提升交通管理能力數(shù)據策略論文
1、研究背景及意義
目前，“大數(shù)據”一詞成為熱點關鍵詞之一，預示著大數(shù)據時代的到來。大數(shù)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(yè)在電子商務、公共服務及安全上的應用，企業(yè)的發(fā)展革新已經離不開大數(shù)據的應用。如今，企業(yè)對于大數(shù)據已經不再局限于了解大數(shù)據是什么階段，大數(shù)據已經開始切實運用于實際。云計算和大數(shù)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(yè)革命和第二次工業(yè)革命不同的是，這次是以數(shù)據為材料，計算為能源。未來國家的發(fā)展戰(zhàn)略將會以數(shù)據儲備及數(shù)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(tǒng)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(fā)展，這三個國家及地區(qū)也成為了世界智能交通研究應用的主要基地。同時，一些發(fā)達國家及地區(qū)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?shù)某晒Ｎ覈陙硪惨恢痹诔浞掷梦锫?lián)網、云計算、大數(shù)據、移動互聯(lián)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(shù)據、移動互聯(lián)等新技術已被廣泛運用到車路協(xié)同系統(tǒng)、公眾出行便捷服務、車聯(lián)網等領域的研究和實踐中。隨著大數(shù)據技術的廣泛研究及應用，智能交通上已經可以運用大數(shù)據手段，對交通運輸?shù)男枨筮M行分析，得出精確的需求數(shù)據，在這樣的形勢之下，交通網絡優(yōu)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(shù)據技術將成為市場新趨勢。
2、研究內容
借助大數(shù)據技術，可以對多源、異構、海量、時變的海量交通數(shù)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(tǒng)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(shù)據的時空模型，對交通流狀態(tài)分析和趨勢預測
利用聚類分析方法，構建交通流大數(shù)據時空模型。利用對海量交通數(shù)據（包括靜態(tài)和動態(tài)數(shù)據：交通基礎設施數(shù)據是相對靜態(tài)的，如橋梁、城市道路、立交、軌道網、停車場等。各類動態(tài)交通運行信息即為動態(tài)交通數(shù)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(jié)點收集的數(shù)據，將數(shù)據內部隱含的信息特征找出來，將這些相似度高、關聯(lián)性大的數(shù)據聚合。運用這一聚類分析方法，人們可以發(fā)現(xiàn)數(shù)據中交通網絡的分布模式，從數(shù)據結果出發(fā)，實現(xiàn)交通流狀態(tài)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(shù)，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(shù)據時空模型，分析交通路網擁堵狀態(tài)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(tài)的數(shù)據、時空特征、語義，以時空關聯(lián)性為基本方法，采用時空關聯(lián)規(guī)則做出分析。在這一過程中，還應該提高時空關聯(lián)規(guī)則的獲取效率，可以通過過濾無效數(shù)據，降低時間空間雜亂數(shù)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(shù)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(lián)性，在形成事務表之后，鏈接時空規(guī)則之間的項集，以擁堵狀態(tài)的時空關聯(lián)規(guī)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(lián)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(shù)據手段分析公共交通數(shù)據（公交車、地鐵等數(shù)據），探尋交通運行規(guī)律，研究各公共交通子網之間的級聯(lián)關系。
3關鍵問題
3.1大數(shù)據平臺的搭建
交通信息數(shù)據具有海量異構的特征，需要采用大數(shù)據手段、搭建大數(shù)據平臺，本項目擬搭建HADOOP大數(shù)據環(huán)境，既需要對HADOOP環(huán)境本身的調試和配置，也需要對海量異構的交通數(shù)據進行分類梳理。因此，搭建HADOOP大數(shù)據環(huán)境需要解決描述數(shù)據之間的連接關系及其相互影響，以及在分布式條件下數(shù)據的分類、聚合及其參數(shù)的設定。因此，解決了這一問題，將為后續(xù)大數(shù)據算法模型的運行提供基礎環(huán)境。
3.2多目標多因素算法和模型建立和優(yōu)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(xié)調優(yōu)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(shù)據，這些數(shù)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(xiàn)實交通運行狀況，探尋交通運行規(guī)律至關重要。
4、研究步驟
可以采用理論分析、數(shù)值計算和試驗相結合的方法，取得研究效果。
4.1清洗數(shù)據
交通數(shù)據的組成包括動態(tài)數(shù)據以及基礎設施數(shù)據，運用大數(shù)據手段來提升交通運行效率，就要對數(shù)據進行清洗。首先，動態(tài)交通數(shù)據的采集可以通過移動通信、視頻、波頻等方式進行。例如，路口交通流量數(shù)據的收集，可以通過固定的視頻監(jiān)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(tài)交通數(shù)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(shù)據動態(tài)表現(xiàn)出來，有著很強的優(yōu)越性，能夠為交通運行實時監(jiān)控以及動態(tài)分析提供必要的數(shù)據基礎。但是，這些數(shù)據在收集過程中必然存在極大的復雜性，龐大的數(shù)據量以及噪聲數(shù)據會嚴重影響到數(shù)據質量，直接收集的數(shù)據必然無法為交通數(shù)據分析的數(shù)據基礎，因此，有必要對這些直接數(shù)據進行清洗，清洗方法主要有以下幾種：①數(shù)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(shù)據分析方法，對交通基礎數(shù)據做出針對性分析，基于數(shù)據屬性以及分析目的，從數(shù)據中獲取需要的元數(shù)據，找出質量問題。②數(shù)據清洗需要以規(guī)范的手段為保障，進行數(shù)據清洗必須定義清洗轉換規(guī)則。通過上一步工作，團隊可以獲得相應的元數(shù)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(guī)則以及工作流。③在數(shù)據收集之后，要對數(shù)據進行標準化處理，從而獲得標準化的直觀數(shù)據。可以運用統(tǒng)計方法、聚類方法、關聯(lián)規(guī)則等。④用清洗數(shù)據替換源數(shù)據。
4.2提取并分析數(shù)據
要對動態(tài)交通流以及交通網絡擁堵狀況進行分析，必須對交通數(shù)據進行有效組織，然后對交通數(shù)據進行提取分析。首先，數(shù)據分析應該以交管部門以及用戶需求為出發(fā)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(tài)為工作導向，結合數(shù)據的時空特征，運用聚類、預測、異常檢測等方法，深入分析數(shù)據之間的關聯(lián)性，實現(xiàn)多維度、多粒度特征分析，最后運用降維技術進行數(shù)據處理。
4.3基于大數(shù)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(shù)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(shù)，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(shù)向量的范數(shù)。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(shù)。回歸問題中，損失函數(shù)是平方損失，正則化項可以是參數(shù)向量L1范數(shù)：L(w)=1Ni=1N(fxi;w-yi)2+λw1這里，w1表示參數(shù)向量w的L1范數(shù)。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(shù)），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(shù)。回歸問題中，損失函數(shù)是平方損失，正則化項可以是參數(shù)向量L2范數(shù)：L(w)=1Ni=1N(fxi;w-yi)2+λw2其中，w2表示參數(shù)向量w的L2范數(shù)。
4.3.3預測模型3（M5P模型）
M5P模型，是指利用系統(tǒng)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(qū)域，然后利用剪枝、平滑的方法，將每一個分區(qū)確立對應的回歸模型，這樣按照不同數(shù)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(jié)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(shù)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(jié)點子樹性能低于內部節(jié)點性能的情況，可以講內部節(jié)點轉換為葉節(jié)點。決策樹的分類一般分為兩個步驟。①數(shù)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(shù)據進行分類。這種分類應該首先龔根節(jié)點開始，應該對數(shù)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(jié)點為終點，形成相應分類。值得注意的是，在對給定數(shù)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(shù)、預測流量、實際流量。采用MAE有兩個優(yōu)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(tǒng)之間不存在多個誤差值，因此，這種方式能夠很好地區(qū)分系統(tǒng)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(lián)關系
基于復雜網絡理論分析各公共交通子網的運行規(guī)律和機理。在此基礎上，研究各公共子網之間的級聯(lián)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
【提升交通管理能力數(shù)據策略論文】相關文章：
保險營銷管理存在的問題與成效提升策略論文02-06
高中物理實驗競賽訓練質量提升策略的論文12-08
探討提升初中英語寫作教學策略的論文07-29
提升管理能力，服務地方經濟03-19
數(shù)據建模論文格式06-29
數(shù)據新聞畢業(yè)論文12-05
論文寫作和發(fā)表的策略12-10
推銷策略與藝術論文11-29
學校管理策略論文03-30