城市道路交通數(shù)據(jù)挖掘研究與應(yīng)用.pdf

1、智能交通系統(tǒng)是有效地集成信息技術(shù)、數(shù)據(jù)通訊技術(shù)、電子傳感技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)數(shù)據(jù)處理技術(shù)的地面運(yùn)輸管理體系，是當(dāng)前研究與應(yīng)用的熱點(diǎn)。其中，大規(guī)模交通數(shù)據(jù)管理、整合和挖掘是一項(xiàng)關(guān)鍵技術(shù)。數(shù)據(jù)挖掘是從大量數(shù)據(jù)中尋找其規(guī)律的技術(shù)，是目前最強(qiáng)有力的計(jì)算機(jī)數(shù)據(jù)分析技術(shù)之一。交通數(shù)據(jù)挖掘技術(shù)的研究是智能交通技術(shù)和數(shù)據(jù)挖掘技術(shù)領(lǐng)域最活躍的研究方向之一。交通數(shù)據(jù)挖掘的主要目的是尋找交通數(shù)據(jù)中的規(guī)律，為智能交通系統(tǒng)的設(shè)計(jì)提供技術(shù)支持，有利于緩解交

2、通擁擠、優(yōu)化交通路網(wǎng)運(yùn)行，促進(jìn)交通健康穩(wěn)定發(fā)展。交通流量、交通擁堵狀況和交通流分布預(yù)測和分析是目前智能交通數(shù)據(jù)挖掘研究中的三個(gè)重要問題，對于智能交通系統(tǒng)的交通信號(hào)管理與控制、交通流誘導(dǎo)、動(dòng)態(tài)交通分配等方面有著重要的意義，在智能交通系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)中起著重要作用。
　　當(dāng)前智能交通數(shù)據(jù)挖掘研究的重點(diǎn)在于如何設(shè)計(jì)有效的挖掘算法，主要有兩個(gè)方面的難題：一方面，由于交通流數(shù)據(jù)的特殊性，使得現(xiàn)有的數(shù)據(jù)挖掘算法無法直接在大規(guī)模交通流數(shù)據(jù)中高效實(shí)

3、現(xiàn)；另一方面，由于沒有根據(jù)領(lǐng)域知識(shí)設(shè)計(jì)專門的挖掘算法，造成挖掘結(jié)果無法滿足應(yīng)用需求。本文針對當(dāng)前智能交通數(shù)據(jù)挖掘技術(shù)研究領(lǐng)域中存在的問題，在交通流量預(yù)測、交通擁堵事件挖掘和交通流分布模式挖掘等幾個(gè)方面開展研究，提出了相應(yīng)的挖掘算法，并將這些方法應(yīng)用于智能交通數(shù)據(jù)挖掘系統(tǒng)中。本文取得的主要研究成果如下：
　　1)針對短時(shí)十字路口交通流量預(yù)測問題設(shè)計(jì)實(shí)現(xiàn)了基于組合模型的挖掘算法
　　及時(shí)、準(zhǔn)確地識(shí)別和預(yù)測道路交通的狀態(tài)是智能交通

4、系統(tǒng)實(shí)現(xiàn)動(dòng)態(tài)交通管理的重要前提。交通流量是交通流的重要特性之一，智能交通系統(tǒng)的控制和誘導(dǎo)需要對道路網(wǎng)絡(luò)交通流量進(jìn)行準(zhǔn)確、快速的預(yù)測。本文針對路口短時(shí)交通流量預(yù)測問題，提出了基于交通流量序列分割和神經(jīng)網(wǎng)絡(luò)組合模型的交通流量預(yù)測算法CITFF(Combined Intersection Traffic flow Forcast)，CITFF算法首先采用聚類方法對交通流量在流量大小和時(shí)間上進(jìn)行序列分割，然后再采用神經(jīng)網(wǎng)絡(luò)對各個(gè)交通流模式進(jìn)行描

5、述和預(yù)測。實(shí)驗(yàn)證明基于組合模型的預(yù)測方法具有較高的預(yù)測精度。
　　2)構(gòu)建了道路交通流模式庫并設(shè)計(jì)了相應(yīng)的交通流擁堵事件挖掘算法
　　如何應(yīng)對城市現(xiàn)代化帶來的交通擁堵問題，是交通管理者迫切需要解決的問題。道路交通的擁堵事件檢測是智能交通領(lǐng)域研究的關(guān)鍵技術(shù)。本文通過對道路交通流數(shù)據(jù)的分析，構(gòu)建了道路交通流模式庫，并給出一個(gè)結(jié)合同向斜率樹(Same-Directed Slope Tree，SDS-Tree)逐層分類表示交通流數(shù)據(jù)

6、的方法。基于構(gòu)建的交通流模式庫，提出了一種高效的道路交通流的擁堵事件挖掘算法Deteetion-CS(Detection of Continual Stream of Traffic Flow)，同時(shí)對算法效率和空間復(fù)雜度進(jìn)行了詳細(xì)分析。Detection-CS算法首先對當(dāng)前實(shí)時(shí)交通數(shù)據(jù)進(jìn)行特征提取，通過對交通流模式庫進(jìn)行匹配，獲取前七個(gè)有效反饋，并根據(jù)反饋的交通路況信息進(jìn)行分析，結(jié)合路況分層模式信息，給出當(dāng)前路況的實(shí)時(shí)檢測信息，實(shí)現(xiàn)對

7、交通路況檢測。為提高挖掘算法的效率，根據(jù)交通流模式庫的路況分層信息，建立了多層索引結(jié)構(gòu)，減少算法的搜索空間，從而實(shí)現(xiàn)算法優(yōu)化。結(jié)合實(shí)際需要，算法進(jìn)一步給出隨著時(shí)間推移如何更新交通流模式庫的方法，通過逐步替換使用頻度最少的信息和更新新出現(xiàn)的路況信息，保證交通流模式庫的有效性。在真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，與現(xiàn)有算法相比，Deteetion-CS算法對于當(dāng)前解決交通路況的實(shí)時(shí)檢測具有很好的效率和較高的準(zhǔn)確度。
　　3)提出了一個(gè)道路交通流

8、分布模式挖掘算法
　　道路網(wǎng)絡(luò)上運(yùn)行的交通流具有不同的空間分布模式，根據(jù)交通流運(yùn)行的空間分布特性，對道路交通網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)、動(dòng)態(tài)的交通區(qū)域劃分是當(dāng)前智能交通系統(tǒng)的研究熱點(diǎn)之一。本文對分布在道路網(wǎng)絡(luò)空間中的環(huán)形感應(yīng)線圈檢測器檢測的交通流數(shù)據(jù)進(jìn)行空間聚類分析，設(shè)計(jì)了一個(gè)高效的交通流空間聚類算法SPANBRE(Efficient Clustering Algorithm for Spatial Data with Neighborhood

9、 Relations)，自底向上生成道路交通流的空間簇，使具有相似性質(zhì)且具有空間關(guān)聯(lián)性的交通流數(shù)據(jù)對象聚成一簇，用以發(fā)現(xiàn)道路交通流的空間分布模式。SPANBRE算法無需執(zhí)行復(fù)雜的空間連接和空間合并操作，實(shí)驗(yàn)證明具有良好的時(shí)間效率。
　　4)設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于數(shù)據(jù)挖掘技術(shù)的綜合智能交通系統(tǒng)
　　道路交通數(shù)據(jù)挖掘技術(shù)的研究對于智能交通系統(tǒng)的交通信號(hào)管理與控制、交通流誘導(dǎo)、動(dòng)態(tài)交通分配等方面有著重要的意義。本文將上述挖掘方法應(yīng)用于