道路交通違法問題是一種客觀存在，它與人們日常生活息息相關，是廣泛存在的社會現象。道路交通違法問題與城市的經濟發展、社會文化、政策環境、管理水平、基礎設施和交通參與者素質等有著客觀必然的聯系，通過分析研究可以更深入地認識該問題的本質，把握其規律。
隨著大數據時代的來臨，通過資料的收集、整理、分析、統計等方法，準確及時地掌握交通違法系統中各種動態、靜態信息，提取交通違法行為在時間、空間、違法類型上的分布特征，可以從多個維度對交通違法數據進行分析，有助于探索出更加科學有效的交通違法治理科學方法，為非現場交通執法這一領域的發展提供有益的參考，以期更加富有成效地開展交通違法治理、維護道路交通秩序、預防和減少交通事故，為經濟和社會發展創造和諧的道路交通環境。
文/陳勝奇（1）、胡少鵬（2）、周 沛（3）
（1）廣州市交通管理科學技術研究所
（2）,（3） 廣州市交通規劃研究院
1 交通違法數據分析基礎
1.1 交通違法數據庫概況
公安交通管理綜合應用平臺（通常稱為“6合1平臺”）是公安部推廣的全國性應用平臺，交通違法數據存儲在該平臺的交通違法數據庫中，用到的數據庫表包括：trff_app.vio_surveil（簡稱surveil表）、trff_app.vio_force（簡稱force表）和trff_app.vio_violation（簡稱violation表）。其中，surveil表記錄了交通違法處理前的所有非現場執法數據；force表記錄了交通違法處理前的所有一般程序執法數據（包括現場執法和非現場執法）；violation表記錄了交通違法處理前的所有簡易程序的現場執法數據，同時，上述3個數據庫表中的數據，在違法當事人辦理完成交通違法處理手續后，都將進入到violation表中。3個數據庫表之間的關系如下圖所示：
數據庫表關系圖
1.2 可非現場執法的交通違法行為
根據《道路交通安全違法行為代碼及處罰標準（2014年版）》，機動車駕駛人違法代碼中，適用簡易程序的違法代碼有258種，適用一般程序的違法代碼有113種，可以單獨使用強制措施的違法代碼16種（強制措施共105種，其中89種與簡易程序或一般程序重復），合計共387種違法代碼。按照現有市場上非現場執法設備的種類和發展水平，篩選出可以進行非現場執法的交通違法行為共92種，占機動車駕駛人違法行為總數的23.8%。可非現場執法交通違法行為主要集中在違反交通標志或標線（包含了壓實線、不按導向車道行駛、不按規定車道行駛、逆行、倒車、進入禁行范圍、超過規定時速、低于規定時速、停車等）和違反交通信號燈指示的違法行為。近年來由于高清攝像機、視頻分析和大數據技術的發展，非現場執法在涉及司乘人員的違法行為（如不系安全帶）、涉及號牌的違法行為（如遮擋號牌、污損號牌、不懸掛號牌等）方面有了進一步的突破。
2 交通違法數據分布特征
2.1 時間分布特征
通過統計廣州市非現場執法數據的取證時間，可以發現，非現場執法數據在時間上的分布總體上具有以下特征：
日相似性：雖然每天的違法數據的變化趨勢波形略有差異，但同一采集對象的曲線波形相似，變化趨勢呈明顯的周期性。在每天的同一時段，違法數據呈現出極其相似的變化趨勢。
連續性：時間序列數據具有連續性，序列中的每一個采集數據對相鄰時段的記錄數據都有承上啟下的特點（投入使用的電子警察數量發生變化除外）。
相對穩定性：在每一較短時段內，違法數據的時間變化趨勢相對穩定。
執法主體相關性：非現場執法技術手段中，對違法行為的取證方式包括完全依靠設備和人工與設備結合兩種。完全依靠設備的非現場執法量，節假日與工作日的差距非常小；而人工與設備結合的非現場執法量，節假日明顯低于工作日。
流量相關性：排除執法主體的影響，只考察完全依靠設備的非現場執法量，在一天24小時中總體呈現為正態分布，其峰值主要出現在10時-16時之間。高峰時段為全天交通流量較大的時段，但并沒有呈現早晚高峰的特征。
2.2 空間分布特征
考慮到交通違法量在空間上的分布，不僅與非現場執法量在空間上的分布有關，還與非現場執法點在空間上的分布有關，為了屏蔽非現場執法點數量在空間上分布不均對評價某區域交通違法嚴重程度的影響，定義“單位執法量=非現場執法量/非現場執法地點數量”來作為衡量指標。可以發現，非現場執法數據在空間上的分布總體上具有以下特征：
極不均勻性：非現場執法量在空間上的分布是極其不均勻的。占比80%的非現場執法量，發生在占違法地點總量15.6%的違法地點。
城郊差異性：郊區的單位執法量略高于城區的單位執法量。
道路級別差異性：單位執法量在道路級別上的分布按照高速公路、城市快速路、城市一般道路逐級遞減。
2.3 違法行為分布特征
非現場執法數據在違法行為上的分布也體現出極不均勻的特征，占比84%的非現場執法量，發生在占比10%的違法行為上。
非現場執法量最為突出的交通違法行為是：違法停車、違反禁令標志、違反禁止標線、超速、闖紅燈、不按導向車道行駛、違規使用專用車道。這一特征除了與交通違法行為自身的統計特征有關之外，還與現有非現場執法手段的技術可實現有關。例如，涉及號牌（包括未懸掛號牌、故意遮擋號牌、故意污損號牌等）的交通違法行為，現場執法量反映該違法行為也較為突出，但因技術手段原因，現階段的非現場執法量幾乎為零。
3 大數據環境下交通電子警察發展策略
電子警察是智能交通管理系統大框架中的重要組成部分，也是在對圖像和視頻數據進行語義化、結構化處理方面應用最深的領域。從技術角度，電子警察系統也是智能交通行業中率先引入大數據、云計算技術架構，突破數據應用瓶頸的一個技術領域。下一步，繼續提高非現場執法比例、解放警力的途徑，可以從以下3個方面考慮。
3.1 科學布局定點
當前國內幾乎所有城市都擁有一定數量的電子警察，早期的電子警察布點“粗放式”的特征比較明顯，這一特征只適合于電子警察系統建設的起步階段，隨著系統規模的逐步擴大和系統功能的日漸完善，也就對電子警察布點的科學性提出了更高的要求。需要進一步以管理需求為導向，以交通特征為標尺，兼顧交通安全管理、交通秩序管理和交通執法管理等方面的需求，綜合考慮道路等級、交通區位、交通功能、交通運作特征等方面的客觀條件，從交通執法數據所呈現出來的數據特征出發，分析評估當前電子警察布局的合理性，并將分析結果作為電子警察下一步建設和運行維護管理的指導意見，具體如下：
（1） 對于現場執法量較大，而且該違法行為又可以采用非現場執法的，盡量采用非現場執法；
（2） 加大已有非現場執法中設備自動采集取證的比例，將進行人工（或半自動）非現場執法的警力也解放出來；
（3） 持續優化調整電子警察的點位，遷移改造社會效益不大且執法數量很少的電子警察。
3.2 持續提升智能化水平
目前，高清化、智能化的電子警察前端已成為主流，實時、自動地捕獲進入特定范圍的車輛，識別信號燈狀態、識別車輛牌照，已經成為此類電子警察前端設備的標準配置。然而，現有的前端智能化水平還遠不能滿足交通管理實戰應用的期望，智能化面臨著新的挑戰，主要體現在3個方面：一是綜合識別率指標（包括捕獲率、識別率等）的繼續提升，從當前90%的要求，提升至95%甚至更高；二是外部場景適應性的提升，在電子警察的實際應用中，其算法需要進一步適應各種各樣的自然環境變化，如強逆光、強順光、強陰影、低照度、雨雪天、對向車輛遠光燈等多種干擾因素，因此需要引入領先的機器學習和圖像處理算法，通過收集現場某一類場景的場景對算法進行訓練，最終將訓練結果反饋到前端設備；三是增值特征識別與應用，大力拓展圖像識別的目標范圍，從單一的車牌識別過渡到車型、車標、年款、車身顏色、號牌顏色等多維度的車輛信息識別，以及駕駛人臉部特征、不系安全帶、開車打電話等駕駛人信息識別，從而拓展非現場執法在“違法行為”維度的空間。
3.3 創新執法模式
在上文所述92中可非現場執法的交通違法類型中，“上道路行駛的機動車未懸掛機動車號牌的（1717）”、“故意遮擋機動車號牌的（1718）”、“故意污損機動車號牌的（1719）”、“不按規定安裝機動車號牌的（1720）”這4種交通違法行為，屬于涉牌違法行為，非現場執法難度較大。在大數據的時代背景下，通過創新執法模式，采用“設備提供線索信息、民警精準現場執法”這種線上和線下互動配合的方式，可以有效打擊上述違法行為。具體是通過分析車輛通過電子警察的數據（包括治安卡口、和電子警察采集的數據，下一步可以擴展至停車場及高速公路收費站的數據），提取圖像識別所提供的車型、車標、年款、車身顏色、號牌顏色等車輛信息，得出車輛的行駛軌跡。然后通過對目標車輛在一段時間內活動軌跡進行分析，可以判斷出該車輛在某一范圍的出現頻度、時段，實現對單體行為習慣的有效預測，并將預測結果提供給路面民警，從而實現對違法車輛的精準現場執法。
4 結語
廣州市交通電子警察系統經過16年的發展建設，已經形成了較大的規模，非現場執法也成為了交通執法的主力軍，通過深度挖掘電子警察運行產生的各種數據，開展交通違法數據的統計、關聯分析和評估，指導電子警察在布局定點、智能化方向、執法模式等方面的發展策略，大數據在廣州市近幾年的智能交通設施規劃與評估中得到了較好地應用與實踐。展望未來，智能交通設施評估將在交通安全、交通環境及交通運營等角度切入，進一步深化與拓展大數據分析評估技術。
京公網安備 11010502049343號