安防行業的大數據主要來源于平安城市、智能交通等大型項目。據IMS Research 統計，2011 年全球攝像頭的出貨量達到2646萬臺，預計到2015 年攝像頭出貨量達5454萬臺。2011 年一天產生的視頻監控數據超過1500PB，而累計歷史數據將更為龐大，在視頻監控大聯網、高清化推動下，視頻監控業務步入大數據洪水時代不可避免。
智能大數據的最終目的是什么?
2012年的時候，筆者去廣東中山交警支隊，并與周警官交流。當時大數據是一個互聯網概念，還沒有在交警行業開始應用。在和周警官交流的過程中，他說了一段話，時隔多年，仍記憶猶新。
周警官說，在中山市，天晴的時候不堵車，下雨的時候就堵車。他剛開始感性地覺得是因為交通事故造成了擁堵，后來分析交通事故處理數據，發現下雨的日子交通事故量并沒有比平時多。分析了一下車流量，讓他驚奇的是下雨的日子的車流量比平時大，一般來說下雨大家都不愿意外出才對，為什么下雨的車流量會增大呢? 周警官做了進一步分析，深入了解中山的家庭用車方式，發現中山本地家庭一般都很富裕，家里一般是每人一車，他們的出行每天都是家里到工作地點，中午還會回家吃飯，一般出行距離都在3-5KM。天晴的時候，他們一般選擇電瓶車、摩托車，方便快捷，容易停車。下雨的時候，他們一般選擇小汽車，不被淋雨，更舒適。由于這種出行方式的選擇，造成了中山市一下雨就車流量大，就容易堵車，這是一個城市的交通特性。分析出這種特性后，交通管理者才能更有效的對交通進行引導、疏導。
三年后的今天，再去看周警官的這段話，發現周警官已經完成了原始的大數據分析。他將各種看似沒有直接聯系的數據，通過他的分析模型組合起來，發現了中山市的交通特性。這個正是大數據在交通行業最大的價值。
現在我們已經可以通過電警、卡口、微波、地磁、天氣環境等各種檢測傳感設備，將車流量的數據進行各種綜合的大數據分析，分析出一個城市的交通模型，這樣可以針對交通做出一些可能的預判，幫助咱們交通管理者解決管理難題。
智能交通大數據分析還要完善什么?
大數據作為一個工具，在實際使用中，各種廠商都在談大數據，都在包裝各種大數據的概念。“CloudComputing”( 云計算)、“MapReduce”( 大規模數據集并行運算算法)、“Hadoop”( 開源分布式系統基礎架構) 這些概念鋪天蓋地而來。
大數據我們要思考幾個問題。
一堆服務器是大數據嗎？
一堆大容量存儲系統是大數據嗎？
一個性能巨強悍的檢索工具是大數據嗎？
但現在很多智能交通項目中所謂的大數據僅僅就是一堆高性能服務器，一堆大容量存儲系統，一套快速檢索工具。
交通管理者需要什么樣的大數據？ 什么樣的大數據系統最能幫助解決實際交通問題？ 我們認為智能交通的大數據應該是：通過交通管理需求出發，建立數學分析模型，對接各種數據系統，從海量的數據中分析挖掘出對交通管理有用的信息。我們認為智能交通領域大數據的價值是通過交通管理業務需求，建立起來的數學算法分析模型。
現階段大數據在智能交通的的應用還存在以下不完善的地方：
1、數據格式不統一
各地交通管理部門一般都已經建設了幾期項目，這些項目因為各種原因，設備廠商可能不一致，設備型號各異，存儲下來的數據格式五花八門，這樣的數據對于后期的大數據應用極為不利，一個項目往往花費大量的時間和精力在解決各種數據的整合上。
2、各種數據源獲取困難
和智能交通相關的各種數據，如：車輛客流量數據、氣象數據、移動通訊設備數據。將這些數據拉通，能對交通流量做好預判工作，但這些數據往往屬于不同的管理部門，將這些數據納入一個系統進行綜合數據分析的難度大。
3、大數據方案沒有從業務需求出發
有很多廠商在提大數據概念的時候，僅僅是為了賣一些服務器，賣一些存儲，這些硬件解決不了客戶的需求。還有一些廠商將互聯網的大數據搜索引擎直接拿到智能交通解決方案中使用，完全不考慮交通管理部門對于數據的需求，雖然其提供的方案數據搜索能力驚人，但不能解決實際交通管理的業務需求。我們世界杯官網科技從交通管理部門的實際業務出發，規劃大數據架構，調整數據庫結構，建立符合業務需求的數學分析模型，將對交通管理有用的信息從海量的原始數據中分析出來，并按照交通管理的需求，做圖形化的直觀呈現。
大數據在智能交通領域的落地
大數據在智能交通的落地受限的因素很多，有項目的規劃，有早期項目數據的整合，有主管部門對于大數據業務的重視程度。在遼寧省丹東市交警支隊的案例中對多種交通數據進行整合，實現了大數據的綜合應用。在丹東項目中主要應用的新功能有以下3 點：
大數據
1、智能套牌
利用卡口相機上報的抓拍時間和車牌信息，自動分析車輛所經過卡口的連通性、卡口間最小時間間隔，當發現兩組或者多組獨立運行的相同車牌，或者相同車牌的過車信息小于對應卡口間最小時間間隔，則上報套牌預警。
2、異常軌跡智能預警
對所存儲的海量過車數據進行深入挖掘，分析出每輛車的時空軌跡規律，建立車輛軌跡模型。自動挖掘出從事不法活動的車輛( 比如非法營運車輛，販毒車輛)，將交通事件研判從事后查詢，逐步向事前預警轉變，為交通等行業提供有效的信息服務; 對于正常出行的車輛，如果行駛軌跡存在某種與數據模型不符合的突變，自動進行重點監測，當達到一定條件時觸發告警。
3、車牌快速檢索
通過適當地增加數據庫中的車牌冗余信息，提高車牌模糊搜索的速度，滿足用戶對以車牌為檢索條件的實時性要求。
現有的全文搜索引擎技術無法準確判斷字符在車牌中的位置，導致模糊檢索結果存在大量無效的檢索結果。通過優化現有的全文檢索搜索引擎技術，既利用了搜索引擎的快速檢索功能，同時實現了車牌精確的模糊檢索。
利用過車記錄中的時間信息來創建、合并不同時間段的索引文件，根據查詢條件中的時間過濾條件，快速定位到具體的索引文件，通過索引文件的時間段信息，實現快速排序。
重“數據”的時代已經到來
交通信息按照市場引導、價值驅動的方式在各利益相關方之間流動，并逐步形成新的市場和營利點，加快交通信息服務的產業化進程。“數據為王”的大數據時代已經到來。智能交通作為通信、計算機和控制技術在交通運輸領域集成應用的產物，也為云計算、大數據、智能終端等新技術提供率先應用的環境，并為其提供廣闊的市場空間。交通大數據的開發利用，不僅會推進智能交通更加快速地發展，也將為公眾提供更加便捷、高效、綠色、安全的出行環境，創造更加美好的生活。
大數據正在超越數據本身。在大數據時代，通過挖掘與分析數據的新商業價值，將為產業帶來巨大的商機，智能交通也將在大數據支撐下向智慧化邁進。
