文 / 陈春来
一、引言
随着我国城市化进程的快速推进，传统的城市治理模式暴露出了许多问题。“智慧城市”特别是城市数字化转型的概念提出后，城市管理通过计算机庞大的计算、存储能力，替代传统的管理模式，起到事半功倍的效果。
渣土车是城市建设项目中用于建筑垃圾运输的主要工具，对于渣土车的管理，一直是城市运行管理中的一项重要任务。在实际工作中，由于多种原因，渣土车经常会产生各种违规现象，例如超载、超速、司机疲劳驾驶等。渣土车体型巨大，一旦发生交通事故，往往会伴有人员死亡事故发生。上海市政府管理部门对于渣土车的治理也投入了大量的人力、物力，但取得的结果并不理想，仅2017年上海市所查获的渣土车违规案例多达23万余起。
本文以上海为研究区，通过分析渣土车管理难点，以及上海道路管理系统中渣土车数据特点，证明利用道路监控以及渣土车车载GPS数据结合大数据技术，将传统的依靠人力渣土治理转变为数字渣土车治理的可行性。提出了利用大数据技术实时监管位于城市道路中的渣土车，辅助决策者指挥线下交通管理人员完成违规渣土车治理方案。该方案有助于实现渣土车的数字化监管，降低渣土车监管难度，提升城市道路安全程度，并在上海市建筑垃圾全程监管的“一网统管”平台上运用。
二、渣土车辆管理上的难点分析
（一）时间分布的不规律性
违法运输的渣土车运输时间可以在每一天的任何一个时间段，且在利益驱使下，为躲避交警、辅警的监管，又以深夜运输居多。传统的人工抽查难以长时间覆盖，同时在进行一段连续多天的人工抽查时，违法运输的渣土车司机往往会选择停止运输，在停止抽查后继续运输。这是人工抽查难以根除违法运输的一个重要原因。
（二）空间分布的广泛性
合法的运输都具有指定的运输路线，该路线的设置会满足多种要求，例如途经居民区较少，道路宽阔等。非法运输为躲避检查，其路线选择则会偏向于管理宽松、监控探头较少的路段。道路监控系统中的探头每天传回的数据量十分庞大，仅少数探头拍摄到非法运输的车辆，通过人工识别很难发现。而以传统计算机技术进行视频数据处理，在准确率难以保证的前提下，处理时间、费用消耗也难以预估，这也是传统人工管理模式的难点、痛点与堵点。
■图1 卷积神经网络结构
三、上海渣土车辆的数据特点
上海市渣土车数据主要分为两部分，道路监控数据和渣土车车载北斗导航定位数据。道路监控数据是交通管理中的一项重要数据源，收集方式为路口、干道等不同位置的监控探头所采集的实时数据。渣土车车载北斗定位数据是上海市政府部门针对渣土车管理所部署、收集的定位数据。上海市政府通过在6000余辆渣土车车体部分安装北斗定位接收器，收集北斗卫星信号，对渣土车进行全天时位置监管。
用于渣土车管理的数据主要有以下特点：
（1）数据总量大，道路监控探头与车载北斗定位信息采集器均为每天24小时不间断工作，单个采集器日收集数据可达几十Ｇ到几百Ｇ不等，每日新增北斗定位数据1200万条记录。
（2）数据种类多，不同的传感器获取到的数据类型、参数不同。且同种类型的数据，例如高速监控数据和支路监控数据所包含的可用信息不相同。这会导致数据的处理方式多样，不同类型、不同场合的数据应使用不同手段处理。
（3）数据价值密度小，在渣土车管理的过程中有价值的信息主要为渣土车违规信息，该部分信息仅能占总体信息的小部分。
数字治理的重点在于治理对象的数据收集与使用，对于渣土车治理部分现有的数据收集体系已经足够完善，但数据的特点导致了传统的数据处理方式难以胜任。而大数据技术的诞生就是应用于处理拥有总量大、种类多、价值密度小特性的数据。对于不同种类的渣土车治理数据可以使用相应的大数据技术进行处理后，提取有效信息进行保存、共享、分析、深度学习。
四、大数据技术的应用设计
（一）无盖、遮挡号牌智能发现
渣土车的无盖、遮挡号牌、路线违规这三类行为相当恶劣，直接损害了其他交通参与者的人身安全。在传统管理方式中，虽然可以通过肉眼观看监控进行识别，但仅靠人为目视从海量的视频监控中发现此类违规，显得效率低下和力不从心。如果利用大数据技术中计算机视觉领域的相关算法赋予计算机识别物体能力，就能较好地解决这一问题。卷积神经网络（CNN）是该领域常使用的算法，其基础网络结构如图1所示。在卷积神经网络占据层数最多的是卷积层，它也是卷积神经网络中最重要的组成部分。卷积层通过使用卷积核对输入数据进行卷积操作，通过卷积操作可以完成对输入数据某一部分特征的提取。在一个卷积层中往往有多个卷积核，所以一张三波段的R,G,B影像通过一个卷积层后可以转换成几十个波段的三维矩阵。卷积层的目的是提取图像特征，这些特征是人眼不能够识别的，在一个完整的卷积神经网络中可以包含十几个、或者几十个卷积层。之后是池化层，池化层只有一个目的，即降低参数量，它的工作原理是提取指定范围的最值，它不包含任何可通过训练而改变的参数。之后是全连接层，该部分可以看作分类器，它通过整合卷积层得到的信息，来完成神经网络需要完成的分类、识别等任务。
通过使用卷积神经网络对道路监控视频进行实时处理，可以快速锁定通过各路口渣土车辆，并识别出这些车辆是否悬挂车牌，是否关闭车盖。
在拥有大量数据源与硬件支撑的基础上，卷积神经网络可以实现高准确率、高效率的识别结果。不同于人工抽查，卷积神经网络不仅在白天可以进行实时监管，即使在夜间，只要在具有路灯照明的路段，卷积神经网络同样可以实现高效监管，达到真正意义上的全天时管理（图2），打消违规渣土车司机的侥幸心理。
■图2车辆外观判别流程
（二）空气污染、违规驾驶智能发现
相对于交通违规，渣土车对于空气污染的情况更为普遍，而造成此现象的原因也是多样的，例如车身缺少清洗、车盖未盖等。而对于车身缺少清洗这类较为难以直接通过监控视频发现的违规事项，想要直接识别，难度较大。如果通过检测空气中能见度的变化情况则较为容易发现此类违规事项。
在大数据技术中，长短期记忆神经网络(LSTM)常被用于处理具有时间相关性的数据。其结构如图3。在图中三个LSTM单元中，每一个单元都包含三个σ符号用来代表“门”结构。每个单元的“门”结构从左至右依次为 “遗忘门”、“输入门”、“输出门”。首先前一时刻输出ht-1，以及当前时刻输入xt，通过“遗忘门”计算后得到一个小于1的正数，该数值与Ct-1相乘，决定了Ct-1中信息的保留比例。在LSTM中C被称为细胞状态，其中含有时间信息。之后一个“门”是“输入门”，x与ht-1通过该结构后，与之前的遗忘比例一起完成细胞状态的更新，使细胞状态由Ct-1转变为Ct进入时间。最后，xt、ht-1、“输出门”与Ct经过计算获得结果ht。
运用该网络结构，可通过使用历史能见度数据进行模型建立，当监控数据同时识别渣土车与异常能见度变化时，即可将该段视频数据传输给相关工作人员，进而根据图4完成对相关车辆的处理。
■图3 LSTM结构
对于渣土车驾驶员的驾驶状态，同样可以使用LSTM并结合卷积神经网络去识别驾驶员是否存在醉驾、酒驾、疲劳驾驶等行为。例如吴昊在2018年提出的一种基于改进长效循环神经网络（LRCN）对驾驶员上身姿势分类识别的模型，通过使用该模型识别司机的违规驾驶行为后，可根据违规行为的严重程度决定处置方式。
渣土车主动安全算法已投入运行，2021年9月第一周发现304起报警事件，驾驶舱内语音提醒，平台上违规预警分析，增强了大数据分析对驾驶安全的保障能力。
（三）车辆超速与非法运输智能发现
对于超速与非法运输此类在空间位置上有明显特点的违法运输行为，可通过分析其北斗定位数据进行监管。
超速行为在市区不同地点、车辆不同形式状态，有不同的定义：行驶于外环线以外的直行渣土车限速为60 km/h，行驶于外环线以内的直行渣土车限速为50 km/h，处于转弯状态的渣土车限速为10km/h。通过使用地理大数据技术，分析北斗定位数据的变化形式，可完成对于车辆行驶状态的判断。配合地理围栏技术，可完成渣土车行驶位置的判断。之后通过对北斗系统的时间、地理位置信息进行分析，可提取渣土车的瞬时速度，从而完成对渣土车行驶速度的实施管理(图5)。
非法运输主要包含未经授权的指定地点倾倒，以及违规地点倾倒。前者虽然倾倒地点合理，但是倾倒行为并未在相关部门进行报备，后者则是将渣土倾倒于非政府规划地点，对该地环境造成了严重破坏。通过分析车载定位设备以及现有卸点电子围栏、视频监控设备，可完成对进入渣土车的识别，在发现未进行倾倒报备的渣土车辆后系统自动识别车牌号，保存车辆行车北斗导航定位系统并将数据发送至对应工作人员。同时若发现车辆北斗定位信息聚集于电子围栏之外，再配合全市范围内的停车场、小区、道路交通信号灯等点位白名单信息，可发现渣土车偷乱倒行为。
■图4道路能见度预测、提取
五、上海市渣土车管理流程优化设计与应用实践
上海提出城市数字化转型建设，不能仅依靠信息化的新技术，而是需要结合管理流程优化与再造。本文通过研究大数据技术在渣土车治理环节中的应用实践，结合业务管理流程的优化，初步证明了以大数据技术为基础结合渣土车数据辅助城市治理的可行性。
■图5北斗定位数据监管超速行为
大数据技术是随着近些年来互联网技术发展而发展起来的较为新颖的技术，大数据技术中最重要的部分就是数据，只有拥有数据才能发挥大数据技术的能力。当前城市渣土车辆管理中存在着大量难以进行数字化的数据，也存在着诸多需要消耗大量人力、物力进行监管的任务。以传统的人工提取特征进行模型建立的方式为城市渣土车数字化治理赋能，难以达到智慧城市大脑的程度。想要完成城市渣土车辆数字化转型的治理目标，必须将数字治理与大数据技术这类计算机前沿技术相结合。虽然我国在大数据应用方面还处于初始阶段，在数据收集、算法研发、深度学习、训练样本数等方面还在起步探索阶段，但只要把运用大数据与城市渣土车辆管理流程再造与优化相结合，那么就能使大数据技术应用于城市渣土车辆数字治理系统，使渣土车辆数字治理系统变得更智能，进而推动城市数字化转型发展，加快城市数字化转型建设。
（作者：上海市大数据中心四分中心副主任，高级工程师）