交通管理能力大數據提升策略

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了交通管理能力大數據提升策略范文，希望能給你帶來靈感和參考，敬請閱讀。

1研究背景及意義

目前，“大數據”一詞成為熱點關鍵詞之一，預示著大數據時代的到來。大數據分析已經不僅僅是信息革命的新階段，更關系到諸多實體企業在電子商務、公共服務及安全上的應用，企業的發展革新已經離不開大數據的應用。如今，企業對于大數據已經不再局限于了解大數據是什么階段，大數據已經開始切實運用于實際。云計算和大數據將攜手，共同掀起生產力大解放，與以蒸汽機的使用和電氣的使用為代表的第一次工業革命和第二次工業革命不同的是，這次是以數據為材料，計算為能源。未來國家的發展戰略將會以數據儲備及數據分析為核心。城市交通已面臨諸多嚴重問題，必須采取更有效的措施，保證城市交通系統有效運行。為了應對城市交通運行困境，第一屆智能交通大會于1994年在巴黎召開，從此，智能交通日益成為人們熱衷探討的話題，隨著時間流逝，智能交通研究與應用在美、歐、日三國取得了長足發展，這三個國家及地區也成為了世界智能交通研究應用的主要基地。同時，一些發達國家及地區例如新加坡、香港、澳大利亞等在此方面的研究也取得了相當的成果。我國近年來也一直在充分利用物聯網、云計算、大數據、移動互聯等技術，大力推進我國交通運輸領域的信息化。目前，云計算、大數據、移動互聯等新技術已被廣泛運用到車路協同系統、公眾出行便捷服務、車聯網等領域的研究和實踐中。隨著大數據技術的廣泛研究及應用，智能交通上已經可以運用大數據手段，對交通運輸的需求進行分析，得出精確的需求數據，在這樣的形勢之下，交通網絡優化、智能化出行服務以及交通應急保障等方面將形成巨大的市場，大數據技術將成為市場新趨勢。

2研究內容

借助大數據技術，可以對多源、異構、海量、時變的海量交通數據進行分析和處理，挖掘其隱含的時空知識，為交通管理部門和出行者提供有利于公共系統調度和車主出行的決策信息，以便主動干預各類可能的交通問題，而不再被動接受，主要內容包括以下內容。

2.1構建交通大數據的時空模型，對交通流狀態分析和趨勢預測

利用聚類分析方法，構建交通流大數據時空模型。利用對海量交通數據（包括靜態和動態數據：交通基礎設施數據是相對靜態的，如橋梁、城市道路、立交、軌道網、停車場等。各類動態交通運行信息即為動態交通數據，包括交通事故、施工占道、道路實時車速、流量、停車位使用等）。進行空間聚類分析，根據道路節點收集的數據，將數據內部隱含的信息特征找出來，將這些相似度高、關聯性大的數據聚合。運用這一聚類分析方法，人們可以發現數據中交通網絡的分布模式，從數據結果出發，實現交通流狀態的分析及預測。道路網通達性對于交通流量序列有著極大影響，處于同一時空之內的道路之間，必然存在時間差異關系極大的流量序列。所以，各個流量序列之間的時間相關性，可以通過空間權重矩陣和時間延遲做出明確的表達，按照相關系數，將預測相關因子選取出來，以多種算法模型為手段，對交通流趨勢進行預測。

2.2基于交通流大數據時空模型，分析交通路網擁堵狀態的趨勢和成因

交通擁堵趨勢及成因可以通過分析擁堵狀態的數據、時空特征、語義，以時空關聯性為基本方法，采用時空關聯規則做出分析。在這一過程中，還應該提高時空關聯規則的獲取效率，可以通過過濾無效數據，降低時間空間雜亂數據的干擾。按照這種思路，首先可以對頻繁項集產生過程中的時空數據進行時間、空間段上的劃分，分析時間與空間的有效性及關聯性，在形成事務表之后，鏈接時空規則之間的項集，以擁堵狀態的時空關聯規則為基礎，分析交通網的擁堵趨勢。

2.3基于復雜網絡的各公共交通子網之間級聯關系的研究

公共交通是城市交通管理的主要對象，利用大數據手段分析公共交通數據（公交車、地鐵等數據），探尋交通運行規律，研究各公共交通子網之間的級聯關系。

3關鍵問題

3.1大數據平臺的搭建

交通信息數據具有海量異構的特征，需要采用大數據手段、搭建大數據平臺，本項目擬搭建HADOOP大數據環境，既需要對HADOOP環境本身的調試和配置，也需要對海量異構的交通數據進行分類梳理。因此，搭建HADOOP大數據環境需要解決描述數據之間的連接關系及其相互影響，以及在分布式條件下數據的分類、聚合及其參數的設定。因此，解決了這一問題，將為后續大數據算法模型的運行提供基礎環境。

3.2多目標多因素算法和模型建立和優化方法

城市交通運行特性異常復雜，尤其是在擁堵情況下，受到的約束條件更多（如地鐵客流、公交車客流等），因此，需要在課題建立的模型基礎上制定適應多目標多時間尺度的協調優化方法。

3.3交通復雜網絡拓撲

城市交通運行涉及交通路網、地鐵、公交、出租等復雜數據，這些數據各自成網，又相互作用。因此，建立交通復雜網絡拓撲結構，對模擬現實交通運行狀況，探尋交通運行規律至關重要。

4研究步驟

可以采用理論分析、數值計算和試驗相結合的方法，取得研究效果。

4.1清洗數據

交通數據的組成包括動態數據以及基礎設施數據，運用大數據手段來提升交通運行效率，就要對數據進行清洗。首先，動態交通數據的采集可以通過移動通信、視頻、波頻等方式進行。例如，路通流量數據的收集，可以通過固定的視頻監控、感應線圈等方式進行；車輛行駛軌跡以及車輛型號、流量、車速等信息可以采用RFID技術，從而獲得關鍵斷面的相關信息；車輛位置、速度、行程軌跡等信息可以通過GPS等移動定位設備收集；此外，用戶線路、速度信息的收集還可以采用手機信令手段。動態交通數據的收集離不開基礎設備，合理使用這些設備，可以將交通數據動態表現出來，有著很強的優越性，能夠為交通運行實時監控以及動態分析提供必要的數據基礎。但是，這些數據在收集過程中必然存在極大的復雜性，龐大的數據量以及噪聲數據會嚴重影響到數據質量，直接收集的數據必然無法為交通數據分析的數據基礎，因此，有必要對這些直接數據進行清洗，清洗方法主要有以下幾種：①數據清洗首先要確定干擾在哪里，干擾作用的地方。團隊可以運用已有的大數據分析方法，對交通基礎數據做出針對性分析，基于數據屬性以及分析目的，從數據中獲取需要的元數據，找出質量問題。②數據清洗需要以規范的手段為保障，進行數據清洗必須定義清洗轉換規則。通過上一步工作，團隊可以獲得相應的元數據，獲得存在的質量問題，針對這些問題，團隊可以定義轉換規則以及工作流。③在數據收集之后，要對數據進行標準化處理，從而獲得標準化的直觀數據?？梢赃\用統計方法、聚類方法、關聯規則等。④用清洗數據替換源數據。

4.2提取并分析數據

要對動態交通流以及交通網絡擁堵狀況進行分析，必須對交通數據進行有效組織，然后對交通數據進行提取分析。首先，數據分析應該以交管部門以及用戶需求為出發點，且工作必須具有相當時效性。在這一過程中，工作團隊可以將交通流以及擁堵狀態為工作導向，結合數據的時空特征，運用聚類、預測、異常檢測等方法，深入分析數據之間的關聯性，實現多維度、多粒度特征分析，最后運用降維技術進行數據處理。

4.3基于大數據分析的智能交通模型

4.3.1預測模型1（L1正則化模型）

對線性回歸進行1范數的正則化，在經驗風險上加上一個正則化項（regularizer）或罰項（penaltyterm）。正則化一般是模型復雜度的單調遞增函數，模型越復雜，正則化值就越大。比如，正則化項可以是模型參數向量的范數。正則化一般具有如下形式：min1Ni=1NL(yi,fxi+λJ(f))其中，第1項是經驗風險，第二項是正則化項，λ≥0是為調整兩者之間關系的系數?；貧w問題中，損失函數是平方損失，正則化項可以是參數向量L1范數：L(w)=1Ni=1N(fxi;w-yi)2+λw1這里，w1表示參數向量w的L1范數。第1項的經驗風險較小的模型可能較復雜（有多個非零參數），這時，第2項的模型復雜度會較大。正則化的作用是選擇經驗風險與模型復雜度同時較小的模型。

4.3.2預測模型2（L2正則化模型）

對線性回歸進行L2正則化。正則化一般具有如下形式：min1Ni=1NL(yi,fxi+λJ(f))其中，第1項是經驗風險，第二項是正則化項，λ≥0是為調整兩者之間關系的系數?；貧w問題中，損失函數是平方損失，正則化項可以是參數向量L2范數：L(w)=1Ni=1N(fxi;w-yi)2+λw2其中，w2表示參數向量w的L2范數。

4.3.3預測模型3（M5P模型）

M5P模型，是指利用系統變量分析特定變量值的預測模型，這種模型所運用的思想主要為決策樹思想。首先，工作者需要將變量分布的特征分析出來，按照變量分布特征，將樣本空間劃分為平行的長方形區域，然后利用剪枝、平滑的方法，將每一個分區確立對應的回歸模型，這樣按照不同數據特征建立的模型合理性將更大。在這個模型中，決策樹構建的思想十分直接，只需按照決策樹生成算法構建樹，然后以最大化信息增益為節點分支準則即可。在M5P之中，由于模型使用的是最小化子集屬性差異，因此引入剪枝策略，剪枝策略包括構造時的預剪枝、構造后的后剪枝。一般情況之下，預剪枝一般在最小樣本數上進行，后剪枝一般在估計誤差置信水平上進行。特殊的，如果存在節點子樹性能低于內部節點性能的情況，可以講內部節點轉換為葉節點。決策樹的分類一般分為兩個步驟。①數據中知識獲取，進行機器學習，這個過程就是決策樹模型建立，一般以訓練集為基礎。②利用已經生成的決策樹，對數據進行分類。這種分類應該首先龔根節點開始，應該對數據對象的屬性進行逐步測試，測算得出相應的值，然后按照決策樹分支往下走，以葉節點為終點，形成相應分類。值得注意的是，在對給定數據集進行計算時，普通典型的線性回歸算法只能給出單一的回歸等式，無法將樣本空間劃分為平行空間，無法確定相應空間回歸模型，在這種情況之下，工作者就可以采用決策樹方法。本研究將原始樣本按8:2的比例分別劃分為訓練集、測試集，并對全體樣本利用上述預測模型進行多時段的預測，然后對比預測效果。

4.4模型評估

在本文中，給出方案的評價指標采用預測準確度，在這里，我們可以引用平均絕對誤差（MeanAbsoluteError，簡稱MAE），以此將預測與實際流量之間的相似度表示出來。其中C代表預測次數、預測流量、實際流量。采用MAE有兩個優點：①這一方法的計算方法較為簡單，且計算結果便于理解；②由于在計算中，絕對平均誤差的值是唯一的，系統之間不存在多個誤差值，因此，這種方式能夠很好地區分系統絕對平均誤差的差異。

4.5基于復雜網絡理論研究各公共交通子網級聯關系

基于復雜網絡理論分析各公共交通子網的運行規律和機理。在此基礎上，研究各公共子網之間的級聯關系，探究各子網之間的相關關系和影響機理。

作者：李曉 單位：成都師范學院