城市隧道交通大數據分析及應用

吳　珺，　王春枝

(1.湖北工業(yè)大學　計算機學院， 湖北　武漢　430068；

2.武漢理工大學　a.材料科學與工程學院； b.交通物聯(lián)網技術湖北省重點實驗室， 湖北　武漢　430070)

?

城市隧道交通大數據分析及應用

吳珺1,2，王春枝1

(1.湖北工業(yè)大學計算機學院， 湖北武漢430068；

2.武漢理工大學a.材料科學與工程學院； b.交通物聯(lián)網技術湖北省重點實驗室， 湖北武漢430070)

摘要：隨著云計算、物聯(lián)網技術等相關信息技術的發(fā)展，針對城市交通與物聯(lián)網應用結合的相關研究正如火如荼進行，同時也促進了城市智慧交通網絡朝著更為高科技、信息化、智能化的方向發(fā)展。本文提出城市隧道交通的大數據平臺體系結構，并針對其交通大數據進行關聯(lián)分析方法研究。首先通過分析各類多源交通大數據獲得表現(xiàn)交通擁堵的相關因素，然后通過大量相關樣本數據訓練獲得預測模型，最后通過模型預測是否發(fā)生交通擁堵并分析交通網絡中各隧道的交通擁堵關聯(lián)性。分組實驗及相關結果分析表明，本文提出的方法能實現(xiàn)多個隧道發(fā)生交通擁堵情況的關聯(lián)分析，取得了交通大數據分析應用的良好效果。

關鍵詞：城市隧道；大數據；交通系統(tǒng)

隨著城市化進程的推進，交通網絡已成為城市的生命線；所謂智慧交通網絡ITS(Intelligent Traffic System)是融合了目前先進物聯(lián)網技術、數據通信技術、大數據分析技術構建成的新型交通體。城市智慧交通網絡是物聯(lián)網技術應用的一種核心體現(xiàn)，它涵蓋了數據的采集、處理、傳輸、融合和挖掘等一系列信息處理步驟。由此實現(xiàn)城市智慧交通網絡中的聲音、圖像、溫度、亮度、位置變化等物理屬性構成的復雜數據，使得人們可以獲得更加全面、準確、有效的交通監(jiān)測信息。

隨著物聯(lián)網技術、大數據技術等相關信息技術的發(fā)展，針對大數據與物聯(lián)網應用結合的相關研究正如火如荼進行，同時也促進了城市智慧交通網絡朝著更為高科技、信息化、智能化的方向發(fā)展。目前城市智慧交通網絡不僅可以通過攝像探頭記錄交通情況和監(jiān)控隧道內的車輛等基本功能；同時城市智慧交通網絡還可以對隧道空間結構進行相關專業(yè)的安全評估監(jiān)測，保證隧道的安全運行使用；并通過各類監(jiān)控數據進行決策分析，提供多樣的信息應用服務。

道路交通流除了具有時間特性外，還具有很強的空間相關性，通過大數據分析可以挖掘出交通流間潛在的關聯(lián)性。然而各種交通流檢測設備產生并積累了海量的具有復雜時空關系的時空信息數據集，融合有效的信息技術和廣闊的數據平臺就能夠通過分析這類數據獲得城市各個路段的重要交通信息，為人們的日常出行和政府部門的交通管理提供有效的信息。

例如國外一些智慧城市系統(tǒng)為民眾提出了一些出行信息的查詢和實時路況直播；基于這類應用的數據挖掘需求，需要研究和開發(fā)者對交通流進行各類數據挖掘工作，對于傳感器實時采集的動態(tài)海量數據挖掘算法的深入研究；比如發(fā)現(xiàn)交通狀況之間的關聯(lián)關系、復雜時空查詢、分析交通流的擁堵模型等。

1交通大數據平臺的架構及特性

隨著我國城市化進程的推進，為了緩解城市交通擁堵問題，各級政府紛紛重視城市中各類交通基礎設施修建，比如開展空間立體化城市交通體規(guī)劃與修建，包括城市的地鐵、多層高架橋、隧道等。但是城市地面空間有限，因此城市地下隧道和地鐵正逐漸成為提高城市交通高效性的首選。

本文所研究的智能交通系統(tǒng)主要是針對這類隧道以城市隧道監(jiān)控系統(tǒng)研究設計的。以湖北省武漢市為例，如圖1所示近年的城市交通擴建工程中，不但修建了地鐵，還修建了武昌與漢口之間的過江隧道、東湖景區(qū)的湖底隧道等多種形式的城市隧道。圖1中紅色線段標注所示為武漢市的主要城市長隧道，比如：修建于2012年的武漢市漢口火車站地下隧道，全長1100 m，它地處武漢市的二環(huán)線上；2011年投入使用的武漢市水果湖隧道，全長1735 m，是城市二環(huán)線武昌段的重要交通樞紐點；又如其他一些城市中型隧道，2008年完工的武漢市漢陽開發(fā)區(qū)國博隧道全長870 m，屬于城市中型隧道，位于武漢市三環(huán)線附近，是武漢市國際博覽中心的重要配套道路。

圖1　武漢市主要隧道

以上這類城市隧道已逐漸成為武漢市交通的一個亮點，本文作者通過多年在以上隧道設計施工的工作經驗中針對隧道監(jiān)控系統(tǒng)多樣性和復雜性的相關研究進行了分析與研究。在物聯(lián)網發(fā)展大潮下，面對當前城市交通智能化高速發(fā)展，但是又缺失標準化、統(tǒng)一化、智能化的網絡體系標準的現(xiàn)狀；我們需要提出一個新的概念，即基于城市交通隧道智能監(jiān)控系統(tǒng)的網絡體系，本文將這類網絡定義為“城市隧道交通的大數據平臺”。

隨著城市化進程的推進，對交通網絡的信息技術需求日益增長，面對龐大的交通數據如何將各類分散的數據進行集中存儲、分析、管理是一個重要的研究課題。針對實際需求，本文提出的城市隧道交通大數據平臺是一個以物聯(lián)網理論為研究基礎，對現(xiàn)有的城市隧道監(jiān)控系統(tǒng)進行標準化、智能化的聯(lián)網應用。其體系結構是構建城市隧道交通大數據平臺理論的實踐基礎。同時在大數據時代可以借鑒大數據分析與計算機軟件工程的研究經驗，針對城市隧道交通大數據平臺的復雜數據特性和網絡異構性，本文將平臺從下至上分為5層，它們依次是：感知層、傳輸轉換層、數據存儲層、智能數據分析層、應用服務層[1]。

2交通大數據

2.1智能交通復雜異構性

隨著物聯(lián)網技術的不斷發(fā)展和廣泛應用，對于智慧交通網絡中的各類車輛進行實時有效的感知監(jiān)控已經逐步實現(xiàn)。然而這類利用大量傳感器及RFID電子標簽，并通過GIS進行實時傳輸的復雜數據難以進行統(tǒng)一格式的數據存儲、數據管理和數據分析。由于智能交通技術不斷創(chuàng)新發(fā)展，不同年代修建的隧道監(jiān)控系統(tǒng)硬件及開發(fā)軟件系統(tǒng)都有著明顯的差異。因此綜合以上各類因素，整合現(xiàn)有隧道交通系統(tǒng)獲得面向智能交通的大數據，需要解決數據的復雜異構性。

2.2隧道數據復雜異構性

數據異構性首先表現(xiàn)為“系統(tǒng)異構”，即由隧道內硬件和系統(tǒng)所選用的操作系統(tǒng)、通信系統(tǒng)的不同所產生的異構。如圖2所示4張數據表定義，在較早修建的武漢市中山路隧道(2006年修建完成)采用的是Windows 2000 Server 中文版的網絡操作系統(tǒng)和SQL Server 2000數據庫管理系統(tǒng)；而修建于2011年的武漢市水果湖隧道采用的是Windows 2003 Server 中文版的網絡操作系統(tǒng)和SQL Server 2008數據庫管理系統(tǒng)。

圖2　隧道交通數據表的基本定義匯總

2.3數據融合及分析

通過多源數據融合技術，能形成更加豐富的交通信息，在一定準則下進行自動分析，能更有效完成所需的交通決策和評估。

城市隧道交通的大數據平臺監(jiān)控信息主要是針對武漢市各個隧道的大數據進行融合處理的研究，對于城市隧道交通的大數據平臺交通流進行實時高效地信息采集、分析及融合處理、發(fā)布系統(tǒng)。融合當前先進的信號處理及數據分析技術，實現(xiàn)智能交通大數據的集成開發(fā)和應用[1,2]。近年來許多國外研究機構也對此進行了深入研究，比如麻省理工大學ITS實驗室Antonious C等研究了在線和離線的動態(tài)交通分配模型[3]，和實時多傳感器多源網絡數據融合模型。

我國對于交通監(jiān)控多源信息融合的研究才剛剛起步。近年來，智能交通系統(tǒng)研究較多集中在交通信息的采集與發(fā)布，更為核心的交通監(jiān)控信息融合處理研究較少，還沒有實現(xiàn)多源交通信息的融合處理和應用。有些研究在構建城市ITS系統(tǒng)，如吉林大學交通學院的ATMS平臺提供基于關系模式的數據融合[4]；北京交通大學提出一種通用的數據組件元模型,在元模型中定義了相應交通信息集成的語法和語義[5～7]。但是這些方法并未提供進一步的多源數據融合與協(xié)同共享。特別是在城市隧道監(jiān)控中存在交通、環(huán)境和設備參數等多種數據，如何從不同層次不同階段對這些數據有效融合與高效挖掘，為決策提供支持，尚無深入的研究。

目前，面向智能交通大數據的信息融合還未形成基本的理論框架和有效的廣義融合模型和算法。本文針對城市多個隧道的智能監(jiān)控系統(tǒng)，提出面向城市智慧交通網絡中的多個隧道智能監(jiān)控系統(tǒng)大數據關聯(lián)分析方法。

3大數據分析模型

3.1分析模型

智慧交通數據分析是交通系統(tǒng)的重要研究內容，傳統(tǒng)交通數據模型是描述交通流狀態(tài)變量(速度、密度和流量)隨時間和空間變化、分布規(guī)律及交通控制變量之間關系的方程式或映射。隨著智能交通系統(tǒng)的發(fā)展，不斷產生一些新的應用和新的分析任務，如分析道路交通擁堵模型、發(fā)現(xiàn)道路交通狀況之間的關聯(lián)關系、預測未來一段時間的道路交通狀況等[8～11]。

3.2算法

根據城市隧道交通大數據平臺中與交通擁堵最密切相關的兩個變量數據車速Speed和車流量Cll為模型的訓練樣本，通過智能交通關聯(lián)數據挖掘算法得到當發(fā)生交通擁堵的時候，隧道間的關聯(lián)規(guī)則狀態(tài)Situation。

Step1：輸入隧道車速Speed、車流量Cll和隧道堵車狀態(tài){Situation}為智能交通關聯(lián)數據挖掘模型計算規(guī)則的特征向量；

Step2：利用訓練樣本獲得誤差值最小的支持向量機模型{Situation}；

Step3：獲得模型參數并根據給定的測試樣本通過模型獲得預測值隧道堵車狀態(tài)；

Step4：計算預測精度，推導關聯(lián)性；

4實驗

4.1分組實驗及相關結果

首先根據智能交通關聯(lián)數據挖掘算法的主要思想，完成五個隧道獨立的交通狀態(tài)規(guī)則挖掘。即通過每個隧道自己的歷史數據作為訓練數據，通過挖掘算法得到一定準確度的規(guī)則判斷結果。

實驗訓練樣本包含的特征項：隧道車流量、隧道車速、隧道堵車實際值。首先，輸入訓練樣本數據，調用svmtrain函數對訓練樣本進行訓練，建立SVM模型；輸入測試樣本，根據SVM模型調用svmpredict函數測試樣本進行預測；然后就可以得到隧道堵車狀態(tài){Situation}的預測值。最后將實際值與預測值進行比對，得出算法預測的正確率。分別使用ITS中的5個隧道TA、TB、TC、TD、TE的相關數據集，經過智能交通關聯(lián)數據挖掘算法得到的預測結果正確率如表1所示。

表1　隧道TA、TB、TC、TD、TE獨立預測結果

4.2實驗結果關聯(lián)性

城市隧道交通大數據平臺內三個隧道之間的關聯(lián)分析如表2所示。隧道TA、TB、TC、TE規(guī)則推理如表3～6所示。

表2　城市隧道交通大數據平臺內三個隧道之間的關聯(lián)

表3　隧道TA規(guī)則推理

表4　隧道TB規(guī)則推理

表5　隧道TC規(guī)則推理

表6　隧道TE規(guī)則推理

由表3～6，可知：

(1)表3的實驗結果說明隧道TA和TC存在交通狀態(tài)的關聯(lián)性，即會發(fā)生交通擁堵的關聯(lián)影響，根據分析可得交通狀態(tài)關聯(lián)規(guī)則：TC→TA。

(2)表4的實驗結果說明隧道TB和隧道TA、TC不存在交通狀態(tài)的關聯(lián)性，即不會發(fā)生交通擁堵的關聯(lián)影響。

(3)表5的實驗結果說明隧道TC和TA存在交通狀態(tài)的關聯(lián)性，即會發(fā)生交通擁堵的關聯(lián)影響，根據分析可得交通狀態(tài)關聯(lián)規(guī)則：TA→TC。

(5)表6的實驗結果說明隧道TC和TE存在交通狀態(tài)的關聯(lián)性，即會發(fā)生交通擁堵的關聯(lián)影響，根據分析可得交通狀態(tài)關聯(lián)規(guī)則：TC→TE。

5結語

本文主要研究了基于城市智能交通網絡中存在的隧道交通擁堵關聯(lián)性；并針對隧道交通擁堵這一特性，提出了智能交通大數據關聯(lián)規(guī)則挖掘算法。通過多組次的實驗分析，挖掘出各個隧道之間基于擁堵的關聯(lián)性；實現(xiàn)了面向城市智能交通網絡大數據應用分析的全局性和關聯(lián)性。一方面表明城市智能交通網絡內各個隧道由于地理位置臨近，容易產生空間維度特性的交通擁堵關聯(lián)性；另一方面表明城市智能交通網絡中各個隧道由于在整個城市隧道交通大數據平臺內所承擔的交通疏導能力和交通運輸影響力相近，也容易產生屬性維度特性的交通擁堵關聯(lián)性。

參考文獻

[1]吳珺. 隧聯(lián)網結構及智能監(jiān)控數據分析[D]. 武漢:武漢理工大學, 2013.

[2]Fr mling K, Holmstr m J, Loukkola J, et al. Sustainable PLM through intelligent products[J]. Engineering Applications of Artificial Intelligence, 2013, 26(2):789-799.

[3]Sung W T, Chiang Y C. Improved particle swarm optimization algorithm for android medical care IOT using modified parameters[J]. Journal of Medical Systems, 2012, 36(6):3755-3763.

[4]韓祥臨. 基于智能交通系統(tǒng)的交通流建模和擁堵控制研究[D]. 上海:上海大學, 2010.

[5]李銳. 基于本體的報警關聯(lián)知識庫的研究[D]. 北京:北京交通大學, 2008.

[6]Houtsma M, Swami A. Set-oriented Mining for Association Rules in Relational Databases[C]∥Data Engineering, 1995. Proceedings of the Eleventh International Conference on. IEEE, 1995: 25-33.

[7]Chen Chen, Yan Xifeng, Zhu Feida, et al.Graph OLAP: a multi-dimensional framework for graph data analysis[J]. Knowledge and Information Systems, 2009, 21(1): 41-63.

[8]Li Yuan, Hou Mingjun, Liu Heng, et al. Towards a theoretical framework of strategic decision, supporting capability and information sharing under the context of internet of things[J]. Information Technology and Management, 2012, 13(4):205-216.

[9]Ruiz R, Maroto C , Alcaraz J. A decision support system for a real vehicle routing problem[J]. European Journal of Operational Research, 2004, 153(3):593-606.

[10]楊一文, 藺玉佩. 基于專家知識的模糊時間序列預測模型及應用[J]. 系統(tǒng)管理學報, 2012, 21(1):120-125.

[11]Morales A. The long and tortuous history of the discovery of testosterone and its clinical application[J]. The Journal of Sexual Medicine, 2013, 10(4):1178-1183.

[12]吳珺， 謝樹泉, 王春枝. 基于語義的隧聯(lián)網數據整合方法[J]. 智能系統(tǒng)學報, 2014, 9(6):704-708.

Big Data Analysis and Application Based on Intelligent Tunnel Traffic

WUJun1,2,WANGChun-zhi1

(1.School of Computer Science，Hubei University of Technology , Wuhan 430068, China;2. a.School of Materials Science and Engineering; b.Hubei Key Laboratory of Transportation Internet of Things, Wuhan University of Technology, Wuhan 430070, China)

Abstract:With the development of information technology including the Cloud Computing and the Internet of Things technology, it is important to study about the fusion on the urban transportation and the Internet of Things technology. So this fusion research could promote the urban tunnel network towards a much more high-tech, information, intelligent direction of development. This paper studies the Association Analysis methods for Big Data in ITS(Intelligent Transportation System). Firstly, it obtains the relevant factors by analyzing the performance of various types of traffic jams in multi-source of ITS Big Data. Secondly, it gets through a lot of related forecasting model training from these sample data. Finally, it is used to predict whether the occurrence of traffic congestion, furthermore to make the association analysis about these traffic congestion situation in ITS. Grouping experimental results and related analysis show that this paper proposed method can achieve the traffic congestion associated with the occurrence of multiple tunnel analysis, and it also can achieve good results of analysis applications based on Big Data in ITS.

Key words：city tunnels; big data; ITS(intelligent transportation system)

中圖分類號：U495

文獻標識碼：A

文章編號：2095-0985(2016)02-0062-05

基金項目：國家自然科學基金(61502155)；湖北省自然科學基金(2014CFB590)；湖北工業(yè)大學博士啟動基金(BSQD13039)；湖北省住房和城鄉(xiāng)建設廳資助項目(鄂建文[2014]54號-51)；武漢理工大學交通物聯(lián)網技術湖北省重點實驗室資助項目(2015Ⅲ015-A03)

作者簡介：吳珺(1984-)，女，湖北武漢人，講師，博士，研究方向為智慧城市交通、物聯(lián)網及數據挖掘(Email：wujun@whut.edu.cn)

收稿日期：2015-07-25修回日期： 2015-11-27