基于云计算的智能交通系统数据预处理与并行化技术研究

论文摘要

在目前的城市交通中,车载电脑、智能手机等用户终端面临着存储和处理能力与数据和应用功能的快速增长之间的巨大矛盾,目前的交通系统不能够很好地满足智能交通在信息量、开放性、规模化、智能性、弹性化和实时性等各个方面的需求。云计算作为一种新兴的网络技术理念,在方便快捷的用户服务、大容量的数据存储、强大的计算能力、优良的服务质量、高度的可扩展性、廉价的环境配置等方面具有很大的优势,为解决智能交通等类型的大数据的存储和处理提供了很好地平台。随着网络带宽的不断提升,基于云计算的智能化信息服务模式成为一个炙手可热的研究话题。本文主要研究基于云计算的智能交通服务的数据并行化处理技术。智能交通系统使用的数据被称为交通时空数据,其数据中包含了时间和空间属性,本文采用上海网格项目采集到的真实的GPS时空数据。针对当前的海量数据、巨大计算量等智能交通服务需求,提出了一种基于云计算的智能交通服务模式和基于云计算的智能交通服务平台（Intelligent Traffic Service Platform based-on Cloud Computing,ITSPCC）;针对海量GPS时空数据的存储和处理,提出了面向单车车辆路径导航的GPS时空数据的分布式存储和并行化预处理解决方案;针对智能交通服务中车辆路径导航中的线性规划求解问题,提出了基于Block Wiedemann算法和Block Lanczos算法的大规模稀疏线性方程组的数据并行化求解模型。主要工作如下:（1）基于云计算的智能交通服务模式。基于云计算的体系架构是解决智能交通问题的一种可行的技术方案。在分析了基于云计算的智能交通服务相比于现有的城市交通系统优势的基础上,提出了基于云计算的智能交通服务平台ITSPCC的框架和基于ITSPCC的服务模式;设计了“服务请求模式”等四种智能交通服务模式;并通过车辆路径导航服务,分析了基于ITSPCC的智能交通服务的模式等关键技术。（2）基于云计算的GPS时空数据预处理。如何针对不同的服务需求,从海量的交通时空数据中实时、有效、快速地发现相关的数据并进行处理是数据处理的核心内容之一。面向单车车辆路径导航服务,研究了对于GPS时空数据的结构化处理、分布式存储和异常数据并行化筛选等一系列技术;（3）面向稀疏系数矩阵的交通时空数据并行化模型。并行化技术是提高数据处理效率的重要方法。在交通时空数据的处理中,由于时空数据的稀疏性特点,车辆导航服务等线性规划问题最终可归结为大规模稀疏线性方程组求解问题。本文以大规模稀疏线性方程组为对象,以典型的Block Lanczos算法和Block Wiedemann算法为重点,研究了基于ITSPCC的数据并行化处理技术。通过分析算法的并行化特性,提出了基于行、列、行列划分稀疏系数矩阵的三种数据并行模型,并通过实验进行了比较分析。本文研究了基于云计算的智能交通系统的体系结构和服务模式,较好地解决了面向单车的GPS轨迹数据的分布式结构化存储和异常数据的筛选、通过数据并行实现大规模稀疏线性方程组的并行化求解等问题,对交通时空数据的高效处理进行了有益探索,具有较好地推广和应用价值。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 本文工作
• 1.3 论文结构
• 第二章 相关技术的国内外研究现状
• 2.1 基于云计算的智能交通系统
• 2.2 智能交通中的线性规划及其求解
• 2.2.1 线性规划问题求解
• 2.2.2 通用干道双向绿波协调控制研究
• 2.2.3 传感器空间分布优化方案
• 2.2.4 城市道路单点实时自适应控制应用
• 2.2.5 交通信号协调控制
• 2.3 大规模稀疏方程组及其并行化求解
• 2.3.1 直接法并行化和迭代法并行化
• 2.3.2 大规模稀疏线性方程组的应用
• 2.4 本章小结
• 第三章 基于云计算的智能交通服务模式
• 3.1 基于云计算的智能交通服务的需求分析
• 3.2 基于云计算的智能交通服务平台的体系结构
• 3.3 基于云计算的智能交通服务平台的服务模式
• 3.4 基于服务请求模式的车辆路径导航服务
• 3.4.1 交通异常车流检测的原理分析
• 3.4.2 车辆路径导航的处理流程
• 3.4.3 车辆路径导航服务模式分析
• 3.5 本章小结
• 第四章 面向单车车辆路径导航的GPS时空数据预处理
• 4.1 GPS数据的分布式结构化处理
• 4.1.1 GPS数据的结构设计
• 4.1.2 GPS数据的分布式存储
• 4.2 GPS异常数据的分析
• 4.2.1 单车的GPS数据轨迹图形显示
• 4.2.2 单车的GPS异常数据分析
• 4.3 单车的GPS异常数据的数学建模
• 4.3.1 离散数据的数学模型
• 4.3.2 交叉数据的数学模型
• 4.3.3 空白数据的数学模型
• 4.4 本章小结
• 第五章 面向交通时空数据的数据并行化处理
• 5.1 交通时空数据并行化处理的总体思路
• 5.1.1 交通时空数据并行化处理的意义
• 5.1.2 大规模稀疏线性方程组在交通时空数据处理中的作用
• 5.1.3 面向稀疏系数矩阵的数据并行化处理总体思路
• 5.2 面向稀疏系数矩阵的数据处理算法的并行性分析
• 5.2.1 Block Lanczos算法分析
• 5.2.2 Block Wiedemann算法分析
• 5.2.3 算法的解算时间分析
• 5.2.4 基于解算时间的算法选择策略
• 5.3 面向稀疏系数矩阵的数据并行化模型
• 5.3.1 行划分并行计算模型
• 5.3.2 列划分并行计算模型
• 5.3.3 行列划分并行计算模型
• 5.3.4 基于计算量和通信量的模型选择策略
• 5.4 本章小结
• 第六章 实验
• 6.1 实验系统运行环境
• 6.2 实验系统软件结构
• 6.3 关键功能模块的设计与实现
• 6.3.1 GPS时空数据预处理模块的设计与实现
• 6.3.2 数据并行化处理模块的设计与实现
• 6.4 数据并行化模型性能测试
• 第七章 结论与展望
• 7.1 工作总结
• 7.2 展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果