王启东：云图交通，构建以“边缘计算—数据中心”为双核心的城市智能交通新生态

王启东：大家下午好！今天跟大家分享的是主要内容--云图交通，代表着海康威视智能交通领域整体解决方案的定位，后面是方案的核心框架——云平台边缘计算，或者是边缘计算+数据中心双模式。

在大家的传统印象中，认为海康威视只是卖监控等设备的，但实际上我们的业务范围远不止这些。不知道在座各位有没有买海康股票，如果有，从年初到现在，至少小赚了一点。给大家分享一下海康威视今年的股票涨势原因，主要是因为国外一家专业的人工智能评估团队评估了中国市场上诸多人工智能公司，认为海康威视不是卖噱头，而是实实在在做研发的单位之一。

人工智能到底是什么？人工智能的前提和基础是什么？我认为是海量数据的积累，这也是海康威视为什么在人工智能领域能有一定的储备和积累的原因。阿尔法狗为什么可以战胜人，因为他的棋谱训练量达到令人发指的地步。海康威视在图象数据应用方面有非常多的储备，截止目前，智能交通领域项目数已经超过了4万个，我们已经覆盖了接近90%以上的城市交警支队，80%的省总队和70%的交警大队，这是海康威视目前的行业成绩。从产品供应角度，我们是全球最大的交通监控产品供应商。

海康威视的人工智能团队超过1000人，其中做人工智能数据清洗团队超过250人，这250人的工作内容就是做数据清洗，高质量的数据分析。所以，有算法有团队有基础，加上海康威视对于人工智能的信心和眼光，这就是为什么海康威视今年股票走势较好的原因，海康威视也是深交处中小板上市企业中市值最高的国内上市公司。

在进入正式的汇报之前，和大家分享三个典型的案例。

第一个案例：今天长沙交警支队的姚大队提到了失驾、毒驾的查处，传统的失驾是什么呢？在人脸应用没有被炒得火热的前提下，交警是基于失驾信息库，通过缉查布控系统所掌握的车辆轨迹进行研判分析，比对，拦截。今年一些新的应用提到了人车关联分析，那么基于人车比对、人车关联的分析，意味着我们在交通管理数据分析维度上做得越来越精细、越来越全面了。也就是说组成交通管理的数据非常广泛，而且需要全新的感知方式。

第二个案例：第一个图片显示的是杭州城市大脑的实际界面，第二个图片显示的是DB信号灯。

我想表达一个观点，互联网对于传统交通数据的融合和应用其实是一个潮流，交互性融合的应用，是我们必须要去拥抱的。海康威视跟滴滴也有过一些初步的沟通和想法，包括我们针对他的专项数据分析，类似于酒驾数据分析与传统专项整治行动是否可以融合起来，当然这个业务融合前提是先实现数据融合。

第三个案例：高德地图互联网大数据的分析系统。

左下角这张图片，演唱会周边拥堵监测，大家猜周杰伦和张惠妹哪个影响力大一些，目前来看还是周杰伦影响比较大。在杭州，张惠妹和周杰伦去开演唱会，对交通影响较大的，一个是西湖，一个是华农周边，通过交通拥堵率分析可以得出明星的影响力。同样通过这个交通数据的热力监测，可以看出高德对业务和需求的分析很超前，这是传统的厂商需要去学习互联网企业的地方。

通过这三个案例，我跟大家分享一下海康威视的云图交通大解决方案的本质，主要包含以下三点：

第一，全面的交通数据采集。

第二，以数据为本质为核心的融合和应用体系。

第三，基于深度运用的数据业务运用体系。

我们定义海康威视云图交通整体解决方案是这样一句话：以AI、大数据、云计算、物联网等科技手段构筑和夯实交通系统的云化能力，并基于图像应用提供智能交通管理新生态，这就是云图交通的核心。海康威视是一家基于图像应用提供智能交通管理的公司，这是智能交通管理的新生态。

一、 深度智能，追求交通数据采集的极致

1、交通数据的经典来源

以交通数据采集为例，传统数据采集包括交通运输数据，交通参与者行为数据（公交刷卡、地铁），地磁、微波以及浮动车数据，互联网数据，以及今年非常热门的车路协同、车联网数据。其实，对于整个交通管理生态来说，哪些数据最容易获取，哪些数据相对来讲应用生态、业务价值更高？是图像数据。

2、提升图像数据的采集效率

图象数据涵盖整个智能交通管理各个方面的多个场景。海康威视对于图像应用是老本行，我们对于整个图像数据应用在智能交通各个场景都有完整的先进的解决方案，比如超高清城市制高点监控解决方案。基于图像数据图象处理的前提，可以保障数据采集的高质量，比如说超低照度，今年海康威视最新研发的黑光级摄像机，可以做到在完全无光环境下还原正常图像。

3、扩展图像采集的颗粒度

扩展图像采集应用，包括透雾对比、防抖等功能分析，都是做交通图像数据采集分析很重要的前提。基于人工智能在行业内的迅速发展，交通最基础的数据采集——车辆采集，在采集的颗粒度上又提升到了一个新的高度。无论是车辆检索的颗粒度，还是特征分析和行为分析的颗粒，有了这两个我们就可以做第一轮数据的清洗，进而将我们的解决方案形态，全面切换于人工智能和高性能GPU芯片的解决方案上。这也是目前海康威视引领整个行业的主流解决方案之一。

4、提升图像数据的智能化水平

在这之后，海康还将利用深度智能技术运用到各种道路场景，进行行为数据的分析，比如车辆违停等。在这方面，我们的监测准确率高达90%以上。此外，海康威视还有一个专门研究车路协同的子公司，主要业务范围是探索基于图像分析的人车关联，这其中包括行车记录仪和信号灯数据联合联动，这是一种很典型的应用。一些智能传感器能实现多辆车数据的互联互通，通过海康威视的行车记录仪可大大降低传统车辆的道路传感器的监测成本，让整个城市交通参与者一起成为交通数据采集者和贡献者。百度地图负责人说，互联网数据里，十辆车中如果有一辆是百度地图手机客户端的车，这对他们来说就是非常高质量的数据采集源，如果把这些数据再继续延伸，那么我们的数据质量到底有多高，难以想象。

未来，我们会将感知维度、感知效能再进行更加深入的提升，比如通过路口视频分析，判断碰撞、事故的发生几率，或者是道路事件，及时通过车载智能终端（如通过行车记录仪进行发布），对道路交通参数、车辆类型的感知，也逐步作为宏观交通管理的重要依据。

二、“云-边”计算，构建智能交通应用新系统

有了数据之后，下一步工作是搭框架。这个框架的本质是什么？需求驱动是什么？其实就是更符合实战场景的一个合理应用需求。

阿里集团在智能交通领域一直致力城市大脑的研究，而海康威视在与成千上百位用户、合作伙伴沟通之后，提出自己的城市大脑的想法，其核心和本质就是云边计算的核心框架。

什么是云边计算？不管是传统智能交通企业，还是智能交通的需求方，都会提到交通数据中心框架的设计，海康威视也不例外。海康威视的智能交通数据中心设计，包括视频图像、云存储系统、GPU深度智能分析资源池，商用的大数据核心架构，业务模型库，数据总线，交通运维体系等都是海康威视非常成熟的系统和产品。

这些系统和产品在组合逻辑上非常简单，实际上包含很多的细节，比如对GPU资源怎么定位？这就是一个超算中心的概念。比如说郑州支队陈常青所长提到了海康威视的以图搜图，当某辆无牌车辆逃匿的时候，系统将直接锁定所有卡口，并自动将所有卡口过车图片做结构化分析，通过调动所有GPU资源做结构化的处理，然后再用大数据的检索能力实现秒级的以图搜图。这些流程从逻辑上看起来简单，但从海量存储图片的读写和分析，还有超高速的数据检索要求来说，都要依托于数据中心的核心架构去实现的。目前针对图片、图像级以及人脸专项的分析也有相应的储备。

云-边计算其实就是一个非常典型的业务驱动的架构设置过程。传统的数据中心以大数据、云分析、云存储为核心架构，有专门的模型库，海量业务模型作为数据中心的决策依据，但在特定场景时，比如单个路口或区域监控时，为了更好地适应不同场景下的智能交通应用，满足复杂场景下对于轻型系统的要求。海康威视将数据中心的模型进行前置，包括算法的前置、计算能力的前置以及业务模型库的前置，这就是“云-边”计算的最终目标——轻系统，大智慧！

举例而言，还是以信控为例，云平台汇聚全城路网、过车、信控配时数据，提供全局的交通数据“超脑”计算中心。但是同样的，在路口终端，边缘计算系统则自主学习路口的交通流模态，通过场景适配自主生成路况管理预案库，自动调节路口的交通秩序管理手段。因此形成了智能交通中心大脑+神经元末梢的新型智能交通生态系统。目前，我们已经在宜春、海口、洛阳等城市做过试点。

基于这样的探索，海康威视今年推出了很多类似的系统，包括面向交通秩序管理的“行人闯红灯检测和比对系统”、“失驾人员分析系统”、“涉牌车辆违法”分析系统等，每个系统都有超过上百家的实际应用案例。

三、用户思维，描绘智能交通应用新蓝图

因此，有了上述的新型架构下，海康威视接下来做的就是，站在交管实战的立场，以用户思维，描绘智能交通应用新蓝图。

传统的交通大数据经典应用，例如4个V的问题，主要聚焦的全文检索、车辆分析以及态势研判等等，海康威视有着超过300个实际项目的使用案例，有着非常成熟且先进的实战成果。以车辆的全文检索为例，海康威视可以轻松地做到1000亿条数据规模下，每一辆车在不同的监控设备/卡口设备/电警/事件检测分析等图像系统中，70ms内返回检索和分析结果；针对车辆技战法，涉牌的车辆，海康威视可以做到同一辆车的两张照片，在10亿张图片的规模下，10秒内就能找出来。

交通态势研判，实时流量分析，拥堵统计，流量预测，这是交通监控三板斧里面经常提到的，海康威视的图像分析设备可以实现单个断面流量监测的准确率90%以上，基本上跟百度地图、高德地图利用浮动数据在城市主干道的监测率差不多。当然海康威视的智能交通系统产品有差不多1000人的研发团队，做到这个也不稀奇。

但是交通大数据的本质，并不简单的只是数据的体量有多大，检索有多快，或者说典型的因果分析能够提升到怎样的程度。交通大数据的本质需求，更关注的是这四个方面：

1、高质量数据

很多同仁都提出高质量数据是数据应用的基础，毫无疑问。举个例子，车牌识别。事实上同一个车牌不同车身颜色的规则非常简单，但前几年套牌车为什么误报率这么高，因为抓拍机器不可能百分百识别车辆颜色，准确率自然也不高。以“谎言议论谎言得到的一定还是谎言”，所以高质量数据非常重要。海康威视抓拍机可以做到100%吗？单口抓拍机肯定做不到，因为受限于各种场景，光照、过车实际情况等，那么要怎么做到？靠数据清洗，这个就是对数据本质的需求，高质量。

2、可视化

阿里的城市大脑做的第一件事是可视化分析，如何保证数据的高效呈现方式，做到业务展示和数据展示一目了然；第二才是瞄准电警和信号的相互关系。

3、高价值

怎么做到高价值，我认为最主要的是相关性分析，在不设定不预置模型的情况下，进行自主分析。如果是可预见的交通拥堵，从某种意义上来说是系统因果分析，对于不可预见的交通拥堵或流量突发预警，在不预设模型下进行自主研判的相关性分析，这个才是数据高价值的真正体现。

4、实战性

怎么让数据将业务结合起来，以业务驱动数据价值，这个是最主要的最核心的智能交通运用模式。

举一个例子，数据清洗逻辑怎么做的。简单来说，首先传统模式的车牌识别相机，客观的讲大概有90%的识别率，这是目前整个智能交通生态里很客观的数据。利用人工智能算法、深度学习算法和GPU的高性能图像分析等，可以将这种识别率从90%提升到95%。接下来再用二次识别进行后端的图像处理分析，再提升到2.5%，即97.5%。那么，从97.5%到99.9%到99.999%怎么做到，这就是算法的逻辑。

我们举一个进京号牌的反向逻辑，如何通过数据分析和相关性判断，提升每一辆车（即交通小数据）的属性信息。

以这样一种车牌举例京QT9A17，在现有的卡口系统中，由于前端的识别率做不到100%，因此错误情况往往分为两种：

1、未识别

2、误识别（如京279A17）.

而在大数据的逻辑下，单个点的误识别/未识别，都可以通过其他的属性信息进行反向推算，比如说一共5个卡口，京QT9A17的大众途观2013年款白色车辆出现了4次，京279A17出现了1次，那么做数据分析的时候，京279A17就可以作为敏感数据筛选出来，可以利用以图搜车、时空对比、轨迹分析等多种手段确定其是否为真实号牌，亦或者是系统误识别的号牌。当然其他的属性分析也可以通过这个逻辑去实现。这个就是非常典型的交通数据清洗实战应用。

所以，我们这么认为，基于人工智能的深度学习算法，将抓拍机的号牌识别率提升到了95%，二次识别和结构化分析系统，再将识别率提升2.5%；那么剩下的乃至无限靠近99.9%等，就是最后一公里路，就是大数据做反向数据清洗的最重要的一条路。这也是交通大数据，追求高质量数据的一个缩影。

海康今年比较典型的一种业务是怎么区别定义数据应用的新型实战性。

有了数据的精准分析前提之后，接下来交通大数据应用，关注的是数据在业务系统的可视化展示。比如海康威视今年重点推出的云图立体管控方案，就是以立体云防控系统作为交通秩序管理系统的载体；同时也将业务信息将作为数据标签融入到可视化的指挥调度模式中去，实现数据可视化的目的。

还是以失驾为例：失驾管控系统从海量的卡口数据和驾驶人数据中筛选出与目标嫌疑人相似度极高的基础后，我们可以直接在AR系统中，看到人车的轨迹，实现多个场景的“高高联动”和“高低联动”等。因此将传统的缉查布控、涉牌拦截等业务，可以真正地与大数据和可视化系统进行深度地融合。

有了这些这些基础的实战数据之后，我们反向去分析事件数据的来源和分布情况，可以进一步在AR立体云防控系统上做高频事故的热力图、出现时空分布图等，实现事故行为的源头监管和分析。这就是数据实战化非常好的一种应用理念。

最后，目前针对交通大数据的应用，是否现有的数据挖掘手段就已经到了这个阶段的极致了呢。我看未必如此。以交通违法数据为例，传统的业务基本以非现场执法流程作为闭环，而忽视了本身违法数据在业务系统中的价值。海康威视今年就重点去做这些已经获取到的数据价值的深层次应用，推出了数据可视化辅助决策分析系统。以违法数据剖析为例：

我们可以分析这5个维度：

1、违法行为解析；

2、违法车辆类型解析；

3、违法趋势分析、违法根因透视

5、违法占比分析等。

而这些数据又恰恰是交管部门作为辅助决策的重要依据，包括科学布建、道路管控（限行）、勤务警力资源精准投放以及专项整治行动的数据辅助决策。而这就是大数据在可视化和实战化方面的深度融合。

以上就是海康威视对于新一代的智能交通新生态的探索和分析。所谓海康云图，就是以数据全感知为基础，以系统泛融合下的云边计算框架为核心，以用户的需求来实现、新的交通大数据的四大应用方向作为提升的新的行业解决方案，即“全感知、泛融合、深应用”的核心主题。以上就是我对于整个云图交通系统的详细阐释。

演讲就到这里，谢谢大家！