公安交通管理信息化历经十几年发展，各地建设了一系列面向业务部门的业务应用系统，如集成指挥平台、交通状况监测系统、交通违法监测系统、运维管理系统、综合分析研判系统等，积累了大量的业务数据，但在互联网交通管理模式下，随着业务需求的不断变化和数据量不断丰富，由于缺乏一定的技术手段，数据价值已不能完全体现出来。本文通过研究交管大数据情报发掘构建模式，挖掘数据深层次的价值，为交管业务应用和公众出行服务。
一、研究背景
随着交通管理需求的日益变化，原有的交通管理业务数据已经不能满足交通管理的需要，需要通过对多源异构的大数据进行深度挖掘，充分利用数据产生的价值。大数据可分为政务数据、运营数据、物联网数据和互联网数据，政务数据包括交管数据、交运数据、规划数据等，运营数据包括电信数据、铁路客运数据、保险数据等，物联网数据包括交通流量数据、车联网数据、交通视频监控数据等，互联网数据如导航数据、网约车数据等，这些数据可以称之为交通大数据，为开展深度的大数据情报发掘应用奠定了基础。随着公众对互联网出行服务的依赖，交通大数据日益显现出对交管业务的决策价值，再加之关联行业数据已趋向共享开放，整合内外多源数据进行大数据情报发掘渐成趋势。
二、研究内容
交管大数据情报在这里定义为对多源数据进行了业务化关联、编织、融合后形成的辅助决策的成果物，这些成果物以业务模型为主，辅以方案预案、业务报告等内容。现阶段的信息化系统已朝着智能化方向进化，智能化的基石是数据，因此接下来一个时期的智能化平台的架构大体由三部分构成，自底向上为数据系统、知识系统、应用系统，知识系统的核心便是情报。一个智能化系统的智能性有多高，很大程度体现在情报的丰富性和业务深度。业务模型作为情报发掘的核心成果，它可分为三类，分别是业务技战法、业务规律、业务隐患，对这三类成果物的发掘方法进行研究从而构建情报发掘模式是本文的研究内容。
三、情报发掘的理解
（一）情报发掘构成
情报发掘由三部分组成，即情报发现、情报挖掘、情报转化。情报发现是用业务经验操纵业务数据以验证思路、发现未知，继而形成业务模型；情报挖掘是对业务模型进行逻辑执行，继而形成业务可见物，如统计数字、业务报表、业务报告等；情报转化是对业务模型进行应用化装配，继而形成信息化系统功能。
（二）情报发掘关联
情报发掘的上游是数据系统，用于对公安交通管理业务中的各类数据资源进行统一接入存储与管理，侧重对大数据资源进行汇聚、治理、共享；情报发掘的下游是情报应用系统，是一系列情报类分析研判功能组成的集群，它是知识探索与应用构建的产出成果物，用于提供给普通用户实现业务分析。
（三）情报发掘能力
情报发掘依托大数据基础资源存储环境，提供数据挖掘及知识发现功能，它应该具有以下能力，一是让数据挖掘变得生动有趣，通过大量的流程交互操作元件同时帮助新手和专家提供数据可视化和分析的功能；二是交互式数据可视化，通过数据可视化进行数据分析，包括统计分布图、柱状图、散点图等；三是可视化思路编排，通过可视化交互操作让用户快速进行高质量的数据分析，图形化用户界面可以让人集中于数据分析而非编码，通过在画布中放置组件、连接组件、加载数据组件等操作让数据流程变得高效而简单；四是附加组件能力，可用于对特定特殊业务需求的组件化扩充。
四、研究重点
情报发掘的重点是情报发现，它是一个业务经验充分与大数据融合的过程，体现了业务人员对业务问题、规律、隐患的探索。用以支撑这个业务探索过程的手段是提供一个便捷化的情报探查工具。
情报探查并不是一个传统意义上的BI工具，BI工具主要用于数据模型编排，使用户可自主关联构造感兴趣的业务实体信息，可利用多维度观测工具对数据模型进行灵活操作，包括自定义条件查询、信息集上卷下钻多层面查看、自定义结果集字段、数据表与图表互相转换、报表构建与导出等功能。这并不是情报发掘，而是一个便捷化的统计分析过程。
情报探查工具以更契合人类思维模式的脑图帮助分析人员实现情报探查。以“资源选取、思路编排、成果呈现”三阶最简操作完成思维验证。应用此工具，研判人员可以充分用业务经验来关联碰撞数据资源，通过系统提供的各类数据操作工具，组装、测试、验证解决问题的思路，观测预览中间过程中的数据内容，最终得出行之有效的解决方案。在进行思路编排时，必然要运用一系列的“算法”，这里的算法不应只是专业的数据挖掘基础算法（如Kmeans、决策树、回归、关联规则等），而更多应该是站位于基础算法之上偏向交管领域业务的算法（如区域路网运行潮汐分析、线路缓冲区资源筛选、区域OD分析等）。探索过程中或完成后，可以通过各种各样的图形将数据结果展示出来，包括散点图、直方图、饼图、折线图等。
作为情报探索的成果——业务模型，其包括业务技战法、业务规律、业务隐患。业务技战法如套牌车分析、伴随车分析、出入案发地车辆分析、撞车党甄别等；业务规律如周一早高峰平均速度分析、周五晚高峰平均速度分析、日均交通流量分析等；业务隐患如违法高发单位分析、区间超速整治分析、交通事故整治分析、事故高发地点分析等。
五、预期目标
通过研究交管大数据情报发掘构建模式，以期达到以下目标：
一是数据资产得以盘活。依托数据系统，使得行业内各类既有平台长期积累下的数据得到规范化清洗与分类存储，同时相关行业数据、互联网数据得以标准化归集。各种多源数据资源以业务场景为主线得以横向化关联，形成多种主题库，为进行大数据挖掘奠定基础。
二是情报挖掘工作得以便捷化实施，业务经验得以长效化积累。情报探查向用户提供的各种自助式分析工具，研判人员可直观高效的构建技战法模型，并可迅速实施业务模型向应用功能的成果转化，满足数据分析和情报挖掘简洁、高效、灵活及多元化的使用需求。
三是业务模型支撑上层业务应用。透过大数据情报挖掘能力，凝炼于知识库的业务模型得以织入情报研判系统、指挥调度系统、网格勤务系统、警力监督系统，业务场景系统的智能化水平与时俱进；同时业务场景系统产生的数据得以反哺大数据资源池，以情报驱动的良性循环应用平台体系得以达成。
结束语
交管大数据情报发掘构建模式的研究将为交通管理业务应用水平提高起到重要的作用，对交通管理者而言，在指挥调度、勤务管理、信号控制、综合研判、决策支持等业务应用上更加智能化、精细化、科学化，对交通参与者而言，在出行服务上将更加便捷、安全、畅通，希望通过本文的研究对未来解决交通管理问题提供技术上的支撑。
