2015年4月27日，第十四届亚太智能交通论坛在南京隆重开幕。来自国内外40多个国家和地区的700余名智能交通相关政府代表、专家学者、企业界人士汇聚一堂，共同探讨智能交通发展的问题和趋势。江苏省交通规划设计院博士王维峰在大会上发表了演讲，以下为演讲实录，未经本人审定：
王维锋：非常感谢大家，我非常荣幸可以在这里介绍我的研究方法。我演讲分三个部分，第一个是我对交通数据的理解。首先，我们这里谈到一些江苏省交通部所赞助的一些研究项目，以及江苏省交通规划设计院和东南大学支持的，我们研究是离不开这些部门的支持。我的一个背景介绍，我们目的是什么？那么基于合理方式进行交通状况预计，并且使用正确的交通数据，已经成为ITS一个巨大的挑战，在下面我们看智能公交系统与数据是相关的，比如说与数据的搜集、处理、融合、发觉以及大数据都是相关的。所以说数据无处不在。但是，如果我们使用错误的方式和不合理的方式来使用数据的话，数据就是垃圾，如果我们合理利用数据就是宝。我们可以使用正确的数据来进行路上时间的预计，那现在数据的来源主要有两大传感器，首先来自于固定的感应器，比如说微博、视频、环路等等，另外是环路的车载的设备，像GPS还有车驾驶员，还有车上的手机等等移动设备。这些多渠道的数据可以给我们带来两类信息，一类是随机的，一类是经过处理的信息和必要的信息。可以使用两种不同的固定和移动的感应器来预计路况，交通的情况，所以我们需要融合多渠道的信息来源，就是MDF来实现对交通和路况更好的了解。
第二部分介绍我们的案例分析。第一个案例分析，我们在手机里面，安装了一个开发了一个app程序来搜集车速的信息，这个表是介绍的基本原理。首先，我们是估计了一些车的数量然后放在PC里面，我们移动app会测定这个一种特定区间的车速进行测量。这些数据存储在数据库里面，可以在地图上进行显示，这个是如何进行连接的，首先使用安卓一个平台，然后我们开发了这样一个数据库来纯属数据，我们又开发了一个软件来进行数据的分析和研究，这里面包括五大功能，把包括数据、速度估计、地图匹配、结果的显示、以及最终数据的存储，右边显示就是最终的界面。
我们发现这个数据往往都是时间为标记的，因此数据同步实际上它应该和原来的时间就是说来确保我们有时间同步。传输数据之后我们可以获得更好的数据结果，数据的处理，那么我们原数据进行解码的时候，是看成一个顺序，以这个基础进行数据估计，我们开发了这样一个公式来预计车辆的速度。那么这里我们要进行数据的匹配，比如说我们要把时时数据和原来的建模进行比对，从而估计速度，你看这个信息回归告诉我们结果不错。
那么把这个行驶数据估计放在数据融合上面，这是我们的研究项目。这里传感器和车辆上面都可以提供一些参数，比如说根据我们的车辆来计算它的行驶时间，然后比如说还有TP标准方差，你看左边这里面可以看到这是一个低流量，那么它的预计连接时间，它的时间是低于时时的行驶时间，但是我们在高流量里面，从固定的传感器过来的行驶时间他要高一些。你看这是我们BPM模型，你可以看到我们可以对适应性进行预估，BPM是一个三层的网络，我们选择了三千米这样个高速公路的路段，我们让出租车来当成我们的车辆，然后我们用微波作为我们的固定传感器来进行研究，你可以看到这是流量，这是从微波传感器里面获取的流量，那你看到这是输入因素，那么在五个例子当中给他进行描述定义。你看BPM这样的模型呢，你看到这里有这样一个一万个数据点，那它的速度是0.05，那么它的方差是0.01。左边告诉我们就是它的可以接受的融合，那么右边就是聚合，右边告诉我们吻合程度，这是五个例子这样一个总结。
你看到这里我们使用了我们的中位绝对值来衡量我们这个模型，我们还对它的方差进行计算，你看这是MDF它的结果告诉我们说，他剩余单一来源数据的分析，看到这里相关的数据包括五个输入，你看到这里优化的输入。你看第一个案例我们估计时间他和在第一流量的时候和估计时间很接近，但是第二个案子它的估计时间那在高流量的时候接近模拟时间，在三四五个案例预计的时间它在各种各样流量当中准确度都很高。这告诉我们说，我们使用多来源的数据这种融合给我们带来更和更可靠的结果。我们这是使用了软件来对南京的交通状况进行预测。那么你看到这个是我们开发软件的一个界面，这里的红色这是我们最终车辆是我们的行驶轨迹，我们还使用了交通表现指标来分析交通状态。我们来使用多数据融合来梳理交通状态。
那么下一步就是讨论和结果。刚才讲到这是我们研究的开始，在我看来数据是无处不在，我们可以从大数据当中在交通管理获益良多，数据融合可以让我们对交通获得更好的理解，那么我们可以降低不确定性，那么我们实际上就我们灵活性来说，或者学习和总结能力来说，适应能力来说，我们模型是超出了统计学或者可能性，我们数据融合模型它并不是说什么目的都可以使用，我觉得可以把它用在中国交通管理过程中来。我要讲的就这么多，谢谢。
