用手机信号预测拥堵 大数据帮忙看路况能省时、省油

（原标题：用手机信号预测拥堵 大数据帮忙看路况能省时、省油）

目前在高速公路的试点中，省交通厅把高速公路的历史数据、实时数据与路网状况结合，基于阿里云大数据计算能力，预测出未来1小时内的路况。多次的试验结果显示，预测准确率稳定在91%以上。

从手机信号看道路通行状况

阿里云的大数据计算是多位资深数据专家联合研发的。据介绍，对于浙江省内近1300公里的高速路段，大数据计算可以在20分钟完成历史数据分析，10秒钟完成实时数据分析。

如果要把路况预测放到城区道路中，难度要更大一些。受到采集技术的制约，实时交通数据的更新时间普遍较长，有的高达15分钟，而且传统铺设线圈的方式，硬件投资金额巨大。为此，交通厅引入了一种新的技术，就是把将手机信号数据和道路通行数据进行关联。

在城市道路上，一般每隔500米设一个运营商基站，在市郊和高速公路上大约2公里设一个运营商基站，当手机用户经过基站时，手机形成的信号数据可以比较准确地反映出单位时间内通过该路段的实时路况变化。如果检测到的手机信号在高速公路上停止行驶，而同路段其他大部分手机信号的移动速度都下降，那么就可以判断这一路段上可能出现事故或拥堵。

浙江省交通信息中心主任韩海航说，从成本投入来说，相比较传统传感器采集高速路况数据，这种方式至少可以降低90%的成本，建设周期也大大缩短。通过对未来路况的预测，交通部门可以更好的进行交通引导，司机也可以根据预测，做出最优化的路线选择。

粗略估计，如果司机能选择合适的出行方案，可以缩短5%至10%的出行时间，减少2%至10%的汽油消耗。

综合路网、道路上下游、天气各要素只为准确性

尽管路况预测的实用价值很高，但准确性一直是各方追求的目标。

阿里云方面的专家说，如果仅仅基于道路通行的历史平均数据来做简单预测，那并没有实际意义。只有分析因素和维度越多，数据越丰富，得出的预测结果才会越准确。

“路网关系、道路上下游的事件，甚至天气等外部综合因素都应该加入进来，但当这些海量数据纳入到全网路况的时空演变模型后，对云平台的大数据计算能力提出了很高的要求”。

此前，微软曾联合巴西一所大学进行了相似的尝试，准确率为80%，后来微软在加入更多数据源后，将这一成绩提升到90%。不过，这次尝试只是在实验室里面完成，并没能应用于实际的路网预测。

一旦未来路况的预测可以保持一个极高的准确率，就可以用来支持无人驾驶技术的发展。无人驾驶汽车除了通过各种传感器对“眼下”的数据进行快速判断外，还需要了解10分钟、20分钟后即将到达的路段状况，提前做出路线选择，那么，预测数据就可以为预判提供依据了。