智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)是未來交通系統(tǒng)的發(fā)展方向。它是下一代城市地面交通系統(tǒng)管理的基礎。智能交通，一個基于現代信息技術面向交通運輸的服務系統(tǒng)，是美國于20世紀90年代初最先提出的理念。它有效的集成了最先進的數據采集和處理技術，模型預測和分析技術，信息控制技術等等，并將他們運用于整個地面交通管理。它是為城市道路出行建立的一種全方位、大范圍的實時、準確、高效、便捷的綜合交通管理系統(tǒng)。智能交通受到了政府、企業(yè)以及海內外學界的廣泛關注，在科技部《“十三五”交通領域科技創(chuàng)新專項規(guī)劃》里面著重題出了要進一步大力發(fā)展智能交通。美國政府交通部更是為此專門成立了“智能交通聯合項目辦公室”(ITSJPO)。

“交通流量預測和分析”作為智能交通領域中最重要的一環(huán)，直接決定了智能交通系統(tǒng)的性能表現以及適用范圍。一個優(yōu)秀的預測模型，既可以使出行者合理的安排自己的出行方式，出發(fā)到達時間以及路線，節(jié)省不必要的時間浪費，提高工作生活效率。又可以讓政府服務部門及時了解和預測路況信息，對可能發(fā)生的道路擁堵和交通事故提早做出預判，節(jié)省社會負擔，合理配置社會資源。來自美國馬里蘭大學的張燕如博士是一名在交通流量及出行時間預測和分析領域的重量級學者。張博士及其合作者在國際頂級期刊Transportation Research Part C: Emerging Technologies上發(fā)表了題為“基于梯度提升算法(gradient boostingmethod)的交通出行時間預測方法”的研究成果。她的論文得到了來自全世界多個國家的學者的廣泛關注，所提出的方法收到廣泛的引用和采納，并被該期刊評選為近三年來“被引用最多的25篇論文之一”。

傳統(tǒng)的交通流量和出行時間預測模型主要集中在基礎統(tǒng)計方法的應用上面。該類方法主要適用于樣本數量小以及數據結構簡單的傳統(tǒng)型數據。然而隨著數據采集能力攀升，以及人們對數據科學機器學習領域的不斷提升的需求，傳統(tǒng)預測方法對于數據量大復雜度高的大數據問題，其表現會嚴重受制于數據噪音以及突發(fā)事件的影響。張博士提出的交通流量模型，是首個在智能交通領域應用基于梯度提升算法的模型。她在論文中揭示了機器學習算法對解決大數據交通問題的重要性。對比其他的傳統(tǒng)模型，她提出的機器學習模型可以在龐大復雜的數據中快速有效的提取特征信息。模型表現顯著提高了預測的精度和穩(wěn)定性，并極大的降低了計算的復雜度，對新一代城鎮(zhèn)交通系統(tǒng)的建設具有廣泛的應用價值，尤其適用于高速公路的出行和交通流量預測。張博士說：“預測的本質是理解數據。找到數據的產生機制以及其與現實環(huán)境中諸多因素的關聯關系尤為重要。”區(qū)別于一些黑箱機器學習模型，她的模型有良好的解釋性，可以很好的滿足政府，企業(yè)，機構以及個人對交通問題做進一步深入分析的需求。

目前，智能交通領域吸引了來自大數據、云計算、移動互聯等各種尖端領域的人才。廣闊的應用價值、極具想象力的上升空間使得諸如互聯網企業(yè)等各路英豪攜著數據、數據技術和資本進入了交通領域。智能交通，做為21世紀人類最關注的問題，正在逐步影響著我們每一個人的生活。

(新媒體責編：wb001)