從智能交通走向智慧交通，物理系統控制權將部分轉交給計算機，要求“人”需要學會繼續思考，進而承擔起高層次上提升系統能力的職責。這意味著系統具有人-機混合模式的特征。在道路交通管控領域中，需要在信號系統管控交通狀態的基礎上，進一步深化對車輛活動的調控。即在有限空間資源約束下抑制不合理的車輛使用，保障合理的車輛使用需求；在不斷完善基礎設施、技術進步的背景下，引導城市交通模式的演化，避免對不可持續交通方式的過度依賴性。

智慧交通的這種深層次思考能力，建立在對城市交通系統的深入觀察和理解的基礎之上。其中的一項重要任務，是將道路交通狀態數據采集，擴展到對于車輛活動的有效觀測。

道路網絡的交通狀態，是大量車輛個體活動的集計表現，這仍然屬于系統的一種表象特征。停留于此，很難區分、識別合理與不合理的車輛使用行為，也難以實現城市交通模式的演化引導。由此導致“一刀切”模式的粗放型交通需求管理政策，很難得到社會的積極支持。此外，智能系統算法往往涉及需求保障的優先序問題，即算法背后隱藏著社會利益調節和空間正義。為了合理有效地處理智能系統算法的社會屬性，研究者和管理者必須深入把握城市中的車輛使用行為。

城市中的車輛牌照識別系統提供了可以連續追蹤的車輛活動信息，盡管由于牌照識別技術的不完善，以及外界環境影響（例如風雨夜間的視覺環境變差等）其觀測數據會出現缺失，但是采用大數據分析技術仍然可以在“模糊的正確”原則基礎上建立車輛使用畫像。

利用上海市車輛牌照數據分析的結果，在圖1中可以看到，當我們將車輛劃分為主要用于通勤、高頻度使用、低頻度使用等三種使用屬性類型時，不同類型車輛在路網上活動的車輛總數的時間分布具有顯著差異；而圖2則顯示了三種類型車輛每天首次進入路網位置的空間分布差異。由此可以判別區分車輛類型有助于深入了解車輛在城市中使用的時空分布特征，幫助我們更加精細化地設計相關政策。

圖1 不同使用類型車輛時間分布的差異

圖2 不同使用類型車輛每日首次進入快速路網絡位置分布差異

對車輛活動系統的觀測，不僅要求實現對車輛連續追蹤觀測，以及將觀測范圍從道路拓展到全域空間，而且需要在個體和集計兩個層面上建立城市車輛活動系統的描述模型。

個體層面的車輛活動描述，包括建立在統計基礎上的特征屬性：錨點（車輛夜間最主要的停放位置）、駐點（車輛經常訪問的位置，所謂訪問是車輛在此停留使用者足以完成活動的時間）、興趣點（被賦予根據車輛訪問頻率與停留時間確定的興趣值的位置）、關聯路段（根據訪問頻率被賦予非零關聯值的路段）等，另外則是通過聚類分析等手段被賦予的使用特征類別。

集計層面的車輛活動系統描述，包括直接建立在統計指標基礎上的表象特征（例如錨點在同一區域中的車輛的時空活動特征統計值，具有相似興趣點的車輛的時空活動統計值等），也包括車輛屬性與時空環境的關聯特征（用以揭示相同類型車輛在不同時空環境中的活動差異，不同類型車輛在相同時空環境中的活動差異）。

更為艱巨的任務是建立車輛空間活動系統的模型，這是做出有限但必要的交通系統對政策調控的響應行為預測需要依賴的分析技術。可能有些讀者認為不是已經在車輛使用行為模型研究方面取得了很多成果了嗎，為何還認為此方面的龔總任重道遠？事實上，根據小樣本意愿調查數據（數千至萬余樣本）構建的模型，只能一般性說明可能發生的變化與響應，但難以精準說明不同空間環境和關系條件下，可能出現的變化分布，因而難以支撐精準化的需求管理等決策。

我們很難僅僅依靠數據統計或者關聯分析的結果構建具有較高時空分辨率的行為響應模型，因此不得不進入車輛空間活動分析的深水區。一種可行的技術方向是建立宏微觀嵌套的分析模板，將車輛空間活動的大數據分析技術，與細化分類設計的車輛使用行為分析技術有機融合。依托大數據分析技術可以有效掌握得到細化問題結構的時空間版圖（不同類型車輛使用在時空間的分布），這為我們創造了根據不同類型問題進行差別化意愿調查以及建模的條件，將幫助研究者規避“選擇性偏差”陷阱。而差別化小樣本調查數據基礎上構建的行為模型，將有助于在因果識別基礎上科學判斷系統不同響應行為。