CN111310294A

CN111310294A - 交通管理与控制服务指数的评价指标体系建立及发布方法

Info

Publication number: CN111310294A
Application number: CN201811512438.2A
Authority: CN
Inventors: 关金平; 关志超; 须成忠
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2018-12-11
Filing date: 2018-12-11
Publication date: 2020-06-19

Abstract

本申请涉及一种交通管理与控制服务指数的评价指标体系建立及发布方法。所述方法包括：步骤a：根据选取的交通管理服务指数及交通控制服务指数构建城市交通系统的交通管理与控制服务指数指标体系；步骤b：根据交通管理与控制服务指数指标关联与评价进行建模；步骤c：通过已建立的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的数据进行匹配；步骤d：匹配交通管理与控制服务指数评价指标对应城市，形成大数据环境交通管理与控制服务指数评价体系。本申请能加速促进城市交通与社会经济快速发展、优化提升城市交通能力与居民生活水平，科学决策城市交通系统建设发展目标，使城市交通发展与对策更加精准有效。

Description

交通管理与控制服务指数的评价指标体系建立及发布方法

技术领域

本申请属于智能公共交通技术领域，特别涉及一种交通管理与控制服务指数的评价指标体系建立及发布方法。

背景技术

当前，中国已进入新型城镇化建设与快速发展时期，城市在转型，城市交通也在转型，交通系统正处在由过去历史的、静态的小数据分析模式向实时的、动态的大数据研判模式的转变。

近年来，我国城市的快速城市化建设进程和城市机动化速度不断加快，对交通系统需求迅猛增长，交通系统问题也日益突出，成为城市社会经济发展的瓶颈问题。如何解决困扰城市发展的交通系统问题，是摆在我国城市发展面前的严峻课题。

交通系统管理与控制服务指数评价体系既是交通系统管理与控制的评价体系，也是交通系统治理处置引导体系。作为交通系统服务指数体系，能够衡量一个城市不同时期交通管理与控制水平的变化，也能够评价同一时期不同城市交通管理与控制水平的差异。此外，以交通系统管理与控制服务指数分析城市交通问题的关键症结和严重程度，以提高对症下药的治理方案科学性。作为交通系统管理与控制的服务指数引导体系，它帮助交通规划、建设、管理与控制等相关政府部门建立系统工程的方法，以及解决城市交通系统问题的总体思路，给出解决城市交通问题的总体框架和城市交通管理与控制的发展前景，引导城市交通管理的科学化、现代化、国际化、一体化发展进程，进而引导交通系统可持续发展的交通管理与控制服务体系建立。

交通管理与控制学科是随车辆与道路交通而生，由交通管理与交通控制两个部分构成；交通管理是对道路上的行车、停车、行人、道路使用，执行交通法规的“执法管理”，用交通工程技术措施对交通运行状况进行改善的“交通治理”统称；交通控制是依靠交通警察或采用交通信号控制设施，随交通变化特性来指挥车辆、行人的通行。从宏观上来说，交通控制是交通管理的某一表现方式，因此在现代交通管理中，交通管理与交通控制是一个有机结合的整体。交通管理与控制措施，按其是否具有法律意义，在性质上可分为两类：具有法律意义且必须强制执行的管理措施，是指在交通法规中规定的，为维护交通秩序，保障交通安全所必须的基本交通规则；用来改善交通状况的工程技术措施，这些措施本身不具有法律意义，但要使这些措施能得到有效实施，还需依靠具有法律意义的管理措施来强制执行，或依靠经济手段来诱导执行。

随着社会及小汽车工业的发展，交通管理与控制的目的也在不断变化。初期的交通管理是最基本的交通要求，即保障交通安全。随着车辆保有量的增加，道路上出现了车辆拥挤、阻塞现象，在保障交通安全的基础上，还要求交通管理与控制达到疏导交通、保障交通畅通。在采取了疏导交通之后，车辆依然在不断地增长，交通拥挤、交通安全、交通污染现象日趋严重；道路交通工程设施的建设速度总是跟不上车辆增长的速度，现有的道路交通设施的交通效率总是有限。因此，近年来在交通管理与控制领域产生了一种新思路，即通过采用交通需求管理的方法，来控制道路上的汽车交通量需求。现代化交通管理与控制服务指数的目的是除了为保障交通安全、疏导交通、提高现有交通设施的通车效率的传统目的外，着重采取各种交通需求管理措施来减少道路上的车辆交通总量、缓解交通拥堵、保障交通安全与畅通，并降低汽车对交通环境的污染，实现采用数字量化衡量交通管理与控制服务水平以及服务模式的趋势。

交通管理与控制是一个新型的学科领域，包括交通管理、交通控制、交通诱导、交通事故、交通教育、交通执法、交通信息工程、交通大数据云计算、人工智能、交通指挥机器人、交通云机器人、深度学习等跨学科复合型综合技术，其管理与控制效果可以从交通秩序、交通拥挤程度、交通事故情况、交通服务水平等诸多方面得到反映。此外，城市交通结构的合理化，城市土地利用的调整以及管理体制、交通投资、交通规划的制定与措施均是解决交通系统问题不可缺少的重要内容。在评价交通管理与控制时，必须采取多目标原则，对影响道路交通管理水平的各个方面进行定量计算和定性分析，确定评价标准和方法，综合评价整个交通管理与控制的总体水平和能力。所以，选取交通管理与控制服务指数指标体系时，既要注重交通管理效果评价，也要注重管理手段、管理过程的科学指导。

现有的大数据环境交通管理与控制服务指数方法及系统主要存在以下缺点：

1、当前，交通服务指数领域中通常是采用向市民发放交通出行问卷、归纳统计分析整理问卷后，来发布城市与区域交通服务指数方式进行的。这种方式存在着发放问卷调查周期长、问卷发放范围与取样比例不足、对问卷的问题回答不十分准确、不能进行连续动态对交通服务数据及时进行评价等问题。

2、在城市道路交通指数单一方面，虽然有了个别的道路交通指数发明，但是对于城市交通体系整体服务指数上，缺乏全面性、系统性的总体评价与总体描述城市交通运输体系服务的一体化、可量化、可视化的交通管理与控制服务指数方法发明提出，明显缺乏全面评价城市交通与区域交通服务指数的方法与系统。

3、国外发达国家对城市交通服务水平的评价进行了系统和周密的研究，形成了较完整的体系，但是构建基于交通大数据实时发布交通管理与控制服务指数的方法与系统模式还属空白。在这些国家中城市交通服务水平的指标体系已经成为编制城市交通规划的重要依据，也是政府部门为交通运输企业制订运营任务和目标的工具，更是公众市民对城市交通系统服务进行监督和评价标准的手段。

4、国内目前依然缺乏系统地评价城市交通服务水平的指标体系，《城市道路交通规划设计规范》中有关城市交通的章节，其内容侧重于交通设施规划，涉及的指标也多为设施配置与建设指标，并不是城市交通运行服务指标，特别是当前城市交通转型期就更不适用。也有学者在研究城市交通发展水平方面，提出综合评价指标体系时提出一些的运营服务水平指标，然而这些服务水平指标的提及并没有进行与选择交通方式的行为决策过程结合起来，缺乏交通行为(交通行为的运作、交通行为的通道、交通行为的控制与保障)的分析研判，也没有涉及到城市交通服务水平指标等级的划分与确定，更没有建立交通大数据环境下实时发布交通管理与控制服务指数的方法与系统。

综上所述，国内外在大数据环境交通管理与控制服务指数方法及系统上，尚未见到完整的、一体化的、可量化的、可视化的发明记载。我国在城市交通服务水平指标体系研究方面和基于交通大数据交通管理与控制服务指数的方法相对滞后的状况，严重影响了城市交通系统建设和健康发展，特别是公众出行对城市交通系统服务水平监督的需求满足。因此，迫切需要提供可量化、可视化指标体系的方法对交通系统服务进行分析与研判。

发明内容

本申请提供了一种交通管理与控制服务指数的评价指标体系建立及发布方法，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：一种交通管理与控制服务指数的评价指标体系建立及发布方法，包括：

步骤a：根据选取的交通管理服务指数及交通控制服务指数构建城市交通系统的交通管理与控制服务指数指标体系；

步骤b：根据交通管理与控制服务指数指标关联与评价进行建模；

步骤c：通过已建立的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的数据进行匹配；

步骤d：匹配交通管理与控制服务指数评价指标对应城市，形成大数据环境交通管理与控制服务指数评价体系。

本申请实施例采取的技术方案还包括：在所述步骤a中，选取的交通管理服务指数包括：交通行政管理服务指数、交通秩序管理服务指数、交通运行管理服务指数、交通优先管理服务指数、交通系统管理服务指数、交通需求管理服务指数、交通事件管理服务指数、交通拥挤管理服务指数、道路交通系统运行指数、轨道交通系统服务指数、常规公交系统服务指数、出租车公交服务指数、自行车公交服务指数、快速公交BRT服务指数、公交专用道服务指数、交通信息发布服务指数、交通设施管养服务指数、停车管理系统服务指数。

本申请实施例采取的技术方案还包括：在所述步骤a中，选取的交通控制服务指数包括：交叉口信号控制运行指数、交叉口通行能力服务指数、交叉口延误控制服务指数、交叉口排队长度监控服务指数、交叉口潮汐车道诱导服务指数、交叉口渠化设计服务指数、交叉口相位设计服务指数、交叉口交通流控制服务指数、关键路段协调控制服务指数、公交优先信号控制服务指数、城市快速路控制服务指数、交叉口智能控制指挥机器人、智能车路协同管控云机器人、区域交通信号控制服务指数、城市交通事件控制服务指数、高速公路交通控制服务指数、交通行为管理控制服务指数、城市安全交通控制服务指数。

本申请实施例采取的技术方案还包括：所述步骤b还包括：设计区域交通与城市交通大数据云计算平台，所述设计区域交通与城市交通大数据云计算平台具体包括：根据交通大数据云计算引擎，构建分布式计算结构、交通管理与控制服务指数关联的NOSQL数据库；采用人工智能的深度学习技术，在虚拟化和Docker容器模式下，构建交通管理与控制服务指数信息发布环境；架构设计基础设施即服务IaaS、平台即服务PaaS、软件即服务SaaS、容器即服务CaaS的交通大数据云计算平台。

本申请实施例采取的技术方案还包括：在所述步骤b中，根据交通管理与控制服务指数指标关联与评价进行建模具体为：基于区域交通与城市交通大数据云计算平台，建立交通管理与控制服务数评价指标与交通大数据的匹配关联性评价建模，所述建模采用：多目标决策方法、层次分析法、单纯矩阵评价法、模糊分析法、广义函数法、加权相对偏差距离最小法、集合分析法、模糊综合评判发、主成分分析法和/或因子分析法。

本申请实施例采取的技术方案还包括：所述步骤b还包括：根据交通管理与控制服务指数大数据进行多任务学习，所述多任务学习是采用归纳迁移机制的深度学习方法，利用隐含在多个交通管理与控制服务指数评价任务提炼数据中的特定交通系统领域信息来提高泛化能力。

本申请实施例采取的技术方案还包括：所述多任务学习的形式包括：联合学习、自主学习和带有辅助任务的学习。

本申请实施例采取的技术方案还包括：所述步骤c具体包括：通过已建的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的直接关联数据或者间接关联数据进行匹配，形成服务于交通管理与控制服务指数评价的功能要素，通过人工智能的深度学习技术形成交通管理与控制服务指数评价指标的可视化展示，建立交通运行监测、动态建模、在线仿真、管理评价的辅助决策支持的在线推演平台环境。

本申请实施例采取的技术方案还包括：在所述步骤d中，根据城市的人口与GDP产值的大小，将城市划分成五大类型，包括：特大型、直辖级、省会级、地级市、县级市。

本申请实施例采取的技术方案还包括：在所述步骤d中，形成大数据环境交通管理与控制服务指数评价体系主要涵盖基础指标和附加指标，所述基础指标对于所有的城市都适用，所述附加指标只对某些类型的城市适用。

相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法根据城市交通与区域交通整体评价指标体系任务，建立必要的指数评价指标与相关交通系统属性进行关联，每一种关联模式所建立的评价指标与交通大数据云计算平台信息源池里的直接与间接关联数据建立对应关系，城市交通与区域交通系统的管理与控制服务指数就可以通过选取的关联数据的阈值及变化，评价不同城市、不同区域的交通系统管理与控制服务水平及能力，面向政府部门、行业企业、公众市民提供科学决策的技术手段与可视化工具；本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法能加速促进城市交通与社会经济快速发展、优化提升城市交通能力与居民生活水平，科学决策城市交通系统建设发展目标，使城市交通发展与对策更加精准有效。本发明能够建立全面的、系统的交通管理与控制方向服务指数指标体系，与传统交通管理与控制评价仅依赖于交通模型分析方法存在很大的差异，将实时动态的交通大数据云计算平台的数据进行关联，完成高可视化的在线推演当前交通管理与控制现状与未来演变趋势，改变以往城市交通领域用“昨天的指标”评估“今天的问题”的不能接受明显错误做法。

附图说明

图1是本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法的流程图；

图2是区域交通与城市交通大数据云计算平台的结构示意图；

图3是大数据环境交通管理与控制服务指数方法及系统体系结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

请参阅图1，是本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法的流程图。本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法包括以下步骤：

步骤100：根据选取的交通管理服务指数及交通控制服务指数构建城市交通系统的交通管理与控制服务指数指标体系；

在步骤100中，城市交通系统主要由城市运输系统(交通行为的运作系统)、城市道路系统(交通行为的通道系统)和城市交通管理系统(交通行为的控制与保障系统)所组成，城市道路系统是为城市运输系统完成交通行为而服务的，城市交通管理系统则是整个城市交通系统正常、高效运转的保证。城市交通系统是城市社会、经济和物质结构的基本组成部分，城市交通系统把分散在城市各处的城市生产活动、生活活动连接起来，在组织生产、安排生活、提高城市客流与货流的有效运转以及促进城市经济发展方面起着十分重要的作用。城市的布局结构、规模大小、乃至城市的生活方式都需要一个城市交通系统的支撑。构建的交通管理与控制服务指数评价指标系统具体见下表：

选取的交通管理服务指数主要包括18个种类：交通行政管理服务指数、交通秩序管理服务指数、交通运行管理服务指数、交通优先管理服务指数、交通系统管理服务指数、交通需求管理服务指数、交通事件管理服务指数、交通拥挤管理服务指数、道路交通系统运行指数、轨道交通系统服务指数、常规公交系统服务指数、出租车公交服务指数、自行车公交服务指数、快速公交BRT服务指数、公交专用道服务指数、交通信息发布服务指数、交通设施管养服务指数、停车管理系统服务指数。

选取的交通控制服务指数主要包括18个种类：交叉口信号控制运行指数、交叉口通行能力服务指数、交叉口延误控制服务指数、交叉口排队长度监控服务指数、交叉口潮汐车道诱导服务指数、交叉口渠化设计服务指数、交叉口相位设计服务指数、交叉口交通流控制服务指数、关键路段协调控制服务指数、公交优先信号控制服务指数、城市快速路控制服务指数、交叉口智能控制指挥机器人、智能车路协同管控云机器人、区域交通信号控制服务指数、城市交通事件控制服务指数、高速公路交通控制服务指数、交通行为管理控制服务指数、城市安全交通控制服务指数。

步骤200：设计区域交通与城市交通大数据云计算平台；

在步骤200中：面对交通管理与控制服务指数方法及系统，需要依托交通大数据云计算平台信息源池环境建设，区域交通与城市交通大数据云计算平台如图2所示。设计区域交通与城市利用交通大数据云计算引擎，构建分布式计算结构、交通管理与控制服务指数关联的NOSQL数据库、采用人工智能的深度学习技术、在虚拟化和Docker容器模式下、构建Web2.0交通管理与控制服务指数信息发布环境；同时，架构设计基础设施即服务IaaS/平台即服务PaaS/软件即服务SaaS/容器即服务CaaS的交通大数据云计算平台。实现区域交通与城市交通的管理与控制服务指数建立规模更大、种类更多、结构更复杂的关联性数据；构建交通大数据的资源化模型；促进交通管理与控制服务指数的评价参与更多学科、更复合型、更交叉化、更跨行业的融合；是交通管理与控制服务指数更面向交通大数据、更趋于实时动态在线的分析研判技术发展；基于交通大数据云计算平台更有效地实现交通管理与控制服务指数的可视化描述与展示；完成更多维度、更多视角、更多模式的交通管理与控制服务能力的提升，提高以人为本的分析研判评价交通管理与控制服务指数水平和能力。

数据引擎层完成对交通大数据进行收集、存储、计算、挖掘和管理。针对交通管理与控制服务指数评价应用中具体数据处理策略、算法设计和性能提升进行优化和实现。根据城市大数据的特性，研究时空大数据及智能交通领域中MapReduce、流式计算、内存计算、图计算等并行计算模式，搭建面向时空大数据的实时处理和非实时处理相结合的混合架构；实现挖掘算法的并行化，提升计算速度；实现对动态、多源、多尺度时空数据的可量化、可视化展现，服务于实际应用。

交通大数据云计算平台支持在线分析和离线分析、支持多种分析算法的实现、支持地理信息数据的导入导出以及查询计算，可完成相关可量化、可视化展现和应用服务。支持多种数据的导入和接入。包括出租车轨迹与运营数据、公交车和地铁智能卡数据、公交车轨迹数据、货车轨迹数据、手机话单数据等。数据性质包括实时数据和历史数据。支持数据的清洗和预处理，融合挖掘分析。支持包括地理信息数据的匹配、地理图层叠加、区域划分等相关可视化方法，为算法研究和结果验证提供了可视化平台基础。

针对传统数据中心架构面临的主要挑战以及对数据中心的理解，分布式云平台数据中心的总体架构设计主要包括两类数据中心：第一是策略与备份节点类数据中心，第二是分布式业务节点类数据中心。在物理上两者可以合设，也可以分开。

策略与备份类节点数据中心，负责承载整个数据数据中心的统一管理、备份及全局数据共享：统一Portal入口，提供全局跨多个分布式数据中心基础设施资源状态信息统一管理Portal，以及全局容灾与业务请求路由策略的管理界面；在多个数据中心之间共享的公共数据(如用户签约预认证数据、内部子网间结算数据、运营商间结算数据等)；在线业务应用主用数据的备份数据、历史归档以及日志数据等，以及依托这些数据进行初步BI分析与挖掘的平台和应用逻辑；为加速数据访问，分布式节点数据中心会缓存频繁访问的策略与备份的共享数据镜像拷贝，同时将策略与备份节点的数据变更同步到分布式节点侧。

分布式业务节点类数据中心，负责承载在线业务应用(Online CarrierApplications)，以及在线内部IT办公自动化及ERP/CRM/SCM/PLM/HRM类等应用，支撑应用的各类中间件(数据库、web框架、SDP等)，及上述应用所需读写与访问的系统配置数据，用户签约数据以及交通领域媒体类数据(如个人邮箱、电子书、相片、视频、博客内容等)。

步骤300：根据交通管理与控制服务指数指标关联与评价进行建模；

在步骤300中，交通管理与控制服务指数评价指标体系主要是建立在交通管理服务指数方面和交通控制服务指数两个方面进行关联设计，两个方面的服务指数评价指标分别建立在交通管理与控制领域内容。交通管理与控制服务指数评价的指标体系种类设计，关系到交通管理与控制服务的有效性和服务水平的科学性评价，基于交通管理与控制学科的专业性评价指标含义，建立基于交通大数据云计算的服务指数评价指标体系，详见如下表所示。

交通管理与控制服务指数评价指标体系关联结构设计，基于这一评价指标体系关联结构，可以建立交通管理与控制服务指数可量化、可视化的评价指标体系。交通管理与控制服务指数评价模型和评价方法是在交通系统服务指数评价指标体系建立后，基于交通大数据云计算平台，建立交通管理与控制服务数评价指标与交通大数据的匹配关联性评价建模，形成对交通系统服务水平和服务能力的评价方法，这是衡量交通系统管理与控制高品质提升的可量化、可视化重要方法，主要包括多目标决策方法、层次分析法、广义函数法及评价方法的应用与选择。上述的交通管理与控制服务指数评价的指标体系种类内容中，没有哪一个指标能够单独作为评价整个交通系统的依据。因此，还需要建立一个综合性指标，它能够全面地反映交通系统状况，以利于各个城市交通系统之间或同一城市交通系统不同时期之间比较。多目标决策是具有两个以上的决策目标，并且需用多种标准来评价和优选方案的决策。大多是交通管理与控制服务指数评价决策中最重要的战略决策。例如一个重大交通系统项目的决策，就要考虑经济效益、社会效益、安全施工与环境保护等多方面的目标，需要用多种标准进行评价方案和优选方案。其特点是：第一，由于目标和标准的多样性，造成方案比较优劣的工作比较复杂，难以找到使所有目标达到最佳的方案；第二，决策过程是从淘汰较差方案开始，在剩下的方案中选取满意的方案，用满意标准取代最优标准。多目标决策法的基本原理：从人们在多目标条件下合理进行决策的过程和机制，多目标决策的理论主要有：多目标决策过程的分析和描述；冲突性的分解和理想点转移的理论；多属性效用理论；需求的多重性和层次性理论等，它们是构成多目标决策分析方法的理论基础。在多目标决策中，有一部分方案经比较后可以淘汰，称为劣解；但还有一批方案既不能淘汰，又不能互相比较，从多目标上考虑又都不是最优解，称为“非劣解”(或“有效解”、“帕累托解”)。决策分析是在交通系统规划、建设、管理、运行阶段为解决当前或未来可能发生的问题，在若干可选的方案中选择和决定最佳方案的一种分析过程。在交通经济系统的研究管理与控制过程中我们所面临的交通系统决策问题常常是多目标的，例如我们在研究交通运输组织生产过程的组织决策时，既要考虑交通系统的运输能力最大，又要使运输服务质量高，运输成本低等。这些目标之间相互作用和矛盾，使决策过程相当复杂，使决策者常常很难轻易作出决策。这类具有多个目标的决策总称就是多目标决策，多目标决策方法现已广泛地应用于交通运输工程、智能交通工程等领域。

多目标决策的原则：交通管理与控制服务指数评价的多目标决策原则是在多目标决策实践中应遵循的行为准则。主要包括：

在满足决策需要的前提下，尽量减少交通管理与控制服务指数评价目标个数；可采用剔除从属性目标，并通过交通大数据关联性匹配把类似的目标合并为一个目标，或者把那些只要求达到起码标准而不要求达到最优的次要目标降为约束条件；以及通过同度量求和、求平均值或构成综合函数的方法，用综合评价指标来代替单项评价指标的办法达到目的。

按照交通管理与控制服务指数评价目标的轻重缓急，决定目标的取舍。为此，就要将目标按重要程度排列出一个顺序，并规定出重要性系数，以便在选优决策时有所遵循。

对交通管理与控制服务指数评价相互矛盾的目标，应以总目标为基准进行协调，力求对各目标全面考虑，统筹兼顾。

交通管理与控制服务指数评价模型：当交通管理与控制服务指数评价决策对象具有多个评价目标时，从若干可行方案(也称解)中，选择一个满意方案(解)的决策方法。进行多目标决策时，根据服务指数评价事前确定的评价标准，从一组非劣解中，通过“辨优”和“权衡”找出一个令人满意的解。

多目标决策问题的某一可行方案与其他可行方案两两比较时，其结果有三种可能：第一，所有目标都是最优的方案，称为完全最优解，这种情况极少出现；第二，所有目标都是最劣的方案，称为劣解，立即可以淘汰；第三，目标有优有劣，既不能肯定方案为最优，也不能立即予以淘汰，这种方案称为非劣解，又称有效解或帕雷托最优解。多目标最优问题的数学模型为：设交通管理与控制服务指数评价系统有m个目标f1(x)，f2(x)，…， fm(x)，要求评价由n个变量组成的方案x＝(x1，x2，…，xn)T，如果这些目标都要求最大(或最小)，并要求解满足约束条件集合R，则数学模型可表达成如下形式：

或

式(1)中F(x)＝(f1(x)，f2(x)，…，fm(x))为目标向量。

多目标决策方法应用模式分析：在大数据环境交通管理与控制服务指数方法及系统发明中，用于多目标交通管理与控制服务指数决策的综合评价方法很多，如层次分析法、单纯矩阵评价法、模糊分析法、广义函数法、加权相对偏差距离最小法、集合分析法、模糊综合评判发、主成分分析法、因子分析法等，各种方法所需要的前提条件不同，各自的用途也不同。本发明中只是介绍相关理论方法的应用模式，具体应用时可以结合不同城市交通系统的特点以及同一城市交通系统不同时期的管理与控制服务指数的不同评价模式进行选择。

层次分析法用于建立交通管理与控制服务指数评价决策体系的分层评价结构，并利用服务指数评价指标与交通大数据关联性匹配所得到的判断矩阵求出各项评价指标的权重。

单纯矩阵评价法是利用服务指数评价指标与交通大数据关联性匹配所得到的判断矩阵确定各个城市交通系统服务指数评价指标得分，用于可量化的定性指标确定。

模糊分析法是利用判断矩阵对各个城市交通管理与控制服务指数评价指标排序，实际上是前两种方法的简化处理。

广义函数法是在已知权重和所有城市交通管理与控制服务指数的各项指标值后，再经过分级标定，把指标值转化为得分，然后采用加权求和的方法得到总分。

加权相对偏差距离最小法是在已知权重和所有城市交通管理与控制服务指数评价的各项指标值后，构造“虚拟最佳城市交通系统”，以各个实际城市与“虚拟最佳城市交通系统”的加权相对偏差距离大小来判断各个城市交通管理与控制服务指数的优劣。

集合分析发也是在已知交通管理与控制服务指数评价指标值矩阵和权重后，由排序矩阵、指数矩阵得到城市交通管理与控制服务指数的排序。

模糊综合评判发是依次确定因素(评价指标)集、判断集，并通过单因素评判得到模糊矩阵，用模糊矩阵与权重向量共同得到交通管理与控制服务指数综合评判结果。

主成分分析法和因子分析法都是在已知多个样本数据条件下，计算各个指标的相关矩阵，得到主成分或主因子，从而确定交通管理与控制服务指数综合评价指标的计算，因子分析法是主成分分析法的推广。

步骤400：根据交通管理与控制服务指数大数据进行深度学习；

在步骤400中，交通管理与控制服务指数评价模型和评价方法建立之后，需要开展基于服务指数评价模型和评价方法的交通大数据深度学习算法- -多任务学习运用。多任务学习(Multi-task learning)是迁移学习算法的一种，迁移学习可理解为定义一个一个源领域source domain和一个目标领域 (target domain)，在源领域深度学习，并把学习到的知识迁移到目标领域，提升目标领域的学习效果(performance)。多任务学习(Multi-task learning)：由于我们的关注点集中在单个任务上，我们忽略了可能帮助优化度量评价指标的其它信息。具体来说，这些信息来自相关任务的评价训练信号。通过共享相关任务之间的表征，可以使我们的评价模型更好地概括原始任务。这种方法被称为多任务学习(MTL)。其也是一种归纳迁移机制，主要目标是利用隐含在多个相关任务的训练信号中的特定交通管理与控制领域信息来提高泛化能力，多任务学习通过使用共享表示并行训练多个任务来完成这一目标。归纳迁移是一种专注于将解决一个问题的知识应用到相关问题的方法，从而提高学习的效率。比如，学习交通出行的行走时掌握的能力可以帮助学会跑，我们可以在相关的学习任务之间迁移通用的知识。此外，由于使用共享表示，多个任务同时进行预测时，减少了数据来源的数量以及整体模型参数的规模，使预测更加高效。因此，在交通管理与控制多个应用领域中，可以利用多任务学习来提高效果或性能。

归纳偏执(inductive bias)：归纳迁移的目标是利用额外的信息来源来提高当前任务的学习性能，包括提高泛化准确率、学习速度和学习的模型的可理解性。提供更强的归纳偏执是迁移提高泛化能力的一种方法，可以在固定的训练集上产生更好的泛化能力，或者减少达到同等性能水平所需要的训练样本数量。归纳偏执会导致一个归纳学习器更偏好一些假设，多任务学习正是利用隐含在相关任务训练信号中的信息作为一个归纳偏执来提高泛化能力。归纳偏置的作用就是用于指导学习算法如何在评价模型空间中进行搜索，搜索所得评价模型的性能优劣将直接受到归纳偏置的影响，而任何一个缺乏归纳偏置的学习系统都不可能进行有效的学习。不同的学习算法(决策树，神经网络，支持向量机等)具有不同的归纳偏置，人们在解决交通系统实际问题时需要人工地确定采用何种学习算法，实际上也就是主观地选择了不同的归纳偏置策略。一个很直观的想法就是，是否可以将归纳偏置的确定过程也通过学习过程来自动地完成，也就是采用“学习如何去学(learning to learn)” 的思想。多任务学习恰恰为上述思想的实现提供了一条可行途径，即利用相关任务中所包含的有用信息，为所关注任务的学习提供更强的归纳偏置。

多任务学习(Multi-Task Learning，MTL)是一种采用归纳迁移机制的深度学习方法，主要目标是利用隐含在多个交通管理与控制服务指数评价任务提炼数据中的特定交通系统领域信息来提高泛化能力。多任务学习通过使用共享表示并行训练多个任务来完成这一目标。因此，交通管理与控制服务指数评价指标体系的多任务学习算法是在学习一个问题的同时，可以通过使用共享表示来获取其他相关问题的知识，这其中采用的归纳迁移学习 (Inductive Transfer Learning)算法是一种专注于将解决一个问题的知识应用到相关问题上的方法，从而提高深度学习效率。

交通管理与控制服务指数评价指标体系多任务学习可以学到多个任务的共享表示，这个共享表示具有较强的抽象能力，能够适应多个不同但相关的目标，通常可以使交通管理与控制主任务获得更好的泛化能力。此外，由于使用了共享表示，多个任务同时进行预测时，减少了数据来源的数量，以及整体评价模型参数的规模，使预测更加高效。因此，在交通管理与控制服务指数评价指标体系等多个应用领域中，可以利用多任务学习来提高效果和性能。

如果交通管理与控制服务指数评价指标中的两个任务处理时如果相同函数，但是在任务信号中加入交通影响因素处理，那么很明显这两个任务是相关的。

如果交通管理与控制服务指数评价指标中的两个任务用于预测同一个个体属性的不同方面，那么这些任务比预测不同个体属性的不同方面更相关。

两个任务共同训练时能相互帮助并不意味着它们是相关的。例如通过在后向交通流传播网络的一个额外输出中加入交通影响因素可以提高泛化能力，但是这个影响因素任务与其他任务不相关。

交通管理与控制服务指数大数据深度学习网络是具有多个隐层的神经网络，逐层将输入数据转化成非线性的、更抽象的特征表示，并且在深度学习网络中各层的评价模型参数不是人为设定的，而是给定学习器的参数后在训练过程中学到的，这给了多任务学习施展拳脚的空间，具备足够的能力在训练过程中学习多个任务的共同特征。

多任务学习是一种归纳迁移方法，充分利用了隐含在多个相关任务训练信号中的交通管理与控制特定领域信息，在后向传输过程中，多任务学习允许共享隐层中专用于某个任务的特征被其他任务使用，这样多任务学习将可以适用于几个不同任务的特证，这样的特征在单任务学习网络中往往不容易学到。交通管理与控制服务指数评价指标体系归纳迁移的目标是利用额外的信息来源来提高当前任务的学习性能，包括提高泛华准确率、学习速度、评价模型的可解释性。提高更强的归纳偏向是提高泛化能力的一种方法，可以在规定的训练集上产生更好的泛化能力，或者减少达到同等性能水平所需要的训练样本数量。归纳偏向会导致一个归纳学习器更好一些假设，多任务学习正是利用隐含在相关任务训练信号中的信息作为一个归纳偏向来提高泛化能力的。

交通管理与控制服务指数评价指标体系多任务深度学习，给出多个监测标签信息，利用任务之间的关联性相互促进。

DeepID2中共有两个损失函数，第一个是交通管理分类损失函数，对应于交通管理与控制服务指数评价指标体系：

式(2)中：Ident(f,t,θ_id)表示交通管理与控制服务指数分类评价任务的损失函数，f为DeepID2特征向量，θ_id为软最大值层参数，p_i为属于第i类的先验概率，即对于所有类别i，p_i＝0，除了p_t＝1，t为目标类别。

第二个是交通控制分类损失函数，对应于交通控制服务指数评价指标中的对比损失：

式(3)中：Verif(f_i,f_j,y_ij,θ_ue)为评价指标体系度量学习任务的损失函数，f_i,f_j为每层对(i，j)的特征向量；y_ij＝1表示(i，j)属于同一类。

训练过程如下：

输入：训练集X＝{(xi,li)},初始化参数θ_c,θ_id,θ_ue,超参数λ，学习率 η(t),t←0，而不收敛做t←t+1，两个训练样本的样本(xi,li)和(xj,lj) 格式X。

f_i＝Conv(x_i,θ_c)和f_j＝Conv(x_i,θ_c)，

那里y_ij＝1,如果l_i＝l_j,和y_ij＝-1,否则

校正θ_id＝θ_id-η(t)·θ_id,θ_ue＝θ_ue-η(t)·θ_ue,以及θ_c＝θ_c-η(t)·θ_c

输出θ_c；总之，要扩大类间距离和缩小类内距离。

将多任务学习视为一种归约迁移(inductive transfer)：归约迁移 (inductivetransfer)通过引入归约偏置(inductive bias)来改进模型，使得模型更倾向于某些假设。如常见的一种归约偏置(Inductive bias)是L1正则化，它使得模型更偏向于那些稀疏的解。在多任务学习场景中，归约偏置 (Inductive bias)是由辅助任务来提供的，这会导致模型更倾向于那些可以同时解释多个任务的解，这样做会使得模型的泛化性能更好。

参数的硬共享机制：参数的硬共享机制是神经网络的多任务学习中最常见的一种方式，在交通管理与控制服务指数评价实际应用中，通常通过在所有任务之间共享隐藏层，同时保留几个特定任务的输出层来实现。硬共享机制降低了过拟合的风险。这些共享参数过拟合风险的阶数是N，其中N为任务的数量，比任务相关参数的过拟合风险要小。评价指标体系中越多任务同时学习，我们的模型就能捕捉到越多任务的同一个表示，从而导致在我们原始任务上的过拟合风险越小。

参数的软共享机制(基于约束的共享regularization based)：每个评价指标任务都由自己的模型，自己的参数。在共享软的参数时，每个任务都有自己的参数和模型。模型参数之间的距离是正则化的，以便鼓励参数相似化。我们对模型参数的距离进行正则化来保障参数的相似，如使用L2距离正则化，或使用迹正则化(trace norm)。用于深度神经网络中的软共享机制的约束很大程度上是受传统多任务学习中正则化技术的影响。约束深度神经网络软的参数共享的思想受到了MTL正则化技术的极大启发，这种思想已经用于其它交通管理与控制服务指数评价模型开发。

多任务学习的有效性：由于所有任务都或多或少存在一些噪音，例如，当我们训练任务A上的模型时，我们的目标在于得到任务A的一个好的表示，而忽略了数据相关的噪音以及泛化性能。由于不同的任务有不同的噪音模式，同时学习到两个任务可以得到一个更为泛化的表示。如果只学习任务 A要承担对任务A过拟合的风险，然而同时学习任务A与任务B对噪音模式进行平均，可以使得模型获得更好表示F；若任务噪音严重，数据量小，数据维度高，则对于模型来说区分相关与不相关特征变得困难。多任务有助于将模型注意力集中在确实有影响的那些特征上，是因为其他任务可以为特征的相关与不相关性提供额外的证据；对于任务B来说很容易学习到某些特征G，而这些特征对于任务A来说很难学到。这可能是因为任务A与特征G的交互方式更复杂，或者因为其他特征阻碍了特征G的学习。通过交通管理与控制服务指数评价指标体系的多任务学习，我们可以允许模型窃听(eavesdrop)，即使用任务B来学习特征G；多任务学习更倾向于学习到一类模型，这类模型更强调与其他任务也强调的那部分表示。由于一个对足够多的训练任务都表现很好的假设空间，对来自于同一环境的新任务也会表现很好，所以这样有助于模型展示出对新任务的泛化能力；单任务学习时，梯度的反向传播倾向于陷入局部极小值。多任务学习中不同任务的局部极小值处于不同的位置，通过相互作用，可以帮助隐含层逃离局部极小值；添加的任务可以改变权值更新的动态特性，可能使网络更适合多任务学习。多任务并行学习，提升了浅层共享层(shared representation)的学习速率，可能较大的学习速率提升了学习效果；正则化机制多任务学习通过引入归纳偏置(inductive bias)起到与正则化相同的作用。它减小了模型过拟合的风险，同时降低了模型的 Rademacher复杂度，即拟合随机噪音的能力。

多任务学习MTL的多种形式：联合学习(joint learning)、自主学习 (learningto learn)和带有辅助任务的学习(learning with auxiliary task)等都可以指MTL。优化多个损失函数就等同于进行多任务学习(与单任务学习相反)。这些情况有助于交通管理与控制服务指数评价指标体系明确地思考如何在多任务学习方面做尝试并从中获得启发。

多任务学习与其他学习算法之间的关联行。迁移学习自1995年以来，迁移学习吸引了众多的研究者的目光，迁移学习有很多其他名字学习去学习 (Learning to learn)、终身学习(life-long learning)、推导迁移(inductive transfer)、知识强化(knowledgeconsolidation)、上下文敏感性学习(context- sensitive learning)、基于知识的推导偏差(knowledge-based inductive bias)、累计/增量学习(increment/cumulativelearning)等。在机器学习、深度学习和数据挖掘的大多数评价指标任务中，会假设training和inference时，采用的数据服从相同的分布(distribution)、来源于相同的特征空间(feature space)。在现实交通管理与控制服务指数评价指标体系应用中，这个假设很难成立，往往遇到一些问题，包括：带标记的训练样本数量有限：处理A领域(targetdomain)的分类问题时，缺少足够的训练样本。同时与A领域相关的B(source domain)领域，拥有大量的训练样本，但B领域与A领域处于不同的特征空间或样本服从不同分布；数据分布会发生变化：交通管理与控制服务指数评价指标数据分布与时间、地点或其他动态因素相关，随着动态因素的变化，数据分布会发生变化，以前收集的数据已经过时，需要重新收集数据，重建模型。多任务学习是针对数据给出多个交通管理与控制监测信息 (标签)进行学习。多标签学习(Multilabel learning)是多任务学习中的一种，建模多个label之间的相关性，同时对多个label进行建模，多个类别之间共享相同的数据/特征。多类别学习(Multiclass learning)是多标签学习任务中的一种，对多个相互独立的类别(classes)进行建模。

步骤500：通过已建立的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的直接关联数据或者间接关联数据进行匹配；

在步骤500中，交通管理与控制服务指数评价指标涉及在36个服务指数发明中的不同内容，形成基于交通大数据的直接或间接关联的数据体系，这些数据可以直接或者间接地表达评价交通管理与控制服务指数的意义，并通过交通大数据云计算平台的信息源池支撑，建立定义交通管理与控制服务指数的指标体系，评价交通管理与控制服务指数的技术水平和能力。如对于城市交通系统的交叉口信号控制服务指数评价指标的建立，就包括典型评价指标、行人评价指标、自行车评价指标、信号控制交叉口服务水平指标、交通控制评价指标方法、过饱和交通流状态等。建立交通管理与控制服务指数的评价指标关联性匹配，主要是通过已建的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的直接关联数据或者间接关联数据进行匹配，形成服务于交通管理与控制服务指数评价的功能要素，基于交通管理与控制学科的理论与方法，通过人工智能的深度学习等技术形成交通管理与控制服务指数评价指标的实时、在线、量化、可视化展示，建立交通运行监测、动态建模、在线仿真、管理评价的辅助决策支持的在线推演平台环境。

步骤600：匹配交通管理与控制服务指数评价指标对应城市，形成大数据环境交通管理与控制服务指数评价系统。

在步骤600中，建立交通管理与控制服务指数匹配后的评价指标，面向城市交通与区域交通系统，开展相关基于交通大数据的交通管理与控制服务指数的分析研判，形成评价交通管理与控制服务水平与能力的量化、可视化动态评价指标不同范围的评价值。面向政府部门、行业企业、公众市民提供城市交通系统管理与控制的服务指数评价决策支持的科学方法与技术工具、现代化手段。交通管理与控制服务指数评价指标对应域值详见下表所示：

大数据环境下交通管理与控制服务指数方法是客观地、公平地评价不同特点的城市交通系统与区域交通系统，其交通管理及控制服务水平和能力是该城市与区域交通规划、建设、管理一体化高品质服务的具体体现。根据城市的人口与GDP产值的大小，将城市划分成五大类型，即特大型、直辖级、省会级、地级市、县级市，如当前的特大型城市包括四个：北京、上海、深圳、广州。

城市分类：A类城市：地市级以上城市。市区上年度国内生产总值500 亿元以上(不含市辖县国内生产总值)，或市区总人口200万以上(不含市辖县人口，县级市为城关镇人口，下同)的城市；B类城市：地、市(不含县级市)、州、盟。市区上年度国内生产总值250(不含市辖县国内生产总值) 亿元以上，或市区总人口50万以上且市区上年度国内生产总值170亿元以上的城市；C类城市：县级市、县上一年度国内生产总值90亿元以上，或市 (城)区总人口100万以上但上年度国内生产总值不足170亿元的城市；D类城市：其他城市。

统计范围：建成区：城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的区域。对核心城市，它包括集中连片的部分以及分散的若干个已经成片建设起来，市政公用设施和公共设施基本具备的地区；对一城多镇来说，它包括由几个连片开发建设起来的，市政公用设施和公共设施基本具备的地区组成。因此，建成区范围，一般是指建成区外轮廓线所能包括的地区，也就是这个城市实际建设用地所达到的范围。市区：指城市行政区域内的全部土地面积(包括水域面积)，地级以上城市行政区不包括市辖县(市)，按国务院批准的行政区划面积为准。市区人口：指城市行政区域内有常住户口和未落常住户口的人，以及被注销户口的在押犯、劳改、劳教人员；未落常住户口人员是指持出生、迁移、复员转业、劳改释放、解除劳教等证件未落常住户口的、无户口的人员以及户口情况不明且定居一年以上的流入人口；地级以上城市行政区不包括市辖县(市)；按公安部门的户籍统计为准。

交通管理与控制服务指数的评价指标体系的形成与发展，这一评价指标体系的建立主要涵盖基础指标和附加指标，基础指标对于所有的城市都适用，附加指标只对某些类型的城市适用。如大城市的主要问题是交通拥堵，而小城市的主要问题是交通秩序，因此交叉口的相关评价指数对于小城市的意义就不大。根据需要本发明专利还增加了部分指标，增加了交叉口让行标志设置情况和交通诱导等相关指标，引导交通管理与控制向更高的水平发展。对于部分指标不同城市类型将赋予不同的内涵的调整，基于考虑不同类型城市要求不同，如交通管理与控制的规划、公交优先政策等。

本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法、在深圳市城市交通与区域交通系统的规划、建设、管理、运行一体化应用中得到了实验验证。基于深圳市综合交通运行指挥中心的交通大数据信息源池，深圳市建设了城市交通大数据云计算平台体系环境，在深圳市城市综合交通公共信息平台中，开展数据分析、数据挖掘、数据交换、数据存储、数据共享等研究实践，实现了“一个网络、四个平台”的系统体系结构，即交通信息通信与传输网络，交通信息采集子平台、城市综合交通公共信息子平台、交通仿真平台、交通信息服务平台。大数据环境交通管理与控制服务指数方法及系统体系结构详见图3所示。

本申请实施例的交通管理与控制服务指数的评价指标体系建立及发布方法与当前国内外相关的最好的现有技术相比，特别是在城市交通与经济发展、城市交通与居民生活、城市交通系统的建设与发展战略、城市交通管理体制与政策、城市交通评价体系的功能与构成、城市交通管理与控制系统建设、城市交通管理措施与队伍建设、城市交通管理与控制现代化服务等方面，都具有突出优点，具有重要的商业价值与社会价值，包括以下优点：加速促进城市交通与社会经济快速发展，交通系统如何落到实处，体现在城市交通与区域交通领域，就是采用交通大数据云计算新一代信息技术，从交通系统的核心领域交通管理与控制内容入手，进行可量化、可视化地分析评价交通运行态势并找出问题，反馈到城市交通与区域交通规划设计中来，形成闭环提升优化交通系统规划、建设、管理、运行一体化服务水平和能力；而这一服务水平和能力的评价指标体系，依托于交通管理与控制服务指数方法的发明。社会经济发展离不开交通的引领与支撑，城市是经济发展的中心，是各种交通运输方式的集中地和总枢纽，城市交通系统具有特别重要的地位。在社会经济发展中产生了越来越大的交通需求，给城市交通系统提出了更高的要求；社会经济发展对城市交通系统的通畅性和高效性提出了更高的要求；城市经济发展中产业结构的变化影响着交通需求产生的内在机制；城市经济发展中产业结构布局与城市人口就业布局紧密关联，并调整影响和改变交通需求的时空分布特性。优化提升城市交通能力与居民生活水平：在城市交通中交通管理与控制服务直接与城市居民生活息息相关，表现出的优点在于通过交通大数据云计算平台引擎的支撑，可以直接量化、可视化影响城市居民生活质量水平指标；衡量城市交通运行状对物资丰富程度的影响比例；对城市居民居住地形成的出行方式与出行工具布局的生活方式影响状态细分；评价城市交通运行环境，判断交通拥堵、交通安全、交通污染等量化技术指标的共享与发布；科学决策城市交通系统建设发展目标：由于城市交通与经济发展、居民生活之间的密切关系，城市交通的建设不仅要尽量满足经济发展和生活质量提高的需求，还要充分发挥交通对经济发展、城市化和居民生活方式的引导作用，变追随性发展为引导性发展。交通系统的建设目标主要包括交通功能目标、资源利用目标、环境保护目标三个方面。交通功能目标是城市交通系统的基本目标，主要涵盖舒适性、安全性、高效性、可达性等；交通环境保护目标要求交通行为应尽可能减小对空气、声环境、生态及其他人类生活环境要素的负面影响；交通资源利用目标要求城市交通系统能够有效地利用土地、能源、人力等资源。大数据环境交通管理与控制服务指数方法可以量化、可视化递精准掌控与把握评价指标体系，使其决策支持更加科学化；使城市交通发展与对策更加精准有效：解决城市交通问题的关键主要包括关注供求两个方面的关系、采取综合措施两个内容。大数据环境交通管理与控制服务指数方法是综合解决城市交通问题的关键分析研判的工具及手段。它可以精准有效地建立保证科学决策、规划实施、具有综合协调能力的组织管理体制的评价；做好交通与土地利用的协调规划分析；指定城市交通发展战略计划技术指标量化；进行城市开发时倒入交通影响分析研判；落实优先发展公共交通的政策与措施考核；整合交通规划提高交通整体效率的可视化手段；监测具有合理性层次秩序的城市道路交通网络；加速推进道路交通管理的科学化和现代化进程；实施交通需求管理模式建立；有针对性地开展智能交通系统的研究与应用；加强城市停车系统规划与管理；完善城市道路交通设施监管等优点。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种交通管理与控制服务指数的评价指标体系建立及发布方法，包括：

步骤c：通过所述交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的数据进行匹配；

2.根据权利要求1所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，在所述步骤a中，选取的交通管理服务指数包括：交通行政管理服务指数、交通秩序管理服务指数、交通运行管理服务指数、交通优先管理服务指数、交通系统管理服务指数、交通需求管理服务指数、交通事件管理服务指数、交通拥挤管理服务指数、道路交通系统运行指数、轨道交通系统服务指数、常规公交系统服务指数、出租车公交服务指数、自行车公交服务指数、快速公交BRT服务指数、公交专用道服务指数、交通信息发布服务指数、交通设施管养服务指数、停车管理系统服务指数。

3.根据权利要求1或2所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，在所述步骤a中，选取的交通控制服务指数包括：交叉口信号控制运行指数、交叉口通行能力服务指数、交叉口延误控制服务指数、交叉口排队长度监控服务指数、交叉口潮汐车道诱导服务指数、交叉口渠化设计服务指数、交叉口相位设计服务指数、交叉口交通流控制服务指数、关键路段协调控制服务指数、公交优先信号控制服务指数、城市快速路控制服务指数、交叉口智能控制指挥机器人、智能车路协同管控云机器人、区域交通信号控制服务指数、城市交通事件控制服务指数、高速公路交通控制服务指数、交通行为管理控制服务指数、城市安全交通控制服务指数。

4.根据权利要求1或2所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，所述步骤b还包括：设计区域交通与城市交通大数据云计算平台，所述设计区域交通与城市交通大数据云计算平台具体包括：根据交通大数据云计算引擎，构建分布式计算结构、交通管理与控制服务指数关联的NOSQL数据库；采用人工智能的深度学习技术，在虚拟化和Docker容器模式下，构建交通管理与控制服务指数信息发布环境；架构设计基础设施即服务IaaS、平台即服务PaaS、软件即服务SaaS、容器即服务CaaS的交通大数据云计算平台。

5.根据权利要求4所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，在所述步骤b中，根据交通管理与控制服务指数指标关联与评价进行建模具体为：基于区域交通与城市交通大数据云计算平台，建立交通管理与控制服务数评价指标与交通大数据的匹配关联性评价建模，所述建模采用：多目标决策方法、层次分析法、单纯矩阵评价法、模糊分析法、广义函数法、加权相对偏差距离最小法、集合分析法、模糊综合评判发、主成分分析法和/或因子分析法。

6.根据权利要求1所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，所述步骤b还包括：根据交通管理与控制服务指数大数据进行多任务学习，所述多任务学习是采用归纳迁移机制的深度学习方法，利用隐含在多个交通管理与控制服务指数评价任务提炼数据中的特定交通系统领域信息来提高泛化能力。

7.根据权利要求6所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，所述多任务学习的形式包括：联合学习、自主学习和带有辅助任务的学习。

8.根据权利要求1所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，所述步骤c具体包括：通过已建的交通管理与控制服务指数评价指标体系，与交通大数据云计算平台中的直接关联数据或者间接关联数据进行匹配，形成服务于交通管理与控制服务指数评价的功能要素，通过人工智能的深度学习技术形成交通管理与控制服务指数评价指标的可视化展示，建立交通运行监测、动态建模、在线仿真、管理评价的辅助决策支持的在线推演平台环境。

9.根据权利要求1所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，在所述步骤d中，根据城市的人口与GDP产值的大小，将城市划分成五大类型，包括：特大型、直辖级、省会级、地级市、县级市。

10.根据权利要求1所述的交通管理与控制服务指数的评价指标体系建立及发布方法，其特征在于，在所述步骤d中，形成大数据环境交通管理与控制服务指数评价体系主要涵盖基础指标和附加指标，所述基础指标对于所有的城市都适用，所述附加指标只对某些类型的城市适用。