由于大数据本身并非完美数据，也非如同交通调查那样的定制数据，因此很难直接借助传统模型实现决策支持，而是通过为专家组提供判断证据的方式实现支持功能。
图2 常规监测的顶层积木结构
Fig.2 Framework of regular transportation monitoring system
图3 基于问卷调查的上海市公共交通用户行为与态度忠诚度交叉分析结果
Fig.3 Cross-analysis between behavior loyalty and attitude loyalty of public transit users in Shanghai based on questionnaire survey
值得注意的是，大数据所提供的分析证据具有盖然性特征，即有可能但不是必然（图4）。为此，如同间接证据理论中所强调的证据链一样，大数据环境下基于证据的决策分析必须提供一个尽可能完整的证据视图，针对多个数据源所提供的多角度观察，在恰当度量基础上选择合理方式形成便于决策者理解的证据表征，并在对系统整体理解的基础上形成完整证据集合的决策视图。这种证据视图存在一个进化过程，伴随经验积累逐步完善（图5）。(www.xing528.com)
构建证据视图不意味着完成了将数据资源转变为决策能力的过程，还必须解决基于证据的判断问题。由于城市交通问题的复杂性，加之计算机并不具备针对间接证据所形成证据链的处理能力，所以需要通过一个合理构成的专家组完成最后的决策判断。对此主要采用D-S证据理论的方法，即针对需要验证的假设，由专家个体分别进行各项证据对于结论支持程度的评判，而后采用某种技术方法加以综合。
图4 大数据所提供证据的盖然性概念示意图
Fig.4 Illustration of the concept of probability based on the evidences from big data mining
以此为基础，大数据分析将通过三种形式参与到决策流程中（图6）：环节①，大数据分析主要发挥系统日常运行监测作用，以识别演化进程是否偏离预期轨迹，是否达到需要启动某种调控措施的程度，以及是否需要对某种征兆进行深入分析；环节②，针对某个具体分析任务在特定假设基础上进行深入研究，大数据主要发挥对传统调查数据的时间序列进行修正、对小样本分析结论进行扩样等作用；环节③，模型分析、仿真分析和大数据分析的成果均纳入基于证据的群决策判断框架之内，以求更加全面、正确地形成决策意见。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
