近年来，随着自动驾驶、车联网等新概念逐渐由梦想照进了现实，智能交通系统的发展出现了一股由交通工具与交通设施智慧化来推动和促进人们改变出行方式的技术革新热潮。从面向服务出行的角度，交通工具与交通设施的智慧化的过程，实质是从无差别满足群体的出行需求向满足个性化出行需求逐步发展的过程。因而，在这个过程中，做为满足个性化出行需求的一个显著标志，即交通运输工具对于需求的即时响应。而交通运输工具的响应的“智慧”首先体现在车辆可根据需求对于行驶路径的自主选择。
对交通系统而言，交通出行结构的合理性取决于交通的供给与需求，因而，从城市交通规划的角度上看，交通出行应尽可能地使居住与就业岗位以及其他功能的活动地点在时空上尽量靠近，从而为出行者提供更为便利的出行服务。所以，无论是从现状入手治理“城市病”，抑或是打造新城市中心描绘可持续发展的蓝图，从根本上都需要处理好交通系统内外部之间关系，以出行结构促进土地使用的高度集约化，进而实现“一体化”的交通运输服务。近年来，“出行即服务”系统(Mobilityas a Service,MaaS)、车网联(Connected Cars)、协同智能运输系统(Cooperative Intelligent Transport Systems,C-ITS)、自动驾驶(Driving Automation)等不断涌现的智慧交通应用实践案例，印证了“一体化”是交通运输服务的前进之路。单就交通出行的狭义而言，交通运输的一体化有两层含义：一是实施交通需求动态管理，缩短交通出行时空距离，提高交通系统运行效率。另一层是不同交通方式的无缝衔接和零距离换乘，实现门到门的一站式交通运输服务。于是，基于一体化概念的理解，笔者初步设想未来交通出行场景可分为自动驾驶场景和共享出行两种，而在不同的应用场景下笔者认为车辆对于路径选择的技术难点也有所不同。自动驾驶应用场景主要分停车场应用和道路应用两种情况。停车场应用包括停车资源动态分配，车位引导、费用一体结算等。道路应用相对复杂，主要涉及驾驶环境识别，车道识别，交通控制识别，其他行驶车辆或行人的识别以及对未知驾驶事件的应对等。在停车场应用中，其路径选择的核心环节在于自动驾驶车辆要在停车入位厘米级的路径上控制住行车轨迹。而在道路应用中，重点突破的方向在于要根据复杂路况条件，结合个性化的出行需求确定最佳的路径规划方案。但无论哪种应用情况，在自动驾驶场景下，车辆对于路径“智慧”选择的技术难点在于环境全息感知下的多源异构数据采集与处理。网络约车、分时租赁、定制公交、共享单车等新业态的迅猛发展已揭示了人们对于交通运输工具共享的渴求，全新的、共享出行的生态环境和场景已具雏形。由此可预见，在未来的共享出行场景中，将提供多种不同交通出行方式的组合为满足出行者对于个性化需求，实现多维度、立体式的服务。因此，基于上述场景应用的需求，车辆路径选择首要考虑满足用户需求响应与反馈的即时性与灵活性。当客户通过手机 APP等终端发起请求，实时或在最短时间内选择不同交通方式组合最优路径尽才是满足所有客户的需要的反馈。如果路径规划出来的不是最优路径，就会造成等候时间过长、资源利用率低、分配出现延迟差错等，不能发挥出共享出行的优势，更谈不上对于运输方式的改变。因此，在共享出行场景下，车辆对于路径的“智慧”选择技术难点在于从全局最优的角度，在多模式、全链条的条件下从出行路径集合中确定有效的最优解。不论哪种应用场景下，车辆对于路径选择所面临的具体技术难点虽有所不同，但是归根到底突破这些技术瓶颈必须依靠适配算法的研发，这既是实现车辆对于路径主动选择的基础，也是路径选择技术路线前进的方向。在自动驾驶场景下，停车入位的过程是车辆通过自身摄像机、激光雷达等设备对大型图像信息的处理过程。车辆通过各种感应手段提取收集现场实景信息，根据数学模型进行计算得出相应的输出量，比如加速度、偏转角度、刹车等。同时，更是不断重复将采集海量的场景数据输入机器，通过神经网络技术训练机器，不断优化输出得到的厘米级路径选择方案，这个采集-处理-训练的过程实际就是算法研发的过程。而在道路应用下，车辆一方面需要综合处理道路系统信息如link长度、车辆密度、实时路况、环境等，根据提取到的关键参数，以集体或群体行为规律模拟出路径选择。另一方面，车辆通过处理与外部环境，以及所有交通运输工具可以共享交互的信息，以此来定位和选择自身出行路径。但无论是模拟集体群体在路径上的堆积，抑或根据个体协作和信息共享来还原路径，其本质上都是通过算法来抽象还原选择思考的过程，以期车辆能在综合各种影响通行因素的前题下，输出通行效率最高的方案，达到路径选择的目的。在共享出行的场景中，路径选择的首要考虑是出行需求响应与反馈的即时性与灵活性，因而，技术突破的重点是解决：时间窗口动态调整同时，充分考虑需求响应的空间范围的变化。近年来，随着大数据、云计算、人工智能等技术的发展，为解决多维度、全方位的出行需求响应与反馈提供了机器学习与训练的方法。所谓机器学习是通过大数据技术对数据表征的分析挖掘方法。其核心是通过数据训练，由机器实现自动、半自动特征分析提取高效算法来代替人工获取的方法。目前，机器学习大多采用卷积神经网络来训练空间信息提取方法，用长短期记忆神经网络来训练时序建模方法。通过输入海量的场景信息，训练机器不断学习识别不同的场景，在高精度地图辅助下，将历史数据与实时数据结合，实现在一定时间内满足不同出行需求的响应与反馈。随着共享出行应用的深入，基于大区域、全局范围内的车辆路径优化选择已成为发展趋势，唯有加强机器学习能力，即通过算法革新提高计算效率，才能逐步提高共享出行的交通资源调配能力，实现优于私人小汽车出行的出行服务。在当前智能交通向智慧交通发展的阶段，要在传承交通工程经典理论的基础上，借助更为先进的通信、控制、信息等技术手段，通过“数据”和“计算”全面量化交通、城市、资源之间的关联关系，探究交通参与者行为主体个性特征、交通运行环境、城市空间结构，并以此为基础建立人机交互、自我诊断和智慧决策的交通运输服务系统。因此，要实现车辆路径选择不仅要有核心算法，还需要能够反映精准分析运输服务对象的偏好和需求有的大数据，以及完成计算的超级运算能力，才能实现这一任务。“数据”与“计算”的能力需要借助系统构建来实现，换而言之就是算法也需要与之匹配的系统来支撑。所谓系统就是按照系统顶层设计，采用贴合应用场景的通信网络技术，通过结构化的综合布线，将设备、功能和信息等集合到统一协调的系统之中，使资源得到共享以及利用率最大化。与一体化运输服务系统算法发展匹配的的架构，是摒弃传统的“烟囱式”和“紧耦合的集成式”架构，基于“人、车、路、环境、事件”等设施设备互联互通基础之上构建的由端到边云结构。利用5G通信技术，消除了终端设备之间数据联通障碍；利用芯片技术提高终端处理能力，实现分布式计算模式；利用边缘计算及云计算技术，通过人工智能的深度学习与训练，加强智能识别及全局数据资源共享与配置，最终形成设备端到场景边缘再到云端的融合互通架构，实现不同子系统、不同业务应用之间的协调同步，实现了数据资源的深度挖掘和应用。因而，只有采用端边云的系统架构，才能符合应用场景，保证路径选择中算法实现的合理系统设计。当用户端下达指令后，根据周边终端设备人工智能的识别，自动判断使用合理计算方法，结合实时数据与历史数据进行边缘计算，从而形成局部最优的路径选择。同时通过运输工具自身与互联网相连，将采用的路径选择方案上传至云端服务器，结合区域内的交通系统及采用的交通组织，如信号灯配时调整、车道变更、交叉路口延误等。在全局角度动态调优方案，提高自动驾驶的可靠性和安全性， 提升智慧出行路径规划的准确性和可行性。因此，建立与路径选择算法研发相匹配的系统构建是实一体化交通运输服务的必要条件。
在自动驾驶、车联网、协同智能运输系统和出行即服务迅猛发展的今天，虽然主体不同、目的不同，但任何一种理念的实践都不能孤立存在的，需要紧密联系在一起，因此，“一体化”是未来交通运输的大势所趋。所以，车辆对于路径选择的高端决策也必须着眼于一体化交通运输的主要场景，以革新算法为钥匙，着力突破路径规划的瓶颈，进而构建与之匹配的生态系统，成为智慧交通发展的基石，促进交通出行结构合理化。
