■ 传统检测设备成本高，巡检速度慢

以传统高精度检测车为代表的传统路面病害检测，依赖重型检测设备，虽然能较精确地检测出路面病害，形成对道路养护有效的结构化数据，但成本价格较高，并且巡检速度缓慢，很难满足我国大体量中低等级道路的运维管养，大部分道路常年少检，甚至是无检，错过最佳养护时期。

公路内部病害检测

二维探地雷达技术，该技术检测点按线性布置，检测效率低，且容易遗漏重要的结构病害信息造成漏检，如纵向检测时，易遗漏内部纵向开裂病害，而横向检测时，易遗漏内部横向裂缝病害等。

养护事件检测

公路运营领域人工智能应用存在问题

收费领域，ETC收费主要存在的问题：

■ ETC收费交易时间长、交易异常率高

两片式组合ETC收费技术（即电子标签OBU+IC卡模式）的灵活性特质在我国现阶段表现不再突出，相反，因交易时与OBU和IC卡安全认证带来的多次通信握手、IC卡自身读写异常所带来的通行问题越来越突出。

■ ETC车道普及度不高，与MTC矛盾凸显

我国ETC车道建设规模不够超前，日本高速公路绝大部分为ETC收费，每个收费站仅保留一条人工自助收费车道，而我国ETC车道级覆盖率（ETC车道占总车道比例）不足三成，绝大部分收费站仅有1入1出两条ETC车道，且ETC车流量占收费站总车流量普遍不超50%，人工收费仍是主流，在车道资源有限的情况下，ETC车道超前建设需求与MTC仍是主流车道之间的矛盾越发凸显。

治超执法主要存在的问题有∶

■ 各部门的组织协同性较差

在对跨省界超载车辆进行处罚时，需要依据车辆的通行数据，这些数据主要掌控在各地区的路政或交警部门系统中。但部门之间的系统和数据并不互通，部门之间的协调难度大，使得对车辆的处罚力度和处罚标准难以准确校订，在进行高速公路治超管理问题时多以较低的标准进行处罚，无法起到震慑作用。

■ 高速公路治超的管理漏洞

受到各地区的经济发展和地域环境的影响，在部分的省市地区，高速公路入口处回转空间小，劝返、复磅等业务操作容易致使车辆拥堵，收费站人员便放松了对进入高速公路车辆的治超标准。还有部分较偏远地区或小型收费站采用分时段管理模式，即在车辆通行较多的时间段对进入车辆进行集中的治超管理，反之在车辆通行率较低的时间段放宽通行。因此有部分超载车辆选择在管理放松的时间段进入高速。

治超设备存在一定问题：

当前，有部分地区因为称重设备原因，所获得的测量数据不精准，导致车辆驾驶人员对治超数据持怀疑态度并要求复磅，直接造成了ETC通道的阻塞。特别是在车辆高拥堵时段，收费站只能将已建成的ETC通道再次改成人工通道进行相关的业务处理，对提升高速公路通行效率起到了反作用。

公路养护领域人工智能应用现状

人工智能技术在公路管理领域中的应用业务主要包括行人非机动车及业务人员管理、车辆交通控制系统管理、道路管理和信息管理与服务四大场景。其中车辆交通控制系统管理的应用的关注度和融合度相对较高。本报告结合各调研专家意见，梳理当前智慧公路管理现状痛点问题，这些问题主要集中在交通控制系统的数据感知、异常交通事件检测与管控、常态化运营状态下的检测与管控和信息服务系统建设等业务。

交通数据感知存在以下问题：

■ 监控系统覆盖范围小，智能化水平低

■ 雷达点云数据

■ 新旧设备并存

新旧设别并存的局面导致获取的数据质量不一，且各种感知数据的应用场景不明确，数据融合效果差，缺乏对各种采集设备进行统一的管理与应用。

异常事件感知主要存在以下问题∶

■ 人工效率低

人工查看监控方式效率低，人力资源投入大，且对于没有监控的区域难以管理，需要投入更多的设施设备。

■ 使用案例与经验积累不足

异常事件交通管理主要存在以下问题：

■主要依赖人工，智慧化水平低

异常事故段上游人工被动指挥，亟需通过信息化、智能化手段实现路网综合运行监测、重点车辆路径追踪、应急事件预警等，提升对路网的监测管控能力。

对道路通行状态实时检测的主动性和智能化程度不高，存在监测信息孤岛、

■ 缺少有效协同管控方法，交通出行需求和服务水平不平衡

缺少对处理突发事件以及计划事件，查看相关资源，关联路况信息并记录处理过程直至完成归档的业务管理流程。

公路信息管理与服务领域人工智能应用现状

数据库建设与管理存在以下问题：

■ 缺乏体系标准规范

数据资源规划缺乏体系标准规范，不同部门之间的数据库共享、相互之间的信息交流受到不同程度的阻碍；

■ 数据融合不充分，准确性待考证

与收费等数据的融合较少；数据真实性有待考证，依靠车检器及视频采集的数据，缺乏其他方式采集的结构化数据，对实时数据的分析处理能力较弱。

面向道路使用者的辅助信息服务

提供交通信息，如交通、事故和道路情报、发布命令或建议，如限速、关闭匝道等信息。向交通拥挤地段的驾驶员提供建议路径等，以促使出行人员选择合理的出行方式及路线，使道路交通流量分布均匀，以提高道路利用率，加强高速公路可视化运营等，达到交通控制与管理的目的。

目前以静态设施提供信息为主，对管控措施的支持仅限公路重点段。内部缺乏路段与路网之间的联动，外部可实现与交警、火警等相关方联动。缺乏动态标识标牌的信息展示之间的协同联动。

面向管理人员的管理中心信息终端建设

交通态势感知，对高速路段路、车、人、环境进行全面监测、监控与分析管理；并基于GIS平台在电子地图上展示高速全线实时交通路况；目前控制中心建设的信息可视化大屏，重点关注可视化大屏的建设，重可视化，轻数据和业务管理；对于展示指标的选择具有盲目性，实际展示指标与实际问题的相关性低。

面向道路使用者的移动端数据信息服务

移动信息发布内容包括但不限于公路基础设施信息、服务设施状态信息、交通运行状态信息；同时也包括交通突发事件信息、公路施工养护信息、公路气象环境信息、应急救援信息及其他信息等。各管理部门分别通过专门的信息发布APP、微信小程序发布移动端信息。

■ 信息获取渠道繁多

各省市，甚至同一省的各部门的信息发布APP种类繁多，获取信息的渠道繁杂。

■ 信息质量管理与定义存在差异

缺乏对发布信息的整合，急需建立公路路网上的MaaS系统。

2

共性问题

人工智能在公路领域应用的四个共性问题，分别为顶层设计缺乏、数据缺乏标准输入输出规范、行业算力基础设施匮乏且投资成本高及人工智能应用场景缺少效果评估与反馈。

1、顶层设计缺乏，未考虑人工智能等新技术对智慧公路建设规范体系的影响

顶层设计体现在人工智能的方方面面，在交通领域，目前智慧公路的实施比较离散，缺少具有指南性规范性的纲领。对于新的智能基础设施与旧的传统设施区别或进步缺少系统性规划，对于“建、养、运、管”流程缺少新技术下的新指导，对于智慧公路的理论体系和技术体系缺乏更深入的思考。在数字化的背景下，如何进行交通基础设施的数字化转型，如何建立业务中的数据传递模型，都是目前亟需解决的问题。

现行的标准体系并没有覆盖到智慧公路的所有领域，从底层的电气化、工程化、数据化、信息化到面向应用的智慧交通“建、养、运、管”具体场景，均缺少明确的规范体系，未顾及到智能化、智慧化场景产生的新标准。由于标准规范的缺乏，导致智慧公路的实施处于一个较为混乱、模糊的状态，商业模式也不够清晰，并没有达到人工智能在公路领域实施的预期效果。

2、数据缺乏标准输入输出规范，导致算法模型调整与优化能力不足，后续难以维护升级

近年来，各种可视化大屏、信息化平台层出不穷，但这些产品大多具有针对性，只能用于一个项目、一个场景、一段时期，后期维护差，时效性短，通用性差，甚至存在建成即“死亡”的情况，未考虑好整个流程便急于开展建设，导致很多平台的废弃、无用。同时，各部门间由于接口、标准等不一致，无法完成信息交换、资源共享，致使各部门间彼此孤立，存在壁垒，并没有形成一个整体，达到相互协同、相互协调的效果，造成不通现状的主要有以下两个原因∶

（1）数据方面

进入大数据时代后，虽然每天都会产生海量的数据，如手机信令数据、卡口数据、视频数据等，但是它们比较分散，各数据格式、实现方式不相同，难以协同，没有起到大数据真正的作用，具体体现在：

■ 数据采集不足

虽然目前进入大数据时代，每天都会产生海量的数据，但当前交通AI应用相关数据处于较为原始状态，交通AI场景训练数据集并未有效收集，造成训练不充分、效果不理想的情况。

■ 数据处理环节缺失

交通数据的处理工作比较考验专业性，部分环节需要专业人士才能够实现，例如原始交通视频的事件标定工作，而当前缺少资源投入，导致交通数据的处理环节缺失。

■ 数据标注缺乏

目前各种可视化大屏应用丰富复杂，而其背后数据代表意义尚不明确，其间应用比较模糊。因此，智慧公路系统及平台结果的呈现形式和表征解读亟需具体标准和规范。

■ 标准化程度低

与人工智能相关的系统输出数据多为结构化数据，各部门实现方式不同，会给各部门间协同合作带来阻碍，并且由于标准化程度低，目前数据还未达到训练模型的标准。

（2）人工智能算法方面

算法作为支撑各平台、各系统运营的核心，虽然技术、种类繁多，但依然存在以下问题：

■ 可调整性差

目前算法不够稳定，可调整性差，无法进行后期优化与改进。如果将算法放在云端，则存在难以保持实时性和成本高的问题。

■ 自适应能力有待增强

对于同一个场景，不同部门经常会有不同的需求，因此在算法方面需要具备面对不同需求给出不同结果的自适应能力。

■ 训练不足

目前一些人工智能算法实际效果应用不佳，一方面，行业算法水平受制于无法获取行业内数据，无法通过数据训练获取高精度算法，提供有效解决方案，交通场景应用和数据不足，未积累足够学习经验，导致实施效果不理想。

另一方面，当前交通AI应用受限于数据来源和算法成熟度，算法投入意愿低，新算法应用少，更难产生有效训练数据，形成恶性循环。

3、行业算力基础设施匮乏，投资成本高，导致基于场景的人工智能开发推广困难

人工智能技术应用有三大关键资源∶数据、算力和算法，其中数据是新生产资料，算力是新生产力，算法是新生产关系，构成数字经济时代最基本的生产基石。具体而言，算力是计算机等设备通过处理数据，实现特定结果输出的计算能力。现阶段云计算、大数据、物联网、人工智能等技术的快速发展，推动数据的爆炸式增长和算法的复杂程度不断提高，在应用过程中也提升了对算力规模、算力能力的需求。

公路行业数据获取困难，对外开放情况存在较大差异，由于各级机构各自为政、缺乏共享互通、激励和问责机制不全等导致不愿开放数据，同时数据开放的边界不清（引发的负面舆论或影响）、权责机制缺失等导致不敢开放数据。对于已经开放共享的数据，实际上也较难获得各部门的最新数据。多重标准、多头管理的局面，不利于数据开放的顺利推进。各级交通运输厅、公路管理公司，是最大的数据生产者和拥有者，缺乏有效的算力能力和算力基础设施，第三方平台高昂的算力计算成本，再加上自身缺乏对算法的掌握，导致数据的拥有部分，无法对数据进行分析处理，造成数据资源的浪费，不利于实现社会利益的最大化。

在开放共享标准、数据资源管理、运行与维护等方面，缺乏专门机构统一管理；在数据处理方面，存在数据格式和质量参差不齐、没有统一的标准等问题，导致数据质量不高、数据分类不清晰、数据更新不及时、数据格式不规范，位数不多的数据开放也仅流于形式，降低了数据利用率和利用价值。最终导致，拥有算力能力和规模的单位无法获取及时有效的数据，而拥有数据的单位却不具备算力进行处理分析的两难局面。

4、人工智能应用场景缺少效果评估与反馈，落地产生的实际价值缺少量化手段

人工智能的提出是为了解放劳动力，实现自动化，达到少人化，甚至无人化的效果，而目前在人工智能于公路领域的实施中，由于标准不明确、平台不通用、缺少数字底座、资源未合理配置等问题，导致落地效果并不理想。

对于一线作业人员，智慧公路落地效果差，没有真正减轻一线人员作业强度与作业难度，反而由于新增的技术手段一定程度上加重了工作程序、工作内容；

对于设计管理人员，缺少智慧公路实施效果测评，缺少对于落地后产生实际价值的量化手段，智慧不能长期沉淀再反馈到业务中；对于道路使用者，实际的服务水平与驾驶体验也并未得到显著改善或提升。

落地效果是检验智慧公路作用的根本方法，智慧公路应做到"前端自动化、后端智能化”，如果在实际应中无法让一线工作人员任务减轻、将更多的工作人员转移至后台，无法对交通出行提质增效，那么智慧公路接下来将面临严峻的“存活”问题。

3

应用场景

公路养护领域人工智能应用场景

结合人工智能技术构建公路养护决策大脑，将多源公路数据、深度学习算法等深度融合。将收费业务、路政业务、气象数据、公路路况、行驶车辆情况、监控设备、路侧感知设备、地理信息系统等数据与养护工程直接相关的数据作为基础，为决策者和管理者提供多层次、多方位的养护辅助决策信息。如基于高速路网络多源数据，通过大数据分析建立模型，针对不同基础设施属性建立对应的性能预测模型，实现对高速路基础设施使用性能衰变的科学预测。在资金或目标水平控制下，对不同时间段内采取的养护措施进行经济寿命周期费用分析，确定对不同病害采取最佳的养护措施，进而确定出全寿命周期内高速公路可采取的养护策略。

以标志标线安全设施人工智能应用场景为例，使用人工智能可建设：

■ 公路资产数字化管理系统

使用数字孪生的方式按照地形地貌影像、高速公路主路、互通立交、收费站、服务区、桥梁、隧道、出入口匝道、监测设备、标志标线、里程桩牌、情报板、照明设施、降噪设施、隔离带、反光设施等分层提供三维模型展示，实现高速公路基础设施的可视化巡查浏览，并可根据设备编号或桩号快速定位查询设备属性信息，为高速公路资产管理提供支撑，自动化生成台账、维护、保养和统计等的周报和月报。

■ 基于机器视觉的路面标线养护状态检测

公路运营领域人工智能应用场景

人工智能技术在公路运营中的首要应用涉及收费稽核、自由流收费、治超执法共3个具体的业务场景。

报告以自由流收费为例，但报告推荐采用基于机器视觉+北斗的技术路径：

■ 基于北斗系统的自由流收费技术

■ 搭建云端服务平台，形成信用出行支付体系

■ 基于仿真自动化构建的不同场景下准自由流收费方案评价

基于高精度电子地图，构建与BIM系统等基础设施的数字李生技术自动融合的多模式交通数字孪生，实现一键式仿真环境搭建。利用大数据发掘规律，建立收费站拥堵状态的预警模型，根据实时收集的收费站上下游交通流信息，输入到仿真系统中，对路网中可能产生的拥堵收费站进行预测。根据不同场景下的建立收费站收费方案，建立数学模型，在仿真平台中对收费方案进行分析、评价。

公路管理领域首要应用场景

人工智能技术在公路管理中的首要应用涉及交通数据感知、异常交通事件检测与管控、常态化交通检测与管控、数据库建设与管理、伴随式信息服务共5个具体的业务场景。

以交通数据感知为例。现有公路视频监控系统的架构设计上采用多级联网的管理架构，一般由省监控中心、路段监控分中心、基层监控单元三级管理架构构成。可在数据获取的过程中，升级引入雷视一体机，新增雷达数据，结合人工智能技术，实现交通参数的联合分析，预期效果如下

■ 感知设备的智能化布设

针对视频数据中车辆目标相互遮挡等问题、能够考虑基于人工智能算法处理，增设智能化设备，确定车辆车道级别的精确位置。实现视频感知和特征提取算法与视频监控设备实现一体化集成，提高高速公路视频监控系统的实时性与智能性。

■ 雷视一体机

引入雷视一体机，雷视融合数据的获取与融合，发挥雷达数据的优势，弥补现有视频数据的不足。从数据感知和采集层面上保证数据质量，提供更好的融合建设感知底座。

■ 交通视频结构化分析

此外，报告还对“数据库建设与管理”提出建议：

通过多源实时数据接入，融合Oracle、MySQL、Clickhouse等多种数据库技术进行数据处理，考虑数据融合分析技术、云边端架构技术等，通过与高精地图匹配，实现拥有高度数据统计与集成的智慧交通可视化应用，为建设、养护、运营和管理提供数据支撑，实现自运维、自管理、自调优、故障自诊断和自愈，建设后的预期效果如下∶

■ 云边端架构技术、数字孪生等技术的引入

数据库的建设过程，考虑云边端架构技术、数字孪生等技术，减低对云端数据库的压力，减低通信需求，提高数据管理的效率，为智慧化管理和智慧化服务提供高效的AI及大数据支撑。

■ 基于最优化理论，基于深度强化学习的自调优算法

人工智能技术融入分布式数据库的全生命周期，实现自运维、自管理、自调优、故障自诊断和自愈。在交易、分析和混合负载场景下，基于最优化理论，基于深度强化学习的自调优算法。

4

发展阶段与趋势

根据上述梳理与总结，结合当前人工智能技术的发展趋势，能够将人工智能在公路领域的发展分为四个阶段，分别是传统公路、初步智慧化公路、高度智慧化公路与完全智慧化公路，以此为基础上的人工智能在公路领域的发展路线图如图所示。

阶段一∶传统公路阶段。由于计算资源与数据采集手段的限制，公路建、管、养、运各环节数字化程度低，大部分依赖于人工的方式进行作业。如人工定线与外业勘测；人工巡查路、桥、隧病害；人工查看监控的方式发现事件等。这一阶段历经了较长的时间，数字化应用程度低。

阶段二∶初步智慧化公路阶段。随着摩尔定律的发展，计算机的算力发展有了质的提升，人工智能算法开始涌现。同时，一些数字化的数据自动化采集手段被用于公路相关的业务领域，如毫米波与激光雷达、无人机等。然而，由于人工智能算法处于初步发展阶段，并未有效应用到公路领域各个业务环节，大部分人工智能的应用还是以机器视觉为主，如基于视频的车辆计数、交通事故、交通拥堵等典型事件检测。

阶段四∶完全智慧化公路阶段。随着数据采集处理技术、人工智能算法、计算机硬件等的发展与升级，人工智能在公路领域已有了成熟的应用，各个业务环节不再存在壁垒。如智慧公路元宇宙、新一代的智慧公路车路协同系统与自动驾驶等，人工智能百花齐放，开始进入新的发展时代。

▼ ▼

团标《智慧高速公路路侧设施布设规范》征求意见稿发布 团标《交通信息采集 激光交通流检测器》征求意见 北京智慧交通十四五发展规划的指标与任务

*原创推荐

案例：河北省冬奥交通应急保障指挥系统

还要“冷”多久？智能交通上市企业半年报数据汇总 浙江交通数字化改革与智慧高速建设 返回搜狐，查看更多