效果优于激光雷达的3D检测方法。
(3) 车对行人。车对行人的协同感知是提升道路交通安全的重要手段，许多学者针对小目标识别分类、行人预警等课题进行了研究。Zhao[38]按照背景过滤、物体聚类、行人和车辆分类以及跟踪的顺序进行了研究，准确、实时检测行人和车辆存在、位置、速度和方向信息。Wu[39]利用路侧激光雷达提取目标轨迹，以侵占后时间(PET)、停车距离比例(PSD)和碰撞可能性指数(CPI)作为冲突风险评价指标，实现了行人与车辆的近距离碰撞事件识别。
(4) 车对网络。车对网络是协同感知中连接车与云端服务的关键环节，车辆将自身的位置、驾驶状态、周边环境等感知数据上传至云端，同时获取地图、气象状况等实时数据，提升感知数据的全面性。陈深进[40]针对数据实时性和准确性差、信息交互共享难问题，结合卡尔曼滤波和证据理论两种信息融合模型，构建了人车路协同的智能交通出行信息服务系统。张亚勤[41]融合车端、路端、云端多源多维信息，构建了车路云一体化(VICAD)系统框架，并采用模拟仿真方法对系统进行评价和持续迭代优化。
尽管国内外学者对于协同感知技术开展了大量的研究，但仍存在许多需要改进和深化的地方。例如数据端口兼容性不足，数据来源有限；数据处理和运算量大，未满足现有道路的实时性需求；协同感知错位与异步问题，易导致安全隐患；多模态融合未得到充分考虑，缺乏对不同类型信息的综合利用等。因此，解决这些问题与挑战将有助于协同感知技术的发展。
2 智慧公路多源监测数据的深度分析技术在智慧公路交通信息监测中，原始数据采集只是第一步，关键在于如何有效地分析这些多源数据，提取有价值的信息，并进一步实现交通管理优化和决策支持。本节将讨论智慧公路交通监测数据的深度分析技术和方法，以及在实际应用中可能面临的挑战。
2.1 多源异构数据预处理与特征提取在当今数字化和智能化的浪潮中，智慧公路作为交通领域的一项创新实践，正逐渐成为提升管理效率、保障道路安全、优化出行体验的重要手段。其核心在于利用先进的信息技术，对交通数据进行实时采集、分析和应用，从而实现对交通流的智能监控和管理。例如，视频、雷达等交通监测设备作为智慧公路系统的“眼睛”和“耳朵”，能够捕捉到丰富的交通信息，为交通决策提供第一手资料。原始数据采集主要分为动态交通流数据、时空轨迹数据以及非结构化环境数据等多模态信息，例如视频监控影像、毫米波雷达点云、浮动车全球定位系统(GPS)轨迹及地磁传感器脉冲信号等[42]。然而，这些原始的数据往往包含大量的噪声、异常值以及具有显著的时空异质性特征，例如在时间维度上存在采样频率差异，空间维度上覆盖点状卡口、线状路段和面状路网等多尺度信息，数据结构上包含数值型、图像型、文本型等不同形态。这就需要通过一系列的预处理技术来清洗和优化数据，以确保其质量和可用性。
数据的预处理是智慧公路交通监测数据分析的第一步，也是至关重要的一步。它不仅涉及到数据的清洗、格式的标准化，还包括去噪、缺失值的处理以及特征的提取等多个方面。陈均栋[43]提出了一种改进的小波阈值去噪方法，采用遗传算法对小波阈值参数进行自适应寻优，并通过改进遗传算法来克服过早收敛的问题，通过加权系数法和三角函数转换提出了一种新的阈值函数，提高了去噪效果。周鑫[44]提出了数据剔除法和数据补缺法两种方法对多源交通数据进行预处理，有效地解决了因设备传输故障等原因造成的数据缺失问题，提高了数据的准确性和可用性。田丰[45]通过对原始雷达数据短时多帧数据积累、加权距离度量以及基于自适应参数的DBSCAN算法凝聚处理，改进了交通监测毫米波雷达数据预处理方法，显著提高了车流量统计精度。张玺君[46]利用二维离散小波的多分辨率分析特点，对交通轨迹大数据进行去噪和压缩处理，提出了基于交通轨迹数据的拥堵评判标准。李敏[47]提出了交通云的概念，利用云计算和云服务完成交通信息的采集、处理和应用，并以重庆市渝中区的交通大数据为例，对交通流量数据进行了统计分析和清洗处理。高远[48]针对浮动车GPS数据中存在的定位误差等问题，对相同数据、多轨迹数据、速度值异常数据制订了清洗规则，为后续的交通流状态估计与预测提供数据支撑。
此外，通过对海量交通数据的深入分析与挖掘，可以利用先进的机器学习算法，从大数据中学习和识别交通模式，捕捉到交通流量、车辆类型、速度分布等关键特征，从而用于交通状态预测。佘颢[49]采用美国加州性能测量系统(PEMS)的交通数据进行试验，使用卷积神经网络和支持向量机自动提取交通数据特征，并进行交通状态的分类。赵志强[50]通过主成分分析(PCA)和独立成分分析(ICA)方法对数据进行压缩与重构，对北京城市道路和美国华盛顿州高速公路的实际交通流数据进行试验，结果表明PCA在高速公路数据进行压缩和重构误差方面表现更优。刘世泽[51]提出了一种基于多尺度特征提取的交通模式识别算法，在数据处理时利用快速傅里叶变换(FFT)将一维传感器数据转换为二维频谱图像，然后通过PCA算法对频谱图像进行降采样以降低数据复杂度。彭延峰[52]在对短时交通流进行预测时，针对每个有效分量建立最小二乘支持向量机(LSSVM)网络模型，并根据分量特性选择相应的模型训练参数，有效地提取了交通流数据的特征信息。郭洋[53]提出了基于新定义的模糊粗糙集概念的粒度神经网络，该网络通过无监督学习的方式，利用特征评估指数最小化方法进行训练，实现了交通领域海量多维数据中的特征提取并确定了特征重要性。
随着技术的进步，未来的智慧公路大数据监测将更加注重实时性、准确性和自适应性。集成更先进的传感器技术、利用云计算和边缘计算提高数据处理能力，以及开发更复杂的机器学习模型，将是推动智慧公路发展的关键因素。总结而言，智慧公路大数据监测的预处理技术和特征提取是构建智能交通管理系统的基础。通过不断优化和改进这些技术，可以实现更高效、更准确的交通流预测和管理，从而提高道路使用效率，降低交通拥堵，提升驾驶安全。
2.2 基于多源数据的融合分析数据融合模型可以用来整合经过预处理和特征提取的数据，以形成对交通状况的综合描述。这些模型可以基于传统的统计方法，也可以利用现代的大数据技术和机器学习算法。例如，深度学习技术能够处理大规模数据集，自动发现数据中的复杂非线性关系，为交通信息监测提供了新的视角。杨玮[54]研究了基于改进神经网络算法的多源交通数据融合方法，提出了基于天牛须搜索(Beetle Antennae Search，BAS)优化粒子群神经网络(PSO-BP)的数据融合算法(BSO-BP)，并建立了基于BSO-BP神经网络算法的多源交通数据融合模型，对传统的粒子群神经网络模型进行了改进与优化，提高了高速公路交通信息融合的精度。刑吉平[55]基于手机定位数据、出租车GPS数据、车牌照片识别数据等多源数据，提出了基于张量分解的数据融合规范分解/并行因子分析(Data Fusion CANDECOMP/PARAFAC)模型来处理线状缺失流量，并使用迁移学习方法来估计城市路网中未安装检测器的路段流量。包杰[56]通过融合社交媒体签到数据、出租车上下车数据和地铁旋转门感应数据等多源异构数据，利用深度学习技术，特别是卷积神经网络(CNN)、长短期记忆网络(LSTM)和卷积长短期记忆网络(ConvLSTM)，构建了一个时空深度学习网络(STCL-Net)，以预测城市路网的短时交通事故风险。赵宝新[57]提出了同构和异构多源数据融合模型，旨在解决城市交通数据中的稀疏性、缺失性、倾斜性和异构性问题，通过权重分配和深度神经网络结构提高数据质量，并增强模型对城市交通动态变化的捕捉能力，刻画了交通拥堵的形成、扩散和消散过程。王志成[58]提出了一种面向城市智能交通管理的多源异构数据融合技术，算法设计结合了多尺度深度卷积神经网络(DCNN)和双向长短期记忆网络(Bi-LSTM)模型，通过分析城市信息模型(CIM)三维实时交通数据和其他多源数据，提高了交通流预测的准确性。祖国强[59]阐述了加权平均法、贝叶斯方法、卡尔曼滤波、DS(Dempster-Shafer)证据理论和深度学习方法等融合算法在无人驾驶环境感知中多源数据融合的应用，讨论了多源数据融合的不同层次，包括目标级融合、特征级融合和数据级融合，并分析了融合系统的架构和关键问题。李林超[60]提出了一种基于特征级融合的高速公路异质交通流数据修复方法，利用深度学习中的自编码网络提取交通流数据的时空关联特征，结合多源数据的相关性来提高数据修复的精度和稳健性，并通过随机森林算法建立修正模型来估计缺失的交通流数据。周骆[61]融合了雷达和自动识别系统(AIS)数据来生成船舶的航行轨迹，并构建了一个包含卷积神经网络和长短期记忆网络的模型，以学习船舶航行轨迹的局部和全局特性。该模型能够预测东西方向船舶的航行位置，帮助汽渡提前做出应对措施，提高航行安全性。谷远利[62]对卡口数据和浮动车数据提取速度、流量、密度、道路满载度等交通流参数，并通过卡尔曼滤波算法进行数据融合，构建高维特征输入，然后通过改进的模糊C均值聚类模型(BNIT-FCM)来实现多源数据融合的城市快速路交通状态划分。何烜[63]通过引入多源数据观察特征，提取交通流数据并获取道路特征状态变量，并利用多源数据融合的改进隐马尔科夫模型(HMM)，用于评估交通拥堵态势。王晓阳[64]构建了考虑降雨影响的综合预测模型正则化深度信念网络(R-DBN)和正则化长短期记忆网络(R-LSTM)处理交通流数据，并通过引入降雨数据作为外界影响交通量的特征纬度，构建了融合降雨因素的神经网络预测模型。霍嘉男等[65]利用LSTM循环神经网络构建组合模型来预测城市交通状况。研究考虑了交通流特征(如速度、流量、加速度和停车次数)和天气特征(如温度、湿度、天气状况和风速)，通过提取这些特征并将其与LSTM模型结合，提高了道路行程速度预测的准确性。钱凤萍[66]通过高效的数据预处理算法提高手机信令与电子不停车收费系统(ETC)门架数据的质量和可靠性，并利用融合距离加权算法和S型3参数交通流模型评估路段交通拥堵态势。
数据融合模型综合运用大数据技术和机器学习算法，对预处理和特征提取后的数据进行深入分析和智能挖掘。这一过程中，不同来源的数据，如手机信令、ETC门架数据、视频监控数据等，通过先进的融合技术被有效整合，从而提供更为全面和准确的交通状况描述。总结来看，多源数据融合分析方法在智慧公路交通信息监测中的应用，不仅提升了交通状态识别的准确性和可靠性，也为交通管理决策提供了强有力的数据支持。未来，随着技术的不断进步和创新，预计将进一步纳入更多类型的数据源，探索更深层次的数据融合策略和算法，实现更加精细化和智能化的交通信息监测。此外，深度学习等前沿技术的引入，将使得视频数据等非结构化数据的预测和分析更加精准，从而推动智慧公路交通信息监测技术向更高水平发展。
2.3 云边端协同计算架构下的数据分析公路交通作为交通系统的核心组成部分，在中国交通运输体系中扮演着至关重要的角色。截至2024年末，中国公路总里程达549.04万公里，全年完成了418.80亿吨的营业性货运量，并支撑了人员流动量592.90亿人次[67]，在国家经济建设和社会保障中承担了基础性支撑作用。智慧公路是中国公路建设的新型模式，采用云端(中心云计算)、边端(边缘计算节点)和终端(路侧/车载设备)协同运行的分布式云部署架构，适应于大规模多源异构数据的挖掘，保障公路全天候的服务提供。云边端协同计算架构核心在于通过分布式计算范式实现数据处理的层级化协作，通过资源调度与任务分配机制，形成“集中优化-边缘自治-终端响应”的多级协同体系。这种架构有效解决了海量异构数据处理、实时性需求与隐私保护之间的三元悖论，已成为智慧公路研究的重点领域。
2.3.1 云计算：海量数据处理的算力基石云计算为大规模公路数据的处理和分析提供了算力支撑，显著提升了公路安全[68-70]。云计算技术为路径选择和交通信号灯的控制提供了灵活的解决方案。此外，Bitam[71]和Liu[72]认为云计算技术通过整合大量的数据资源为智慧公路的信息检测提供了存储、传输和处理框架，最终增强了出行者的出行体验。
车载云和交通管理也是智慧公路的主要技术特征，通过整合云计算技术和车联网技术，为车间通信(Vehicle-to-Vehicle，V2V)、交通管理和道路安全提供了保障[73]，该方法涉及使用云存储、基础设施服务、计算和互联网络来共同建设无事故环境从而加强城市交通管理[74]。
然而，尽管基于云端的智慧公路解决方案具有潜在优势，但其存在将数据上传到云端的数据安全与隐私挑战，可以通过加密、访问控制和威胁检测等机制对这些问题进行有效缓解，从而建立用户和利益相关者之间的信任，但对于交通监测和管控的实时性造成了较大影响[75]。
2.3.2 边缘计算：实时响应与隐私保护的近端解决方案对于智慧公路建设而言，实时性是其重要特征，边端采用边缘计算将数据处理放在数据产生位置附近，减少了数据传输到云端的延迟。此外，由于边端对原始数据进行了预处理，对上传到云端的数据进行了筛选，节约了传输成本，缓解了网络拥堵[75]，Li[76]认为边缘计算是处理道路级数据的最佳选择。研究表明，在交通系统中使用边缘计算技术可将交通效率提高约20%，城市安全性提高35%[77]。Shi[78]在实践中验证了基于边缘计算的车联网为车辆路线安排和拥堵预警等交互式服务提供了便利。
边缘计算凭借其分布式近端处理特性，理论上可有效解决智慧公路中海量异构数据的实时响应瓶颈，特别是在降低通信时延、增强本地决策自主性方面具有显著优势。然而在实践层面，该技术在智慧公路实体系统的渗透度仍显不足：现有应用多集中于视频流分析等基础场景，对交通状态预测、设施健康监测等复杂任务的支撑能力尚未得到充分验证。这种理论与实践的落差源于多重制约——边缘节点算力资源配置与业务需求匹配度不足、跨层级计算架构的协同优化机制缺失，以及缺乏系统性的建设效益评估指标体系。当前学术界正着力突破这些瓶颈，通过轻量化模型压缩、联邦学习框架、数字孪生仿真等技术路径，探索边缘计算与道路感知网络的深度融合范式。未来需构建涵盖技术成熟度、经济可行性、社会效益等多维度的综合评价模型，从而科学推动边缘计算从试验性部署向规模化应用演进。
2.3.3 终端设备：数据采集与执行交互的前沿触角对于智慧公路场景而言，端侧代表与公路直接交互的各种终端设备，是数据采集和执行操作的第一线。依据类型划分，端侧包括传感器、移动设备等。当前学术界对比已有大量研究和探讨。
多源传感器对智能公路建设至关重要，其可实现城市交通监控、智能交通管理、交通安全预警和路况识别等功能[79]。随着物联网的飞速发展，GPS、加速计和陀螺仪等传感器与车辆集成，为交通设备通信和数据收集提供了更为便捷的方式[80]，也为运输服务的提供者提供了关键数据，提高了运输服务的性能、效率和安全[81]。当前越来越多的传感器与交通基础设施(如桥梁、交通标志等)集成，用于改进驾驶过程，并驱动传统交通系统向智能交通系统转型[82-83]。
移动技术也是提高交通系统运输效率和经济效益的重要方式[84]。Sun[85]认为智能手机App对可持续交通和出行规划具有重要作用，Erdelić[86]收集了移动设备的加速计、磁力计、陀螺仪等传感器数据，进行了移动性分析和规划，证明了其观点。然而，虽然当前已有大量研究探讨了移动技术对于交通系统的作用，但是并未论述移动技术对于交通系统整体效率和效益的影响，未来有待进一步探讨。
2.4 基于人工智能的交通状态智能识别与预测交通状态的识别与预测是一个典型的人工智能问题，当前已有大量的人工智能算法用于解决该问题，包括LSTM，循环神经网络(RNN)，CNN等。
交通流数据是时间序列数据，Li等将LSTM网络用于训练交通流数据，结果显示，与原始数据相比，采用LSTM网络的预测结果误差更小[87]。Soares[88]用LSTM单元提出的深度RNN架构在基于智能手机传感器数据的出行模式检测中表现出较高的准确性和较低的内存消耗。Zhao[89]提出了一种可动态确定短期交通流预测最佳时滞的LSTM-RNN模型，相比其他模型精度更高。
Du[90]开发了一种LSTM-CNN的混合模型用于预测高速公路旅行时间，该模型在非递归预测、多步骤超前预测和长期预测方面均有较好效果。Sun[91]提出CNN-LSTM模型，发现该模型具有出色的空间提取能力，可准确预测出每天的乘客流。
2.5 交通大数据隐私保护与安全增强技术在智慧公路交通信息监测过程中，涉及大量的车辆及人员数据，隐私保护与数据安全问题日益凸显。未经授权的数据访问、隐私泄露以及数据篡改等风险，不仅威胁个人隐私，也可能导致交通管理系统的失效，甚至引发严重的交通事故。为了应对这些挑战，各种隐私保护与数据安全技术应运而生。其中，加密技术在隐私保护中发挥了重要作用，对数据进行端到端的加密，可以确保数据在传输过程中的安全性。例如，Shen[92]利用加密技术和差分隐私保护技术构建了收费数据发布方法，既有效保护了收费数据中的隐私信息，又保留了数据的原始特征；Su[93]提出了一种结合联盟链和私有链的混合区块链架构，通过短签名和同态加密技术，实现了车辆自组织网络中高效且安全的隐私保护认证方案。匿名化处理技术如基于哈希函数的克隆技术，通过混淆和转换数据使其难以被追踪，可以有效防止数据在传输和存储过程中的泄露和篡改。Wu[94]提出了一种结合历史位置请求数据的交通密度监测系统，通过伪名化和位置匿名技术有效提升了车辆位置信息的隐私保护；Parmar[95]通过区块链技术构建了隐私保护认证方案，使用椭圆曲线加密和加密哈希函数确保车辆自组织网络中的通信隐私，并开发了相应的智能合约实现自动化认证过程。此外，隐私保护算法等新技术也为数据的安全性和透明性提供了新的解决方案：Li[96]通过构建前缀树结构、增量隐私预算分配模型和时空维度缩减模型，提出了一种基于差分隐私的公共交通智能卡数据隐私保护算法；He[97]提出了一种基于k-匿名和信息熵最大化的隐私控制算法，用于在智能城市和出行即服务技术(MaaS)背景下保护私营运营商的运输网络数据共享；Abadi[98]的研究提出了一种基于差分隐私的深度学习框架，通过改进的随机梯度下降算法和矩会计技术，在训练过程中注入噪声，保护数据隐私。
除了隐私保护技术本身，如何在确保数据隐私的同时实现有效的数据分享与合规性也至关重要。随着《通用数据保护条例》(GDPR)的颁布，传统的私有数据共享方式被禁止，大量孤立数据无法充分享受大数据和云计算带来的红利[99]，而联邦学习(Federated Learning, FL)作为一种新兴的分布式机器学习技术，可以在多个数据持有者之间进行协同学习，而无需共享原始数据，从而实现隐私保护和数据合规。McMahan[100]的研究表明，联邦学习在智慧公路数据共享中具有显著优势，可用于训练交通流量预测模型，而无需直接访问车辆的具体位置数据。联邦学习结合差分隐私(Differential Privacy, DP)[101]和安全多方计算(Secure Multiparty Computation, SMPC)[102]等技术，能够进一步增强数据隐私保护。为了确保数据分享的合法合规性，还可以采用如GDPRPDDoS(GDPR Post-Data Deletion Obfuscation Strategy)等策略。GDPRPDDoS是一种数据删除后的混淆策略，确保删除数据后无法恢复，从而保证数据隐私，相关研究表明，数据删除后的模糊化和不可恢复性对于数据隐私保护至关重要。例如，Grap[103]在他们的研究中详细探讨了数据删除和混淆技术的应用，指出这种策略不仅有助于符合GDPR的规定，还能在数据管理过程中提供更高的安全性；Goldsteen[104]强调了在GDPR背景下实施数据删除和模糊策略的重要性，详细探讨了技术实现和合规性问题。
在智慧公路监测中，平衡性能提升与个人隐私保护的需求是另一个关键的问题。针对性能的定义，可以分为以下3个不同的领域：学习、效用和开销[105]，不同学者针对不同的性能提升目标，致力于在提高交通管理和服务效率的同时，确保用户个人隐私的保护。例如，Sun[106]提出了一种基于虚拟旅行线路(VTL) 区域系统的隐私保护方法，并开发了相应的对抗模型，验证了该系统在细粒度城市交通建模中的隐私保护和数据需求的平衡；Sun[107]提出了隐私感知城市交通系统(PUTS)框架，通过结合地图匹配技术和差分隐私，有效减少了车辆轨迹数据中的误差，生成了既保护用户隐私又具有高实用性的合成轨迹数据；Tan[108]提出了一种结合安全多方计算和差分隐私的隐私保护机制，用于在连接车辆环境中实现自适应交通信号控制，有效平衡了交通控制性能提升与个人隐私保护的需求。他们的工作不仅提升了智慧公路监测系统的效率和准确性，同时也为保护用户隐私提供了坚实的保障。
在当前多源数据分析环境中，保护数据安全和隐私面临诸多挑战。审视数据安全与挑战，学者们采用多种方法确保在多源数据分析中保护个人隐私和数据完整性，包括数据加密、安全协议、安全视频、访问控制等。例如，Zheng[109]开发了一种在加密数据上执行隐私保护的数据合并和天空线计算的高效方法，通过左倾树和公钥加密技术，增强了多源数据操作的安全性和效率；Xu[110]设计了一种基于二分图模型和划分算法的高吞吐量多方安全乘法协议，通过一轮交互和优化的通信计算，有效保护了多源数据的隐私性，同时保持了数据处理的高效率。
在提高数据共享和透明度的同时，保护隐私是一个较为复杂的平衡问题。Zinovatna[111]提出了使用软目标相互依赖图(Softgoal Interdependencies Graphs, SIG)来捕捉和建模隐私和透明度之间的相互影响，他们通过构建隐私和透明度的模式目录，为平衡这两方面的非功能性需求提供了参考。Samavi[112]提出了一种基于区块链的链接数据隐私审计模型，通过共享日志系统和图结构数据库查询支持，实现了隐私保护与数据共享、透明度提升的平衡；Mooij[113]分析了隐私与透明度之间的平衡问题，并提出了利用数据钱包和区块链技术来增强个人数据控制权，同时提高数据共享和透明度的解决方案。通过赋予数据主体更大的控制权，可以在保护隐私的同时促进必要的透明度。
尽管一些法规如GDPR为数据处理和保护提供了法律框架和指南，然而，法规的实施和合规性仍然是一个复杂的问题，需要不断调整和改进。未来趋势如区块链技术提供了去中心化、高可靠性、可溯源性的数据管理方式[114]，增强了数据透明度和安全性，其不可篡改性和分布式账本技术为多源数据分析中的数据完整性和安全性提供了新的解决方案。同时，区块链技术将继续与新兴技术如大数据、物联网等深度融合。此外，人工智能安全策略也在保障数据安全方面扮演着重要角色，通过AI技术的应用，可以实时监控和检测异常数据行为，及时响应潜在的安全威胁。众多研究表明[115]，结合AI和机器学习技术的安全策略能够显著提高数据保护的效率和效果。
3 智慧公路交通信息监测场景服务在智慧公路的发展中，信息监测场景服务起着关键作用。通过对不同交通场景的细致监测与分析，可以有效提高交通管理效率和出行服务质量。智慧公路交通信息监测服务涵盖了城市交通、高速公路等多个场景，各个场景的监测都能为城市规划、交通流量控制、事故处理、环保监测等提供科学数据支持，从而实现更智能、更高效的交通管理。
3.1 城市交通信息监测场景服务城市道路交通流监测。随着城市化进程加快，传统交通监测方法无法满足现阶段的发展需求。近年来，伴随大数据、人工智能和物联网技术的发展，交通流监测系统实现了显著进步。早期系统依赖感应线圈和气压管等物理设备，尽管能提供基本数据，但安装维护成本高，且受环境影响大。随着技术进步，地磁检测、红外检测、微波雷达和超声波等新型传感器逐渐引入，提升了数据采集的灵活性和可靠性。这些技术显著提高了交通流监测的精度和实时性。例如，Wang[116]基于车牌识别设备，整理形成了城市规模的交通流数据集，再现了交通流演变细节，揭示了城市内的出行模式。此外，智能交通摄像头和无人机视频监测技术的应用，使得在恶劣天气和复杂环境下依然能提供可靠数据支持。多样化的数据源、先进的数据处理技术及创新的模型算法，为城市道路交通流监测提供了丰富方法，促进了交通管理和出行服务的科学化。
城市道路事件实时监测。随着机动车数量增加，城市道路突发事件的频发性和复杂性显著提升，对城市交通管理提出了更高要求，尤其是实时检测和响应系统。实时检测包括基于地理信息系统(GIS)和物联网、大数据的检测技术。GIS在突发事件检测中结合事件属性和空间信息，通过可视化手段进行高效管理和分析。例如，Anderson[117]使用K均值聚类结合环境数据，分析了伦敦地区的道路事故多发点。瞿庆亮[118]利用GPS数据和聚类分析，研究了山东滨州—莱芜高速公路(滨莱高速公路)的突发事件点分布。物联网技术的发展使实时采集交通数据成为可能，通过部署传感器实时获取交通流量、车辆速度和事故数据，结合大数据分析技术实现快速检测和预警。响应策略包括最短路径优化、应急资源调度和临时交通组织。突发事件发生后，快速确定应急车辆的最优路径是关键问题，应急资源合理调度是响应的重要环节。Zhang[119]构建数学模型合理分配救灾资源，路遥[120]利用非支配排序算法，对应急救援点进行选址并构建高速公路应急资源调度模型。突发事件发生后，临时交通组织策略对保障交通畅通至关重要。Wolshon[121]提出了车道反向流策略，刘刚[122]研究了事件中心的车辆疏散问题，建立了应急疏散双层规划模型。尽管这些学者已取得显著研究成果，但在实际应用中仍面临挑战，如在复杂城市环境中实现高效检测和响应，优化应急资源调度和制订科学合理的临时交通组织策略等。这些问题需要持续技术创新和实践探索。
城市停车管理监测。停车难题已成为现今城市管理的重大挑战。早期在信息技术不发达的情况下，各国通过开发地下停车场、道路停车专用道和错峰停车等方式缓解该难题，但这些方法受空间限制，导致公共空间过度占用。近年来，许多城市启动智能停车项目，研究停车系统，包括停车信息系统、自动停车系统和支付系统[123]。智能停车解决方案涵盖信息收集、系统部署和服务传播[124]。信息收集通过部署传感器提升效率，系统部署构建信息管理和电子停车服务软件，通过改进的机器学习算法，预知停车位情况。服务传播提供便捷的信息访问，引导合理停车选择[125]。目前，国内广泛应用的停车管理系统主要有道闸管理式和车位检测引导式。车位检测引导式结合图像识别、大数据和机器学习，具备停车引导功能，仍在探索阶段。道闸管理式系统通过设置道闸口负责车辆登记和收费，特点是简单、方便，是市场主流[126]。总之，城市智能停车管理系统经历了从基础设施扩展到智能化管理的过程。随着信息技术、大数据和人工智能的发展，智能停车系统不断进步，为城市停车难题提供了高效科学的解决方案。未来，随着物联网、5G和智能驾驶技术的普及，智能停车管理系统将进一步助力智慧城市建设和交通管理优化。
城市公共交通信息监测。随着物联网和计算机技术的发展，利用交通大数据进行智能挖掘和平台化应用，提升公共交通系统的管理和服务水平成为研究热点。研究者们广泛使用出租车GPS轨迹数据[127]、公交车GPS轨迹数据[128]和地铁客流数据进行研究，形成了丰富的理论和实践经验。出租车GPS数据帮助探索居民出行需求和热点区域[129]，并分析出行行为的时空特征[130]，揭示人类活动规律[131]。公交车GPS数据用于研究驻停方式及其相似性[132]。地铁客流数据在分析城市交通和居民出行行为方面发挥重要作用，例如Hasan[133]利用伦敦地铁刷卡数据研究空间移动模式。城市公共交通信息监测系统的发展依赖大数据和智能技术支持，通过对出租车、公交车和地铁数据的深入分析，研究者能够优化交通管理策略，提高公共交通服务水平。将来，城市公共交通信息监测系统将更加智能化和高效化，为城市交通管理和居民出行提供更科学的支持。
城市交通环境与污染监测。交通环境问题主要包括空气污染和噪声污染。尾气是空气污染的重要来源，噪声污染则主要来自于机动车运行。机动车排放因子计算是治理空气污染的研究重点，通常通过实车测试(如台架测试、隧道试验和车载测试)[134-140]和理论模型如移动网络(MOBILE)系列模型、复杂大气化学(EMAC)模型和道路运输排放计算程序(COPERT)模型[141-144]获得。交通噪声研究经历了从宏观到微观的多个阶段，早期模型基于交通参数预测噪声，如美国联邦公路管理局噪声预测模型(FHWA)和道路交通噪声计算模型(CRTN)[145-147]。20世纪90年代后，模型开始引入动态交通参数，并随着人工智能和大数据的发展，采用机器学习和深度学习方法预测噪声水平。例如，Ahmed[148]应用径向基神经网络预测道路交通噪声。这些新技术提高了噪声预测的精度和准确性。未来研究应整合各类数据，利用先进技术深入分析交通污染的分布和变化机制，以利于更好地指导交通污染控制和管理。
未来，随着物联网、5G和智能驾驶技术的普及，智能停车管理系统的智能化水平、服务效率和管理精度将进一步提升，助力智慧城市建设和交通管理优化。
3.2 高速公路信息监测场景服务高速公路交通流监测系统。交通流监测是智能交通系统(ITS)的基础研究领域，已在许多国家和地区实施。美国自1967年起进行电子路径导向系统(ERGS)试验，并在本国开展智能车辆-高速公路系统(IVHS)研究。20世纪90年代初，美国以加利福尼亚州(下称加州)的高级交通和公路计划(PATH)项目为样板，广泛实施IVHS系统。如今，美国多数高速公路具备匝道控制、事件检测、速度控制和气象管理等信息监测能力[149]。例如，加州5号州际公路使用包括相机、雷达在内的监控系统来管理交通，实施应急措施，并帮助司机避开拥堵。新加坡的电子道路收费(ERP)系统代表了另一种技术路径，该系统不仅通过路侧感应器实时测量交通流量与速度，更集成DSRC专用短程通信技术实现车辆与门架间快速数据交换，辅以车牌图像识别技术对异常交易进行抓拍取证，并依托强大的后台管理技术完成海量数据处理、动态费率调整和自动化扣费，从而将交通流感知能力直接转化为精准的需求管理手段，有效提升了道路运行效率[150]。中国高速公路信息化发展始于20世纪80年代初，首次在高等级公路上应用计算机、通信和电子技术进行监控管理。中国在“七五”攻关期间，重点研究高速公路监控和收费技术，以广州—佛山高速公路(广佛高速公路)和沈阳—大连高速公路(沈大高速公路)为实施现场，初步确定了监控和收费模式，对机电系统与交通控制发展具有指导意义[151]。“十一五”期间，交通运输行业全面推进信息化建设，大部分省市实现高速公路联网监控，部分重要路段全程监控。“十三五”至今，云计算和大数据应用进入实质性阶段，交通运输行业成为新兴技术的重点应用领域; 高速公路路网运行和基础设施状态监测多样化、实时化，采集率大幅提升；中国高速公路信息通信干线传输系统联网，实现ETC全国联网贯通运行，路网监控与应急处置能力显著提升；北京、天津、河北、湖南、重庆等省市建设了高速公路交通广播系统，移动应用服务(APP)和微信公众号得到快速推广，出行信息服务水平显著提升[152]。因此，高速公路交通流监测系统在智能化、自动化和数据处理方面取得了显著进展，未来将重点集成多源数据，应用人工智能和边缘计算技术，提升实时感知和预测能力，优化交通管理与应急响应。
高速公路事故监测与响应。美国于1960年和1970年分别建立了事件应急管理系统，并广泛应用于各州。例如，明尼苏达州的实时交通事件检测系统(DIVERT)系统能够及时检测事故，并为上游车辆提供引导路径，避免拥堵。自20世纪90年代以来，中国逐步向交通信息化管理方向发展，在联动指挥和应急处置信息化方面不断提升，机构职能也逐步明确[153]。2019年以来，上海投入使用的“易得PASS”系统能够通过实时计算自动识别事故地点，推送相关信息，并通过历史数据识别事故黑点，生成预警清单。总结来看，先进的事故监测与响应系统显著提高了事故处理效率，减少了交通拥堵，提升了整体交通管理水平。
高速公路收费管理与监测。当前中国国家标准ETC已实现全国高速公路联网全覆盖，计重收费与入口治超模式得到广泛推广[154]，移动互联网支付和车牌付等新兴收费模式层出不穷。例如，深圳市近年来在高速公路上应用车联网技术，实现了车与道路基础设施之间的实时数据交换。通过车联网技术，收费系统能够根据实时交通状况自动调整收费策略，提高了通行的智能化水平和道路使用效率。此外，这些系统还能够通过数据分析优化交通流量管理，减少拥堵和碳排放，提升整体道路运行效率和用户体验[155]。总结来看，高速公路收费管理与监测系统的智能化和数据驱动的应用，为提升道路使用效率和管理水平提供了有力支持。
高速公路气象监测与预警。随着全球化的发展，气象问题受到广泛重视，各国成立了多个国际合作研究项目和组织，如国际公路气象委员会(SIRWEC)，其成员主要包括欧洲及北美国家。道路天气信息系统(RWIS)的相关标准和规范是其关注的重点，通过收集天气和路况信息，不断完善RWIS系统[156]。通信和遥感技术的发展使气象数据传输更加便捷，多国研发了公路自动监测预警系统，实现未来数小时的气象预报，包括预报降雨量和路面温度等要素。先进气象监测系统在设计和传感器方面具有领先优势。中国于2007年发布了《高速公路路段能见度监测及浓雾的预警预报》(QX/T 76—2007)，规定了监测标准和设备要求，包括数据采集、分析和处理，建立了完善的预警机制和相关要求规范。一些企业也研发了适合中国国情的预警系统(HMWS)，已在大部分省市投入使用。该系统通过传感器实时发送天气和路面信息到预警工作站，综合分析后为气象部门和交管部门提供决策依据，并通知驾驶员路面情况[157]。近年来，高速公路气象监测技术取得显著进展，随着气象数据与交通管理系统的集成，以及大数据和人工智能的应用，已逐渐形成完善的体系，能够实时提供气象数据，支持交通管理和安全预警，不断通过新技术提升监测精度和管理效率。
高速公路车路协同系统监测。高速公路车路协同系统已成为国际智能交通领域的研究热点，欧美等发达国家和地区积极推进相关技术。相比城市交通，高速公路因其封闭性、结构化和高管理要求，特别适合推广车路协同系统，并且发展迅速。山东高速通过路网管理智慧大脑，实现了信息发布区域选择、发布时间分析等多端协同信息发布机制的自动调整优化[158]。Yu等系统总结和分析了基础设施-车辆系统(IVS)协同感知和控制方法，强调基础设施与CAV之间以及CAV之间的本质相互作用，总结了IVS在高速公路、矿场和港口等中的应用[159]。朱兴一提出AI赋能下面向车路协同智能道路的基本内涵和技术架构并详细探讨了AI在“路内-路侧协同感知”“车-路联合精准定位”、“车-路联合自主引导”等方面实现的技术途径[160]。Walch等系统评估了协同式智能交通系统(C-ITS)在高速公路场景下交通效率、安全和可持续性等方面的影响，并给出了C-ITS领域的未来研究方向[161]。赵祥模[162]提出了新一代智能公路一体化架构与测试方法，包括分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。总结来看，车路协同系统通过集成多种智能技术和大数据分析，提升了高速公路的管理水平和安全性。
3.3 新兴技术下的信息监测场景服务个体感知技术下的智能城市交通监测。在个体感知技术框架下，城市交通监测正由“抽样集计”向“个体辨识”跃迁。通过将车载OBU、智能终端设备等作为移动感知节点，系统可在秒级粒度上重构完整出行链，为精细治理开辟新范式。王亦民[163]提出了交通时空活动计算模型，通过泛在的交通监测设备实现全方位个体车辆感知，为交通管控、事故降压和重点车辆管理等多种业务需求赋能。唐克双[164]提出了一种新的非线性整数规划模型，通过优化AVI传感器的放置位置，来提高有限传感器数据重建个体级车辆路径的精度。蔺庆海[165]基于车辆身份检测数据提取OD信息，并利用深度强化学习方法来实现匝道协调控制策略。Chen[166]提出了一种基于边缘智能的路侧危险检测系统，利用CVIS协调车辆和基础设施通信实现高准确率，并在模拟高速公路场景中证明其降低事故潜力。Chaudhari[167]等通过无人机航拍来捕获各种交通状况和行为，并形成了高分辨率交通轨迹数据集。Wu[168]提出了一种集中周期性干预网络(CPIN)方法，通过低时延、高可靠的V2X组网技术获取交叉口车辆的实时运行状态。Chen[169]将CV协同监测问题铸造到一个节点时间戳插入问题(NodeTIP)中，并设计了一种迭代路线搜索算法来提高系统级监控效率。Fakhruzi[170]利用分布式声学传感(DAS)技术监测城市交通，提供了一种工作方法论，通过光纤传感器实现实时流量和事件检测，并在西班牙城市实地验证。总体而言，新兴技术通过全面的数据感知和智能分析，提升了城市交通监测的精度和效率，推动了智能城市的发展。
新能源车辆运行和充电监测。新能源汽车的发展速度和规模受电池容量和充电速度影响，因此电力补给方式的研究和设计至关重要[171]。学者们通过建模和分析，对新能源汽车充电站设施进行了研究，提出了有效决策。颜勤[172]提出的综合式充电站集成插电、发电和储能功能，并结合商业建筑，为充电基础设施建设提供了新思路。Cheng[173]提出基于光伏能源且无储能系统的直流快速充电站，以降低运营成本，保障电网平衡。中国国家电网自2022年起在高速公路沿线建设超级充电站，提供高功率快充服务，充电时间缩短至30 min以内，并配备休息区和餐饮设施，满足长途旅行需求。截至2024年，中国已建成超过100个超级充电站。深圳市在2021年推出“智慧充电网”项目，利用大数据和人工智能技术优化充电桩管理，通过实时数据分析和动态调度优化负荷分配，并进行故障诊断和维护，提高充电网络效率和用户体验。智能充电系统和绿色能源充电站的应用显著提升了充电效率和环保水平，推动了电动车的普及和可持续城市发展。实时监控车辆行驶状态信息对于智能车主动控制系统至关重要。特斯拉的远程监控系统通过车载传感器和数据采集设备监测电池状态和性能，提供故障诊断和软件更新，确保安全性和性能。蔚来的蔚来辅助驾驶系统(NIO Pilot)利用传感器和数据分析提升辅助驾驶功能。近年来，比亚迪在其电动公交车和乘用车上应用“云控系统”，实现对车辆运行状态的全面监测，通过大数据分析优化能效和维护计划。小鹏、宝马和问界等品牌也提供了类似服务。这些应用展示了新能源汽车运行状态监测技术的广泛应用，通过实时监控和数据分析，提升了车辆的安全性、性能和维护效率。新能源车辆的运行状态监测技术正向智能化、集成化和数据驱动发展，随着传感器技术、人工智能和大数据分析的进步，新能源车辆将实现更精准的故障预测和性能优化。
自动驾驶车辆运行监测。随着技术的发展，自动驾驶系统逐渐从实验室走向实际应用，但如何实时监控和评估其运行状况成为关键问题。目前，自动驾驶车辆的监测技术已经取得显著进展，大量学者通过各类仿真工具与车辆自身传感设备等提出了许多自动驾驶车辆运行监测方案。李克强[174]提出了一系列系统化的测试方法，赵祥模[175]对自动驾驶测试相关工作做了系统性的梳理。在开放道路测试方面，目前中国已经有10余个国家级智能网联汽车测试示范区, 20个智能网联汽车“车路云一体化”应用试点城市，多个城市开放自动驾驶上路试点运营。自动驾驶车辆运行监测技术的发展正朝着系统化、标准化、实时化、智能化的方向迈进，自动驾驶车辆将越来越灵活地应对复杂多变的交通环境。
4 城市与公路差异对比城市交通和公路交通虽然属于同一领域，但隶属于不同的部门，在交通信息监测的定义、内容、目的等方面存在很大差异。城市交通信息监测主要关注于城市内部的道路交通状况以及相关的公共交通信息，通过采集车辆、行人等各类交通参与者的实时数据，结合天气、事件等外部信息，构建全面的交通状态感知系统，为城市交通管理、出行服务等提供数据支撑，旨在提升城市交通治理水平, 增强公众出行体验。相比之下, 智慧公路交通信息监测更侧重于高速公路、国省干线等城际交通走廊的交通状况信息采集和分析，重点关注车流量、车速、拥堵程度等指标，为公路管理部门提供决策支持，有效保障公路网络的安全畅通，提升公路运输效率。
本节将具体讨论城市交通和公路交通在信息采集、数据分析和场景服务3个方面的差异，并针对这些差异，为未来实现交通一体化提出合理的建议，以期实现城市交通和公路交通的协同发展。
4.1 信息采集当前，公路交通通过路侧感知、车载感知和协同感知技术全面采集公路网络的交通状况、环境条件等信息，为公路管理和服务智慧化提供了可靠的数据基础(详见第1节)。城市交通则利用人工调查、固定式采集以及移动式采集交通流运行状态、车辆运营情况、交通设施运作状况以及突发交通事件等多方面内容，为实施交通控制和诱导的智慧化提供核心基础数据。
人工调查信息采集是指交通调查人员或调查对象利用笔、纸以及其他辅助设备，通过填写或记录表格的形式来收集城市交通信息。霍治方[176]构建了自动驾驶汽车公众接受度理论模型，并基于1178份实地社会实验调查问卷数据，实证揭示了公众对自动驾驶汽车采纳的影响机理。王宝乐[177]借助高德地铁城市交通数据采集了488条路段拥堵数据，并在地理信息系统应用与开发平台(ArcGIS)里进行可视化表达和分析。人工调查方式能够采集包括交通量、路段平均速度、交通密度等多种交通参数[178]，同时还能获取居民出行(OD)数据、国民经济发展状况、经济结构、各种交通运输状况、城乡规划、道路等交通设施状况以及交通环境等多方面的信息。人工调查信息采集方式简单易操作，无需复杂设备支持，但其缺点也较为显著。它需要投入较多的人力资源，并涉及多个单位和人员的协调安排，因此在实施前需进行长时间的筹备工作。同时，由于人工调查需要大量人员参与，并进行长时间、大范围的调查活动，所以其耗费的成本也相对较高。
固定式检测依托部署于关键节点的专用设备，实现对交通流参数的精准感知与采集。固定式信息采集是指运用安装在固定地点的交通检测器设备对移动的车辆进行监视，从而实现采集交通流参数的方法总称，主要包括环形线圈检测[179]、视频检测[180]、超声波检测[181]、微波雷达检测[182]、红外检测[183]、磁力检测[184]和压电检测[185]等。章冠[186]为了解决车辆计数问题, 将环形线圈作为传感器铺设在公路行车道上，当车辆通过线圈上面时, 由于电感L发生变化, 引起振荡电路的频率发生变化; 通过锁相环芯片检测频率的变化, 使模拟信号转化成数字信号。蒋伟[187]基于对电子警察系统的研究, 展示了电子警察系统的结构和功能, 详细阐述了环形线圈车辆检测器的工作原理和其在电子警察中的设计与改进。燕学智[188]基于超声传感器设计了自动引导车辆的定位系统, 提出了一种高精度测量超声信号传播时间的方法。该方法采用双超声发射传感器依照一定的时序进行工作, 解决了信号相互干扰问题。曹林[189]利用深度学习的高维特征泛化学习能力, 将改进的莱内特5号(LeNet-5)卷积神经网络用于基于交通微波雷达的大小车型分类识别。张明东[190]对天津地区的静海、徐庄子和宝坻新台的3个台站的GM4磁通门磁力仪数据进行了噪声的频谱分析，旨在识别出主要的干扰频段，进而提出相应的解决方案。管奇卉[191]基于冲击效应设计了轨道交通压电式多向风能俘获系统, 收集轨道交通沿线的自然风和列车经过时所产生的列车风, 利用冲击效应俘获压电能量并达到为无线传感器节点供电的目的, 具有较高的工程实用意义和良好的环保效益。
移动式检测利用行驶车辆作为动态感知单元，实现对路网运行状态的广域、实时探测。移动式信息采集是指通过道路上行驶的车辆实时收集基础交通信息，利用全球定位系统、智能车载设备及移动通信网络，使车辆能够采集并即时上传其位置、速度、行驶方向及时间等数据，从而为交通信息中心判断道路网络整体运行状况提供信息基础。移动式信息采集技术主要涵盖GPS定位检测[192]、浮动车数据检测(FCD)[193]和无线射频识别(RFID)检测[191, 194]等。胡明伟基于GPS的实时交通信息采集方法研究, 分别提出了利用GPS返回的经纬度数据和速度数据的路段平均速度估计算法[192, 195]。朱远祺[193, 196]对基于中国9座城市的出租车GPS历史数据，根据车辆载客状态提取出OD的直线距离，对出租车出行OD距离分布进行了分析。叶加圣[197]对交通信息采集和动态诱导系统进行了需求分析和总体设计，在平台上采用C#进行了系统设计和实现。金江红[198]提出了用于出租车车辆识别的RFID系统方案，以RFID为核心进行了城市出租车交通信息采集平台的设计。
公路交通信息采集侧重于利用路侧、车辆及协同感知技术，实现对高速公路等结构化道路的广域、连续监测，技术体系相对标准化。而城市交通信息采集则面临更复杂的道路网络与交通行为，需综合运用固定式、移动式及人工调查等多种手段，以获取精细化的个体出行链与交通流状态。城市交通与公路交通各自制订的技术标准缺乏统一协调，评价体系关注点不同，信息标准规范难以实现高效共享。例如，在城市交通方面，《城市道路交通信息监测和显示设备设置规范》[199]规定了城市道路交通信息监测记录和显示设备设置要求，包括视频监控类、交通流监测类、事件监测类、特征检测类、违法检测类、环境检测类和通用型显示设备、专用型显示设备等。在公路交通方面，《高速公路网运行监测与服务技术要求》[200]突出强调了公路网运行监测与服务系统服务功能的稳定性，制订了系统最基本的功能单元和技术要求，规范和设计了各项技术指标。标准规范的不一致加剧了城市交通和公路交通在基础设施建设和服务水平等方面的发展差距，限制了交通系统的整体优化和协同发展。未来，二者融合发展的关键在于推动采集设备的标准化与智能化，构建“天-空-地”一体化的全域感知网络，并建立统一的数据接入与共享规范，以消除信息孤岛，为综合交通大脑提供全面、实时、高质量的数据底座。
4.2 数据分析交通环境的差异导致了公路和城市交通数据分析的侧重点不同。公路交通通常涉及长途、高速行驶的环境，数据分析主要关注于高速公路或主要干道上的交通流量、车速、车距以及交通事故的发生情况，以及大规模流量模式的识别和长时间跨度的数据趋势分析。而城市交通涉及到城市道路网、交叉口、信号灯控制以及各种交通模式的交互，数据分析的目标不仅是提高交通流动性，还包括优化信号灯配时、协调不同交通模式、管理停车资源以及减少交通拥堵。其次，数据类型和分析方法也有所不同。公路交通数据分析方法主要集中在交通流量模型、速度预测和事故分析上。这些数据往往具有较高的采样频率，但覆盖范围较大，通常采用统计分析、时序分析和模型预测等方法来处理。在城市交通中，数据源更加多样化，除了传统的交通流量数据，还包括来自移动应用的实时数据、GPS轨迹数据、社交媒体信息等，需要融合不同来源的数据，通过数据挖掘、机器学习和优化算法来实现对交通流动的实时管理和预测。
数据预处理是保障数据分析质量与模型可靠性的基石。数据预处理是交通信息分析中的关键步骤，通过清洗噪声、填补缺失值、统一数据格式、简化数据结构等方式，提高数据的质量和一致性，优化分析效率，确保后续模型和决策的准确性，并提升交通监测系统的实时响应能力。为了解决时空数据环境下，城市交通信息异常监测的问题，黄晓地[201]提出了基于集体离群点挖掘的“线下拟合-线上检测”一体化模型。该模型采用改进的距离-密度-权重k-中心点聚类算法(DDWK-medoids)，根据城市交通态势动态确定交通枢纽的数量与位置；通过对数据进行多分辨率拟合，实现了交通流量与轨迹异常检测的结合。在模型的计算过程中，数据的时间和空间属性未以数值形式直接参与运算，成功降低了计算复杂度。邵衢进[202]针对传感器损坏、天气因素等引起的数据缺失或异常，以及交通事故产生的异常数据等问题，提出了一种基于评分分类的交通流异常检测模型。该模型通过改进长序列预测模型(Informer)，设计了一种基于评分分类的交通流异常检测算法。同时，提出了基于时空自注意力机制的交通流量数据修复方法(STMAR)，用于修复交通流量时间序列中的异常数据。
多源数据融合是克服信息碎片化、形成交通系统整体认知的关键。单一的数据源可能只提供城市交通的某一方面信息，如摄像头只能监控特定区域的车流量，气象数据只能反映天气状况等。通过融合来自多个来源的数据(如实时监控、GPS、传感器、社交媒体、气象等)，可以更全面地了解城市交通的整体状况，包括车流量、出行模式、环境影响等。这种综合性的信息能够帮助交通管理部门更精准地掌握交通动态。多源数据融合分析为城市交通管理带来了全方位、多层次的提升。通过将不同来源的数据整合分析，可以更精准、实时地监测交通动态，提高管理与应急响应的效率，并为缓解城市交通拥堵与长期规划提供重要支持。李鹏飞[203]通过对宜昌市手机信令数据的处理和分析，确定了该市的人口与岗位分布、居民出行OD及出行时间分布等特征；结合公交IC卡支付数据、车载刷卡机数据以及站台GPS数据的匹配分析，获得了宜昌市公交出行次数、换乘次数及精确的站间OD数据; 通过对这些数据的分析达到提升公交网络整体可达性的目标，优化公交线路布局和发车间隔，减少了公交出行链的行程时间，全面提升了宜昌市的公交服务水平。陈勇恒[204]通过融合电子地图兴趣点(POI)数据与交通状态数据, 分析交通拥堵的时空分布特性, 从宏观和微观两个角度研究交通与土地利用的关系, 通过BP神经网络对不同土地利用组合的拥堵状态进行预测。包杰[205]研究利用城市多源感知数据进行城市路网短时事故风险预测，结合深度学习理论，提出了一种时空深度学习网络，专门用于预测城市路网短时事故风险。该网络通过融合卷积神经网络、长短期记忆网络和卷积长短期记忆网络，能够有效捕捉区域交通事故风险在时空维度的变化特征, 并对比了模型在不同时间和空间维度下的预测性能，分析了常见的统计建模和机器学习方法在不同短时事故风险预测情境中的表现。Xu[206]基于复杂网络方法和信息熵理论，从事故数据、车牌识别(LPR)数据、OpenStreetMap(OSM)数据和兴趣点(POI)等多源数据中提取了丰富的解释变量，采用地理和时间加权回归(GTWR)、地理加权回归(GWR)，用最小二乘模型和普通最小二乘模型对交通安全的影响因素进行整合分析。
数据安全与隐私保护是确保交通信息系统可信、可靠运行的基石。交通数据通常包含用户的隐私信息，如车辆位置、用户身份等，而开放的网络环境以及通信类型的多样化使得交通数据容易遭受各种类型的攻击，用户的隐私信息面临着随时被泄露的风险，保护数据安全与用户隐私变得尤为重要[207]。当前主流的数据安全保护方法包括：数据加密[208]，身份认证与访问控制[209]，匿名化与去标识化处理[210]等。汤宇为[211]基于零信任安全模型的交通数据隐私保护方法，在零信任安全模型的基础上，分别定义了公钥密码与私钥密码模板，建立了完整的交通数据隐私链路标签。蔡尚卿[212]提出了一种新的基于差分隐私的实时交通数据发布机制，利用合理分配的隐私预算进行本地化扰动并提交净化结果，降低数据提供者的隐私泄露风险。赵曼莉[213]提出了面向智能交通场景的安全高效的联盟链(Trans Chain)，缓解中心化方案存在的数据篡改、单点故障等安全威胁及现有区块链的安全和效率问题。
公路交通数据分析侧重于长距离、大通道的流量预测与事件管理，模型相对宏观。城市交通数据分析则更关注短时、高密度的拥堵溯源、信号优化与多模式协同，算法复杂度和实时性要求更高。二者均面临数据质量、多源融合与隐私安全等共性挑战。未来，应致力于构建兼容公路与城市交通特征的统一数据分析框架，开发轻量化、可解释的AI模型，并加强联邦学习、差分隐私等安全计算技术的应用，在充分挖掘数据价值的同时，筑牢数据安全屏障。
4.3 场景服务智慧公路监测系统主要针对高速公路、国省干线公路等提供安全管理和信息服务。其核心目标是实时监测公路沿线的天气状况、路况情况，并向驾驶员提供及时准确的信息服务，最大限度保障公路通行安全(详见第3.2节)。而城市交通信息监测作为城市智慧交通建设的重要组成部分，服务场景更为多元。其不仅通过各种传感器和监控设备对城市道路的交通流(如车辆流量、车速、拥堵情况、事件)进行实时采集与监控，以支持交通信号优化、实施交通引导、预防和快速响应事故；还为智能停车管理、环境监测与车辆排放控制等专项应用提供核心数据支撑。通过对多维度数据的汇总与分析，系统既可为管理部门的精细化管理与决策提供支持，也可为市民提供实时路况查询、拥堵预警、停车引导等信息服务，从而全面提升城市交通的运行效率、安全性与可持续性。
实时交通流量监测是城市交通实现精细化管理与动态调控的基础。城市交通信息监测系统通过部署在城市道路上的摄像头、传感器、地磁线圈等设备，实时监控各个路段的车流量、车速、车辆类型等信息。通过流量监测，交通管理部门可以掌握道路的实时通行状况，识别出交通拥堵的路段，并根据实际情况进行疏导和分流。例如任杰[214]基于交通视频的车辆实时流量，采用虚拟检测区的车辆跟踪算法，将改进过的YOLOv5s+深度简单在线实时跟踪(DeepSort)与虚拟检测区相融合的方法来统计车流量，该方法可以适用于各个复杂场景。董宝兰[215]提出了一个针对旅游城市的交通流量监测平台开发方案，基于交通地理信息系统(T-GIS)展现交通资源信息，从用户、性能等角度出发对客流、轨道、路况等方面的数据进行了实时监测和统计分析，该平台从全局上实时掌握城市综合交通的动态信息，可以起到缓解交通拥堵、提高公众出行质量以及促进旅游经济发展的作用。
基于视频分析的事故自动检测与预警是提升城市交通主动安全效能的关键。现阶段，城市交通管理部门主要通过视频分析技术，识别出车辆碰撞、车辆逆行等异常情况，并通知相关部门(如消防、急救)迅速采取行动，实现城市交通事故检测与预警。此外，通过历史事故数据的分析，还可以预测高事故率的路段或时间段，帮助交通管理部门提前制订预防措施。重庆市设立了“151”科技重大专项项目“重庆市主城区智能交通系统升级改造工程”以加强交通设施建设，提高智能化管理水平，并应对交通拥堵、交通事故等交通问题[216]。黄秋阳[217]设计的交通事故风险监测模型中，提出了一个用于像素级交通事故风险图推理的深度学习的模型(PL-TARMI)，利用卫星图像、城市路网与其他容易获取的城市多源数据实现了像素级细粒度交通事故风险评估。
信号控制智能化是实现交叉口通行效率优化的核心手段。城市交叉路口往往是城市车辆拥堵的主要集中点，而交通信号灯在指挥车辆通行中起着关键作用[218]。随着智慧交通系统的推进，交通信号灯的控制方式正逐步向智能化转变，信号灯的切换周期也由固定周期调整为灵活可变周期[219-221]。交通信息监测服务可以与交通信号控制系统联动，根据实时交通流量数据，动态调整信号灯的配时方案。例如，当某个路口的车流量较大时，系统可以延长绿灯时间，减少等待时间；而在车辆稀少的时段，信号灯可以切换到感应控制模式，减少不必要的停车等待。张岳[222]针对下凹桥区降雨积水时交通安全及应急处理处置缺失的问题，确定下凹桥区周边交通路口相位信号配时的调控模式，建立基于积水高度的下凹桥区交通实时控制系统，有效提高了下凹桥区周边交叉口的车辆通行能力，提升交叉口整体服务水平。黄玮[223]提出一种基于模型偏差学习的交通信号控制自适应优化方法，以最小化路网行程时间为目标，建立信号控制最优化模型, 提升安徽宣城路网信号控制性能。邵利明[224]引入了一种基于混合高斯模型的运动目标检测方法，从道路背景中有效分离车辆的前景信息，基于图像处理技术对交通信号灯的智能优化方案进行了研究。王硕[225]提出了一种基于车路协同信号优先系统的智能网联公交通行效率优化方法。首先通过分析公交车在交叉口的通行特点, 建立交叉口通行模型。然后, 设计了基于车辆间通信的信号优先算法, 通过与交通信号控制器进行通信, 实现了公交车的信号优先通行, 显著提高公交车在交叉口的通行效率, 减少交通拥堵。Zhang[226]将灰色系统理论(GST)方法引入到城市交通信号优化的实时应用中，利用深度Q网络(DQN)算法实现实时交通状况的动态信号灯设置，提高交通系统整体运行效率，并利用近端策略优化(PPO)算法解决传统交通信号优化方法实时性不足的问题。
智能城市停车管理是提升城市停车资源利用效率的关键路径。在大数据中心、5G基础设施建设、新能源汽车充电桩、人工智能以及城际高速铁路和轨道交通等新型基础设施的推动下，智慧化车位管理系统正迅速发展[227]。《关于推动城市停车设施发展的意见》(国办函[2021]46号)提出，到2025年，全国将基本建立以配建停车设施为主、路外公共停车设施为辅、路内停车为补充的城市停车系统。智慧停车的快速发展势头强劲，据权威机构预测，2025年整体智慧停车市场规模将达到1.4万亿元，预计未来5年的复合年增长率为19%[228]。陈诗蔚[229]将开源计算机视觉库(OpenCV)与CNN结合，利用卫星拍摄的实时图像来制作停车场空车位导航以及瞬时计数系统，实时反映当前停车场停车情况并输出视频，设计了停车位人工智能检测系统。该系统通过在停车场和路边停车位安装传感器，可以实时监控停车位的使用情况，并将空闲车位信息推送给用户，帮助他们快速找到停车位。此外，该系统还可以进行停车数据的统计与分析，优化停车资源的调配。例如，通过分析哪些时段停车需求较高，可以合理规划停车场的容量和位置。
作为城市交通环境与污染监测的延伸与深化，车辆排放控制是实现交通低碳化的核心环节。王佳音[230]基于沈阳市交通污染监测点位获取的PM2.5，PM10，NO2和CO等污染物浓度数据，对不同典型时段进行分析，探讨城区交通污染监测点周边大气污染物的污染特征及其与机动车流量之间的关系。朱云波[231]提出了一种基于多传感器融合的道路交通车辆碳排放量实时监测方法。通过多传感器阵列采集车辆碳排放数据，运用融合技术中的卡尔曼滤波方法构建监测点的滤波处理模型，结合多维数据感知的多传感器融合框架，构建基于多传感器融合的监测模型。通过多传感器双层融合过程，最终实现了车辆碳排放量的实时监测。
智慧公路场景服务聚焦于高速公路等结构化道路的长距离安全与效率保障，而城市交通则面向复杂城市路网的多元精细化管理，涵盖流量调控、信号优化、停车引导及排放控制等多维度应用；未来应推动二者在数据、服务与控制层面的深度融合，通过构建统一平台与标准体系，最终实现全链条出行的协同化、智能化与绿色化发展。
5 展望智慧公路交通信息监测体系正加速向多维度技术融合方向演进，感知层、分析层与服务层的深度协同将重构交通管理的技术范式。
在复杂场景感知领域，多模态传感器融合技术将突破传统监测瓶颈，激光雷达、毫米波雷达与高分辨率视觉传感器的立体化组网可实现厘米级空间定位精度，隧道、山区等高风险区域的监测盲区消除率预计提升至98%以上。新兴边缘计算节点的部署将推动感知终端的智能化革新，集成轻量化AI芯片与5G轻量化技术(5G-RedCap)通信模组的微型化设备，能够在50 ms内完成本地化决策响应，在确保数据隐私安全的同时降低90%的云端传输负载。全要素数字孪生体系的构建，通过北斗地基增强系统与建筑信息模型/地理信息系统(BIM/GIS)技术的深度融合，将实现路网三维建模精度达亚米级，动态数据更新频率突破30 Hz阈值，为交通态势的实时仿真提供精准时空基准。
数据分析领域即将迎来算法架构的颠覆性变革，联邦学习框架与区块链技术的有机整合将建立跨域数据共享新机制。基于同态加密的分布式训练协议可使模型迭代效率提升300%，支持千亿级参数大模型的协同优化。时空预测模型通过突破固定长度上下文的注意力语言模型(Transformer-XL)与动态图神经网络的混合架构，将短时交通流预测误差压缩至5%以内，长时预测窗口扩展至2 h级。量子计算技术的引入将重构大规模路网优化范式，针对百万级节点的路径规划问题，量子退火算法的求解速度较经典算法实现6个数量级的突破，能耗水平同步下降90%。隐私计算领域的突破性进展，特别是动态可验证安全协议与抗量子加密技术的结合，将构建起符合国密四级标准的数据防护体系，有效抵御新型网络攻击手段。
场景服务层面将形成全域智能化的新型生态体系，车路云协同控制技术推动交通服务模式革新。V2X增强型路侧单元的大规模部署，通过C-V2X直连通信与超宽带通信技术(UWB)精确定位技术的融合应用，使车辆编队行驶间距控制精度达到±0.1 m，高速公路通行效率提升40%以上。光储充检一体化超级充电站的普及，集成光伏发电、液冷超充与电池健康诊断模块，实现600 kW峰值充电功率与98%的电池检测准确率，彻底破解新能源车辆的长途续航焦虑。自动驾驶系统的多源异构传感器时空同步技术突破，使L4级车辆在复杂城市场景下的决策响应时间缩短至200 ms级，事故发生率较人工驾驶降低2个数量级。智慧公路与城市交通大脑的深度耦合，构建起“感知-决策-控制”的闭环管理系统，实现交通事故应急响应效率提升70%，重点路段拥堵指数下降45%。
为促进交通一体化，交通管理部门应该与相关政府部门共同建立标准规范协调机制，定期沟通交流, 制订统一的技术标准、管理办法和考核体系。通过跨部门协调的方式，逐步消除城市交通管理和公路交通管理在信息采集、数据分析、场景服务、标准规范等方面的差异。首先，应制订统一的信息采集标准和技术规范，通用于各类感知设备和监测手段，保证采集数据的质量和可靠性。应统一感知设备的接口协议和数据格式，确保不同供应商生产的设备能够顺利接入同一监测系统；要建立起覆盖城市和公路的统一感知网络架构，明确各层级感知设备的部署位置和功能分工。同时，针对特殊区域和复杂场景，还需要制订专门的感知技术方案，以确保数据采集的全面性和精确度。其次，需构建跨区域的交通大数据分析平台，实现城市交通数据和公路交通数据的集成共享和深度挖掘。应建立起统一的数据标准和传输机制，确保不同区域、不同部门采集的交通数据能够实时共享；利用基于大数据和人工智能的分析算法，实现对交通状况的精准预测和智能决策。同时，通过建立可视化的数据分析系统, 为交通管理部门和普通交通参与者提供直观的数据界面。第三，城市交通和公路交通服务的最终目标是为广大驾驶员和乘客提供便捷高效的出行体验。为此，亟需优化交通一体化的场景服务，满足不同区域用户的多样化需求。应构建覆盖城市和公路一体化的出行服务平台，整合各类交通工具和服务资源，为用户提供全程一站式的出行解决方案。针对不同用户群体和出行场景，开发个性化的智能服务功能，如实时导航、智能调度、危险预警等, 并充分运用车路协同和自动驾驶等技术，提升服务的智能化水平。此外，应加强城市和公路交通管理部门的协同配合，推动资源共享和业务协同，最大限度发挥整体效能。比如在重点区域部署跨区域的应急处置机制，确保发生事故或灾害时能够快速响应和处置。
标准规范体系的协同创新将成为技术落地的重要保障，通过建立跨部门联合制订的全域感知接口标准，可消除75%以上的数据兼容性问题。基于数字孪生的路网建模规范体系将推动三维数字底座实现厘米级精度全覆盖，多源异构数据的时空对齐误差控制在毫秒级。在运维管理层面，需构建涵盖设备健康度、算法效能、服务质量的综合评价指标体系，通过数字孪生仿真平台实现基础设施全生命周期管理成本降低30%。为消除城市与公路交通的系统壁垒，应率先制订统一的信息采集标准和技术规范，构建跨区域交通大数据分析平台，并优化覆盖出行全链条的一站式服务生态。通过建立标准协调机制、统一数据接口、开发智能分析工具，最终形成“感知-决策-控制”闭环管理的交通一体化架构。
随着新型基础设施持续迭代，智慧公路将深度融入城市综合治理体系，形成“公铁水空”多式联运的智能交通网络。在技术融合与标准协同的双轮驱动下，交通运输系统将向着全要素数字化、全链条智能化的可持续发展方向稳步迈进，最终构建起安全高效、绿色低碳的现代化综合交通新格局。
| [1] |
吕文红, 王国娟, 王鹏飞. 基于复杂网络的交通运输网络可靠性研究进展[J]. 科学技术与工程, 2019, 19(24): 26-33. LÜ Wenhong, WANG Guojuan, WANG Pengfei. A review on reliability of transportation network based on complex network theory[J]. Science Technology and Engineering, 2019, 19(24): 26-33. |
| [2] |
王丽娟. 交通运输网络复杂性及其相关问题的研究[J]. 科学技术创新, 2017(21): 188-189. WANG Lijuan. Complexity of transportation networks and associated challenges[J]. Scientific and Technological Innovation, 2017(21): 188-189. |
| [3] |
KIM S, KIM H, YOO W, et al. Sensor fusion algorithm design in detecting vehicles using laser scanner and stereo vision[J].
IEEE Transactions on Intelligent Transportation Systems, 2016, 17(4): 1072-1084.
DOI:10.1109/TITS.2015.2493160 |
| [4] |
PARK K, KIM S, SOHN K. High-precision depth estimation using uncalibrated LiDAR and stereo fusion[J].
IEEE Transactions on Intelligent Transportation Systems, 2020, 21(1): 321-335.
DOI:10.1109/TITS.2019.2891788 |
| [5] |
陈磊, 王江锋, 谷远利, 等. 基于思维进化优化的多源交通数据融合算法[J]. 吉林大学学报(工学版), 2019, 49(3): 705-713. CHEN Lei, WANG Jiangfeng, GU Yuanli, et al. Multi-source traffic data fusion algorithm based onmind evolutionary algorithm optimization[J]. Journal of Jilin University (Engineering and Technology Edition), 2019, 49(3): 705-713. |
| [6] |
WU J Q, XU H, LIU W. Points registration for roadside LiDAR sensors[J].
Journal of the Transportation Research Board, 2019, 2673(9): 627-639.
DOI:10.1177/0361198119843855 |
| [7] |
俞毓锋, 赵卉菁. 基于相机与摇摆激光雷达融合的非结构化环境定位[J]. 自动化学报, 2019, 45(9): 1791-1798. YU Yufeng, ZHAO Huijing. Off-road localization using monocular camera and nodding LiDAR[J]. Acta Automatica Sinica, 2019, 45(9): 1791-1798. |
| [8] |
罗逍, 姚远, 张金换. 一种毫米波雷达和摄像头联合标定方法[J]. 清华大学学报(自然科学版), 2014, 54(3): 289-293. LUO Xiao, YAO Yuan, ZHANG Jinhuan. Unified calibration method for millimeter-wave radar and camera[J]. Journal of Tsinghua University (Science and Technology), 2014, 54(3): 289-293. |
| [9] |
LÜ B, XU H, WU J Q, et al. Revolution and rotation-based method for roadside LiDAR data integration[J/OL]. Optics & Laser Technology, 2019, 119: 105571. (2019-05-16) [2025-03-20]. https://doi.org/10.1016/j.optlastec.2019.105571.
|
| [10] |
WU J Q, XU H, ZHENG J Y, et al. Automatic vehicle detection with roadside LiDAR data under rainy and snowy conditions[J].
IEEE Intelligent Transportation Systems Magazine, 2021, 13(1): 197-209.
DOI:10.1109/MITS.2019.2926362 |
| [11] |
VIJAY R, CHERIAN J, RIAH R, et al. Optimal placement of roadside infrastructure sensors towards safer autonomous vehicle deployments[C]// ITSC, 2021 IEEE International Intelligent Transportation Systems Conference (ITSC). New York: IEEE, 2021: 2589-2595.
|
| [12] |
檀雷. 毫米波FMCW路面目标探测雷达关键技术与系统研究[D]. 南京: 东南大学, 2018. TAN Lei. Research on key technology and system of millimeter-wave FMCW road target detection radar[D]. Nanjing: Southeast University, 2018. |
| [13] |
荣文, 王孜健, 么新鹏, 等. 面向高速公路智能度分级的路侧感知设备优化布设方法[J]. 现代电子技术, 2024, 47(4): 116-122. RONG Wen, WANG Zijian, YAO Xinpeng, et al. Optimized layout method of roadside sensing device for highway intelligence grading[J]. Modern Electronics Technique, 2024, 47(4): 116-122. |
| [14] |
CAO Q, LI Z H, MA Y J, et al. Optimal layout of heterogeneous sensors for traffic accidents detection and prevention[J].
IEEE transactions on instrumentation and measurement, 2022, 71: 2512213.
|
| [15] |
CUI Y D, CHEN R, CHU W B, et al. Deep Learning for image and point cloud fusion in autonomous driving: A review[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(2): 722-739.
DOI:10.1109/TITS.2020.3023541 |
| [16] |
MARVASTI-ZADEH S M, CHENG L, GHANEI-YAKHDAN H, et al. Deep learning for visual tracking: A comprehensive survey[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(5): 3943-3968.
DOI:10.1109/TITS.2020.3046478 |
| [17] |
CHEN L, ZOU Q, PAN Z Y, et al. Surrounding vehicle detection using an FPGA panoramic camera and deep CNNs[J].
IEEE Transactions on Intelligent Transportation Systems, 2020, 21(12): 5110-5122.
DOI:10.1109/TITS.2019.2949005 |
| [18] |
徐昕, 马亚栋, 范婷, 等. 基于"北斗+车载视频识别"的道路状态智能感知巡检方法[J]. 中国公路, 2023(24): 114-117. XU Xin, MA Yadong, FAN Ting, et al. Road condition intelligent perception patrol method based on "Beidou+vehicle video recognition"[J]. China Highway, 2023(24): 114-117. |
| [19] |
赵望宇, 李必军, 单云霄, 等. 融合毫米波雷达与单目视觉的前车检测与跟踪[J]. 武汉大学学报(信息科学版), 2019, 44(12): 1832-1840. ZHAO Wangyu, LI Bijun, SHAN Yunxiao, et al. Vehicle detection and tracking based on fusion of millimeter wave radar and monocular vision[J]. Geomatics and Information Science of Wuhan University, 2019, 44(12): 1832-1840. |
| [20] |
WALDSCHMIDT C, HASCH J, MENZEL W. Automotive radar-from first efforts to future systems[J].
IEEE Journal of Microwaves, 2021, 1(1): 135-148.
DOI:10.1109/JMW.2020.3033616 |
| [21] |
CHEN Y H, WANG Y, QU F, et al. A Graph-based track-before-detect algorithm for automotive radar target detection[J].
IEEE Sensors Journal, 2021, 21(5): 6587-6599.
DOI:10.1109/JSEN.2020.3042079 |
| [22] |
SLIGAR A P. Machine Learning-based radar perception for autonomous vehicles using full physics simulation[J].
IEEE Access, 2020, 8: 51470-51476.
DOI:10.1109/ACCESS.2020.2977922 |
| [23] |
曾庆化, 王守一, 李方东, 等. 基于交互式多模型因子图的自适应组合导航算法[J]. 中国惯性技术学报, 2024, 32(4): 346-353. ZENG Qinghua, WANG Shouyi, LI Fangdong, et al. Adaptive integrated navigation algorithm based on interacting multiple model factor graph optimization[J]. Journal of Chinese Inertial Technology, 2024, 32(4): 346-353. |
| [24] |
张永升, 李逸椆, 王亮, 等. 智能网联环境下车载终端的发展现状与挑战[J]. 汽车安全与节能学报, 2024, 15(3): 295-308. ZHANG Yongsheng, LI Yizhou, WANG Liang, et al. Development status and challenges of vehicle terminals in intelligent and connected environments[J]. Journal of Automotive Safety and Energy, 2024, 15(3): 295-308. |
| [25] |
吕绪浩, 史红伟. FlexRay通信网络的车载信息终端嵌入式系统设计[J]. 机械设计与制造, 2022(5): 216-219, 224. LÜ Xuhao, SHI Hongwei. Design of vehicle information terminal embedded system based on FlexRay communication network[J]. Machinery Design & Manufacture, 2022(5): 216-219, 224. |
| [26] |
陈湘军, 施静静, 张鹏, 等. 车载智能终端上下文感知及系统实现[J]. 南京大学学报(自然科学), 2015, 51(2): 243-250. CHEN Xiangjun, SHI Jingjing, ZHANG Peng, et al. Context-awareness of vehicle smart terminal and the system implementation[J]. Journal of Nanjing University (Natural Sciences), 2015, 51(2): 243-250. |
| [27] |
Feng Y Y. Mobile terminal video image fuzzy feature extraction simulation based on surf virtual reality technology[J].
IEEE Access, 2020, 8: 156740-156751.
DOI:10.1109/ACCESS.2020.3019070 |
| [28] |
LU Y L, HUANG X H, ZHANG K, et al. Blockchain empowered asynchronous federated learning for secure data sharing in internet of vehicles[J].
IEEE Transactions on Vehicular Technology, 2020, 69(4): 4298-4311.
DOI:10.1109/TVT.2020.2973651 |
| [29] |
POKHREL S R, CHOI J. Federated learning with blockchain for autonomous vehicles: Analysis and design challenges[J].
IEEE Transactions on Communications, 2020, 68(8): 4734-4746.
DOI:10.1109/TCOMM.2020.2990686 |
| [30] |
陈丽芳, 许恺龙, 赵人喆, 等. 去中心化联邦学习综述[J/OL]. 计算机科学与探索, 2025. (2025-04-29) [2025-05-06]. https://kns.cnki.net/kcms/detail/11.5602.tp.20250427.1727.010.html. CHEN Lifang, XU Kailong, ZHAO Renzhe, et al. Review of decentralized federated learning[J/OL]. Journal of Frontiers of Computer Science and Technology, 2025. (2025-04-29) [2025-05-06]. https://kns.cnki.net/kcms/detail/11.5602.tp.20250427.1727.010.html. |
| [31] |
伊笑莹, 芮一康, 冉斌, 等. 车路协同感知技术研究进展及展望[J]. 中国工程科学, 2024, 26(1): 178-189. YI Xiaoying, RUI Yikang, RAN Bin, et al. Vehicle-infrastructure cooperative sensing: Progress and prospect[J]. Strategic Study of Chinese Academy of Engineerng, 2024, 26(1): 178-189. |
| [32] |
钱敏, 耿可可, 殷国栋, 等. 基于多元信息融合的车路协同重识别算法[J]. 机械工程学报, 2024, 60(16): 231-240. QIAN Min, GENG Keke, YIN Guodong, et al. Re-identification algorithm for cooperative vehicle-infrastructure system based on multi-information fusion[J]. Journal of Mechanical Engineering, 2024, 60(16): 231-240. |
| [33] |
KUANG H W, WANG B, AN J P, et al. Voxel-FPN: Multi-scale voxel feature aggregation for 3D object detection from LiDAR point clouds[J].
Sensors, 2020, 20(3): 704.
DOI:10.3390/s20030704 |
| [34] |
ARNOLD E, DIANATI M, DE TEMPLE R, et al. Cooperative perception for 3D object detection in driving scenarios using infrastructure sensors[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(3): 1852-1864.
DOI:10.1109/TITS.2020.3028424 |
| [35] |
WU J Q, XU H, ZHAO J X. Automatic lane identification using the roadside LiDAR sensors[J].
IEEE Intelligent Transportation Systems Magazine, 2020, 12(1): 25-34.
DOI:10.1109/MITS.2018.2876559 |
| [36] |
WANG J G, ZHOU L B. Traffic light recognition with high dynamic range imaging and deep learning[J].
IEEE Transactions on Intelligent Transportation Systems, 2019, 20(4): 1341-1352.
DOI:10.1109/TITS.2018.2849505 |
| [37] |
ZHOU Y, TUZEL O. VoxelNet: End-to-end learning for point cloud based 3D object detection[C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 4490-4499.
|
| [38] |
ZHAO J X, XU H, LIU H C, et al. Detection and tracking of pedestrians and vehicles using roadside LiDAR sensors[J].
Transportation Research Part C: Emerging Technologies, 2019, 100: 68-87.
DOI:10.1016/j.trc.2019.01.007 |
| [39] |
WU J Q, XU H, ZHANG Y S, et al. An improved vehicle-pedestrian near-crash identification method with a roadside LiDAR sensor[J].
Journal of Safety Research, 2020, 73: 211-224.
DOI:10.1016/j.jsr.2020.03.006 |
| [40] |
陈深进. 基于人车路协同的智能交通出行信息服务系统[J]. 南京邮电大学学报(自然科学版), 2023, 43(3): 78-89. CHEN Shenjin. An intelligent traffic travel information service system based on human-vehicle-road coordination[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science), 2023, 43(3): 78-89. |
| [41] |
张亚勤, 李震宇, 尚国斌, 等. 面向自动驾驶的车路云一体化框架[J]. 汽车安全与节能学报, 2023, 14(3): 249-273. ZHANG Yaqin, LI Zhenyu, SHANG Guobin, et al. A unified framework for vehicle-infrastructure-cloud autonomous driving[J]. Journal of Automotive Safety and Energy, 2023, 14(3): 249-273. |
| [42] |
邓实强, 丁浩, 蒋树屏, 等. 基于改进YOLOv5s的公路隧道火灾烟雾智能检测算法[J]. 中国公路学报, 2024, 37(11): 194-209. DENG Shiqiang, DING Hao, JIANG Shuping, et al. Intelligent detection algorithm for fire smoke in highway tunnel based on improved YOLOv5s[J]. China Journal of Highway and Transport, 2024, 37(11): 194-209. |
| [43] |
陈均栋, 李敏, 何廷全, 等. 基于改进小波阈值去噪法对公路交通流数据处理研究[J]. 公路, 2024, 69(6): 253-258. CHEN Jundong, LI Min, HE Tingquan, et al. Research on highway traffic flow data processing based on improved wavelet threshold denoising method[J]. Highway, 2024, 69(6): 253-258. |
| [44] |
周鑫, 刘尊青, 赵勇, 等. 新疆公路网交通调查系统及多源数据预处理研究[J]. 公路与汽运, 2023(2): 40-43. ZHOU Xin, LIU Zunqing, ZHAO Yong, et al. Research on traffic investigation system of Xinjiang highway network and multi-source data pretreatment[J]. Highways & Automotive Applications, 2023(2): 40-43. |
| [45] |
田丰, 霍雨佳, 符渭波. 交通监测毫米波雷达数据预处理方法研究[J]. 微波学报, 2022, 38(06): 37-42, 70. TIAN Feng, HUO Yujia, FU Weibo. Research of data pre-processing method for traffic monitoring millimeter-wave radar[J]. Journal of Microwaves, 2022, 38(6): 37-42, 70. |
| [46] |
张玺君, 袁占亭, 张红, 等. 交通轨迹大数据预处理方法研究[J]. 计算机工程, 2019, 45(6): 26-31. ZHANG Xijun, YUAN Zhanting, ZHANG Hong, et al. Research on preprocessing method for traffic trajectory big data[J]. Computer Engineering, 2019, 45(6): 26-31. |
| [47] |
李敏, 刘晨, 谯志. 云中心海量交通数据预处理技术概述与应用实例[J]. 公路交通技术, 2015, 31(5): 102-106. LI Min, LIU Chen, QIAO Zhi. Overview of preprocessing technologies for massive traffic data in cloud center and application examples[J]. Technology of Highway and Transport, 2015, 31(5): 102-106. |
| [48] |
高远. 基于稀疏数据的区域路网交通状态识别与预测技术研究[D]. 北京: 北京交通大学, 2021. GAO Yuan. Research on traffic state recognition and prediction technology for regional road networks based on sparse data[D]. Beijing: Beijing Jiaotong University, 2021. |
| [49] |
佘颢, 谢兴生, 王青松. 基于车辆构成和特征提取的交通状态预估模型[J]. 测控技术, 2019, 38(5): 36-39, 52. SHE Hao, XIE Xingsheng, WANG Qingsong. Traffic state estimation model based on vehicle composition and feature extraction[J]. Measurement & Control Technology, 2019, 38(5): 36-39, 52. |
| [50] |
赵志强, 张毅, 胡坚明, 等. 基于PCA和ICA的交通流量数据压缩方法比较研究[J]. 公路交通科技, 2008, 25(11): 109-113, 118. ZHAO Zhiqiang, ZHANG Yi, HU Jianming, et al. Comparative study of PCA and ICA based traffic flow compression[J]. Journal of Highway and Transportation Research and Development, 2008, 25(11): 109-113, 118. DOI:10.3969/j.issn.1002-0268.2008.11.023 |
| [51] |
刘世泽, 秦艳君, 王晨星, 等. 基于多尺度特征提取的交通模式识别算法[J]. 计算机应用, 2021, 41(6): 1573-1580. LIU Shize, QIN Yanjun, WANG Chenxing, et al. Transportation mode recognition algorithm based on multi-scale feature extraction[J]. Journal of Computer Applications, 2021, 41(6): 1573-1580. |
| [52] |
彭延峰, 彭志华, 刘燕飞. 基于ASNBD-CMFE特征信息提取的短时交通流预测[J]. 北京交通大学学报, 2021, 45(2): 28-35. PENG Yanfeng, PENG Zhihua, LIU Yanfei. Short-term traffic flow prediction based on the feature information extraction applying ASNBD-CMFE[J]. Journal of Beijing Jiaotong University, 2021, 45(2): 28-35. |
| [53] |
郭洋. 面向智能交通大数据的特征提取和流量预测算法优化与改进研究[D]. 广州: 华南理工大学, 2019. GUO Yang. Optimization and improvement of feature extraction algorithms and traffic flow prediction models for intelligent transportation big data[D]. Guangzhou: South China University of Technology, 2019. |
| [54] |
杨玮. 基于改进神经网络算法的多源交通数据融合方法研究[D]. 南京: 东南大学, 2022. YANG Wei. Research on multi-source traffic data fusion method based on an improved neural network algorithm[D]. Nanjing: Southeast University, 2022. |
| [55] |
邢吉平. 基于多源数据融合的城市路网交通流量估计方法研究[D]. 南京: 东南大学, 2021. XING Jiping. Urban road traffic volume estimation based on multisource data fusion[D]. Nanjing: Southeast University, 2021. |
| [56] |
包杰. 基于多源数据的城市路网交通事故风险研究[D]. 南京: 东南大学, 2019. BAO Jie. Research on crash risk of urban road network based on multi-source data[D]. Nanjing: Southeast University, 2019. |
| [57] |
赵宝新. 基于多源数据融合的城市交通拥堵扩散的研究及其应用[D]. 深圳: 中国科学院大学(中国科学院深圳先进技术研究院), 2020. Zhao Baoxin. Research and application of urban traffic congestion diffusion based on multi-source data fusion[D]. Shenzhen: University of Chinese Academy of Sciences (Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences), 2020. |
| [58] |
王志成, 张玉一, 巴天星, 等. 面向CIM和动态交通分析的多源异构数据融合技术研究[J]. 电子设计工程, 2024, 32(8): 68-72. WANG Zhicheng, ZHANG Yuyi, BA Tianxing, et al. Research on multi-source heterogeneous data fusion technology for CIM and dynamic traffic analysis[J]. Electronic Design Engineering, 2024, 32(8): 68-72. |
| [59] |
祖国强, 何俏君, 张志德, 等. 无人驾驶环境感知中多源数据融合应用综述[J]. 汽车文摘, 2022(8): 8-13. ZU Guoqiang, HE Qiaojun, ZHANG Zhide, et al. Application overview on multi-source data fusion in unmanned environment perception[J]. Automotive Digest, 2022(8): 8-13. |
| [60] |
李林超, 曲栩, 张健, 等. 基于特征级融合的高速公路异质交通流数据修复方法[J]. 东南大学学报(自然科学版), 2018, 48(5): 972-978. LI Linchao, QU Xu, ZHANG Jian, et al. Missing value imputation method for heterogeneous traffic flow data based on feature fusion[J]. Journal of Southeast University (Natural Science Edition), 2018, 48(5): 972-978. |
| [61] |
周骆, 刘镇. 基于深度学习的多源数据融合下的汽渡防碰撞预警方法[J]. 舰船电子工程, 2021, 41(4): 150-155. ZHOU Luo, LIU Zhen. A collision prevention and early warning method based on deep learning with multi-source data fusion[J]. Ship Electronic Engineering, 2021, 41(4): 150-155. |
| [62] |
谷远利, 杜恒, 陆文琦. 多源数据融合驱动的城市快速路交通状态划分[J]. 交通运输系统工程与信息, 2024, 24(3): 213-220, 231. GU Yuanli, DU Heng, LU Wenqi. Traffic state division of urban expressway driven by multi-source data fusion[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(3): 213-220, 231. |
| [63] |
何烜, 黄艳国, 杨仁峥, 等. 基于多源数据融合的改进HMM拥堵评估模型[J]. 广西大学学报(自然科学版), 2024, 49(2): 336-345. HE Xuan, HUANG Yanguo, YANG Renzheng, et al. Improved HMM congestion based on multi-source data fusion evaluation model[J]. Journal of Guangxi University (Natural Science Edition), 2024, 49(2): 336-345. |
| [64] |
王晓阳, 侯明业, 徐青杰, 等. 考虑降雨影响的短时交通量预测研究[J]. 河南科学, 2022, 40(4): 589-594. WANG Xiaoyang, HOU Mingye, XU Qingjie, et al. Short-term traffic volume forecast considering the influence of rainfall[J]. Henan Science, 2022, 40(4): 589-594. |
| [65] |
霍嘉男, 成卫, 李冰. 基于多特征数据融合的城市道路行程速度预测[J]. 深圳大学学报(理工版), 2023, 40(2): 195-202. HUO Jia'nan, CHENG Wei, LI Bing. Urban road travel speed prediction based on multi-feature data fusion[J]. Journal of Shenzhen University (Science and Engineering), 2023, 40(2): 195-202. |
| [66] |
钱凤萍, 陈虚竹, 赵琰, 等. 基于多源异构数据的高速路网交通拥堵状态识别[J]. 无线电通信技术, 2025, 51(4): 807-814. QIAN Fengping, CHEN Xuzhu, ZHAO Yan, et al. Highway traffic congestion state recognition algorithm based on multi-source heterogeneous data[J]. Radio Communications Technology, 2025, 51(4): 807-814. |
| [67] |
中华人民共和国交通运输部. 2024年交通运输行业发展统计公报[EB/OL]. (2025-06-12) [2025-07-13]. https://www.gov.cn/lianbo/bumen/202506/content_7027415.htm. Ministry of Transport of the People's Republic of China. 2024 statistical bulletin on transport industry development[EB/OL]. (2025-06-12) [2025-07-13]. https://www.gov.cn/lianbo/bumen/202506/content_7027415.htm. |
| [68] |
傅志寰, 翁孟勇, 张晓璇, 等. 我国智慧公路发展战略研究[J]. 中国工程科学, 2023, 25: 150-159. FU Zhihuan, WENG Mengyong, ZHANG Xiaoxuan, et al. Development strategy of smart highways in China[J]. Strategic Study of Chinese Academy of Engineerng, 2023, 25(6): 150-159. |
| [69] |
MOHANTY P, KUMAR L, MALAKAR M, et al. Dynamic resource allocation in vehicular cloud computing systems using game theoretic based algorithm[C]// 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC). New York: IEEE, 2018: 476-481.
|
| [70] |
HEMALATHA M, NANTHINI S, DHIVYA D, et al. Intelligent parking system using vehicular data cloud services[C]// 2015 International Conference on Innovations in Information, Embedded and Communication Systems (ICⅡECS). New York: IEEE, 2015: 1-5.
|
| [71] |
BITAM S, MELLOUK A, ZEADALLY S. VANET-cloud: A generic cloud computing model for vehicular Ad Hoc networks[J].
IEEE Wireless Communications, 2015, 22(1): 96-102.
DOI:10.1109/MWC.2015.7054724 |
| [72] |
LIU G X. Applications of cloud calculation in the intelligence transportation system[J].
Advanced Materials Research, 2013, 651: 917-921.
DOI:10.4028/www.scientific.net/AMR.651.917 |
| [73] |
ULAGANATHANA S, KUMAR S. Vehicular cloud service model for secure transportation system[J].
International Journal of Applied Engineering Research, 2015, 10(8): 19659-19666.
|
| [74] |
BOUKERCHE A, DE GRANDE R E. Vehicular cloud computing: Architectures, applications, and mobility[J].
Computer Networks, 2018, 135: 171-189.
DOI:10.1016/j.comnet.2018.01.004 |
| [75] |
SINGHA S, SINGHA R. Protecting data and privacy: Cloud-based solutions for intelligent transportation applications[J].
Scalable Computing, 2023, 24(3): 257-276.
|
| [76] |
LI Y, WANG H, BUCKLES B. Traffic congestion assessment based on street level data for on-edge deployment[C]// Proceedings of the 4th ACM/IEEE Symposium on Edge Computing. Arlington Virginia: ACM, 2019: 289-291.
|
| [77] |
YAN G, QIN Q. The application of edge computing technology in the collaborative optimization of intelligent transportation system based on information physical fusion[J].
IEEE Access, 2020, 8: 153264-153272.
DOI:10.1109/ACCESS.2020.3008780 |
| [78] |
SHI H Y, ZHANG Y L, XU Z Y, et al. Multi-source temporal knowledge graph embedding for edge computing enabled internet of vehicles[J].
Neurocomputing, 2022, 491: 597-606.
DOI:10.1016/j.neucom.2021.12.036 |
| [79] |
FU C, HUANG Y J, YANG H. Analyzing the applications of multi-source sensor technology in smart transportation[C]//11th International Symposium on Project Management(ISPM2023). Sydney: Aussino Academic Publishing House (AAPH), 2023: 1121-1126.
|
| [80] |
TAN M C, LI M H, ABBASI Q H, et al. Conclusions and future directions[J].
Springer Briefs in Applied Sciences and Technology, 2021, 61-66.
|
| [81] |
STYLIANOU K, DIMITRIOU L, ABDEL-ATY M. Big data and road safety: A comprehensive review[M]//Mobility Patterns, Big Data and Transport Analytics. Amsterdam: Elsevier, 2019: 297-343.
|
| [82] |
FERNANDEZ S, HADFI R, ITO T, et al. Ontology-based architecture for intelligent transportation systems using a traffic sensor network[J/OL]. Sensors, 2016, 16(8): 1287. (2016-08-15) [2025-02-21]. https://doi.org/10.3390/s16081287.
|
| [83] |
GUERRERO-IBÁÑEZ J, ZEADALLY S, CONTRERAS-CASTILLO J. Sensor technologies for intelligent transportation systems[J/OL]. Sensors, 2018, 18(4): 1212. (2018-04-12) [2025-02-21]. https://doi.org/10.3390/s18041212.
|
| [84] |
AKRITIDIS L, BOZANIS P, PAPADOPOULOS D. Efficient urban transportation(s) with IoT devices and robust workers allocation[C]// 2018 South-Eastern European Design Automation, Computer Engineering, Computer Networks and Society Media Conference (SEEDA_CECNSM). New York: IEEE, 2018: 1-6.
|
| [85] |
SUN Y, LIU C X, ZHANG C. Mobile technology and studies on transport behavior: A literature analysis, integrated research model, and future research agenda[J/OL]. Mobile Information Systems, 2021, 2021(1): 9309904. (2021-10-25) [2025-02-21]. https://doi.org/10.1155/2021/9309904.
|
| [86] |
ERDELIĆ M, ERDELIĆ T, CARIĆ T. Dataset for multimodal transport analytics of smartphone users-Collecty[J/OL]. Data in Brief, 2023, 50: 109481. (2023-03-11) [2025-02-21]. https://doi.org/10.1016/j.dib.2023.109481.
|
| [87] |
LI W, HU J M, ZHANG Z, et al. A novel traffic flow data imputation method for traffic state identification and prediction based on spatio-temporal transportation big data[C]//CICTP 2017. Reston: American Society of Civil Engineers, 2018: 79-88.
|
| [88] |
DE S SOARES E F, SALEHINEJAD H, CAMPOS C A V, et al. Recurrent neural networks for online travel mode detection[C]//2019 IEEE Global Communications Conference (GLOBECOM). New York: IEEE, 2019: 1-6.
|
| [89] |
ZHAO W T, GAO Y Y, JI T X, et al. Deep temporal convolutional networks for short-term traffic flow forecasting[J].
IEEE Access, 2019, 7: 114496-114507.
DOI:10.1109/ACCESS.2019.2935504 |
| [90] |
DU W J, SUN B, KUAI J T, et al. Highway travel time prediction of segments based on ANPR data considering traffic diversion[J/OL]. Journal of Advanced Transportation, 2021, 2021(1): 9512501. (2021-07-12) [2025-02-21]. https://doi.org/10.1155/2021/9512501.
|
| [91] |
SUN Y F. Prediction of short-term passenger flow in the metro station with CNN-LSTM model[C]// 2023 IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI). New York: IEEE, 2023: 1218-1222.
|
| [92] |
SHEN L J, SU P, LU X Y, et al. A toll data publishing method using encryption and differential privacy preservation technology[C]// 2017 IEEE 2nd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC). New York: IEEE, 2017: 1586-1594.
|
| [93] |
SU H D, DONG S, ZHANG T. A hybrid blockchain-based privacy-preserving authentication scheme for vehicular ad hoc networks[J].
IEEE Transactions on Vehicular Technology, 2024, 73(11): 17059-17072.
DOI:10.1109/TVT.2024.3424786 |
| [94] |
WU L, WEI X, MENG L Z, et al. Privacy-preserving location-based traffic density monitoring[J].
Connection Science, 2022, 34(1): 874-894.
DOI:10.1080/09540091.2021.1993137 |
| [95] |
PARMAR K, PATIL S, PATEL D, et al. Privacy-preserving authentication scheme for VANETs using blockchain technology[J].
Procedia Computer Science, 2023, 220: 40-47.
DOI:10.1016/j.procs.2023.03.008 |
| [96] |
LI Y, YANG D S, HU X B. A Differential privacy-based privacy-preserving data publishing algorithm for transit smart card data[J].
Transportation Research Part C: Emerging Technologies, 2020, 115: 102634.
DOI:10.1016/j.trc.2020.102634 |
| [97] |
HE B Y, CHOW J Y J. Optimal privacy control for transport network data sharing[J].
Transportation Research Procedia, 2019, 38: 792-811.
DOI:10.1016/j.trpro.2019.05.041 |
| [98] |
ABADI M, CHU A, GOODFELLOW I, et al. Deep learning with differential privacy[C]//Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security. New York: ACM, 2016: 308-318.
|
| [99] |
WANG Y J, CUI X L, GAO Z Q, et al. Fed-SCNN: A federated shallow-CNN recognition framework for distracted driving[J/OL]. Security and Communication Networks, 2020, 2020: 6626471. (2020-11-21) [2025-02-21]. https://doi.org/10.1155/2020/6626471.
|
| [100] |
MCMAHAN B, MOORE E, RAMAGE D, et al. Communication-efficient learning of deep networks from decentralized data[J].
Proceedings of Machine Learning Research, 2017, 54: 1273-1282.
|
| [101] |
WU X, ZHANG Y T, SHI M Y, et al. An adaptive federated learning scheme with differential privacy preserving[J].
Future Generation Computer Systems, 2022, 127: 362-372.
DOI:10.1016/j.future.2021.09.015 |
| [102] |
CHEN L J, XIAO D, YU Z Y, et al. Secure and efficient federated learning via novel multi-party computation and compressed sensing[J/OL]. Information Sciences, 2024, 667: 120481. (2024-03-22) [2025-02-21]. https://doi.org/10.1016/j.ins.2024.120481.
|
| [103] |
GARG S, GOLDWASSER S, VASUDEVAN P N. Formalizing data deletion in the context of the right to be forgotten[C]// CANTEAUT A, ISHAI Y, ed. Advances in Cryptology-EUROCRYPT 2020. Cham: Springer, 2020, 12106: 373-402. https://doi.org/10.1007/978-3-030-45724-2_13.
|
| [104] |
GOLDSTEEN A, EZOV G, SHMELKIN R, et al. Data minimization for GDPR compliance in machine learning models[J].
AI and Ethics, 2022, 2(3): 477-491.
DOI:10.1007/s43681-021-00095-8 |
| [105] |
MOHAMMADI S, BALADOR A, SINAEI S, et al. Balancing privacy and performance in federated learning: A systematic literature review on methods and metricsJournal of Parallel and Distributed Computing[J/OL]. 2024, 192: 104918. (2024-05-27) [2025-02-21]. https://doi.org/10.1016/ j.jpdc.2024.104918.
|
| [106] |
SUN Z B, ZAN B, BAN X G, et al. Privacy protection method for fine-grained urban traffic modeling using mobile sensors[J].
Transportation Research Part B: Methodological, 2013, 56: 50-69.
DOI:10.1016/j.trb.2013.07.010 |
| [107] |
SUN X Y, YE Q Q, HU H B, et al. PUTS: Privacy-preserving and utility-enhancing framework for trajectory synthesization[J].
IEEE Transactions on Knowledge and Data Engineering, 2024, 36(1): 296-310.
DOI:10.1109/TKDE.2023.3288154 |
| [108] |
TAN C P, YANG K D. Privacy-preserving adaptive traffic signal control in a connected vehicle environment[J/OL]. Transportation Research Part C: Emerging Technologies, 2024, 158: 104453. (2023-12-12) [2025-02-21]. https://doi.org/10.1016/j.trc.2023.104453.
|
| [109] |
ZHENG Y D, LU R X, LI B B, et al. Efficient privacy-preserving data merging and skyline computation over multi-source encrypted data[J].
Information Sciences, 2019, 498: 91-105.
DOI:10.1016/j.ins.2019.05.055 |
| [110] |
XU Y, PENG C G, TAN W J, et al. High-throughput secure multiparty multiplication protocol via bipartite graph partitioning[J].
Peer-to-Peer Networking and Applications, 2021, 14(3): 1414-1430.
DOI:10.1007/s12083-020-01035-9 |
| [111] |
ZINOVATNA O, CYSNEIROS L M. Reusing knowledge on delivering privacy and transparency together[C]//2015 IEEE Fifth International Workshop on Requirements Patterns (RePa). New York: IEEE, 2015: 17-24.
|
| [112] |
SAMAVI R, CONSENS M P. Publishing privacy logs to facilitate transparency and accountability[J].
Journal of Web Semantics, 2018, 50: 1-20.
DOI:10.1016/j.websem.2018.02.001 |
| [113] |
MOOIJ A M. Reconciling transparency and privacy through the european digital identity[J]. Computer Law & Security Review, 2023, 48: 105796. (2023-02-13) [2025-02-21]. https://doi.org/10.1016/j.clsr.2023.105796.
|
| [114] |
GUO X C, GUO X L. A Research on blockchain technology: Urban intelligent transportation systems in developing countries[J].
IEEE Access, 2023, 11: 40724-40740.
DOI:10.1109/ACCESS.2023.3270100 |
| [115] |
XIAO L, WAN X Y, LU X Z, et al. IoT Security techniques based on machine learning: How do IoT devices use AI to enhance security?[J].
IEEE Signal Processing Magazine, 2018, 35(5): 41-49.
DOI:10.1109/MSP.2018.2825478 |
| [116] |
WANG Y M, CHEN Y X, LI G L, et al. City-scale holographic traffic flow data based on vehicular trajectory resampling[J].
Scientific Data, 2023, 10: 57.
DOI:10.1038/s41597-022-01850-0 |
| [117] |
ANDERSON T K. Kernel density estimation and k-means clustering to profile road accident hotspots[J].
Accident Analysis & Prevention, 2009, 41(3): 359-364.
|
| [118] |
瞿庆亮, 曲国庆, 徐工. 车载GPS在公路交通事故多发路段判别中的应用[J]. 公路, 2016, 61(7): 224-228. QU Qingliang, QU Guoqing, XU Gong. Application of kinematic GPS in identification of road accident-prone sections[J]. Highway, 2016, 61(7): 224-228. |
| [119] |
ZHANG L M, LIN Y H, YANG G F, et al. Emergency resources scheduling based on adaptively mutate genetic algorithm[J].
Computers in Human Behavior, 2011, 27(5): 1493-1498.
DOI:10.1016/j.chb.2010.10.013 |
| [120] |
路遥. 高速公路突发事件应急救援关键技术研究[D]. 长春: 吉林大学, 2017. LU Yao. Research on key technology of freeway incident emergency response[D]. Changchun: Jilin University, 2017. |
| [121] |
URBINA E, WOLSHON B. National review of hurricane evacuation plans and polices: A comparison and contrast of state practices[J].
Transportation Research: Part A, 2003, 37: 264-286.
|
| [122] |
刘刚. 突发事件下城市路网交通应急疏散模型研究[D]. 成都: 西南交通大学, 2017. LIU Gang. Research on traffic emergency evacuation model for urban road network under emergencies[D]. Chengdu: Southwest Jiaotong University, 2017. |
| [123] |
IDRIS M Y I, LENG Y Y, TAMIL E M, et al. Car park system: A review of smart parking system and its technology[J].
Information Technology Journal, 2009, 8(2): 101-113.
DOI:10.3923/itj.2009.101.113 |
| [124] |
LIN T, RIVANO H, LE MOUËL F. A survey of smart parking solutions[J].
IEEE Transactions on Intelligent Transportation Systems, 2017, 18(12): 3229-3253.
DOI:10.1109/TITS.2017.2685143 |
| [125] |
DELOT T, ILARRI S, LECOMTE S, et al. Sharing with caution: Managing parking spaces in vehicular networks[J].
Mobile Information Systems, 2013, 9(1): 69-98.
DOI:10.1155/2013/703830 |
| [126] |
李维龙, 李臻. 智能停车管理系统综述[J]. 科技创业家, 2013(9): 1. LI Weilong, LI Zhen. Review of intelligent parking management system[J]. Technological Pioneers, 2013(9): 1. |
| [127] |
孙立山, 贾琳, 魏中华, 等. 基于GPS数据的出租车出行需求预测研究[J]. 交通信息与安全, 2021, 39(5): 128-136. SUN Lishan, JIA Lin, WEI Zhonghua, et al. Demand forecasting of taxi travel based on GPS data[J]. Journal of Transport Information and Safety, 2021, 39(5): 128-136. |
| [128] |
王殿海, 汤月华, 陈茜, 等. 基于GPS数据的公交站点区间行程时间可靠性影响因素[J]. 东南大学学报(自然科学版), 2015, 45(2): 404-412. WANG Dianhai, TANG Yuehua, CHEN Qian, et al. Influence factors of GPS-based bus travel time reliability between adjacent bus stations[J]. Journal of Southeast University (Natural Science Edition), 2015, 45(2): 404-412. |
| [129] |
曲昭伟, 王鑫, 宋现敏, 等. 基于出租车GPS大数据的城市热点出行路段识别方法[J]. 交通运输系统工程与信息, 2019, 19(2): 238-246. QU Zhaowei, WANG Xin, SONG Xianmin, et al. Urban hotspot travel section identification method based on taxi GPS large data[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 238-246. |
| [130] |
张俊涛, 武芳, 张浩. 利用出租车轨迹数据挖掘城市居民出行特征[J]. 地理与地理信息科学, 2015, 31(6): 104-108. ZHANG Juntao, WU Fang, ZHANG Hao. Urban residents travel characteristics mining utilizing taxi trajectory data[J]. Geography and Geo-Information Science, 2015, 31(6): 104-108. |
| [131] |
NIE W P, CAI S M, ZHAO Z D, et al. Revealing mobility pattern of taxi movements with its travel trajectory[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2022, 598: 127329. (2022-04-22) [2025-02-21]. https://doi.org/10.1016/j.physa.2022.127329.
|
| [132] |
GÖKAŞAR I, ÇETINEL Y. Evaluation of bus dwelling patterns using bus GPS data[C]// 2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). New York: IEEE, 2017: 867-871.
|
| [133] |
HASAN S, SCHNEIDER C M, UKKUSURI S V, et al. Spatiotemporal patterns of urban human mobility[J].
Journal of Statistical Physics, 2013, 151(1): 304-318.
|
| [134] |
KHAN N A, HABIB M A. Modeling activity-based tour shared travel choices, tour-level activity participation and time allocation[J].
Transportmetrica A: Transport Science, 2022, 18(3): 494-531.
DOI:10.1080/23249935.2021.1876178 |
| [135] |
CHEN H Y, WU F, HOU K Z, et al. Backpressure-based distributed dynamic route control for connected and automated vehicles[J].
IEEE Transactions on Intelligent Transportation Systems, 2022, 23(11): 20953-20964.
DOI:10.1109/TITS.2022.3170788 |
| [136] |
TANG C H, HU W B, HU S, et al. Urban traffic route guidance method with high adaptive learning ability under diverse traffic scenarios[J].
IEEE Transactions on Intelligent Transportation Systems, 2020, 22(5): 2956-2968.
|
| [137] |
LI Z N, YU H, ZHANG G H, et al. A Bayesian vector autoregression-based data analytics approach to enable irregularly-spaced mixed-frequency traffic collision data imputation with missing values[J].
Transportation Research Part C: Emerging Technologies, 2019, 108: 302-319.
DOI:10.1016/j.trc.2019.09.013 |
| [138] |
SCHMID B, JOKUBAUSKAITE S, ASCHAUER F, et al. A pooled RP/SP mode, route and destination choice model to investigate mode and user-type effects in the value of travel time savings[J].
Transportation Research Part A: Policy and Practice, 2019, 124: 262-294.
DOI:10.1016/j.tra.2019.03.001 |
| [139] |
MOGHADDAM Z R, JEIHANI M, PEETA S, et al. Comprehending the roles of traveler perception of travel time reliability on route choice behavior[J].
Travel Behaviour and Society, 2019, 16: 13-22.
DOI:10.1016/j.tbs.2019.03.002 |
| [140] |
WANG J H, RAKHA H. Empirical study of effect of dynamic travel time information on driver route choice behavior[J/OL]. Sensors, 2020, 20(11): 3257. (2020-06-08) [2025-02-21]. https://doi.org/10.3390/s20113257.
|
| [141] |
LI Y N, XIAO J L. Traffic peak period detection using traffic index cloud maps[J/OL]. Physica A: Statistical Mechanics and Its Applications, 2020, 553: 124277. (202-06-04) [2025-02-21]. https://doi.org/10.1016/j.physa.2020.124277.
|
| [142] |
NIKITAS A, WANG J Y T, KNAMILLER C. Exploring parental perceptions about school travel and walking school buses: A thematic analysis approach[J].
Transportation Research Part A: Policy and Practice, 2019, 124: 468-487.
DOI:10.1016/j.tra.2019.04.011 |
| [143] |
GOOD N, MÖLTER A, ACKERSON C, et al. The fort collins commuter study: Impact of route type and transport mode on personal exposure to multiple air pollutants[J].
Journal of Exposure Science & Environmental Epidemiology, 2016, 26(4): 397-404.
|
| [144] |
UBOLSAKKA-JONES C, TONGDEE P, JONES D A. The effects of slow loaded breathing training on exercise blood pressure in isolated systolic hypertension[J/OL]. Physiotherapy Research International, 2019, 24(4): e1785. (2025-05-29) [2025-07-15]. https://doi.org/10.1002/pri.1785.
|
| [145] |
JWO D J, CHANG W Y, WU I H. Windowing techniques, the welch method for improvement of power spectrum estimation[J].
Computers, Materials & Continua, 2021, 67(3): 3983-4003.
|
| [146] |
NORDIN M, ÅKERSTEDT T, NORDIN S. Psychometric evaluation and normative data for the Karolinska Sleep Questionnaire[J].
Sleep and Biological Rhythms, 2013, 11(4): 216-226.
DOI:10.1111/sbr.12024 |
| [147] |
ZHANG D M, WANG C, LI C Y, et al. Multi-fractal detrended fluctuation half-spectrum analysis of HRV[J].
The Journal of Engineering, 2019, 22: 8315-8318.
|
| [148] |
COX L A, POPKEN D A. Has reducing fine particulate matter and ozone caused reduced mortality rates in the united states?[J].
Annals of Epidemiology, 2015, 25(3): 162-173.
DOI:10.1016/j.annepidem.2014.11.006 |
| [149] |
刘韡堃. 国外高速公路信息化发展现状简析及其启示[J]. 中国管理信息化, 2018, 21(15): 134-136. LIU Weikun. Analysis on the development status of expressway informatization in foreign countries and its enlightenment[J]. China Management Informationization, 2018, 21(15): 134-136. |
| [150] |
裘连毅, 熊思敏. 从新加坡案例看拥挤收费是否能够真正缓解交通拥堵[J]. 交通与运输, 2020, 36(4): 101-104. QIU Lianyi, XIONG Simin. From singapore case to see whether congestion charging can really alleviate traffic congestion[J]. Traffic & Transportation, 2020, 36(4): 101-104. |
| [151] |
彭刚, 张海亮, 宋赤阳. 高速公路信息化30年回顾与发展展望[J]. 中国交通信息化, 2019(2): 18-32. PENG Gang, ZHANG Hailiang, SONG Chiyang. Review and development prospect of expressway informatization in the past 30 years[J]. China ITS Journal, 2019(2): 18-32. |
| [152] |
吴建清, 宋修广. 智慧公路关键技术发展综述[J]. 山东大学学报(工学版), 2020, 50(4): 52-69. WU Jianqing, SONG Xiuguang. Review on smart highways critical technology[J]. Journal of Shandong University (Engineering Science), 2020, 50(4): 52-69. |
| [153] |
李楠. 智慧监控在高速公路信息化中的应用[J]. 中国交通信息化, 2019(5): 32-34. LI Nan. Application of intelligent video monitoring in expressway informatization[J]. China ITS Journal, 2019(5): 32-34. |
| [154] |
中华人民共和国交通运输部. 加快推进高速公路电子不停车快捷收费应用服务实施方案[EB/OL]. (2019-09-27) [2025-02-21]. https://www.gov.cn/zhengce/zhengceku/2019-09/27/content_5434216.htm. Ministry of Transport of the People's Republic of China. Implementation Plan for Accelerating the Application Services of Electronic Toll Collection on Expressways[EB/OL]. (2019-09-27) [2025-05-13]. https://www.gov.cn/zhengce/zhengceku/2019-09/27/content_5434216.htm. |
| [155] |
历润, 张金金, 朱丽丽, 等. 智慧高速公路建设与应用标准规范需求分析[J]. 中国交通信息化, 2024(4): 40-42, 89. LI Run, ZHANG Jinjin, ZHU Lili, et al. Demand analysis of standard specifications for smart expressway construction and application[J]. China ITS Journal, 2024(4): 40-42, 89. |
| [156] |
卢舟, 刘钟中, 李昱, 等. 高速公路交通气象监测系统研究[J]. 气象水文海洋仪器, 2021, 38(4): 16-19. LU Zhou, LIU Zhongzhong, LI Yu, et al. Research on highway traffic meteorological monitoring system[J]. Meteorological, Hydrological and Marine Instruments, 2021, 38(4): 16-19. |
| [157] |
周文帅, 李骁驰, 徐兴博. 高速公路交通气象监测与联网车辆信息融合应用[J]. 中国交通信息化, 2023(增1): 72-76. ZHOU Wenshuai, LI Xiaochi, XU Xingbo. Information fusion application of expressway traffic meteorological monitoring and networked vehicles[J]. China ITS Journal, 2023(S1): 72-76. |
| [158] |
周勇. 山东智慧高速公路探索与实践[M]. 北京: 人民交通出版社, 2022. ZHOU Yong. Exploration and practice of Shandong's smart expressway[M]. Beijing: China Communications Press, 2022. |
| [159] |
YU G Z, LI H, WANG Y P, et al. A review on cooperative perception and control supported infrastructure-vehicle system[J].
Green Energy and Intelligent Transportation, 2022, 1(3): 49-62.
|
| [160] |
朱兴一, 赵仁杰, 张启帆, 等. AI赋能下面向车路协同的智能道路[J/OL]. 中国公路学报. (2025-09-03) [2025-09-04]. https://link.cnki.net/urlid/61.1313.U.20250903.1319.004. ZHU Xingyi, ZHAO Renjie, ZHANG Qifan, et al. AI-powered smart road for vehicle-road collaboration[J/OL]. China Journal of Highway and Transport, 1-16. (2025-09-03) [2025-09-04]. https://link.cnki.net/urlid/61.1313.U.20250903.1319.004. |
| [161] |
WALCH M, SCHIRRER A, NEUBAUER M. Impact assessment of cooperative intelligent transport systems (C-ITS): A structured literature review[J]. European Transport Research Review, 2025, 17: 11. [2025-04-23]. https://doi.org/10.1186/s12544-024-00702-9.
|
| [162] |
赵祥模, 高赢, 徐志刚, 等. IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系[J]. 中国公路学报, 2023, 36(1): 176-201. ZHAO Xiangmo, GAO Ying, XU Zhigang, et al. IntelliWay: an integrated architecture and testing methodology for intelligent highway using varied coupling modularization[J]. China Journal of Highway and Transport, 2023, 36(1): 176-201. |
| [163] |
王亦民. 基于车辆身份检测数据的全息交通流重构方法与应用[D]. 广州: 中山大学, 2024. WANG Yimin. Holographic traffic flow reconstruction method and application based on vehicle identification detection data[D]. Guangzhou: Sun Yat-sen University, 2024. |
| [164] |
TANG KS, ZHANG Q, CAO Y, et al. A novel AVI sensor location model for individual vehicle path reconstruction on urban road networks[J/OL]. Transportation Research Part C: Emerging Technologies, 2025, 174: 105103. [2025-04-05]. https://doi.org/10.1016/j.trc.2025.105103..
|
| [165] |
蔺庆海, 何兆成, 谢俊, 等. 基于AVI数据与深度强化学习的城市快速路匝道协调控制方法[J]. 中国公路学报, 2023, 36(10): 224-237. LIN Qinghai, HE Zhaocheng, XIE Jun, et al. Coordinated ramp control method for urban expressways based on AVI data and deep reinforcement learning[J]. China Journal of Highway and Transport, 2023, 36(10): 224-237. |
| [166] |
CHEN C, YAO G, LIU L, et al. A cooperative vehicle-infrastructure system for road hazards detection with edge intelligence[J].
IEEE Transactions on Intelligent Transportation Systems, 2023, 24(5): 5186-5198.
DOI:10.1109/TITS.2023.3241251 |
| [167] |
CHAUDHARI A A, TREIBER M, OKHRIN O. MiTra: A drone-based trajectory data for an all-traffic-state inclusive freeway with ramps[J/OL]. Scientific Data, 2025, 12: 1174. [2025-07-15]. https://doi.org/10.1038/s41597-025-05472-0.
|
| [168] |
WU Z G, HE Z C, LIN Q H, et al. Vehicular ad hoc networks topology optimization for autonomous intersection management system: A periodic intervention-based approach[J].
IEEE Transactions on Intelligent Transportation Systems, 2024, 25(11): 16005-16023.
DOI:10.1109/TITS.2024.3412771 |
| [169] |
CHEN X J, QIN G Y, SUN J. Coordinated routing policy for connected vehicles to monitor city-wide traffic[J/OL]. Transportation Research Part C: Emerging Technologies, 2025, 176: 105147. [2025-07-15]. https://doi.org/10.1016/j.trc.2025.105147.
|
| [170] |
FAKHRUZI I, TITOS M, BENÍTEZ C, et al. Urban traffic monitoring through distributed acoustic sensing: Trial analysis of a potent monitoring tool[J/OL]. Measurement, 2025, 253: 117668. [2025-05-21]. https://doi.org/10.1016/j.measurement.2025.117668.
|
| [171] |
王震坡, 黎小慧, 孙逢春. 产业融合背景下的新能源汽车技术发展趋势[J]. 北京理工大学学报, 2020, 40(1): 1-10. WANG Zhenpo, LI Xiaohui, SUN Fengchun. Development trends of new energy vehicle technology under industrial integration[J]. Transactions of Beijing Institute of Technology, 2020, 40(1): 1-10. |
| [172] |
颜勤, 涂晓帆. 新型电力系统下综合电动汽车充电站的优化运行[J]. 湖南大学学报(自然科学版), 2022, 49(2): 176-182. YAN Qin, TU Xiaofan. Optimized operation of an integrated electric vehicle charging station with renewables and storage under new power system[J]. Journal of Hunan University (Natural Sciences), 2022, 49(2): 176-182. |
| [173] |
CHENG Q F, CHEN L, SUN Q Y, et al. A smart charging algorithm based on a fast charging station without energy storage system[J].
CSEE Journal of Power and Energy Systems, 2021, 7(4): 850-861.
|
| [174] |
李克强, 戴一凡, 李升波, 等. 智能网联汽车(ICV)技术的发展现状及趋势[J]. 汽车安全与节能学报, 2017, 8(1): 1-14. LI Keqiang, DAI Yifan, LI Shengbo, et al. State-of-the-art and technical trends of intelligent and connected vehicles[J]. Journal of Automotive Safety and Energy, 2017, 8(1): 1-14. |
| [175] |
赵祥模国家重点研发计划(2021YFB2501200)团队. 自动驾驶测试与评价技术研究进展[J]. 交通运输工程学报, 2023, 23(6): 10-77. ZHAO Xiangmo's team supported by the National Key Research and Development Program of China. Research progress in testing and evaluation technologies for autonomous driving[J]. Journal of Traffic and Transportation Engineering, 2023, 23(6): 10-77. |
| [176] |
霍治方, 刘刚, 樊正德. 中国公众对新兴技术采纳的影响机理研究——基于自动驾驶汽车社会实验调查的微观证据[J]. 科学学研究, 2025, 42(2): 311-324. HUO Zhifang, LIU Gang, FAN Zhengde. Research on the mechanisms of public adoption of emerging technologies in China: Micro evidence based on social experiments on automated driving vehicles[J]. Studies in Science of Science, 2025, 42(2): 311-324. |
| [177] |
王宝乐, 韩宝睿, 董任, 等. 基于交通态势数据的道路拥堵情况分析[J]. 物流科技, 2024, 47(15): 80-84. WANG Baole, HAN Baorui, DONG Ren, et al. Analysis of road congestion based on traffic situation data[J]. Logistics Sci-Tech, 2024, 47(15): 80-84. |
| [178] |
吴建平. 基于实时交通流和环境污染物监测的环保道路评估方法[J]. 综合运输, 2015, 37(7): 63-70. WU Jianping. The study on the evaluation of environmentally friendly road based on real-time traffic flow and air pollutant[J]. China Transportation Review, 2015, 37(7): 63-70. |
| [179] |
刘东. ITS中的车辆检测技术[J]. 中国人民公安大学学报(自然科学版), 2000, 6(4): 36-39. LIU Dong. Vehicle detection technology in intelligent transportation systems(ITS)[J]. Journal of People's Public Security University of China (Science and Technology), 2000, 6(4): 36-39. |
| [180] |
曲大义, 王炜, 邓卫. 基于系统层次分析法的公路网规划项目建设序列论证[J]. 中国公路学报, 2000, 13(3): 64-68. QU Dayi, WANG Wei, DENG Wei. Order of item in the process of highway network planning based on AHP[J]. China Journal of Highway and Transport, 2000, 13(3): 64-68. |
| [181] |
张盛海. 关于智能交通管理系统中的视频采集技术[J]. 通讯世界, 2015, 22(3): 209-210. ZHANG Shenghai. Video capture technology for intelligent traffic management systems[J]. Telecom World, 2015, 22(3): 209-210. |
| [182] |
甘元艺. 基于机器学习的短时交通流数据修复方法及预测模型研究[D]. 重庆: 重庆交通大学, 2021. GAN Yuanyi. Research on machine learning-based short-term traffic flow data imputation methods and prediction models[D]. Chongqing: Chongqing Jiaotong University, 2021. |
| [183] |
OGUCHI Y, WADA T. Reliability improvement and information increase in recognition of curved surface reflector code by using infrared laser radar[C]// 2021 IEEE 10th Global Conference on Consumer Electronics (GCCE). New York: IEEE, 2021: 310-311.
|
| [184] |
李秀平, 刘智勇, 尹征琦, 等. 多传感器信息融合的智能交通控制系统研究[J]. 信息与控制, 2001, 30(5): 460-464. LI Xiuping, LIU Zhiyong, YIN Zhengqi, et al. An approach to intersection intelligent traffic signal control based on multisensor integration and fusion technologies[J]. Information and Control, 2001, 30(5): 460-464. |
| [185] |
陈弋玫. 重庆市普通公路出行信息服务评价及示范应用研究[D]. 重庆: 重庆交通大学, 2015. CHEN Yimei. Research on evaluation and demonstration application of travel information services for ordinary highways in Chongqing[D]. Chongqing: Chongqing Jiaotong University, 2021. |
| [186] |
章冠, 李栋, 郭建强. 基于磁感线圈的车流量检测的研究[J]. 现代电子技术, 2012, 35(14): 131-132, 136. ZHANG Guan, LI Dong, GUO Jianqiang. Traffic flow detection based on magnetic coils[J]. Modern Electronics Technique, 2012, 35(14): 131-132, 136. |
| [187] |
蒋伟. 电子警察系统中环形线圈车辆检测器的设计与改进[D]. 南昌: 南昌大学, 2009. JIANG Wei. Design and improvement of loop vehicle detectors in electronic police systems[D]. Nanchang: Nanchang University, 2009. |
| [188] |
燕学智, 王树勋, 丛玉良, 等. 基于超声波与红外的AGV定位方法[J]. 吉林大学学报(信息科学版), 2007, 25(6): 577-581. YAN Xuezhi, WANG Shuxun, CONG Yuliang, et al. Positioning method of AGV based on ultrasonic and infrared[J]. Journal of Jilin University (Information Science Edition), 2007, 25(6): 577-581. |
| [189] |
曹林, 李佳, 张鑫怡, 等. 一种基于微波雷达回波信号的车型分类方法[J]. 电讯技术, 2020, 60(5): 542-548. CAO Lin, LI Jia, ZHANG Xinyi, et al. A vehicle size classification method based on echo signal of microwave radar[J]. Telecommunication Engineering, 2020, 60(5): 542-548. |
| [190] |
张明东, 马骥, 尚先旗, 等. 天津GM4磁通门磁力仪受轨道交通干扰的谱分析[J]. 内陆地震, 2015, 29(2): 154-161. ZHANG Mingdong, MA Ji, SHANG Xianqi, et al. Spectral analysis of Tianjin GM4 fluxgate magnetometer interferenced by urban rail transit[J]. Inland Earthquake, 2015, 29(2): 154-161. |
| [191] |
管奇卉. 基于冲击效应的轨道交通压电式多向风能俘获系统设计[D]. 成都: 西南交通大学, 2020. GUAN Qihui. Design of impact-effect-based piezoelectric multi-directional wind energy harvesting system for rail transit[D]. Chengdu: Southwest Jiaotong University, 2020. |
| [192] |
董珂洋. 交通信息采集方法研究[D]. 重庆: 重庆交通大学, 2009. DONG Keyang. Research on traffic information acquisition methods[D]. Chongqing: Chongqing Jiaotong University, 2009. |
| [193] |
OTHMAN B, DE NUNZIO G, LARAKI M, et al. A novel approach to traffic flow estimation based on floating car data and road topography: experimental validation in Lyon, France[C]// 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC). New York: IEEE, 2022: 2571-2576.
|
| [194] |
ZHANG W, LIN B, GAO C X, et al. Optimal placement in RFID-integrated VANETs for intelligent transportation system[C]// 2018 IEEE International Conference on RFID Technology & Application (RFID-TA). New York: IEEE, 2018: 1-6.
|
| [195] |
胡明伟. 基于GPS的实时交通信息采集方法的研究[J]. 公路交通科技, 2007, 24(5): 121-124, 134. HU Mingwei. Study on GPS-based real-time traffic information collection method[J]. Journal of Highway and Transportation Research and Development, 2007, 24(5): 121-124, 134. DOI:10.3969/j.issn.1002-0268.2007.05.028 |
| [196] |
朱远祺. 基于出租车GPS数据的城市道路网络需求分布特征及其对拥堵影响研究[D]. 北京: 北京交通大学, 2020. ZHU Yuanqi. Research on the characteristics of urban road network demand distribution based on taxi GPS data and its impact on congestion[D]. Beijing: Beijing Jiaotong University, 2020. |
| [197] |
叶加圣. 基于FCD技术的道路交通信息采集与交通动态诱导系统[D]. 合肥: 合肥工业大学, 2009. YE Jiasheng. Road traffic information collection and dynamic traffic guidance system based on FCD technology[D]. Hefei: Hefei University of Technology, 2009. |
| [198] |
金江红. 智能交通系统中基于RFID的城市出租车交通信息采集平台[D]. 长春: 吉林大学, 2007. JIN Jianghong. Urban taxi traffic information collection platform based on RFID in intelligent transportation systems[D]. Changchun: Jilin University, 2007. |
| [199] |
GA/T 1047—2013, 城市道路交通信息监测和显示设备设置规范[S]. GA/T 1047—2013, Technical specification for urban road traffic information monitoring and display equipment installation[S]. |
| [200] |
DB12/T 635—2016, 高速公路网运行监测与服务技术要求[S]. DB12/T 635—2016, Technical requirements for expressway network operation monitoring and service[S]. |
| [201] |
黄晓地, 朱晓曦, 吴淑慧, 等. 基于集体离群点挖掘的城市交通异常检测研究[J]. 合肥工业大学学报(自然科学版), 2023, 46(9): 1237-1246. HUANG Xiaodi, ZHU Xiaoxi, WU Shuhui, et al. Research on urban traffic anomaly detection method based on collective anomaly mining[J]. Journal of Hefei University of Technology (Natural Science), 2023, 46(9): 1237-1246. |
| [202] |
邵衢进. 面向智慧交通的交通流数据异常检测与修复研究[D]. 杭州: 杭州电子科技大学, 2023. SHAO Qujin. Research on anomaly detection and repair of traffic flow data for smart transportation[D]. Hangzhou: Hanzhou Dianzi University, 2023. |
| [203] |
李鹏飞. 多源数据融合在公交线网与运营优化中的应用——以宜昌市为例[C]// 2021/2022年中国城市交通规划年会论文集. 上海: 中国城市规划学会城市交通规划学术委员, 2022: 1447-1460. LI Pengfei. Application of multi-source data fusion in bus network and operation optimization: A case study of yichang city[C]// Proceedings of the 2021/2022 Annual China Urban Transportation Planning Conference. Shanghai: Academic Committee of Urban Transportation Planning, China Urban Planning Society, 2022: 1447-1460. |
| [204] |
陈勇恒. 基于多源数据融合的城市交通拥堵机理分析[D]. 济南: 山东交通学院, 2021. CHEN Yongheng. Analysis of urban traffic congestion mechanism based on multi-source data fusion[D]. Ji'nan: Shandong Jiaotong University, 2021. |
| [205] |
包杰. 基于多源数据的城市路网交通事故风险研究[D]. 南京: 东南大学, 2019. BAO Jie. Research on urban road network traffic accident risk based on multi-source data[D]. Nanjing: Southeast University, 2019. |
| [206] |
XU C, ZHANG Z M, FU F J, et al. Analysis of spatiotemporal factors affecting traffic safety based on multisource data fusion[J/OL]. Journal of Transportation Engineering, Part A: Systems, 2023, 149(10): 04023098. [2025-05-05]. https://doi.org/10.1061/jtepbs.teeng-7990.
|
| [207] |
李青青. 车联网安全认证与隐私保护研究[D]. 西安: 西安电子科技大学, 2019. LI Qingqing. Research on security authentication and privacy protection in internet of vehicles[D]. Xi'an: Xidian University, 2019. |
| [208] |
孙希滕, 周美琦. 数据加密下交通网络信息安全体系[J]. 信息与电脑(理论版), 2024, 36(9): 165-167. SUN Xiteng, ZHOU Meiqi. Transportation network information security architecture under data encryption[J]. Information & Computer, 2024, 36(9): 165-167. |
| [209] |
夏颖, 秦娟, 赵婧, 等. 基于CP-ABE和区块链的车联网匿名身份认证算法[J]. 齐齐哈尔大学学报(自然科学版), 2023, 39(6): 34-41. XIA Ying, QIN Juan, ZHAO Jing, et al. An anonymous identity authentication algorithm for IoV based on CP-ABE and blockchain[J]. Journal of Qiqihar University (Natural Science Edition), 2023, 39(6): 34-41. |
| [210] |
施炎峰, 王心莹, 朱相如, 等. 智能交通系统隐私保护方案综述[J]. 电脑知识与技术, 2022, 18(4): 41-43. SHI Yanfeng, WANG Xinying, ZHU Xiangru, et al. Review on privacy protection schemes in intelligent transportation systems[J]. Computer Knowledge and Technology, 2022, 18(4): 41-43. |
| [211] |
汤宇为. 基于零信任安全模型的轨道交通数据隐私保护[J]. 电子设计工程, 2024, 32(1): 187-190, 195. TANG Yuwei. Privacy protection of rail transit data based on zero-trust security model[J]. Electronic Design Engineering, 2024, 32(1): 187-190, 195. |
| [212] |
蔡尚卿. 基于差分隐私的实时交通数据发布机制[D]. 焦作: 河南理工大学, 2023. CAI Shangqing. Real-time traffic data publishing mechanism based on differential privacy[D]. Jiaozuo: Henan Polytechnic University, 2023. |
| [213] |
赵曼莉. 基于区块链的智能交通数据交换隐私保护研究[D]. 北京: 北京交通大学, 2020. ZHAO Manli. Research on privacy protection in intelligent transportation data ex change based on blockchain[D]. Beijing: Beijing Jiaotong University, 2020. |
| [214] |
任杰. 基于交通视频的车辆实时流量统计算法研究[D]. 西安: 长安大学, 2023. REN Jie. Research on real-time vehicle traffic statistics algorithm based on traffic video[D]. Xi'an: Chang'an University, 2023. |
| [215] |
董宝兰, 杨杰. 旅游城市交通监测预警平台的设计与开发[J]. 福建电脑, 2023, 39(3): 94-97. DONG Baolan, YANG Jie. Design and development of traffic monitoring and early warning platform in tourist cities[J]. Journal of Fujian Computer, 2023, 39(3): 94-97. |
| [216] |
陆远迅. 重庆市智能交通系统规划研究[D]. 重庆: 重庆交通大学, 2016. LU Yuanxun. Research on the planning of intelligent transportation systems in Chongqing[D]. Chongqing: Chongqing Jiaotong University, 2016. |
| [217] |
黄秋阳. 基于多源数据的城市路网状态监测与交通事故风险评估方法研究[D]. 长春: 吉林大学, 2021. HUANG Qiuyang. Research on urban road network state monitoring and traffic accident risk assessment methods based on multi-source data[D]. Changchun: Jilin University, 2021. |
| [218] |
徐秀妮. 基于V2X的城市智能交通信号灯控制方法[J]. 西安工程大学学报, 2020, 34(3): 48-54. XU Xiuni. Research on intelligent traffic signal control method of urban road based on V2X[J]. Joumal of Xi'an Polytechnic University, 2020, 34(3): 48-54. |
| [219] |
吴庆哲, 周俊. 基于模糊控制的多路口路段交通信号灯信号周期的研究[J]. 工业控制计算机, 2019, 32(6): 81-82, 85. WU Qingzhe, ZHOU Jun. Signal cycle of traffic signal light in multi-road section based on fuzzy control[J]. Industrial Control Computer, 2019, 32(6): 81-82, 85. |
| [220] |
汪天祥. 基于多智能体深度强化学习的大规模路口信号灯协同控制研究[D]. 合肥: 合肥工业大学, 2021. WANG Tianxiang. Research on cooperative control of large-scale intersection traffic signals based on multi-agent deep reinforcement learning[D]. Hefei: Hefei University of Technology, 2021. |
| [221] |
刘佳佳, 左兴权. 交叉口交通信号灯的模糊控制及优化研究[J]. 系统仿真学报, 2020, 32(12): 2401-2408. LIU Jiajia, ZUO Xingquan. Research on fuzzy control and optimization for traffic lights at single intersection[J]. Journal of System Simulation, 2020, 32(12): 2401-2408. |
| [222] |
张岳, 黄鹏, 尚巍, 等. 基于积水高度的下凹桥区交通信号实时控制仿真模拟[J]. 安全与环境工程, 2024, 31(4): 109-115, 132. ZHANG Yue, HUANG Peng, SHANG Wei, et al. Analogue simulation of real-time traffic signal control in bridge concave area based on waterlogging height[J]. Safety and Environmental Engineering, 2024, 31(4): 109-115, 132. |
| [223] |
黄玮, 张轩宇, 李世昌, 等. 基于模型偏差学习的交通信号自适应优化方法[J]. 铁道科学与工程学报, 2024, 21(6): 2229-2240. HUANG Wei, ZHANG Xuanyu, LI Shichang, et al. A model bias learning approach for adaptive traffic signal control[J]. Journal of Railway Science and Engineering, 2024, 21(6): 2229-2240. |
| [224] |
邵利明, 李刚奇, 凌美宁. 基于实时图像处理算法的交通信号主动智能优化方法研究[J]. 电子设计工程, 2024, 32(2): 171-175. SHAO Liming, LI Gangqi, LING Meining. Research on traffic signal active intelligent optimization method based on real-time image processing algorithm[J]. Electronic Design Engineering, 2024, 32(2): 171-175. |
| [225] |
王硕, 卓浩天, 范文旭, 等. 基于车路协同信号优先系统的智能网联公交通行效率优化方法[C]//第二十届河南省汽车工程科技学术研讨会论文集. 焦作: 河南省汽车工程学会, 2023: 200-202. WANG Shuo, ZHUO Haotian, FAN Wenxu, et al. Optimization method for intelligent connected bus traffic efficiency based on vehicle-road cooperative signal priority system[C]// Proceedings of the 20th Henan Automotive Engineering Technology Academic Seminar. Jiaozuo: Henan Society of Automotive Engineers, 2023: 200-202. |
| [226] |
ZHANG S. Real-time application of grey system theory in intelligent traffic signal optimization[J].
Journal of Computational Methods in Sciences and Engineering, 2024, 24(4-5): 3137-3153.
DOI:10.3233/JCM-247560 |
| [227] |
王华安. 互联网+智慧停车市场竞争态势加剧[J]. 中国公共安全, 2016(18): 34-39. WANG Hua'an. Intensified competition in IoT-based smart parking markets[J]. China Public Security, 2016(18): 34-39. |
| [228] |
丛顺, 董艺. 智慧停车应用现状及前景分析[J]. 时代汽车, 2023(5): 31-33. CONG Shun, DONG Yi. Application status and prospect analysis of smart parking[J]. Auto Time, 2023(5): 31-33. |
| [229] |
陈诗蔚. 智慧停车——停车位人工智能检测系统[J]. 信息系统工程, 2024(1): 27-30. CHEN Shiwei. Intelligent parking: Artificial intelligence detection system for parking spaces[J]. China CIO News, 2024(1): 27-30. |
| [230] |
王佳音. 沈阳城区交通监测点大气污染特征研究[J]. 环境保护与循环经济, 2022, 42(10): 76-80. WANG Jiayin. Atmospheric pollution characteristics of traffic monitoring points in Shenyang urban area[J]. Environmental Protection and Circular Economy, 2022, 42(10): 76-80. |
| [231] |
朱云波, 马聪, 王晋, 等. 多传感器融合下道路交通车辆碳排放量实时监测方法[J]. 计算技术与自动化, 2024, 43(1): 66-71. ZHU Yunbo, MA Cong, WANG Jin, et al. Real time monitoring method for carbon emissions of road traffic vehicles based on multi-sensor fusion[J]. Computing Technology and Automation, 2024, 43(1): 66-71. |