基于大數(shù)據(jù)的交通處理平臺的分析與應(yīng)用①

吳俊杰

(泉州信息工程學(xué)院，福建 泉州 362000)

0 引 言

在交通處理平臺中進行交通大數(shù)據(jù)處理需要進行大數(shù)據(jù)的信息融合和優(yōu)化調(diào)度設(shè)計，可提高交通處理平臺進行交通數(shù)據(jù)管理的效率，滿足高時效性和知識牽引等城市交通智慧化需求[1]。研究基于大數(shù)據(jù)的交通處理平臺構(gòu)建模型在優(yōu)化交通調(diào)度，提高智慧交通建設(shè)中具有重要意義。文獻[5]中提出一種基于模糊指向性聚類的交通處理平臺中大數(shù)據(jù)融合調(diào)度技術(shù)，采用模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法進行交通處理平臺的關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘和信息融合處理，基于模糊信息融合方法對交通處理平臺大數(shù)據(jù)進行準確融合調(diào)度，但該方法的計算開銷較大，挖掘的實時性不好。文獻[6]中提出一種基于粗糙集向量量化編碼和神經(jīng)網(wǎng)絡(luò)分類的交通處理平臺中大數(shù)據(jù)融合調(diào)度算法，構(gòu)建交通處理平臺中大數(shù)據(jù)的特征分布模型，采用BP神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)分類，在特征子空間中實現(xiàn)交通處理平臺大數(shù)據(jù)的信息融合和自適應(yīng)調(diào)度，該方法在抗干擾能力方面性能不好。針對上述問題，提出一種基于大數(shù)據(jù)融合調(diào)度模型的交通處理平臺。

1 大數(shù)據(jù)的分布結(jié)構(gòu)模型與特征提取

1.1 交通處理平臺中大數(shù)據(jù)的特征分布模型

為了實現(xiàn)交通處理平臺中大數(shù)據(jù)的優(yōu)化融合調(diào)度，需要首先構(gòu)建交通大數(shù)據(jù)測試環(huán)境下大數(shù)據(jù)的分布式數(shù)據(jù)結(jié)構(gòu)模型，用一個四元組G表示交通處理平臺中大數(shù)據(jù)的模糊分布式結(jié)存儲中心，為c，假設(shè)i為交通處理平臺中大數(shù)據(jù)交互的相空間嵌入維數(shù)，采用多個非線性成分聯(lián)合統(tǒng)計方法進行交通處理平臺中大數(shù)據(jù)的高維特征空間重構(gòu)，結(jié)合模糊聚類方法進行交通處理平臺大數(shù)據(jù)的信息融合和特征提取[7]，根據(jù)上述分析，構(gòu)建交通處理平臺中大數(shù)據(jù)融合調(diào)度的總體結(jié)構(gòu)模型如圖1所示。

交通處理平臺中大數(shù)據(jù)融合調(diào)度過程中受到的交通信息的多重因素的影響，導(dǎo)致數(shù)據(jù)挖掘和信息融合的干擾強度較大，影響因素較多，具有時變性和隨機性，創(chuàng)建知識庫、模型庫及算法庫，進行大數(shù)據(jù)信息融合[8]，構(gòu)建一個完備性的有效知識庫表達交通處理平臺中大數(shù)據(jù)的信息流模型為：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

其中，h(.)為交通處理平臺中大數(shù)據(jù)分布式時間序列，表示為一個具有多維數(shù)據(jù)結(jié)構(gòu)模型的函數(shù)，ωn為交通處理平臺中大數(shù)據(jù)的關(guān)聯(lián)規(guī)則特征量。交通處理平臺中大數(shù)據(jù)的分布結(jié)構(gòu)模型的分布函數(shù)描述式為：

Xp(u)=

(2)

圖1 交通處理平臺中大數(shù)據(jù)融合調(diào)度的實現(xiàn)原理

式中：p為分布式交通處理平臺中大數(shù)據(jù)存儲結(jié)構(gòu)的階數(shù)，α為統(tǒng)計信息采樣的時間窗口寬度。構(gòu)建交通處理平臺大數(shù)據(jù)采樣信息流模型，結(jié)合時間序列分析方法，進行交通處理平臺大數(shù)據(jù)的統(tǒng)計分析，交通處理平臺大數(shù)據(jù)是一組非平穩(wěn)的隨機線性組合序列，可以采用非平穩(wěn)的隨機線性組合序列分析方法進行交通處理平臺大數(shù)據(jù)的特征分析和信息融合調(diào)度[9]。

構(gòu)建一個微分方程表達交通處理平臺大數(shù)據(jù)的信息流模型，在狀態(tài)空間中，xn→xn+1的演化反映了未知交通處理平臺大數(shù)據(jù)時間序列的信息融合調(diào)度演化模型zn→zn+1或z(t)→z(t+1)，這一演化過程能夠?qū)崿F(xiàn)對交通處理平臺大數(shù)據(jù)的信息融合調(diào)度過程。對于通過前期統(tǒng)計測量的交通處理平臺大數(shù)據(jù)時間序列{x(t0+iΔt)},i=0,1,…,N-1，其相空間重構(gòu)軌跡為：

X=[s1,s2,…,sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(3)

其中K=N-(m-1)T，表示交通處理平臺大數(shù)據(jù)時間序列的正交特征向量，T為對交通處理平臺大數(shù)據(jù)采樣的時間延遲，對交通處理平臺大數(shù)據(jù)信息流進行Fourier變換，得到x(k)，在灰色模型訓(xùn)練下得到交通處理平臺大數(shù)據(jù)的頻域特征分量為：

(4)

其中，a為交通處理平臺大數(shù)據(jù)的域間方差系數(shù)，BH(t)表示的是交通處理平臺大數(shù)據(jù)信息融合調(diào)度相關(guān)函數(shù)。由此構(gòu)建了交通處理平臺中大數(shù)據(jù)的特征分布模型，結(jié)合大數(shù)據(jù)挖掘技術(shù)，進行交通處理平臺的信息調(diào)度和數(shù)據(jù)挖掘處理[10]。

1.2 關(guān)聯(lián)規(guī)則特征提取

xn=(xn,xn-T,…,xn-(m-1)T)

(5)

通過交通處理平臺大數(shù)據(jù)的信息流模型構(gòu)建和相空間重構(gòu)，建立了交通處理平臺大數(shù)據(jù)信息流模型與非線性特征提取之間的映射關(guān)系，為了去除原始數(shù)據(jù)的量綱，采用關(guān)聯(lián)規(guī)則特征匹配方法，得到交通處理平臺大數(shù)據(jù)的灰色分布模型的表達式為：

(6)

(7)

其中，T是交通處理平臺大數(shù)據(jù)在重構(gòu)相空間中的時間延遲，表征t和t+T時刻交通處理平臺大數(shù)據(jù)變化的關(guān)聯(lián)度，結(jié)合信息融合理論，對交通處理平臺中的文本信息、位置信息、圖片、音頻、視頻等數(shù)據(jù)進行模式識別和信息融合，實現(xiàn)對交通處理平臺中大數(shù)據(jù)的優(yōu)化調(diào)度。交通平臺中的大數(shù)據(jù)的存儲要消耗海量的存儲，數(shù)據(jù)量的增長及其快速，數(shù)據(jù)處理上也要求實時性，結(jié)合大數(shù)據(jù)的信息融合處理，提高對交通處理平臺中大數(shù)據(jù)的自適應(yīng)調(diào)度能力[12]。

2 交通處理平臺的大數(shù)據(jù)信息融合和調(diào)度優(yōu)化

2.1 交通處理平臺數(shù)據(jù)信息融合

f(x)=ωT(f)x+b

(8)

上式中，ω表示在交通處理平臺大數(shù)據(jù)信息融合調(diào)度誤差矢量矩陣，b表示為交通處理平臺大數(shù)據(jù)信息融合調(diào)度的偏差向量。選擇交通處理平臺大數(shù)據(jù)歷史數(shù)據(jù)作為信息融合調(diào)度模型的初始特征量，對交通處理平臺大數(shù)據(jù)信息融合調(diào)度的誤差項進行自適應(yīng)修正[13]，采用物產(chǎn)反饋調(diào)節(jié)方法，得到信息融合修正的判別函數(shù)為：

(9)

重構(gòu)的交通處理平臺大數(shù)據(jù)時間序列相空間中的任意一點表示為Xn，其在交通處理平臺大數(shù)據(jù)高維灰色模型中的最近鄰點表示為Xη(n)，建立m維灰色模型的訓(xùn)練函數(shù)，得到交通處理平臺大數(shù)據(jù)信息融合調(diào)度的優(yōu)化模型為：

(10)

2.2 大數(shù)據(jù)融合調(diào)度模型

在數(shù)據(jù)信息融合的基礎(chǔ)上，建立實時性較高的有效算法庫，快速形成面對不同模型大數(shù)據(jù)的知識庫，采用統(tǒng)計回歸分析方法進行交通處理平臺中大數(shù)據(jù)的非線性時間序列模型構(gòu)建，得到一個線性組合模型為：

(11)

其中，an表示交通處理平臺中大數(shù)據(jù)線性規(guī)劃模型的幅值，設(shè)有m個交通處理平臺中大數(shù)據(jù)節(jié)點A1,A2…An，構(gòu)造交通處理平臺中大數(shù)據(jù)融合調(diào)度的線性規(guī)劃問題數(shù)學(xué)表達如下：

(12)

(13)

假定當前交通處理平臺中大數(shù)據(jù)分布節(jié)點的數(shù)目為n，N1,…,Nn，采用模糊卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，得到交通處理平臺中大數(shù)據(jù)分類的自適應(yīng)學(xué)習(xí)加權(quán)系數(shù)為：

(14)

數(shù)據(jù)的統(tǒng)計量化集為(u,v)∈E，設(shè)A?V，B?V且A∩B=φ，根據(jù)上述處理，實現(xiàn)對交通處理平臺中大數(shù)據(jù)調(diào)度和信息融合處理。

圖1 交通處理平臺的數(shù)據(jù)采樣結(jié)果

3 仿真實驗與結(jié)果分析

為了測試所提方法在實現(xiàn)交通平臺的大數(shù)據(jù)融合和自適應(yīng)調(diào)度中的性能，進行仿真實驗，實驗的軟件平臺采用Matlab 7 設(shè)計，交通處理平臺數(shù)據(jù)采樣的時間長度為1200s，數(shù)據(jù)樣本的規(guī)模為1024，訓(xùn)練樣本規(guī)模為100，關(guān)聯(lián)規(guī)則的檢測閾值YHW=0.21，大數(shù)據(jù)信息融合的仿真迭代次數(shù)為100，對交通處理平臺中大數(shù)據(jù)融合調(diào)度的采樣周期為120s，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進行交通處理平臺的數(shù)據(jù)調(diào)度和信息融合處理，得到原始的采樣數(shù)據(jù)如圖2所示。

以圖2的交通處理平臺的數(shù)據(jù)采樣結(jié)果為測試數(shù)據(jù)集，進行信息融合和自適應(yīng)調(diào)度，得到信息融合輸出結(jié)果如圖3所示。

圖3 交通處理平臺的信息融合處理結(jié)果

圖4 性能對比

分析圖3得知，采用該方法進行交通處理平臺的大數(shù)據(jù)挖掘的聚類性較好，信息融合度較高，測試不同方法進行交通處理平臺數(shù)據(jù)調(diào)度的準確性，得到對比結(jié)果如圖4所示，分析圖4得知，所提模型能有效實現(xiàn)對交通處理平臺的自適應(yīng)調(diào)度，準確性較高，自適應(yīng)性能較好。

4 結(jié) 語

在交通處理平臺中進行交通大數(shù)據(jù)處理需要進行大數(shù)據(jù)的信息融合和優(yōu)化調(diào)度設(shè)計，提高交通處理平臺進行交通數(shù)據(jù)管理的效率，滿足高時效性和知識牽引等城市交通智慧化需求。提出一種基于大數(shù)據(jù)融合調(diào)度模型的交通處理平臺。在建立良好的知識庫、模型庫和方法庫的基礎(chǔ)上，對交通處理大數(shù)據(jù)進行信息聚類處理，采用關(guān)聯(lián)規(guī)則特征提取方法進行交通處理平臺大數(shù)據(jù)有效挖掘，結(jié)合信息融合理論，對交通處理平臺中的文本信息、位置信息、圖片、音頻、視頻等數(shù)據(jù)進行模式識別和信息融合，從而提高交通處理平臺中大數(shù)據(jù)的計算資源的利用效率，建立實時性較高的有效算法庫，快速形成面對不同模型大數(shù)據(jù)的知識庫，實現(xiàn)大數(shù)據(jù)優(yōu)化挖掘和智能調(diào)度，提高交通處理平臺的智能信息管理能力。研究得知，所提方法進行交通處理平臺的大數(shù)據(jù)處理的自適應(yīng)性較好，調(diào)度準確性較高，滿足智能交通信息管理的需求。