数据在车路云一体化领域的应用实践与价值实现

赵慧：伴随着北京自动驾驶1.0阶段到4.0阶段的发展，北京市政总院发现在车路云场景下产生了许多数据，也不断的在挖掘这些数据的应用价值，今天主要分为四个方面汇报我们的探索与实践。

可以将智能网联汽车在我国的发展分为三个阶段，尤其是政策支持下的行业发展。第一阶段的基本路径是重点发展汽车产业，提升智能网联汽车的能力为主；第二阶段，除了关注智能网联汽车发展，也对交通安全管理、数据安全、网络安全等提出了新的要求；第三阶段，开展车路云一体化应用试点，车路云一体化不仅仅用于智能网联汽车，更多地扩展到了交通治理和城市治理等多个领域。

在车路云一体化应用试点的过程中，工信部、交通运输部、公安部等部位推动支持建设了19个国家智能网联汽车示范区和自动驾驶封闭测试基地，打造7个国家车联网先导区，以及70多个地方级、企业级车路协同测试场、示范区。

最重磅的文件是今年五部委联合发布《关于开展智能网联汽车“车路云一体化”应用试点的通知》，就应用试点的工作要求来看，我们总结了当中比较突出的部分，包括建设智能化路侧基础设施、建立城市级服务管理平台、开展规模化示范应用、完善标准及测试评价体系等，场景牵引和数据驱动在其中应运而生，并逐渐发挥重要作用。

首先要明确数据的来源是哪里、由哪些设备来产生数据、形成了哪些格式等问题，只有明确这些内容才能让数据在不同场景、不同业务主体部门中发挥出更大价值。经分析得出，数据来源包括车辆数据、路侧基础设施数据、交通管理数据、用户交互数据、移动设备数据、外部环境数据、通信网络数据、高精度地图数据、仿真数据，以及车路云形成规模后形成的一系列运维数据等，都会在车路云规模化应用中起到积极作用。

但有了数据之后，系统之间的交互和泛化应用上会存在挑战，车路云一体化数据具有多样性、规模化、非结构性、流动性、涉密性等特点，多样性是指车路云一体化数据包括汽车基础数据、基础设施数据、交通数据、地理信息数据以及大量车主的身份信息、状态数据、行为数据等；规模化是指融合来自汽车、道路、天气、用户、智能计算系统等多方面的海量数据，数据类型众多、总量大，给数据治理带来很大挑战；非结构性是指不同来源数据格式不同，数据的非结构性和非标准性给数据聚合或拆分技术，以及权限管理、安全存储带来挑战；流动性是指大量数据在用户端、车端、云端等多场景交互，且具有跨行业共享交换特点；涉密性是指高精地图数据可能涉及涉密测绘成果，需要依法分级管理。

数据运用的前提是数据治理，当前数据治理也面临着挑战，包括缺少数据标准与规范，数据采集、识别与处理难，数据跨域拉通融合链路长且复杂，不能及时响应更丰富的场景，在高效挖掘、有效利用海量数据上提出了更高的技术要求等。可从政策文件中查看国家对数据提出了哪些要求，我们将其划分为三类。

一是国家安全战略。比如2016年提出大数据安全管理相关制度，2019年提出数据分类分级保护制度，2021年对个人信息的收藏、存储、使用、加工、传输等进行了规范；

二是车联网行业要求。比如2021年提出要规范数据开发利用和共享使用，2021年印发的《汽车数据安全管理若干规定（试行）》旨在规范汽车数据处理活动，2022年提出了数据安全标准体系的建设等；

三是数字中国战略。数据不仅仅是面向应用服务，更多的是作为生产要素进行价值延伸，提出了数据要素和数据资产，比如2024年国家数据局提出的“数据要素×”三年行动计划。

数据资产化是将智能网联、车路协同数据资源化，进而形成数据资产，通过数据要素市场产生价值，数据资产化的过程分为四个阶段。

原始数据是指任何以电子或其他方式对信息的记录，但并不代表这是数据资源，数据资源是经过一系列加工形成的延伸物，能够承担运营决策，数据资源经过上升后成为数据产品，数据产品是具有商业或社会价值的产品或服务，而最后得出的数据资产是具有明确的业务价值，能够带来经济利益，并且能够记录在资产负债表上的数据。北京市政总院此前积累了大量的设计文本、设计图纸、仿真模型等，目前正在围绕这些数据开展数据资产入表工作。

为更大挖掘数据资产的商业价值，我们将数据资产价值化划分为9个关键节点。

调研规划需求分析，要先做需求调研，先摸清家底；数据标准体系建设，为后续数据汇集和数据再挖掘奠定基础；数据采集及数据预处理，基于数据采集管理规范、数据开发规范，整合异构数据，实现从端到端的数据管控；数据模型设计，针对数据模型进行统计和分析；数据处理分析，对数据加工和投入才能具备据数据资产入表的基本条件，数据处理就要面向车路云相关的服务场景进行落地，比如诊断、预测等，这些场景未来有可能推送到自动驾驶和网联车辆上，实现数据处理应用闭环；质量稽核，进行数据质量校核，打造优质数据资产；服务共享，完成场景业务闭环后，数据的目的是提供泛化维度服务，服务对象不单是车辆，也包括交通治理和城市治理；资产管理，可以面向于个人企业，在数据平台上实现业务闭环；数据应用，将数据资产应用于实际场景中，比如车路云一体化建设中涉及的公共安全、交通管理、城市管理、市政管理等。

研究分析多个行业案例后，提取了有关数据和场景，接下来简要介绍一下应用场景。

路网运行监测。传统模式下进行路网运行监测基本基于交通调查，或者抽样浮动车来进行交通指数分析和拥堵溯源，在自动驾驶背景下，数据的铺设点位、覆盖面、颗粒度会更加丰富，因此路网运行监测能够从“看得见”向“看得全、看得准”转变，这是数据在提升监测效能方面的重要内容。

视频监控和应急处置。现有视频监控对事故高发点位等固定位置进行监控，存在大量监控盲区，自动驾驶模式下的路侧设备能够补充部分监控盲区，使得视频监控更加全面，进一步实现实时响应。

交通流量分析与车辆溯源。传统交通流量溯源的数据来源于浮动车和手机信令，而运用车路云一体化数据为现状路网交通量分析、出行特征研判提供支撑，溯源会更加精准和细致。

交通规划及设计决策服务方面。我们一直以来倡导问题分析、成因研判、仿真推演、运营仿真决策、现状问题体检的业务闭环，形成业务闭环后，能够为未来交通需求预测提供更好的数据支撑，而缺乏数据的区域也可以通过其他类比区域的数据分析进行借鉴，提高项目决策的支撑力度。

比如针对灭火救援、抢险救援等达到一定等级的突发事件，通过救援单位与交管等部门协同配合，基于“联勤联动”和“交通信号保障”等手段，确保任务车到达每个路口时均能实现绿灯通行，使任务车辆到达目的地时间极大缩短，一路护航的实施更加及时有效。

低空经济模式和车路云一体化模式有类似的地方，比如低空经济需要建设地面基础设施，车路云的设备或通信网络能够为低空经济提供基础，而无人机的视频摄像探头也可以作为补充信息源，为车路云场景提供更好的输出，两者属于双向奔赴。

企业要对自身数据进行盘点，明确数据有哪些，数据的所有权是谁，同时需要明确是否为数据进行了二次加工产生了人工费，由财务专家、法务专家、数据专家、行业专家共同研判，研判完成后，研究数据支出包括哪些的内容，把达到数据资产可定义的状态进行分类，分类完成后可以为企业数据资产入表，数据作为存货可以对外进行二次销售，相当于把数据二次价值化。