大数据状态下城市智慧交通的研究.docVIP

大数据状态下城市智慧交通的研究 朱晓鸣 廖刘靓 浙江工商职业技术学院 X 关注成功！ 加关注后您将方便地在 我的关注中得到本文献的被引频次变化的通知！ 新浪微博 腾讯微博 人人网 开心网 豆瓣网 网易微博 摘????要： 大数据条件下, 道路交通的高维特征选取与智能理解是基于道路交通大数据进行道路交通管理与服务的关键。拟从道路交通大数据的特性研究出发, 研究了道路交通大数据的高维特征选取与智能理解方法, 对寻求道路交通大数据的智能理解这一科学问题进行创新性研究。研究道路交通大数据的时空关联特性、冗余特性和结构特性, 形成道路交通大数据的高维特征选取方法, 构建道路交通大数据的智能理解机制, 为求解道路交通大数据的智能理解奠定基础。 关键词： 大数据; 高维特征; 智能理解; 模糊推理; 作者简介：朱晓鸣 (1978-) , 男, 研究方向:智能化信息处理技术、企业信息化、大数据应用等; 作者简介：廖刘靓 (1997-) , 女。 收稿日期：2017-08-24 Received： 2017-08-24 大数据指快速增长并难以被普通数据管理软件在可接受的时间范围内进行存储、查询、共享、分析、显示的数据集。大数据是未来信息技术的重要发展方向之一, 大数据将会极大地带动未来生产力的发展和创新。道路交通大数据的时效性和价值性可以有效提高道路交通管理水平、交通运行效率以及交通安全水平。但是, 如何在有效的时间内充分提取道路交通大数据的价值是道路交通大数据处理中的难题。一方面, 采集的道路交通数据的数量不断增大, 对道路交通大数据的实时传输、存储与处理提出了进一步的挑战;另一方面, 如何从海量价值密度稀疏的道路交通大数据中, 提取出道路交通数据的价值信息, 并将之用于道路交通的管理与服务, 也是道路交通大数据处理和应用中的难题。 从道路交通大数据的自身特性出发, 对寻求道路交通大数据的智能解这一科学问题进行研究与探讨。 道路交通大数据的智能理解主要是指针对特定的道路交通需求, 通过数据挖掘、计算智能等方法建立道路交通大数据智能理解的知识库, 并能够在给定的时间内、以人们容易理解的语言表达对道路交通大数据的解释结果。道路交通大数据的智能理解方法可以为提高道路交通系统管理与服务效益提供理论依据和技术保障。道路交通大数据具有数据量大、结构复杂、实时性高、价值密度低的特性, 故道路交通大数据的计算和求解具有很强的复杂性。基于道路交通大数据的高维特征信息, 并在此基础上建立高速、高精度和低成本的道路交通大数据的融合、知识获取、模糊逻辑表达与推理方法, 不仅可以有效提高道路交通大数据计算的性能和效率, 还是寻求道路交通大数据智能解的必要途径。 1 道路交通运行特征参考序列的构建 分析各类交通检测器采集的道路交通数据, 本项目拟设计适用于不同检测器获取的道路交通数据的模板, 实现时间、位置、道路交通数据信息、检测器类型等道路交通信息的完整和统一接入。提取涵盖不同道路交通运行模态的代表性道路交通数据, 经过数据分析与预处理后, 本项目将建立道路交通运行特征参考序列, 以便后续进行道路交通大数据的分析与处理。 2 道路交通数据的特性 对同一路段的道路交通数据的时间变化特性进行分析;研究空间上物理关联的各个路段的道路交通数据的时空关联特性;研究道路交通数据的冗余特性, 研究其高效的去重去冗机制;研究道路交通数据的内在结构特性, 研究道路交通数据价值信息的内在分布特性。 3 道路交通大数据高维特征的有效选取方法 研究多维多粒度道路交通数据的普适化表达方法, 研究不同维度和粒度下道路交通大数据的特征转换方法, 将道路交通大数据变换到高维特征空间;道路交通状态信息在时间和空间上具有很强的相关特性, 故获取的道路交通数据具有很强的冗余特性和结构特性, 因此可实现道路交通大数据高维特征的有效选取。道路交通大数据高维特征的选取过程如图1所示。 图1 道路交通大数据高维特征选取基本流程 ??下载原图 3.1 多维多粒度道路交通集的普适化表达 设定交通数据的采集周期是Δt, 选取的时间粒度为 (m*Δt) , 即选取的道路交通数据集的数据周期为 (m*Δt) 。设定共选取n条路段, 即空间维度为n。定义路段r (1≦r≦n, i∈N*) 在时刻 (t*Δt, (t+1) *Δt) (0≦t≦ (m-1) ) 的统计交通数据值为xr, t, 则可以得到一个交通数据矩阵 (xr, t) m×n, 记为X。矩阵X的第r列代表第r条路段在选定的数据周期内的道路交通状态, 第t行代表所有路段在同一数据采集周期 (t*Δt, (t+1) *Δt) 内的道路交通状态。 3.2 道路交通数据的特征变换 基于道路交通数据的时空特性分析, 进行道路交通数据矩阵的高维特