大数据状态下城市智慧交通的研究

……………　……………………………………………　实用第一　智慧密集　…　…　…　……　…　…　…　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，浙江宁波３１５０００）　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　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　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．　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　实现时间、位置、道路交通数据信息、检测器类型等道　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　路交通信息的完整和统一接人。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　通数据的数量不断增大。对道路交通大数据的实时传　后续进行道路交通大数据的分析与处理。　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。　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。　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　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　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　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。　作者简介：朱晓鸣（１９７８一），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：廖刘靓　（１９９７一），女。　收稿日期：２０１７—０８—２４　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　图１　道路交通大数据高维特征选取基本流程　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△ｆ，选取的时间粒度为　（ｍ＇Ａｔ），即选取的道路交通数据集的数据周期为　（ｍ＇Ａｔ）。设定共选取凡条路段，即空间维度为ｎ。定义　路段ｒ（１　ｒ＜＿－ｎ，ｉＥＮ　）在时刻（ｔ＇Ａｔ，（抖１）＊Ａｔ）（０　ｔ　（ｍ一１））的统计交通数据值为％，则可以得到一个　交通数据矩阵（‰）　，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＇Ａｔ，（ｔ＋１）＊Ａｔ）　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　数据矩阵的高维特征变换，实现道路交通数据矩阵的稀　疏表示。　根据道路交通数据集的不同维度ｍ和粒度ｎ．对道　路交通数据的特征变换分为３种情形：　（１）ｍ＝ｌ，ｎ＞ｌ　即对同一路段ｎ个采集周期内的道路交通数据进行　特征变换。此时的数据为同一路段时间序列上的交通数　据．故首先基于路段的道路交通特征参考序列建立其道　路交通数据的参考ＡＲＩＭＡ模型：然后获取ｎ个采集周　期内的道路交通数据．并获取该数据集的特征：关键时　间数据点和ＡＲＩＭＡ模型中的参数。　（２）ｎ＝ｌ，ｍ＞ｌ　即对单个采集周期内、ｍ条路段的道路交通数据进　行特征变换。此时的数据为不同路段在同一时间的交通　数据．故首先基于各路段的道路交通特征参考序列建立　各路段之间的空间关联模型：然后获取ｍ条路段的道　路交通数据，并获取该数据集的特征：关键空间数据点　和空间关联模型中的参数。　（３）ｍ＞ｌ且ｎ＞ｌ　即对ｍ条路段ｎ个采集周期内的道路交通数据进　行特征变换。此时的数据为多条路段长时间序列内的交　通数据，此时可利用主成分分析或奇异值分解的方法，　实现道路交通数据的特征选取。下面以奇异值分解方法　为例进行说明。　３－３道路交通数据的特征选择　首先通过道路交通数据的特征变换方法将道路交通　数据映射到高维特征空间，从而得到新的特征空间。然　后利用过滤式、封装式、嵌入式等特征选择的方法，从　特征空间中选择一个最佳的特征子集，该特征子空间能　够有效表征原始道路交通数据。从而实现道路交通大数　据高维特征的选取。　４构建道路交通大数据的智能理解机制　基于道路交通大数据的高维特征选取方法，研究道　路交通服务水平指标模糊集及道路交通大数据解释的模　糊规则，形成道路交通大数据智能理解的知识库：基于　计算智能，研究道路交通大数据智能理解中的模糊化、　推理以及去模糊化过程，将道路交通大数据表达为人们　容易理解的语言，最终实现道路交通大数据的智能理　解。道路交通大数据的智能理解方法如图２所示。　图２道路交通大数据智能理解方法基本流程　４．１构建道路交通大数据智能理解的知识库　道路交通大数据智能理解的知识库由道路交通大数　据高维特征集上的道路交通服务水平指标模糊集及道路　交通大数据解释的模糊规则共同构成。　选取经典的道路交通服务水平评价指标，基于道路　交通运行特征参考序列，建立道路交通运行特征参考　序列与道路交通服务水平评价指标的有效映射。基于　道路交通数据的高维特征选取方法．提取道路交通运　行特征参考序列的高维特征，建立道路交通运行特征　参考序列的高维特征空间与道路交通服务水平评价指　标的有效映射。　对不同道路交通大数据对应的道路交通服务水平的　主观感受评价进行统计，则可获得道路交通大数据的高　维特征对应的隶属度函数与主观感受评价的映射。基于　该映射，构建道路交通大数据解释的模糊规则。　４．２道路交通大数据的模糊推理解释算法　道路交通大数据的模糊推理算法主要是指道路交通　（下转第７３页）　……眦删ＯＲＫ＆ＣＯＭＭＵＮＩＣ盯ＩＯＮ・　………………………，－　………………，’…’…………………’・…………　ｄｉｖ｛ｂａｃｋｇｒｏｕｎｄ：＃ｆｆｆ　ｕｒｌ《ｉｍａｇｅｓ／ｔｏｐ．ＪＰｇ）ｒｅｐｅａｔ—Ｘ　“ｎｏＢｅ”，边框设置成没有，那么浏览器在解释属性值　ｃｅｎｔｅｒ　ｔｏｐ；ｃｏｌｏｒ：＃６６６；ｈｅｉｇｈｔ：２７ｐｘ；ｍａｒｇｉｎ：ｌ　Ｏｐｘ　２０ｐｘ；　“ｎｏＢｅ”的时个，就不会作出渲染动作，从而也不会消　ｐａｄｄｉｎｇ：１Ｏｐｘ　０　５ｐｘ　１Ｏｐｘ；ｗｉｄｔｈ：ｌＯ０％：ｚ－ｉｎｄｅｘ：９９９；）　耗内存值。所以在属性值选取上还是很大区别，应该选　择最优的属性值，写ｊ“最优化代码。　以上两种情况，第一种分行书写代码，即每个属性　样式各占一行，这样书写的代码可读性更高，但是如果　样式属性比较少（不多于３个）的情况下，选择器的属　４结语　科学、合理地编写ＣＳＳ代码，不但能够精简ＣＳＳ　代码，提高代码的开发效率，使运行更高效，而且方便　网站设计师对网站进行维护与修改，也便于开发小组合　性可以写在一行上，该项规则并未硬性规定，但无疑增　强了代码的可读性．实际中无论采用哪种方法写代码，　我们都建议要始终保持一致。　还有．如果代码的书写顺序能按照上面的方法按字　作沟通。　参考文献　母进行排序，会更方便代码的查找、修改。　３．８优选样式的属性值　ＣＳＳ规则非常灵活．往往一种效果可以通过多种途　【１】郭琳．基于ＣＳＳ盒模型的浮动布局［Ｊ】．四川职业　技术学院学报，２０１７，（０２）．　【２】陈其嶙．试论ＣＳＳ在控制多重网页样式与布局中的　作用【Ｊ】．电脑编程技巧与维护，２０１３，（１２）．　［３］潘俊斌．揭开ＣＳＳ的神秘面纱【Ｊ］．电脑知识与技　术，２０１５，（０３）．　径实现，外观虽然差不多或一样，但是网站运行效能却　存在着差异，如需要取消被超级链接的图片边框，我们　一般会用ｂｏｒｄｅｒ：０把ｂｏｒｄｅｒ设为Ｏｐｘ，这么做边框是看　不到了　但是按ｂｏｒｄｅｒ默认值理解，浏览器还是会对　ｂｏｒｄｅ卜ｃ０Ｊ０ｒ以及ｂｏｒｄｅｒ—ｗｉｄｔｈ进行渲染，这样一来肯定　是已经占用了内存值的。　这里有另一种方法，ｂｏｒｄｅｒ：ｎｏｎｅ，即把ｂｏｒｄｅｒ设为　．【４】刘伟．ＣＳＳ代码命名规则与技巧探讨［ｊ】．太原师　范学院学报（自然科学版），２０１５，（Ｏ１）．　＾ＬＬ．址．址．Ｓ　．‘止．　．　．　上－．址．址．址．ｓ止．址．址Ｊ止．址．址．址—　．址．　．址．址．Ｓ－Ｌ．Ｓ　．ＳｌＬ—　—址．址．ｓ止舢—址—ｌ　．１屯—址—ｓ　—址—址—址—址—址—址—址－址—址—　—Ｓ止　（上接第５９页）　从道路交通大数据的时空关联特性、冗余特性以及　结构特性｝ｆＪ发，研究道路交通大数据的高维特征的有效　选取方法．并最终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解奠定基础。　参考文献　大数据智能理解中的模糊化、推理以及去模糊化过程。　模糊化的道路交通大数据服务水平评价指标是道　路交通大数据智能理解的模糊规则的输入，这个过程　通过构建道路交通服务水平评价指标模糊集的隶属度　函数实现　道路交通大数据高维特征的推理过程是将模糊化的　【１】曹卫东，房芗浓．数据挖掘在智能交通系统中的应　用分析『Ｊ］．计算机Ｔ程，２００５，Ｓ１．　【２】徐波．基于物联网的智慧交通系统建设思考…．　浙江交通职业技术学院学报，２０１２，１３．　【３】张海亮．智能交通物联网发展展望【Ｊ１．中国交通　道路交通大数据服务水平评价指标映射到规则库，基于　道路交通大数据解释的模糊规则，产生道路交通大数据　解释的模糊化输Ｈｊ，获得对道路交通大数据解释的模糊　规则的触发强度。　信息化，２０１０，１２．　ｆ４１孙怀义，王东强，刘斌．智慧交通的体系架构与发　展思考［Ｊ１．自动化博览，２０ｌ１，ｓ１．　『５】尹克坚．浅析数据挖掘在智慧交通领域中的应用　触发强度体现了道路交通大数据对于主观感受评价　的隶属度。利用裁剪重心法、平方和根法等推理方法，　将道路交通大数据解释的模糊化输出转化为一个标量的　非模糊值。基于道路交通服务水平的语义描述，输出道　路交通大数据的智能理解结果。　［Ｊ］．信息通信，２０１３，１０．　２０　１嚆７．２　２　蕾＿　７３　、