數(shù)據(jù)挖掘技術(shù)在交通控制領(lǐng)域中的應(yīng)用探討

王倩

摘 要：本文主要研究交通大數(shù)據(jù)的信息挖掘關(guān)鍵技術(shù)，研究了如何從海量的結(jié)構(gòu)化的、半結(jié)構(gòu)化以及無結(jié)構(gòu)化的交通數(shù)據(jù)類型中挖掘出有用的知識，充分分析后加以整合，應(yīng)用在城市道路交通控制中，作為決策時(shí)的依據(jù)。本文探討了城市交通控制中各個系統(tǒng)產(chǎn)生的海量數(shù)據(jù)的數(shù)據(jù)特點(diǎn)，以及數(shù)據(jù)挖掘的關(guān)鍵技術(shù)在道路交通控制領(lǐng)域中的應(yīng)用，從理論上的可行性進(jìn)行了有益的探索。

關(guān)鍵詞：數(shù)據(jù)挖掘； 決策支持； 交通控制；

1 引 言

城市道路管理系統(tǒng)的信息來源的多樣性，導(dǎo)致各類數(shù)據(jù)庫中累積了大量的結(jié)構(gòu)化、半結(jié)構(gòu)化和無結(jié)構(gòu)化的數(shù)據(jù)類型，還有其他動態(tài)的復(fù)雜的數(shù)據(jù)信息。而道路交通系統(tǒng)時(shí)刻都產(chǎn)生了大量的數(shù)據(jù)，僅就城市的某一個道路交叉口而言，卡口系統(tǒng)、路口的實(shí)時(shí)監(jiān)控系統(tǒng)、超速檢測系統(tǒng)、闖紅燈違章拍照系統(tǒng)、埋設(shè)在地面下的環(huán)形線圈車輛檢測器等，這些設(shè)備產(chǎn)生了海量的數(shù)據(jù)，且隨著交叉口流量的增多數(shù)據(jù)的增長速度也越來越快。因此，如何存儲和處理這些數(shù)據(jù)，它們在整個交通領(lǐng)域中是否都是有價(jià)值的，成為了研究的重點(diǎn)。

目前處在信息大爆炸的時(shí)代，“數(shù)據(jù)爆炸，知識匱乏”，數(shù)據(jù)挖掘正是從海量的數(shù)據(jù)中發(fā)現(xiàn)潛在的可以描述或者預(yù)測數(shù)據(jù)的特性的知識，達(dá)到知識發(fā)現(xiàn)的目的。工信部發(fā)布的物聯(lián)網(wǎng)“十二五”規(guī)劃中，將信息處理技術(shù)作為4大關(guān)鍵技術(shù)創(chuàng)新工程之一，主要包括海量數(shù)據(jù)存儲、數(shù)據(jù)挖掘和圖像視頻智能分析，可見數(shù)據(jù)挖掘在整個研究領(lǐng)域中的重要程度。道路交通領(lǐng)域作為圖像處理和數(shù)據(jù)挖掘的重要應(yīng)用領(lǐng)域，同樣具備了應(yīng)用大數(shù)據(jù)和數(shù)據(jù)挖掘技術(shù)的可能性。主要研究數(shù)據(jù)挖掘在道路交通控制中的應(yīng)用，是本文重點(diǎn)要探討的問題。接下來先從交通數(shù)據(jù)的數(shù)據(jù)特點(diǎn)開始探究。

本文第2節(jié)介紹了交通大數(shù)據(jù)的數(shù)據(jù)特點(diǎn)，第3節(jié)介紹了數(shù)據(jù)挖掘關(guān)鍵技術(shù)，第4節(jié)探究了數(shù)據(jù)挖掘技術(shù)在道路交通中的應(yīng)用，最后，進(jìn)行了小結(jié)。

2 交通大數(shù)據(jù)的數(shù)據(jù)特點(diǎn)

當(dāng)前在交通領(lǐng)域，監(jiān)控系統(tǒng)、通信系統(tǒng)、信息采集系統(tǒng)、綜合管理平臺系統(tǒng)無時(shí)無刻不在產(chǎn)生海量的數(shù)據(jù)。大數(shù)據(jù)都具備了“4V”特性：規(guī)模性（volume）、多樣性（variety）、高速性（velocity）和價(jià)值性（value）。

其中規(guī)模性（volume）集中體現(xiàn)在數(shù)據(jù)的規(guī)模上，當(dāng)前處在信息大爆炸的時(shí)代，在交通領(lǐng)域無時(shí)無刻不在產(chǎn)生著海量的數(shù)據(jù)，數(shù)據(jù)的規(guī)模也從PB、EB級甚至擴(kuò)展到ZB級。由此可見在交通領(lǐng)域數(shù)據(jù)量巨大。

交通大數(shù)據(jù)的多樣性（variety）主要體現(xiàn)在交通數(shù)據(jù)來源眾多，數(shù)據(jù)類型多樣，如車輛檢測器采集到的交通流參數(shù)，監(jiān)控系統(tǒng)采集到的圖像和視頻類數(shù)據(jù)，交通管控中心從不同的監(jiān)控中心收集到的音視頻以及圖像等數(shù)據(jù)，闖紅燈違章拍照系統(tǒng)采集的違章信息等不同來源的數(shù)據(jù)類型，共同構(gòu)成了交通大數(shù)據(jù)的多樣性。

交通大數(shù)據(jù)的高速性（velocity）主要體現(xiàn)在對交通數(shù)據(jù)處理的時(shí)效性上，即在規(guī)定的時(shí)間內(nèi)及時(shí)處理，如交通異常事件檢測系統(tǒng)中，一旦系統(tǒng)發(fā)出火災(zāi)、車禍等異常事件預(yù)警，一般都需要在很短的時(shí)間內(nèi)進(jìn)行及時(shí)的響應(yīng)。

交通大數(shù)據(jù)的價(jià)值性（value）集中體現(xiàn)在決策支持上，即通過數(shù)據(jù)挖掘關(guān)鍵技術(shù)從海量的大數(shù)據(jù)中挖掘出能夠支持決策的有用的知識。

同時(shí)，也必須看到，由于交通領(lǐng)域數(shù)據(jù)的特殊性，也具備了數(shù)據(jù)存儲分散的特點(diǎn)，不同部門之間，不同城市之間，甚至不同地點(diǎn)之間都有可能存在著多種多樣的數(shù)據(jù)，存儲位置的分散性導(dǎo)致了在信息共享方面的不足。針對以上特點(diǎn)，第3節(jié)重點(diǎn)介紹數(shù)據(jù)挖掘關(guān)鍵技術(shù)。

3 數(shù)據(jù)挖掘關(guān)鍵技術(shù)

在通常的大數(shù)據(jù)挖掘技術(shù)中，一般都是指基于大規(guī)模文件系統(tǒng)的數(shù)據(jù)挖掘技術(shù)，例如基于數(shù)據(jù)庫的數(shù)據(jù)提取、數(shù)據(jù)倉庫集群處理等[1]。 相較于單純的數(shù)據(jù)分析和處理，數(shù)據(jù)挖掘一般不預(yù)先設(shè)定主題，只需在處理后的數(shù)據(jù)上使用現(xiàn)有算法或改進(jìn)算法進(jìn)行計(jì)算或預(yù)測，實(shí)現(xiàn)數(shù)據(jù)分析的高級需求。數(shù)據(jù)挖掘可以看作是知識發(fā)現(xiàn)（KDD）其中一個步驟，針對有關(guān)數(shù)據(jù)選擇合適的模型或算法。其中最為經(jīng)典的算法主要有用于聚類的K-Means、用于統(tǒng)計(jì)學(xué)習(xí)的支持向量機(jī)SVM和用于分類的樸素貝葉斯（Naive Bayes），數(shù)據(jù)挖掘的算法原理都相對來說很復(fù)雜，計(jì)算量和數(shù)據(jù)量也很大。數(shù)據(jù)挖掘在具體應(yīng)用時(shí)主要面臨的挑戰(zhàn)有大型的數(shù)據(jù)庫，高維的數(shù)據(jù)，統(tǒng)計(jì)的有效性和準(zhǔn)確性，數(shù)據(jù)的改變導(dǎo)致的模型的改變等一系列的挑戰(zhàn)。

第3節(jié)主要研究數(shù)據(jù)挖掘的關(guān)鍵技術(shù)及其在交通控制領(lǐng)域中的應(yīng)用探究?？傮w而言，在城市道路交通控制領(lǐng)域，數(shù)據(jù)挖掘技術(shù)可以應(yīng)用在智能交通系統(tǒng)中的決策支持子系統(tǒng)中。

3.1 數(shù)據(jù)挖掘經(jīng)典分析法

從功能上進(jìn)行分類，數(shù)據(jù)挖掘主要分成兩大類：分類和預(yù)測。

分類算法對特定的樣本訓(xùn)練和學(xué)習(xí)，發(fā)現(xiàn)新的知識，并且能夠在給定一個新的樣本后，自動對其類別歸屬進(jìn)行預(yù)測。具體而言，分類過程主要有兩大步驟：首先，建立一個可以描述數(shù)據(jù)集和概念集的模型，假定每個樣本屬于一個預(yù)定義的類，由類標(biāo)屬性確定訓(xùn)練集，形成訓(xùn)練樣本，單個樣本可以由分類規(guī)則、統(tǒng)計(jì)學(xué)、判定樹等方法提供。

其次使用在第一步中建立的模型，對新加進(jìn)來的未知樣本進(jìn)行分類。首先評估模型的預(yù)測準(zhǔn)確率，對每個測試樣本，將已知的類標(biāo)和該樣本的預(yù)測類進(jìn)行比較，統(tǒng)計(jì)測試集的被正確分類的百分比。其中，給定的測試集必須獨(dú)立于訓(xùn)練集，以免出現(xiàn)“過分適應(yīng)數(shù)據(jù)”的情況。

比較經(jīng)典的分類算法主要有樸素貝葉斯、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、J48等，從這些經(jīng)典算法中也擴(kuò)展了不少的改進(jìn)算法，提升分類器的分類效果。

預(yù)測是構(gòu)造和使用模型評估無樣本類，或評估給定樣本可能具有的屬性或值空間。和分類法相同之處在于都需要構(gòu)建模型來估計(jì)未知值。只是分類法主要是用來預(yù)測類標(biāo)，預(yù)測法主要是用來估計(jì)連續(xù)值，且預(yù)測更多的采用線性、非線性回歸等統(tǒng)計(jì)學(xué)的手段進(jìn)行，大都用在商業(yè)領(lǐng)域中。endprint

在數(shù)據(jù)挖掘過程中，對數(shù)據(jù)的預(yù)處理可以提高模型的準(zhǔn)確性和有效性。預(yù)處理的方法主要有數(shù)據(jù)清洗、相關(guān)性分析、數(shù)據(jù)變換等。數(shù)據(jù)清洗主要是為了消除或減少噪聲，減少空缺和錯誤值，減少學(xué)習(xí)時(shí)的混亂，對數(shù)據(jù)中的“臟數(shù)據(jù)”（冗余、噪聲、錯誤、不相關(guān)等）進(jìn)行處理，可以加快數(shù)據(jù)挖掘模型的學(xué)習(xí)速度，使得學(xué)習(xí)結(jié)果更加精確。從而提高模型分析的準(zhǔn)確性。

3.2 大數(shù)據(jù)處理平臺

在智能交通領(lǐng)域中，數(shù)據(jù)瞬息萬變，時(shí)效性非常強(qiáng)，當(dāng)一個或多個數(shù)據(jù)流到來，需要立即對數(shù)據(jù)進(jìn)行處理或存儲，并且很快，數(shù)據(jù)就會失效，失去利用價(jià)值[1]。隨著大數(shù)據(jù)時(shí)代的來臨，應(yīng)對大數(shù)據(jù)的處理平臺也應(yīng)運(yùn)而生，主流的平臺主要有Hadoop、Apache Spark、S4， Storm等。Hadoop 本身存在的缺點(diǎn)是不能有效適應(yīng)實(shí)時(shí)數(shù)據(jù)處理需求，為了克服該局限，一些實(shí)時(shí)處理平臺如S4， Storm 等隨之產(chǎn)生了，他們在處理不間斷的流式數(shù)據(jù)方面有較大的優(yōu)勢[2]。

3.2.1 Hadoop大數(shù)據(jù)處理平臺

Hadoop是一種分布式計(jì)算的大數(shù)據(jù)實(shí)時(shí)處理平臺，實(shí)現(xiàn)了計(jì)算機(jī)集群中的分布式運(yùn)算，在海量大數(shù)據(jù)分析處理中應(yīng)用較為廣泛。它允許用戶在不了解底層細(xì)節(jié)的情況下，開發(fā)分布式應(yīng)用程序，充分利用集群的概念和方法進(jìn)行數(shù)據(jù)的高速運(yùn)算。該框架的核心設(shè)計(jì)是分布式文件系統(tǒng)（HDFS）和MapReduce兩部分組成，通過這兩部分存儲資源、內(nèi)存和程序的有效管理。分布式文件系統(tǒng)（HDFS）為海量的數(shù)據(jù)提供了存儲方法，允許以流的形式訪問文件中的數(shù)據(jù)；MapReduce提供計(jì)算，二者相互獨(dú)立又相互配合。通過Hadoop，可以輕易的將多臺普通的或低性能的服務(wù)器組合成分布式的運(yùn)算-存儲集群，提供大數(shù)據(jù)量的存儲和處理能力。MapReduce通過Map（映射）和Reduce（化簡）來實(shí)現(xiàn)大規(guī)模數(shù)據(jù)的并行計(jì)算。通過Map（映射）函數(shù)，把一組鍵值對映射成一組新的鍵值對；指定并發(fā)的Reduce（化簡）函數(shù)，達(dá)到分散運(yùn)算的效果。

3.2.2 Apache Spark大數(shù)據(jù)處理平臺

Apache Spark是Apache的開源項(xiàng)目之一，可以利用Java、Scala或Python語言編寫程序的大數(shù)據(jù)處理框架，為用戶提供了一個用于管理不同性質(zhì)的數(shù)據(jù)集和數(shù)據(jù)源的大數(shù)據(jù)的處理平臺，它可以提升Hadoop集群在內(nèi)存中的運(yùn)行速度。Spark的處理速度極快，而且支持多種語言為其編寫應(yīng)用，能夠輕松處理實(shí)時(shí)數(shù)據(jù)流，支持復(fù)雜的分析操作[3]。

4 數(shù)據(jù)挖掘技術(shù)在交通領(lǐng)域中的應(yīng)用

在城市交通控制技術(shù)領(lǐng)域，從半結(jié)構(gòu)化甚至無結(jié)構(gòu)化的數(shù)據(jù)類型中挖掘出來的有用的知識或發(fā)現(xiàn)，可以廣泛的應(yīng)用在了智能交通平臺的基礎(chǔ)平臺上，如交通誘導(dǎo)系統(tǒng)，決策支持系統(tǒng)；異常事件檢測系統(tǒng)等。下面從幾個方面說明數(shù)據(jù)挖掘技術(shù)的應(yīng)用。

4.1 交通異常事件檢測

交通異常事件檢測主要是通過圖像或視頻數(shù)據(jù)中發(fā)現(xiàn)異常狀況，也就是在數(shù)據(jù)集中和其他顯著不同的異常事件，如交通擁堵、交通事故、逆向行駛、車輛違章等狀況，通過對這些異常的檢測，可以盡早的發(fā)現(xiàn)事件的發(fā)生，從而為后續(xù)的處理提供科學(xué)而準(zhǔn)確的依據(jù)。

4.2交通運(yùn)行狀態(tài)分析和交通誘導(dǎo)

交通誘導(dǎo)是通過分析車輛檢測器檢測到的各項(xiàng)交通流的參數(shù)，根據(jù)實(shí)時(shí)采集到的數(shù)據(jù)和歷史數(shù)據(jù)記錄的區(qū)別，對交通的實(shí)時(shí)運(yùn)行狀態(tài)進(jìn)行分析，如可以使用關(guān)聯(lián)規(guī)則、聚類、分類等挖掘方法，挖掘出路網(wǎng)規(guī)劃和交通擁堵、交通事故之間的關(guān)系，從而依據(jù)挖掘結(jié)果實(shí)現(xiàn)對當(dāng)前交通運(yùn)行狀態(tài)的準(zhǔn)確而有效的分析，為迅速而快捷的實(shí)現(xiàn)交通誘導(dǎo)做數(shù)據(jù)上的支持。

4.3 指揮中心決策支持

城市道路交通指揮中心是整個交通部門的核心，匯集了城市大小各個路口和道路的各項(xiàng)信息，因此信息量也很巨大，并且數(shù)據(jù)來源也比較廣泛，在做出決策時(shí)，可以采用大數(shù)據(jù)平臺對有用的知識進(jìn)行挖掘，并將這些知識充分應(yīng)用到?jīng)Q策支持中去，為更好的做出決策做充分的準(zhǔn)備。因此進(jìn)行決策支持時(shí)，大數(shù)據(jù)的處理、數(shù)據(jù)挖掘的算法應(yīng)用，都可以有效的應(yīng)用。

指揮中心在進(jìn)行決策支持時(shí)，可以充分運(yùn)用GIS地理信息系統(tǒng)，將整個城市的交通路網(wǎng)顯示在電子地圖上，通過對交通設(shè)施、交通狀態(tài)、交通結(jié)構(gòu)的分析，結(jié)合駕駛員信息、車輛信息、天氣、路況等相關(guān)信息的綜合整合，積極探索這些數(shù)據(jù)內(nèi)部的規(guī)律性，進(jìn)行深層次的數(shù)據(jù)挖掘，為提升整個城市的交通管理水平提供決策支持和數(shù)據(jù)支持。

5 結(jié) 論

隨著我國社會經(jīng)濟(jì)的發(fā)展，交通領(lǐng)域也發(fā)生著巨大的變化，如數(shù)據(jù)來源的多樣性，海量的數(shù)據(jù)類型，多源異構(gòu)數(shù)據(jù)的樹立，大數(shù)據(jù)的分析和處理等，這些變化帶來的不僅僅是巨大的社會價(jià)值，更多的是挑戰(zhàn)。本文探討了數(shù)據(jù)挖掘技術(shù)在交通領(lǐng)域中的應(yīng)用探析，通過對交通大數(shù)據(jù)特點(diǎn)的分析、數(shù)據(jù)挖掘關(guān)鍵技術(shù)、大數(shù)據(jù)平臺應(yīng)用的探討，簡要的分析了數(shù)據(jù)挖掘關(guān)鍵技術(shù)在道路交通控制領(lǐng)域應(yīng)用的可能性，通過應(yīng)用新的技術(shù)和方法，相信可以能夠應(yīng)對越來越嚴(yán)重的交通擁堵、交通事故和環(huán)境污染等一系列的交通問題。

參考文獻(xiàn)：

[1]楊曉牧. 試述大數(shù)據(jù)在智能交通領(lǐng)域的應(yīng)用[J]. 交通節(jié)能與環(huán)保， 2015， 11（1）：76-79.

[2]周為鋼， 楊良懷， 龔衛(wèi)華，等. 大數(shù)據(jù)處理技術(shù)在智能交通中的應(yīng)用[C]// 中國智能交通年會. 2013

[3]于碩， 李澤宇. 交通大數(shù)據(jù)及應(yīng)用技術(shù)研究[J]. 中國高新技術(shù)企業(yè)， 2017（4）.endprint