从数据到行动：智能交通系统中模型可操作性的功能需求处方

数据科学的进展渗透至交通科学与工程的各个领域，催生了交通部门中由数据驱动的发展。如今，智能交通系统(ITS)可以说可被视作一个密集产生与消耗海量数据的“故事”。遍布基础设施、车辆或出行者个人设备上的多种传感设备充当数据流之源，最终被输入运行于自动设备、执行器或控制系统上的软件，进而在用户、交通管理者、数据分析师、交通建模科学家等之间产生复杂的信息流。这些信息流为改进模型开发与决策提供了巨大机遇。本文旨在描述来自多样 ITS 源的数据如何被用于学习并适配数据驱动模型，以高效运营 ITS 资产、系统与流程；换言之，使基于数据的模型完全变得可操作(actionable)。基于所述 ITS 数据建模流水线，我们界定了其三个组成阶段——数据融合、自适应学习与模型评估——固有的特征、工程需求与挑战。我们刻意将模型学习泛化为自适应的，因为本文核心的坚定信念是：大多数学习器将不得不适配支撑绝大多数 ITS 应用的不断变化的现象场景。最后，我们展望了数据科学中能够显著推进基于数据的 ITS 建模的当前研究脉络，其终将弥合此类模型在实用性与可操作性上的鸿沟。