SAP智慧交通解决方案v8

SAP智慧交通解决方案汇报SAP南京创新中心2017年2月SAP大道至简全球76%的交易收入都与SAP系统有关SAP的客户占《福布斯》全球上市公司2,000强的87%SAP的客户生产全球77%的美容与香氛产品SAP的客户每天制造超过95,000辆汽车SAP的客户生产超过全球82%的咖啡和茶SAP的客户生产超过全球79%的巧克力SAP的全球银行客户管理价值超过70万亿美元的资产SAP的客户包含98%的全球前100最有价值品牌公司城市化带来的挑战与机遇城市化的进程带来众多交通问题，对城市经济的冲击也越来越大，同时也创造了新的发展机遇。传统的交通管理信息化进程中，存在重视硬件建设忽视软实力建设。Internal3交通信息化的孤岛问题出租车打车难线路换乘问题出行成本问题服务水平问题公共交通问题公共交通是解决市民出行的根本出路排放实时监测难限排策略制定缺乏支撑超标预警预测难排放演变规律把握难拥堵治理难交通流预测难中心城停车难重点区保障难交通带来的

环境问题交通尾气排放、渣土车监管等都是市民关注的焦点交通管理问题影响城市经济发展和市民出行满意度职住分离问题出行特征识别难交通配套问题交通评价缺乏数据支撑城市规划问题城市功能设计、区域规划影响到了城市发展和民生数据融合问题数据质量问题IT技术瓶颈分析预测缺失交通管理创新需要整体思路智慧就是即时响应

...

智慧就是灵活应变...

智慧就是英明决策

…但是传统的IT技术架构碰到了各种瓶颈…SAP智慧交通理念

融合的数据源

支持灵活多维的数据分析挖掘

快速上线

迅速看到效果、支撑持续发展

灵活开放的平台

鼓励与支持各种应用创新物联网下的智慧交通车

车联网及信息服务

(保险、保养、停车…)

人

出行信息服务

(地图、导航、打车、公交

…)基础设施

预测性维护保养

（信号灯、摄像头和其它传感器）SAP观点

我们只能管理那些我们

能够量化衡量的业务数据是智慧交通重要的第四维度不是副产品而是价值无量的资产智慧交通数据即服务

实时感知与洞察，灵活分析

决策应变全球案例大连南京深圳昆明达姆施塔特新加坡莫斯科墨尔本多哈斯德哥尔摩镇江开普敦圣地亚哥悉尼奥克兰多伦多迪拜大数据如何支撑科学决策？管理决策的核心四力决策迭代中的人机因素大数据可以带来更强大的洞察力、分析力和学习力管理决策的核心四力管理过程中的决策行为，究其实质都是决策者充分获取信息认知环境与目标，结合人的直觉、抽象的思维力作出的判断。决策质量的高低在决策人能力之外，获取信息的广度、深度和处理速度往往成为成功决策的最关键要素，大数据时代尤甚。感知

Sense对目标与环境的认知分析

Analyze对发展趋势的分析预判应对

React基于决策的行动学习

Learn对决策反馈的应对信息获取

加工能力计算推理

预测能力形象抽象

思维能力决策追踪

学习能力洞察力分析力判断力学习力管理就是决策。——

赫伯特·西蒙

（美）大数据时代方法论的变迁大数据驱动的智能型系统经验驱动的专家型系统传统方式复杂建模与算法基于调研数据或小样本实际出行数据模型|算法需手工调优与更新相对简单高效的模型与算法基于全样本实际出行数据自我调整的自动学习机制更高知识传递壁垒|传递成本专家依赖限制了生产力提高非专业人士可读的信息服务自动化大幅度提高生产力大数据方式针对性强、数据支撑要求低更新换代成本高数据支撑要求高持续更新、扩展自由度高+----+++大数据时代背景下，让大数据说话是释放生产力的机遇，也让智能智慧型应用系统成为可能。大数据驱动的应用最大的优势是对生产力的巨大提升和自我学习机制的建立。交通拥堵管理交通拥堵管理–实时管控10大堵点和交通状况交通拥堵管理–分析交通拥堵的原因有效帮助交通

：快速定位拥堵的源头高效分配及调度巡逻人员处理交通拥堵管理–车辆OD与关键路径规律挖掘有效帮助城市管理者：挖掘市民出行规律，对交通小区的关键道路及交通流量进行预测性分析制定更有效的交通解决方案使城市在进行项目施工和路网升级时能平衡市民出行需求及疏导交通流

交通拥堵管理–实时监控交通走廊&关键道路有效帮助城市管理者：全面掌握拥堵时空分布直观了解交通流量管制或基础设施升级等规划方案对交通的影响交通拥堵管理–交通数据挖掘及多维分析的工具交通拥堵管理–预测、部署和规划交通拥堵管理–常发性/突发性堵点的机器学习ExpectedMeasured99%ConfidenceBand交通拥堵管理–信号灯效率评估的机器学习

西向东东向西南向北北向南直行左转右转直行左转右转直行左转右转直行左转右转转向流量(辆/半小时)471219-376155804671421004047686绿灯时长(秒)5125-512550442550442550红灯时长(秒)103129-103129104110129104110129104车辆平均等待延迟(秒)6384-964045185895618311752等待车辆队列长度(米)6638-79881347037425744036*服务等级(车道)AA-ACAAAABAA服务等级(方向)ABAB服务等级(路口)B方法：通过计算每个车道的小时流量，得出车辆平均等待延迟，从而评估出车道、方向和路口的信号灯效率。所需数据：路口信号灯配时，道路渠化，路段流量数据。服务等级说明：车辆平均等待延迟与红灯时间进行比较，当延迟时间小于1个周期的红灯时间，此时交叉口畅通A；当延误时间大于1个且小于2个周期的红灯时间，此时交叉口为基本畅通B；当延误时间大于2个及以上周期的红灯时间，此时交叉口为拥堵C。智慧交通平台智慧交通平台的软件组成外部流数据源消息中间件SAPHANAStreamingESPAPI数据接口服务智慧交通应用SAP

HANAInmemorycomputingplatform高热模型数据SAPIQ

PetabyteScaleColumnDatabase原始数据数据服务层外部静态数据源出租车公交车车牌识别数据库文件/调查天气/地图处理器SAPHANA主要负责存储相关的交通分析模型，对原始交通数据的质量进行提升并产生上层应用需要的交通模型数据，为上层应用高速处理分析数据提供支持。SAPIQ主要负责存储在交通原始数据。SAPESP主要负责将流式数据接入到大数据平台。算法模型层HANA原生与SAPHANAStreaming(ESP)的整合

(

大数据的速度)将SAPIQ作为扩展存储

(

大数据的容量)与Hadoop整合最终一致性–“无限量”数据存储在存储和处理上进行整合

-使用Hadoop存储(HDFS)

-把处理需求推送给Hadoop(codetodata)SAPHANADBServerDataEnginesSAPIQ扩展存储SDA+SDAHadoop引擎SQL

Queries

viaHiveExecuteM/RHiveM/R…Execute

JobHDFSLoadDataESP“DataonDisk”整合工具与操作SAPHANA丰富的可扩展性在交通中使用SAPHANA

数据类型与数据量出租车GPS数据～5000万条记录/天实时数据公交车GPS数据～5000万条记录/天视频基站车牌识别～800万条记录/天自