樊天翔
毕业前赶上最后一次机会参加Transportation Research Board（TRB）会议，着实幸运，甚是激动。感恩，研究生三年不再留有遗憾。第一次出国，第一次参加国际学术会议，无论是单纯的生活体验，还是专业的学术交流，都是满满的收获。
一、体验篇
既然学了将近七年的交通，将来也继续从事于交通行业，那么就从人、车、路及环境四个方面浅谈关于华盛顿的第一印象。
人少。华盛顿的街头十分空旷，刚到那天，还飘着小雨，显得略微冷清了。起初以为是周末，所以见不着人影。后来发现即使是工作日的街道，甚至是早晚高峰的地铁，人口密度远远低于国内的一线城市。待久了，却也享受这一份清静。当地人都很热情。既有杜勒斯机场满头白发却精神矍铄的老奶奶为我们详细讲解如何乘坐地铁，又有街道上楼道里电梯里各种场合擦肩而过的陌生人面带微笑地打招呼，还有TRB会场志愿者主动且不厌其烦地提供帮助……这一切都很自然，没有刻意的痕迹，令初来乍到远在万里之外的我，倍感亲切。
相比中国，美国的出行结构更依赖于小汽车。虽然之前听说华盛顿的公交系统已属发达，不过切身体会之后，感觉与国内一线城市的公交系统相比，这边的公交系统并不便捷（也许受文化差异影响）。比如，地铁和常规公交指示标志不够清晰、地铁站候车环境一般。不过由于人少，乘车总体环境不错。令人印象最深刻的是，驾驶员驾驶文明程度高。无论是直行、右转还是左转车辆，路口遇到行人基本都会减速或停车避让。
中心区道路是方格式路网，交叉口间距小，通达性很高。人行道宽敞，步行空间良好。平常走去会场的路上，注意到大部分道路限速在25mph（40km/h）左右，营造了较为安全的交通环境。另外，道路施工的管理措施十分到位。有各种警示标志，既有提醒前方施工，也有提醒车道变窄；若影响到行人通行，还会有标志提醒人行道关闭，同时配有指示标志指引行人绕行；在施工地点前方和后方分别设置有施工起点和终点标志。而且，在学校附近会有标志提醒驾驶员注意进入学校路段。虽然国内也有类似做法，但是却没有设立标志提醒学校路段在何处结束。从这些细节可以看出，华盛顿道路管理十分细致，值得学习借鉴。
施工路段标志
蓝天白云，空气清新。近年来国内雾霾肆虐，在华盛顿的日子，确实任性地“自由”呼吸了一把。对比之下，心中略有伤感。没有好的环境，又何谈好的体魄呢？衷心希望在各行各业的努力下，国内的环境也会逐步改善。
二、学术交流篇
言归正传。TRB会议规模之大，不亲眼所见，难以想象。短短几天之内，有成百上千场会议，包括workshop、lectern、poster等。为了避免临时慌乱，每天晚上都需要仔细挑选第二天感兴趣的内容，而且会议当天王老师和余老师也会分享有意义的会议。在此，主要挑选了与我之前和之后研究有关的内容做些介绍。
1. 浮动车与速度
车载GPS数据愈发丰富，不止是出租车，公交车、火车等营运车辆也都装载了GPS设备。基于浮动车数据，可以获取车辆的位置和时间信息，进一步推算其行驶轨迹、速度，应用于交通规划、交通安全分析等领域。影响浮动车数据精度的因素主要有：样本大小、样本率、采样间隔。其中，一般总认为采样间隔越小越好。不过Li等提出，现有的GPS路径匹配算法主要针对采样频率较低的状态，当采样频率提高后，如何将大规模且高频率的GPS数据有效快速匹配到路网上会面临新的挑战。他们提出的新算法，主要可以从三个方面提高效率：1）减少备选路线；2）改善GPS曲线轨迹与转弯路段的匹配方式；3）增加新的筛选机制剔除U-turn现象（TRB论文编号16-5112：Li, Z., Cai, C., Menon, A., Xu, Y., Chen, F. Estimate link speed distribution from probe vehicle data）。
路段车速估计可以利用定点测速装置（如线圈、视频等），也可以利用浮动车。浮动车的优势是，在样本充足的情况下，它可以反应整个路段的运行状态，而不是某个断面。不过Luo等认为，浮动车数据存在离散和高噪声等特点，为克服这些特点对速度估计偏差的影响，他们提出一套贝叶斯方法。主要是利用线圈测得的速度均值作为先验信息，利用浮动车估计的车速作为观测值，建立了Guassian mixture models，所得的后验均值即作为路段车速估计值（TRB论文编号16-4676：Luo, Q., Auld, J. A., Sokolov, V. Addressing some issues of map-matching for large-scale, high-frequency GPS data sets）。 
浮动车与速度
2. 违法与事故
大数据背景下，交警希望通过科技手段提高执法水平，广州市道路交通安全辅助决策系统也应运而生。该系统中有涉及到违法数据和事故数据的融合，比如有现场执法与事故分析，提出了执法欠缺系数等，有违法和事故叠加分析，考虑的出发点都是认为事故多发的区域应该增派警力。但是这个逻辑是否正确，还缺乏理论证实。国外交警现在也注重数据驱动式执法（data driven enforcement），但是Maistros和Schneider提出，交警在执法时依旧常常更依赖于个人经验，而非数据推断。他们通过对比分析事故热点区域内外交警停车（traffic stops）的执法差异，发现事故区域内的停车更容易产生针对伤亡事故的执法和安全带使用的执法。这说明针对事故区域增派警力是合理的（TRB论文编号16-5209：Maistros, A., Schneider, W. H. A comparison of overtime patrol stops made inside and out of cluster identified hot spots.）。
违法与事故
三、结束又是开始
此次TRB之行虽然短暂，甚至时差还没倒过来就要回国了。不敢说参加完这次会议，就有了质变，但是能拥有很多新的见识和体会，这不仅对要继续走上学术道路的各位同门，还是即将步入职场的我来说，都是一笔宝贵的财富。最后，不记得在哪里看到过一句话，或是交通方面的学者，或是普通科学方面的学者，大意是说，深入研究是必要的，但问题是永远解决不完的，如果为了研究而研究，忘记了去实践，最终是得不偿失的。