可視分析增強的平行智能交通系統(tǒng)框架

劉麗艷，張宏鑫，陳 為，邸奕寧，劉嘉信，滿家巨

可視分析增強的平行智能交通系統(tǒng)框架

劉麗艷1,2，張宏鑫1，陳 為1，邸奕寧1，劉嘉信1，滿家巨2

(1. 浙江大學CAD & CG國家重點實驗室，浙江 杭州 310058；2.湖南師范大學HPC & SIP國家重點實驗室，湖南 長沙 410000)

隨著人工智能2.0時代的到來，可視分析方法作為一種重要的人機耦合方法受到越發(fā)廣泛的關注。其是大數(shù)據(jù)分析的利器，也是理解數(shù)據(jù)的“導航儀”，能夠有效地將三元空間結構(CPH)中的數(shù)據(jù)轉(zhuǎn)換為知識系統(tǒng)中的服務與決策，從而進一步提升交通系統(tǒng)智能化水平。為此，提出人工交通系統(tǒng)、計算實驗和平行執(zhí)行相融合的平行智能交通系統(tǒng)，為智能交通領域提供了一種操控的新機制和新模式。通過分析具體案例，探討可視分析在新一代人工智能中的重要性，以及可視分析將數(shù)據(jù)或信息轉(zhuǎn)換為知識系統(tǒng)的流程。證明將可視分析與平行智能交通系統(tǒng)的無縫結合，能更好地分析大規(guī)模交通數(shù)據(jù)，更有效地解決交通困擾，從而實現(xiàn)“1+1>2”的增強效果，據(jù)此提出新穎的可視分析增強的平行智能交通系統(tǒng)框架。

可視分析；智能交通系統(tǒng)；人工系統(tǒng)；計算實驗；平行執(zhí)行系統(tǒng)

眾所周知，交通系統(tǒng)是現(xiàn)代人類生活出行不可或缺的重要部分[1]。隨著科技進步與發(fā)展，人類活動趨向于城市集中，城市人口密度日趨增大，機動車擁有量暴增。一方面，交通系統(tǒng)正面臨前所未有的挑戰(zhàn)，交通擁堵和事故帶來的困擾已經(jīng)成為世界性難題，而在構建人類未來的城市生活與交通系統(tǒng)的過程中，如何將新興技術如無人駕駛與人類已有的生活模式有效融合，消除人們對其抱有的疑慮，最終使其融入到日常起居中，也將成為一個課題。這些問題的復雜性與前瞻性使得傳統(tǒng)技術手段難以有效發(fā)揮作用。毫無疑問，人們需要尋找可行的創(chuàng)新方案來全面地研究和分析交通系統(tǒng)中存在的關鍵問題，并通過合適手段加以調(diào)控管理。而另一方面，各類技術的進步使得交通系統(tǒng)獲得了巨大的發(fā)展機遇。隨著位置獲取、視覺感知、三維重建和無線通訊技術的迅猛發(fā)展，以及大量傳感器與移動終端的出現(xiàn)，大量收集多元時空異構城市數(shù)據(jù)已然成為可能。在如此大規(guī)模數(shù)據(jù)量上，利用適合的人工智能方法，能夠有效處理和分析交通數(shù)據(jù)，感知交通整體態(tài)勢、發(fā)現(xiàn)交通局部異常、預測交通未來趨勢，成為了解決交通困擾以及管控交通系統(tǒng)運行的利器。因此，在全世界范圍內(nèi)，“智慧城市”以及“智能交通”等各類城市級別復雜智能管控系統(tǒng)的概念相繼被提出，并得到了廣泛關注，而無人車等新型的由數(shù)據(jù)驅(qū)動的智能控制機體，也必然與整體的智能交通系統(tǒng)有機整合。由此形成的智能大系統(tǒng)，亟需高效合理的現(xiàn)代交通系統(tǒng)管理控制理論與方法指引。

隨著信息環(huán)境、社會需求以及人工智能目標所發(fā)生的巨大變化，人工智能技術的不斷蓬勃發(fā)展，人類正邁向新一代的人工智能 (即人工智能2.0)時代[2]。WANG等[3-4]提出，人類社會在出現(xiàn)了機械化、電氣化、信息化、網(wǎng)絡化的大發(fā)展后，已進入到了第五個技術發(fā)展階段，形成了“人-機-物”一體化系統(tǒng)，即平行化。而針對目前現(xiàn)實環(huán)境中的交通系統(tǒng)管控與交通擁堵緩解需求，平行智能交通系統(tǒng)[5-7]概念被提出。其以ACP方法，即人工交通系統(tǒng)(artificial system)、計算實驗(computing experiments)和平行執(zhí)行(parallel execution)為理論框架，構成一個操控交通系統(tǒng)的新機制，可以使用全新的方式來解決目前交通管控的問題。

該系統(tǒng)已經(jīng)在部分城市開始試行并取得了不錯的成效，是未來解決交通問題的一大新興發(fā)展趨勢[8]，如XIONG等[9-10]研究的平行交通管理系統(tǒng)在廣州舉行的第16屆亞運會中取得了成功應用；ZHU等[11]研究的平行交通管理和控制系統(tǒng)被應用于構建智慧城市；KONG等[12]通過平行交通管理系統(tǒng)來預測交通流。與此同時，無人駕駛平行系統(tǒng)也得到了廣泛的探索，如WANG等[13]在社會物理信息系統(tǒng)(cyber-physical-social systems，CPSS)中提出基于ACP方法的平行駕駛，為未來的道路運輸系統(tǒng)，在不同自動化程度的互聯(lián)自動車輛之間實現(xiàn)平穩(wěn)、安全、高效的協(xié)作提供了有效的解決方案。

本文認為，平行智能交通系統(tǒng)的關鍵優(yōu)勢之一是：不僅如同智能化制造領域的“數(shù)字孿生”理念一樣，建立了物理世界和信息空間的對等聯(lián)系，實現(xiàn)了同步操控與關聯(lián)，而且引入了人的因素，在平行交通系統(tǒng)中建立了物理世界和信息空間的對等聯(lián)系，使得人類社會生活信息能夠直接融入到復雜系統(tǒng)的分析與控制之中。同時討論了人的因素如何更加有效地疊加到平行智能交通系統(tǒng)中，并通過將可視分析技術整合于現(xiàn)有平行智能交通系統(tǒng)，可以有效增強系統(tǒng)和數(shù)據(jù)的可理解性，使得智能系統(tǒng)的感知處理能力與人類已有經(jīng)驗、知識和認知能力緊密耦合。利用可視分析，人類可以有更多的機會參與到交通系統(tǒng)的運作中，在關聯(lián)平行的空間內(nèi)進行同步的操控。借助智能系統(tǒng)強大的處理分析能力，人的角色從信息的提供者轉(zhuǎn)變?yōu)閺碗s交通系統(tǒng)的真正管理和控制者[12]。簡言之，可視分析可以提高“人-機-物”一體化系統(tǒng)的融合程度，并使人處于系統(tǒng)的主導地位最終構建更為人性化的強大智能交通系統(tǒng)。

本文主要將可視分析應用在：①對數(shù)據(jù)本身進行可視分析，提取數(shù)據(jù)特征幫助更好地理解數(shù)據(jù)以及構建試驗模型；②對模型本身進行可視分析，幫助更好地理解模型內(nèi)部細節(jié)以及調(diào)整模型參數(shù)；③對模型結果進行可視分析，評估方案的優(yōu)劣；④對整個過程迭代進行可視分析，滾動式優(yōu)化平行智能交通系統(tǒng)。

1 可視分析及其重要性

1.1 人工智能與可視分析

隨著網(wǎng)絡信息科技發(fā)展以及人工智能的興起，世界已由“物理空間-人類社會”所組成的二元空間結構，通過疊加“信息空間”，形成了新的三元空間結構(cyber-physical-human，CPH)。CPH中的三元關系催生出了新的技術和計算形式，如增強現(xiàn)實、跨媒體等，其中，“人在回路中”的模式尤其受到關注[2]。在智能系統(tǒng)的研發(fā)中，人們開始重新反思和審視“人的因素”。對人工智能的研究也不再局限于傳統(tǒng)的“模擬人的智能”，而是轉(zhuǎn)變?yōu)榧軜嫛皺C器+人+網(wǎng)絡+物”的復雜智能系統(tǒng)。人們從CPH中采集了大規(guī)模的多元時空異構數(shù)據(jù)。以此為基礎，多種計算模型以及智慧城市、智能交通等復雜智能系統(tǒng)的概念相繼被提出。受需求牽引，無人駕駛等技術的應用也不斷涌現(xiàn)。

這些變化體現(xiàn)了人機耦合的未來發(fā)展趨勢，不僅僅引發(fā)了最近10年來的人工智能新浪潮，而且?guī)恿苏麄€人工智能領域的變革和升級，宣告了人工智能2.0時代的到來。其最重要的特征正是將機器、信息和人緊密連接起來。如圖1所示，信息空間的引入與融合，使得人類進入了一種“大數(shù)據(jù)驅(qū)動”模式，即通過各種方法途徑，由CPH獲取海量數(shù)據(jù)，匯聚所蘊藏的知識、形成知識系統(tǒng)。這種知識系統(tǒng)涉及基礎架構和平臺、機器學習理論、在線博弈與智能模擬、知識計算引擎和決策與服務等領域。有趣的是，該驅(qū)動模式進一步將知識系統(tǒng)的結果反饋作用于三元空間，形成正向激勵的循環(huán)回路。

圖1 可視分析與新一代人工智能的密切關系

在三元空間向知識系統(tǒng)轉(zhuǎn)化中，除了常見的人機對話和增強現(xiàn)實交互方式之外，可視分析方法也是一種重要的方式?？梢暦治鍪且活愅ㄟ^可視化手段，形成人機交互可視界面，有效提升數(shù)據(jù)理解和分析效率的方法技術?？梢暦治霭鄠€層次的過程：從數(shù)據(jù)中生成人類可感知的可視化表達，從數(shù)據(jù)中挖掘機器可自動執(zhí)行的特征表達，以及兩者的耦合與轉(zhuǎn)換?？梢哉f可視分析意在消除人與機器之間在表達與理解方面的障礙，并能將人機智能有機結合。其是從數(shù)據(jù)信息獲取到知識累積、決策管控的必由之路，同時也能夠?qū)⒅R系統(tǒng)的結果反饋作用于三元空間，形成正向激勵的循環(huán)回路的關鍵橋梁。因此，可視分析在人工智能2.0時代的重要性越發(fā)凸顯。

1.2 交通可視分析

自2005年可視分析的概念首次被提出以來，其被廣泛應用于眾多領域，在理解大數(shù)據(jù)的過程中起著“導航儀”的作用。其中，在智能交通系統(tǒng)研究領域，也涌現(xiàn)了大量的交通可視分析方法與技術，幫助人們深入分析和理解大規(guī)模城市數(shù)據(jù)，并提取潛在有用信息，進而建立新一代智能交通系統(tǒng)。

如圖2所示，交通可視分析可以由下而上分解為3個不同層面的功能：①方法層，借助數(shù)據(jù)挖掘和機器學習方法，充分利用計算機的強大計算能力，從大規(guī)模交通數(shù)據(jù)中提取特征語義。如通過對數(shù)據(jù)進行聚類/過濾來分析理解交通數(shù)據(jù)[14-16]，將自然語言處理文本數(shù)據(jù)的方式應用到交通數(shù)據(jù)的處理上，常見的主題模型如隱含狄利克雷分布(latent Dirichlet allocation，LDA)和非負矩陣分解(non- negative matrix factorization，NMF)可提取潛在語義或通過張量分解算法分析高維時空數(shù)據(jù)[17-18]；②可視化層，借助可視化方法，將數(shù)據(jù)內(nèi)在的結構與規(guī)律呈現(xiàn)為與人類視覺認知相一致的圖形，進而拓展人的認知能力。對于交通數(shù)據(jù)，本文主要從時間、空間、時空相結合，以及其他多個屬性維度考慮數(shù)據(jù)屬性，采用不同的針對性算法，對相應的數(shù)據(jù)特征進行可視化[19]；③人機交互可視界面層，在構建中，將人對可視信息的認知能力與機器強大的數(shù)據(jù)感知、計算能力充分結合，更好、更高效地理解和分析交通大數(shù)據(jù)，進而幫助緩解交通困擾、制定合理的交通規(guī)劃方案、優(yōu)化商業(yè)選址方案、保障社會安全等。

圖2 交通可視分析

2 可視分析增強的平行智能交通系統(tǒng)框架

平行智能交通系統(tǒng)由人工交通系統(tǒng)和實際交通系統(tǒng)組成，系統(tǒng)的基本想法是：①建立其功能和行為與實際交通系統(tǒng)等價的人工交通系統(tǒng)模型；②通過人工交通系統(tǒng)中的計算實驗，驗證各種假設及可能的交通情況，并對得到的大量交通方案進行效果評估；③通過實際交通系統(tǒng)和人工的交通系統(tǒng)之間的交互以及平行執(zhí)行，管理和控制實際交通系統(tǒng)。

圖3為可視分析增強的平行智能交通系統(tǒng)框架，即可視分析與平行智能交通系統(tǒng)無縫結合的方法路徑。可視分析在人工交通系統(tǒng)建模以及平行執(zhí)行管理與控制實際交通系統(tǒng)的過程中發(fā)揮著至關重要的作用。在平行智能交通系統(tǒng)中，需分析以下內(nèi)容：①對數(shù)據(jù)進行可視分析；②對模型本身進行可視分析；③對模型結果進行可視分析；④對輸入數(shù)據(jù)，構建模型以及模型結果評估的整個過程迭代的進行可視分析。

圖3 可視分析增強的平行智能交通系統(tǒng)框架

本文提出了2種能夠與平行智能交通系統(tǒng)結合的可視分析途徑。可視分析將參與到實際交通系統(tǒng)和人工交通系統(tǒng)的相互作用的各環(huán)節(jié)中，使人能夠主導2個系統(tǒng)的交互過程。

(1) 將可視分析應用于人工交通系統(tǒng)的優(yōu)化建模，即由實際交通系統(tǒng)生成人工交通系統(tǒng)的過程。首先對從實際交通系統(tǒng)中收集的數(shù)據(jù)進行可視化，獲取數(shù)據(jù)的大致分布特征，幫助更好地理解數(shù)據(jù)本身以及指導模型的建立。其次，對建立的模型本身進行數(shù)據(jù)挖掘過程的可視化，增強對模型內(nèi)部細節(jié)的理解，以更好地診斷和調(diào)整模型參數(shù)。然后，對模型得到的大量方案進行可視化，更加直觀地展示不同方案的區(qū)別，增強用戶對方案的理解，并幫助選取最優(yōu)方案。最后，對整個人工交通系統(tǒng)建模過程的迭代進行可視分析，將構建的人工交通系統(tǒng)的迭代、優(yōu)化過程進行呈現(xiàn)以供評估，直到其在系統(tǒng)功能和整體行為方面等價于實際交通系統(tǒng)。

(2) 將可視分析應用于人工交通系統(tǒng)對實際交通系統(tǒng)的反饋，即平行執(zhí)行管理與控制實際交通系統(tǒng)的過程中。首先，將人工交通系統(tǒng)中收集的數(shù)據(jù) (小部分來自實際交通系統(tǒng)收集到的數(shù)據(jù)，大部分來自人工交通系統(tǒng)生成的數(shù)據(jù)) 進行可視化，并提取所需數(shù)據(jù)特征，輔助構建計算驗證模型。其次，對計算驗證中的各種假設和可能的交通方案進行可視分析，將其呈現(xiàn)為理解性強的計算模式，增強對計算驗證運行過程的理解，并對可能出現(xiàn)的與預期不符的問題進行診斷，以及調(diào)整各參數(shù)值。然后，對計算驗證得到的大量交通方案綜合評估進行可視分析，并對不同方案進行展示和比較，增強對其的理解，選取最優(yōu)方案以運用于實際交通系統(tǒng)。最后，基于上述的可視分析結果，對實際交通系統(tǒng)實施平行執(zhí)行，并對整個迭代過程進行可視分析，不斷驗證各種假設和可能的交通情況，獲取交通方案效果評估的直觀反饋，逐步改進與優(yōu)化方案。

如上所述，可視分析增強的平行智能交通系統(tǒng)將會大大增強2個系統(tǒng)之間的耦合度與交互效率。而對2個系統(tǒng)進行的具體并行操作，同樣可借助可視分析來達到更好的優(yōu)化效果。如在用于控制與管理的平行系統(tǒng)中，對實際交通系統(tǒng)和人工交通系統(tǒng)的差別進行可視分析，以對人工系統(tǒng)進行修正，更精確地模擬實際系統(tǒng)；在用于計算實驗的平行系統(tǒng)中，對各類交通方案的結果進行可視化評估；在用于學習與培訓的平行系統(tǒng)中，將各類交通系統(tǒng)的情況進行可視分析，以供學習人員快速識別并做出對應舉措。

3 框架評估

如前所述，可視分析在智能交通系統(tǒng)中是基本的、不可或缺的工具，借助可視化，人們可以最直觀地理解和分析交通數(shù)據(jù)。一方面，人的知識以及判斷能力得到了最大化的利用，有利于最優(yōu)決策的產(chǎn)生[1]。平行智能交通系統(tǒng)概念的提出，便是為了處理信息物理系統(tǒng)(cyber physical systems，CPS)中重要性逐漸增大的人與社會的問題，將可視分析和平行智能交通系統(tǒng)結合是十分合理的。另一方面，智能交通是實施智慧城市的重要手段。隨著智慧城市的概念在近年被相繼提出和完善[11-21]，可以預見，可視分析也將在“人機物融合的智慧城市”中發(fā)揮著不可或缺的作用。本節(jié)首先通過羅列一些現(xiàn)有可視分析增強平行智能交通系統(tǒng)的實例，間接論證了可視分析與平行智能交通系統(tǒng)無縫的結合能夠?qū)崿F(xiàn)“1+1>2”的增強效果，然后通過實際案例來進一步論證本文提出框架的有效性。

3.1 一些現(xiàn)有可視分析增強平行系統(tǒng)的實例

LV等[22]論證了對實際的交通數(shù)據(jù)進行可視分析，捕獲數(shù)據(jù)交通流的分布等特征，將有利于使用生成對抗網(wǎng)絡(generating adversarial networks，GANs)生成與實際交通等價的交通數(shù)據(jù)和場景，以提供給人工交通系統(tǒng)進行計算實驗。同時通過可視分析對比預測結果與實際結果，有利于更好地改進計算實驗中的交通模型(利用可視分析技術提取數(shù)據(jù)本身的特征，以及可視化模型結果)。ZHANG等[23]指出，在人工交通系統(tǒng)如DynaCAS系統(tǒng)中，需要使用統(tǒng)計、數(shù)據(jù)挖掘、模型挖掘以及機器學習等可視分析技術從多個層面發(fā)掘交通模擬結果和計算實驗中有用的模式，同時借助人的經(jīng)驗和知識選出最優(yōu)方案(計算實驗中得到的方案需要利用可視分析技術進行性能分析與評估)。文獻[10]指出，實際交通系統(tǒng)需要依賴交通和人流視頻探測的可視分析界面，將復雜問題分解為相對容易的子過程。人工交通系統(tǒng)的計算實驗子系統(tǒng)需要如統(tǒng)計分析可視化工具的分析技術，以更好地進行計算實驗。在平行執(zhí)行的過程中需要設計一個動態(tài)可視人機交互界面，通過文字、圖、表格以及其他可視化形式展示各計算實驗和交互控制過程。而實際交通系統(tǒng)的操作也需要通過大量的前后端分析工具，與實際交通系統(tǒng)進行人機交互，同時預測、分析和評估人工交通系統(tǒng)的結果(可視分析技術應用在計算實驗、平行執(zhí)行的整個過程中)。ZHU等[24]提出在評估用于大規(guī)模活動采取的疏散計劃的平行公共交通系統(tǒng)的考量中，最終需要設計人機交互的可視化界面，來展示實際和人工系統(tǒng)中的演化過程以及2個系統(tǒng)之間的交互，同時表明平行公共交通系統(tǒng)應當是人為導向的系統(tǒng)(整個系統(tǒng)需要利用可視分析技術進行迭代分析)。

上述相關工作表明，可視分析技術增強了平行智能交通系統(tǒng)各環(huán)節(jié)的效能，進而論證了本文提出的“可視分析增強平行智能交通系統(tǒng)框架”的合理性。

3.2 可視分析增強平行智能交通系統(tǒng)的實驗案例

基于本文提出的系統(tǒng)框架，通過一個實際案例進一步驗證框架的有效性。

3.2.1 數(shù)據(jù)預處理

(1) 出租車軌跡數(shù)據(jù)。每條軌跡由一系列采樣點構成，其包含出租車ID、地理位置信息(當前的經(jīng)度和緯度)、時間戳、是否載客等信息。本次試驗選取2018年11月杭州市出租車軌跡數(shù)據(jù)，范圍為杭州市核心城區(qū)。將選取的經(jīng)緯度范圍分割成RxC的矩形網(wǎng)格，對于第行和第列的網(wǎng)格(,)，需計算出該網(wǎng)格在一個時間范圍(,)內(nèi)流入與流出的流量，即該段時間內(nèi)從外部進入和從內(nèi)部離開該網(wǎng)格的所有車輛的數(shù)目。

(2) 路網(wǎng)數(shù)據(jù)。其是一系列折線段的集合，表示道路的地理位置和方向。本次試驗選取杭州市主要城市道路，共計6 326條。使用路網(wǎng)數(shù)據(jù)來修正軌跡數(shù)據(jù)得到的網(wǎng)格流量數(shù)據(jù)，以構建交通圖結構。對任意一個網(wǎng)格(,)，需構建一個頂點，并取其周圍8個網(wǎng)格作為鄰接定點。對任意2個相鄰網(wǎng)格(1,1)與(2,2)，需計算2個網(wǎng)格之間連接的道路數(shù)量，然后將相鄰網(wǎng)格之間的邊權值設置為100/。如果2個相鄰網(wǎng)格之間沒有道路連接，則去掉該邊。這樣連接道路較多的相鄰網(wǎng)格之間的邊權值較小，表明二者練習更加緊密，同時可以在數(shù)值上對不同邊進行足夠的區(qū)分。

(3) POI數(shù)據(jù)。POI數(shù)據(jù)包含其ID、種類以及地理位置信息。本次試驗選取20類不同種類的重要地點，如餐廳、大學、銀行、市政設施等等。POI數(shù)據(jù)用來輔助分析交通異常情況的原因。

3.2.2 實驗分析

圖4為可視分析增強平行智能交通系統(tǒng)實驗案例流程圖。

圖4 可視分析增強平行智能交通系統(tǒng)試驗案例流程圖

首先，從實際交通系統(tǒng)中獲取真實的出租車軌跡數(shù)據(jù)，在人工交通系統(tǒng)中對實際交通數(shù)據(jù)進行可視分析，幫助用戶更好地理解數(shù)據(jù)的時空特性(如車流變化的周期性，不同網(wǎng)格單元車流的相近性等)，圖4①呈現(xiàn)了總的和部分網(wǎng)格單元內(nèi)一天的車流流量視圖，以及在地圖上呈現(xiàn)了杭州市主城區(qū)各個區(qū)域的交通流量熱力圖，包括流入/流出流量熱力圖。

其次，對數(shù)據(jù)進行可視分析獲取的時空特性可幫助本文建立圖卷積深度網(wǎng)絡交通流量分析模型，以預測交通流量。圖4②以歷史交通流量數(shù)據(jù)為輸入，使用時間與空間相關性對交通流量進行建模，并對未來的交通流量進行預測?；趯?shù)據(jù)本身的可視分析可知，交通流量數(shù)據(jù)具有非常明顯的周期性。因此在模型中可將周期分為長、中和短3個周期分別進行取樣。長周期為一周，取預測時刻前一周同時刻的數(shù)據(jù)作為輸入數(shù)據(jù)。中周期為一天，取預測時刻前一天、兩天與三天的同時刻數(shù)據(jù)。短周期數(shù)據(jù)為最近3次的交通流量數(shù)據(jù)。

然后，設計了交互可視分析系統(tǒng)如圖4③所示，系統(tǒng)從整體上對交通流量數(shù)據(jù)、交通流量預測結果以及交通流量中的異常情況進行可視化。對交通流量數(shù)據(jù)可視化幫助交通管理者對歷史流量進行分析、對比以及理解交通流量中發(fā)生的變化和趨勢。對交通流量預測結果的可視化可以讓交通管理者對交通流量的變化有比較準確的認知，提前做出規(guī)劃，減少城市發(fā)生擁堵。結合預測數(shù)據(jù)與歷史數(shù)據(jù)對城市中發(fā)生的異常交通情況進行提取與可視分析，結合地理位置和人的經(jīng)驗及知識等綜合分析，幫助用戶選取最優(yōu)的交通方案應對和疏導異常交通行為，得到最終的應對方案來平行控制和管理實際交通系統(tǒng)。在實際交通系統(tǒng)中的結果反饋給人工交通系統(tǒng)中，不斷迭代優(yōu)化交通方案。

4 結論與展望

本文提出了可視分析方法增強平行智能交通系統(tǒng)的基本架構模式，同時探討可視分析應用于人工交通系統(tǒng)建模、以及從平行執(zhí)行管理與控制實際交通系統(tǒng)過程的2個途徑。通過現(xiàn)有案例和實驗案例證明該系統(tǒng)框架具有很強的實際參考價值，能夠極大地推進未來智能交通系統(tǒng)的發(fā)展和應用，將成為解決城市交通問題的研究前沿。同時，將此架構用于增強其他平行系統(tǒng)的可行性亦值得探討。

當然，可視分析增強的平行智能交通系統(tǒng)仍處于存在巨大挑戰(zhàn)的探索階段。例如由于交通數(shù)據(jù)規(guī)模大、動態(tài)變化、維度高、多源異構等特點，將人工交通系統(tǒng)和實際原始數(shù)據(jù)同步仍存在巨大困難。而進一步，如何對計算與人機交互所得的AI模型結果進行可視分析評估仍然有待解決。最后，該領域內(nèi)的發(fā)展需要多中心、多學科融合作為基礎，這首先需要集中海量的資源，尤其是不同類型的城市數(shù)據(jù)。而如何高效組建團隊、獲取資源、跨學科合作等，將是本課題進一步探討研究需要考慮的關鍵問題。

[1] ZHANG J P, WANG F Y, WANG K F, et al. Data-driven intelligent transportation systems: a survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4): 1624-1639.

[2] PAN Y H. Heading toward artificial intelligence 2.0[J]. Engineering, 2016, 2(4): 409-413.

[3] WANG F Y, WANG X, LI L X, et al. Steps toward parallel intelligence[J]. IEEE/CAA Journal of Automatica Sinica, 2016, 3(4): 345-348.

[4] WANG F Y. The emergence of intelligent enterprises: from CPS to CPSS[J]. IEEE Intelligent Systems, 2010, 25(4): 85-88.

[5] WANG F Y. Parallel control and management for intelligent transportation systems: concepts, architectures, and applications[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(3): 630-638.

[6] WANG F Y. Toward a paradigm shift in social computing: the ACP approach[J]. IEEE Intelligent Systems, 2007, 22(5): 65-67.

[7] WANG F Y. Toward a revolution in transportation operations: AI for complex systems[J]. IEEE Intelligent Systems, 2008, 23(6): 8-13.

[8] XIONG G, DONG X, WANG Z, et al. Research and application review of parallel control and management[J]. Acta Automatica Sinica, 2019, 6(3):1-12.

[9] XIONG G, LIU S, DONG X S, et al. Parallel traffic management system helps 16th Asian games[J]. IEEE Intelligent Systems, 2012, 27(3): 74-78.

[10] XIONG G, DONG X S, FAN D, et al. Parallel traffic management system and its application to the 2010 Asian games[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 225-235.

[11] ZHU F H, LI Z J, CHEN S H, et al. Parallel transportation management and control system and its applications in building smart cities[J]. IEEE Transactions on Intelligent Transportation Systems, 2016, 17(6): 1576-1585.

[12] KONG Q J, XU Y Y, LIN S, et al. UTN-model-based traffic flow prediction for parallel-transportation management systems[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(3): 1541-1547.

[13] WANG F Y, ZHENG N N, CAO D P, et al. Parallel driving in CPSS: a unified approach for transport automation and vehicle intelligence[J]. IEEE/CAA Journal of Automatica Sinica, 2017, 4(4): 577-587.

[14] ANDRIENKO G, ANDRIENKO N, RINZIVILLO S, et al. Interactive visual clustering of large collections of trajectories[C]//2009 IEEE Symposium on Visual Analytics Science and Technology. New York: IEEE Press, 2009: 3-10.

[15] VON LANDESBERGER T, BRODKORB F, ROSKOSCH P, et al. MobilityGraphs: visual analysis of mass mobility dynamics via spatio-temporal graphs and clustering[J]. IEEE Transactions on Visualization and Computer Graphics, 2016, 22(1): 11-20.

[16] ADRIENKO N, ADRIENKO G. Spatial generalization and aggregation of massive movement data[J]. IEEE Transactions on Visualization and Computer Graphics, 2011, 17(2): 205-219.

[17] TANG Y, SHENG F F, ZHANG H X, et al. Visual analysis of traffic data based on topic modeling[J]. Journal of Visualization, 2018, 21(4): 661-680.

[18] LIU L Y, ZHANG H X, LIU J X, et al. Visual analysis of traffic data via spatio-temporal graphs and interactive topic modeling[J]. Journal of Visualization, 2019, 22: 141-160.

[19] LIU D Y, XU P P, REN L. TPFlow: progressive partition and multidimensional pattern extraction for large-scale spatio-temporal data analysis[J]. IEEE Transactions on Visualization and Computer Graphics. 2019, 25(1): 1077-2626.

[20] CHEN W, GUO F Z, WANG F Y. A survey of traffic data visualization[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(6): 2970-2984.

[21] ZHANG J J, WANG F Y, WANG X, et al. Cyber-physical-social systems: the state of the art and perspectives[J]. IEEE Transactions on Computational Social Systems, 2018, 5(3): 829-840.

[22] LV Y S, CHEN Y Y, LI L, et al. Generative adversarial networks for parallel transportation systems[J]. IEEE Intelligent Transportation Systems Magazine, 2018, 10(3): 4-10.

[23] ZHANG N, WANG F Y, ZHU F H, et al. DynaCAS: computational experiments and decision support for ITS[J]. IEEE Intelligent Systems, 2008, 23(6): 19-23.

[24] ZHU F H, CHEN S H, MAO Z H, et al. Parallel public transportation system and its application in evaluating evacuation plans for large-scale activities[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(4): 1728-1733.

Parallel intelligent transportation system framework enhanced by visual analysis

LIU Li-yan1,2, ZHANG Hong-xin1, CHEN Wei1, DI Yi-ning1, LIU Jia-xin1, MAN Jia-ju2

(1. State Key Laboratory of CAD & CG, Zhejiang University, Hangzhou Zhejiang 310058, China;2. State Key Laboratory of HPC & SIP, Hunan Normal University, Changsha Hunan 410000, China)

With the advent of artificial intelligence 2.0 era, visual analysis methods have received more and more attention as an important human-machine coupling method. It is a powerful tool for big data analysis and a“navigator”for understanding data. It can effectively convert data in a ternary spatial structure (cyber-physical-human, CPH) into services and decision-making in a knowledge system, thereby further enhancing the intelligent level of transportation system. At the same time, a parallel intelligent transportation system that integrates artificial transportation system, computational experiment and parallel execution is proposed, which provides a new mechanism and new mode of manipulation in the field of intelligent transportation. Through the analysis of specific cases, we discuss the importance of visual analysis in the new generation of artificial intelligence, and the process transforming data or information into knowledge systems. It is proved that the seamless combination of visual analysis and parallel intelligent transportation system can better analyze large-scale traffic data, solve traffic problems more effectively, and achieve the enhancement effect of “1+1>2”. Based on this, a novel parallel intelligent transportation system framework enhanced by visual analysis is proposed.

visual analytics; intelligent transportation system; artificial system; computational experiments; parallel execution system

TP 391

10.11996/JG.j.2095-302X.2021030485

A

2095-302X(2021)03-0485-07

2020-09-26；

2020-10-15

26 September，2020；

15 October，2020

國家自然科學基金項目(U1909204)；湖南省教育廳重點基金項目(18A001)

National Natural Science Foundation of China (U1909204);The Key Fund of Hunan Provincial Education Department (18A001)

劉麗艷(1994-)，女，湖南婁底人，博士研究生。主要研究方向為大數(shù)據(jù)分析、可視分析。E-mail：liuliyan@smail.hunnu.edu.cn

LIU Li-yan (1994-), female, PhD candidate. Her main research interests cover big data analytics and visual analytics. E-mail：liuliyan@smail.hunnu.edu.cn

張宏鑫(1975–)，男，浙江杭州人，副教授，博士。主要研究方向為計算機圖形學、可視化與云計算。E-mail：zhx@cad.zju.edu.cn

ZHANG Hong-xin (1975-), male, associate professor, Ph.D. His main research interests cover computer graphics, visualization and cloud computing. E-mail：zhx@cad.zju.edu.cn