随着自动驾驶汽车技术的开发，其便捷性和安全性使智慧交通逐渐成为社会焦点和科研重点。智慧交通指充分利用云计算、物联网、空间感知、移动互联网等新一代信息技术，推动交通运输更加安全、高效、便捷、经济、环保的运行和发展，带动交通运输相关产业转型和升级[1]。第七届中国智能产业高峰论坛的“面向未来城市的智慧交通整体解决方案”报告引起业内极大关注和广泛讨论，指出未来智慧交通将具备三个最核心的特征，复杂交通巨系统要求构建一个多元多维度、万物互联的大数据全息感知体系；交通更加关注可持续移动性，欧盟已经在很多城市开展可持续移动性规划，更加强调服务于人的出行需求和多方共同参与；出行服务越来越关注出行感受，要求能够提供个性化的、注重体验的全过程服务，对出行链进行一体化的整合与优化。1国内外智慧交通研究现状国外对智慧交通的研究较早，美国的SFpark系统可以实现道路停车位的智能管理。日本东京地铁通过使用物联网技术，实现地铁附属设备的实时动态检测，形成故障预测、识别、分析和维修的智能地铁维护系统。巴塞罗那成功构建智能交通信号灯网络和智能停车系统。新加坡等国家大力发展智能路灯智慧交通方案。在学术研究方面，智慧交通领域相关研究学者进行大量研究，如可以提供维护交通信息和道路安全混合解决方案的车辆云网络[2]，可以有效解决停车位紧张的基于尖端物联网智能停车系统[3]，可以解决交通拥堵的网络框架，改善交通环境，提高出行质量[4]。我国针对智慧交通的研究集中，成功构建智能车辆管理系统、智能交通管理等。智能车辆管理系统通过合理应用物联网实现无人管理，如基于窄带物联网和ZigBee的智能车辆管理系统等[5]。智能交通管理可以根据实时车辆路况，动态调整路口各方向红绿灯的持续时间，提高交通路口的使用效率，如基于物联网技术的智能交通灯控制系统可以实现对交通路况的高效管理[6]。目前，国内外研究及成果主要集中在交通元素智能管理和维护方面，尚未形成由各类智能交通元素组成的智慧交通网络。通信技术是实现智慧交通的重要基石，决定智慧交通中信息传输的实时性和有效性。在智慧交通中构建智能可靠的通信网络，可以实现各类交通要素的动态连接，充分交互共享交通信息，生成安全可靠的交通管控等决策，指导交通要素快速做出相应动作，实现高效智能的交通道路环境，是实现智慧交通的有效方法，可以节省人力物力等资源，保障交通环境安全稳定。因此，有必要构建可实现智慧交通的智能通信网络。2基于机器学习决策模型的智慧交通网络2.1基于机器学习的决策模型基于机器学习的决策模型由观察、分析、决策和作用4个模块组成。将基于机器学习的决策模型应用于每个网络元素中，各元素通过观察模块中的机器学习算法充分获取网络环境的特征信息数据，利用分析模块中的机器学习算法深度挖掘网络环境，获取网络环境总体描述信息，通过决策模块中的机器学习算法生成网络策略方案，交给执行模块进行相应动作，改变网络环境，观察模块实时获取网络环境数据，形成观察-动作闭环。应用基于机器学习决策模型的网络元素可以自适应网络环境，通过各元素间的交互融合，使网络具备适应外界环境的能力。基于机器学习的决策模型中，观察、分析和决策模块涉及的关键技术紧密围绕机器学习展开，利用机器学习的方法或思想提升关键技术的性能，如提高环境观察的快速性和全面性，能够保证获取的网络环境特征参数实时有效；提高分析的准确性，保证获取准确的网络总体信息，准确描述网络实时环境，为决策做铺垫；提高决策的可靠性，保证最终输出的策略方案最优且安全。基于机器学习的决策模型如图1所示。10.19301/j.cnki.zncs.2022.01.003.F001图1基于机器学习的决策模型2.2基于机器学习的决策模型运行机理交通元素主要包括车辆（非机动车、私家车、公交车、救护车、警车、消防车等）、交通信号灯、路灯、停车位、充电桩等，在每一个交通元素中应用基于机器学习的决策模型，可以充分观察并分析处理周围的环境。基于机器学习的决策模型运行机理如图2所示。10.19301/j.cnki.zncs.2022.01.003.F002图2基于机器学习的决策模型运行机理将基于机器学习的决策模型应用于交通元素，使交通元素具备适应环境的能力。针对不同环境，从机器学习算法库中选择合适的机器学习算法，充分观察自然环境、路况环境和管控环境等交通环境，获取交通网络环境的特征参数，如降雨量、降雪量、雾霾程度、沙尘程度、车流量、早晚高峰时段、行人位置速度、非机动车位置速度、突发事件交通管制情况、避让应急车辆等。将获取的交通环境特征参数传输至分析模块中，从机器学习算法库中获取适合处理相应特征参数的学习模型，利用其对环境特征参数进行分析挖掘，获取交通环境的总体描述信息，如总体自然环境信息、总体路况环境信息、总体管控环境信息等。分析总体交通环境描述信息，判断当前环境是否影响交通元素正常行动或工作，环境不影响交通元素正常行动或工作时，继续执行交通环境感知；若影响，需执行决策模块，通过融合其他交通元素的决策方案，生成本交通元素的最优交通策略方案，交由相应动作单元。交通元素的动作作用到交通环境中，使环境动态变化，观察模块再次获取更新的实时交通环境，形成动作闭环。每个交通元素间，可以通过统一的信息数据格式交互策略方案或相关信息，掌握元素本身邻域内的局部交通环境动态，将每个局部交通环境动态汇聚至区域交管中心，获取区域级的交通环境动态。随着基于机器学习决策模型在每个交通元素内部的迭代运转，实现动态协调的智慧交通网络，网络内部可以自主实现人-车-物可靠、高效交通秩序。2.3基于机器学习决策模型构建智慧交通网络将基于机器学习的决策模型应用到智慧交通领域，使各类交通元素具备智慧能力，能够使用同一种信息方式交互沟通，形成一张可以动态协调的智慧交通网络，实时推演和预测交通运行状态，重塑整个交通出行和管理模式，对交通事件进行推演模拟，及时制定快速应急方案，最大限度地降低对城市交通的影响，还可以涵盖智能路灯照明、智能停车位管控等功能。智慧交通网络局部示例如图3所示。10.19301/j.cnki.zncs.2022.01.003.F003图3智慧交通网络局部示例由图3可知，机动车、非机动车、路灯和信号灯等交通元素均部署基于机器学习的决策模型，各模型间实时交互策略信息，在保证交通网络整体可靠秩序的情况下，使自身行动更安全更高效。（1）指挥要素缺失情况下交通决策。某一指挥类交通因意外而无法正常工作，如交通信号灯损坏、标志缺失时。处于基于机器学习认知模型智慧交通网络中的车辆元素可以感知分析当前情况，将自身决策上报区域交管中心，由区域交管中心统一决策部署信号灯损坏路口车辆通行策略，下发至相关车辆，使车辆元素可以在指挥要素缺失的情况下，实现安全高效通行。（2）应急车辆紧急避让。救护车、消防车等应急车辆执行紧急任务时，可以将自身起点和终点根据任务情况实时上报区域交管中心，区域交管中心可以通过当前交通情况合理规划最优路线。在应急车辆行驶过程中，区域交管中心可以根据当前环境的实时变化，及时调整前进路线。根据应急车辆不同的紧急等级，制定不同的避让策略，通过区域交管中心提前规划应急车辆计划行驶路线上非应急车辆行驶状态和交通信号变灯策略，保障应急车辆迅速抵达目的地。（3）智能通行决策。早晚高峰或节假日车流量较大时，智慧交通网络中的交通信号灯可以观察车辆、行人、天气等交通环境相关信息，实时计算当前机动车和非机动车的通行流量，上报区域交管中心，辅助交管中心根据实时交通环境变化，及时调整信号灯变灯策略，实现高效安全的通行策略，尽量减少早晚高峰等时段的堵车时长。3潜在价值及应用场景未来的15~30年间，交通出行将呈现七大趋势，分别为共享移动性、汽车电气化、自动驾驶、新型公共交通、可再生能源、新型基础设施、物联网普及。公安部交管局印发的《城市道路交通文明畅通提升行动计划（2017~2020年）》明确提出，应紧抓智慧城市建设机遇，加快推进城市智能交通管理系统建设，构建精准高效的智慧交通管理体系，提升城市交通态势综合分析和管控能力[1]。我国2018年首次提出加强以信息网络为基础的新型基础设施建设，不断加强深化对“新基建”内涵的理解。2020年国家正式给出“新基建”内涵。其中，信息基础设施包括以5G、物联网、工业互联网、卫星互联网为代表的通信网络基础设施，以人工智能、云计算、区块链等为代表的新技术基础设施等。以人工智能等技术为核心，发展智慧交通领域的通信网络研究具有重要意义。基于机器学习决策模型的智慧交通网络核心利用机器学习方法对交通环境进行全方位观察分析。经过挖掘和决策生成，使交通元素乃至交通网络动态协调变化，实现人-车-物可靠、高效的交通秩序。本研究方案在紧跟未来智慧交通和智慧城市发展方向的基础上，为实现未来智慧交通提供一种可行的思路和方法。4结语未来的智慧交通需构建万物互联、多元多维度的大数据全息感知体系，提出以机器学习为核心、观察-分析-决策为手段的基于机器学习决策模型，将其用于构建智慧交通网络，使网络中的交通元素自适应周围交通环境变化和上级管控要求，实现网络内安全高效的交通秩序。