【摘要】：為了更好的管理城市道路交通系統(tǒng),人們建立了智能交通系統(tǒng)。通過在城市道路上安裝各種檢測傳感器來采集交通信息、監(jiān)控道路狀態(tài)。然而隨著路網(wǎng)體系的復雜,城市汽車保有量的迅猛增加,智能交通系統(tǒng)采集了海量的低價值密度信息。如何在這些大規(guī)模低價值的數(shù)據(jù)中快速、準確的挖掘出解決城市道路問題的有用信息是現(xiàn)在研究者孜孜追求的目標。在交通問題中交通擁堵的判別預測是重要的領域,此前判斷交通擁堵的方法是通過計算交通參數(shù)等數(shù)據(jù)判斷出的常規(guī)堵點,然后通過規(guī)劃道路、控制交通燈來解決擁堵問題,未考慮數(shù)據(jù)客觀反映的道路狀態(tài)和警力實時指揮的問題。而且隨著數(shù)據(jù)的增加導致計算量的幾何式增長,耗費大量時間,喪失了交通預測的實時性。此外,交通小區(qū)的劃分是研究交通出行規(guī)律的中觀層面,合理的劃分有助于制定有效的交通管理措施。在基于杭州交通系統(tǒng)的實際數(shù)據(jù),主要包括微波檢測數(shù)據(jù)、浮動車GPS數(shù)據(jù)、視頻監(jiān)控數(shù)據(jù)、路網(wǎng)數(shù)據(jù)等,結(jié)合Hadoop平臺對海量數(shù)據(jù)處理的優(yōu)勢,對交通數(shù)據(jù)的挖掘應用做以下創(chuàng)新性研究:1.本文首次提出并解決了交通異常堵點的概念和分布式檢測算法,他對有限的警力的實時優(yōu)化投放起著重要的指導作用,它與交通狀態(tài)分級判別有著本質(zhì)的不同。通過引入歷史擁堵概率,首次定義了“異常”的概念和分布式計算模型,進一步,通過“累積異�！毙�,提升實時預警的準確性。提出的算法具有“自學習”性,具體體現(xiàn)在歷史擁堵概率持續(xù)更新環(huán)節(jié),即使通過交通組織和道路基礎設施發(fā)生變化,方法適用性也不會受較大影響。2.提出一種基于海量交通數(shù)據(jù)的快速分布式密度聚類算法,避免了一般密度聚類算法輸入?yún)?shù)對數(shù)據(jù)聚類的影響,提高密度聚類算法在面對大數(shù)據(jù)集時的運算效率。利用分布式方法計算點密度與點域間距離等閾值來快速對點進行聚類。為交通小區(qū)的劃分提供決策依據(jù)。
[Abstract]:In order to better manage the urban road traffic system, people have established the intelligent transportation system. The traffic information is collected and the state of the road is monitored by installing various detection sensors on the city road. However, with the complexity of the road network system and the rapid increase of urban vehicle ownership, the intelligent transportation system has collected a large amount of low-value density information. How to quickly and accurately excavate the useful information to solve the urban road problem in these large-scale low-value data is the goal that the researcher pursues diligently now. In traffic problems, the discrimination and prediction of traffic congestion is an important field. In the past, the method of judging traffic congestion was to determine the normal congestion points by calculating traffic parameters and other data, and then to solve the congestion problem by planning roads and controlling traffic lights. The road state and the real-time command of the police are not taken into account. Moreover, with the increase of data, the geometric increase of computation cost a lot of time and lose the real time of traffic prediction. In addition, the division of traffic district is the middle level of traffic travel law, and reasonable division is helpful to establish effective traffic management measures. Based on the actual data of Hangzhou traffic system, including microwave detection data, floating vehicle GPS data, video surveillance data, road network data and so on, combined with the advantages of Hadoop platform for massive data processing, Do the following innovative research on traffic data mining applications: 1. In this paper, the concept of traffic jam point and the distributed detection algorithm are proposed and solved for the first time. It plays an important role in guiding the real-time optimization of limited police force, and it is essentially different from traffic state classification. By introducing historical congestion probability, the concept of "anomaly" and the distributed computing model are defined for the first time. Furthermore, the accuracy of real-time early warning is improved by "cumulative anomaly" effect. The algorithm has "self-learning" property, which is embodied in the continuous updating of historical congestion probability. Even if traffic organization and road infrastructure change, the applicability of the method will not be greatly affected by .2. A fast distributed density clustering algorithm based on mass traffic data is proposed, which avoids the influence of input parameters of general density clustering algorithm on data clustering, and improves the computational efficiency of density clustering algorithm in the face of big data set. The point density and the distance between points are calculated by the distributed method to cluster the points quickly. It provides the decision basis for the division of traffic district.
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：U495

【相似文獻】

相關期刊論文 前10條

1 ;中國第一款全線交通數(shù)據(jù)產(chǎn)品問世[J];全球定位系統(tǒng);2008年06期

2 郭亞中;唐夢俠;季錦章;劉昊;;現(xiàn)有交通數(shù)據(jù)中心的升級方案研究[J];中國交通信息化;2013年S1期

3 葉亮;;“大數(shù)據(jù)”背景下我國交通數(shù)據(jù)管理應用的轉(zhuǎn)型與發(fā)展[J];交通與運輸(學術版);2013年02期

4 裴玉龍,馬驥;實時交通數(shù)據(jù)的篩選與恢復研究[J];土木工程學報;2003年07期

5 劉振華;岑晏青;;省級交通數(shù)據(jù)中心建設模式淺析[J];中國交通信息產(chǎn)業(yè);2007年02期

6 仝楠楠;;中國第一款全線交通數(shù)據(jù)產(chǎn)品問世[J];輕型汽車技術;2008年Z4期

7 韓海航;王強;;交通數(shù)據(jù)資源分析視圖應用研究[J];公路交通科技(應用技術版);2008年04期

8 王國華;竇慧麗;郭敏;;基于小波分析的交通數(shù)據(jù)自適應消噪算法研究[J];計算機應用與軟件;2011年10期

9 施莉娟;朱健;陳小鴻;張yN;;基礎交通數(shù)據(jù)質(zhì)量評價研究[J];交通信息與安全;2011年05期

10 牛世峰;姜桂艷;;交通數(shù)據(jù)質(zhì)量宏觀評價與控制方法[J];公路;2012年12期

相關會議論文 前5條

1 陳燁;朱景瑜;;實時交通數(shù)據(jù)在城市環(huán)境中的應用及展望[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通應用[C];2012年

2 趙一斌;關志超;張昕;胡斌;楊東援;;實時動態(tài)交通擁擠地圖的交通數(shù)據(jù)特征值計算方法分析研究[A];2008第四屆中國智能交通年會論文集[C];2008年

3 高明;李強;馬富誠;;地圖數(shù)據(jù)庫交通數(shù)據(jù)的獲取及顯示技術研究[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

4 晏磊;苗李莉;;面向ITS交通數(shù)據(jù)管理的方法探討[A];中國地理信息系統(tǒng)協(xié)會第八屆年會論文集[C];2004年

5 生昕格;;基于hadoop的交通云數(shù)據(jù)處理平臺設計[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通應用[C];2012年

相關重要報紙文章 前1條

1 范文;我第一款全線交通數(shù)據(jù)產(chǎn)品問世[N];科技日報;2008年

相關博士學位論文 前1條

1 王清波;城市隧道智能監(jiān)控系統(tǒng)及交通數(shù)據(jù)智能分析[D];武漢理工大學;2013年

相關碩士學位論文 前10條

1 張林杰;多源交通數(shù)據(jù)自動化采集與處理系統(tǒng)研發(fā)[D];長安大學;2015年

2 袁亞欣;基于Hadoop交通信息并行處理云平臺的設計與實現(xiàn)[D];電子科技大學;2015年

3 張作強;面向公眾的交通出行服務系統(tǒng)設計與實現(xiàn)[D];大連理工大學;2015年

4 倪升華;基于數(shù)據(jù)的交通擁堵評價與預測方法[D];浙江工業(yè)大學;2014年

5 王興武;基于Hadoop的海量交通數(shù)據(jù)研究與應用[D];浙江工業(yè)大學;2015年

6 李紅旗;中小城市ITS實時交通數(shù)據(jù)的質(zhì)量控制方法研究[D];長安大學;2014年

7 唐永勇;面向ATMS的交通數(shù)據(jù)管理方法研究[D];吉林大學;2011年

8 李勇伶;服務于城市交通控制系統(tǒng)的交通數(shù)據(jù)處理技術研究[D];長安大學;2008年

9 趙禹喬;城市道路交通數(shù)據(jù)檢測器優(yōu)化綜合布設方法研究[D];長安大學;2011年

10 王鴻博;智能交通數(shù)據(jù)信息分析與處理[D];浙江海洋學院;2015年

，

本文編號：2198841