面向大數(shù)據(jù)的客流量分流決策支持系統(tǒng)設(shè)計(jì)

彭秦晉

(晉中學(xué)院 繼續(xù)教育學(xué)院,山西 晉中 030600)

0 引 言

隨著城市交通流的不斷增大,城市交通擁堵的壓力不斷增大,需要對(duì)交通客流進(jìn)行優(yōu)化疏導(dǎo)和分流,避免交通擁堵,提高城市交通以及客流的分流效率,從而優(yōu)化城市交通以及路網(wǎng)建設(shè)[1]。研究客流量的分流調(diào)度技術(shù),在智能交通信息平臺(tái)的建設(shè)以及交通路網(wǎng)組網(wǎng)設(shè)計(jì)等領(lǐng)域都具有很好的應(yīng)用價(jià)值。隨著智能交通系統(tǒng)的不斷發(fā)展,客流量分流大數(shù)據(jù)的智能管理技術(shù)不斷提高,對(duì)客流量分流大數(shù)據(jù)進(jìn)行智能決策支持、控制以及優(yōu)化識(shí)別,結(jié)合ZigBee無線傳感器組網(wǎng)技術(shù)和大數(shù)據(jù)信息處理技術(shù)[2-3],實(shí)現(xiàn)對(duì)客流量分流大數(shù)據(jù)的有效監(jiān)測(cè)和調(diào)度,及客流分流的在線決策和支持控制。相關(guān)的系統(tǒng)設(shè)計(jì)方法研究受到人們的極大重視。

隨著交通客流大數(shù)據(jù)基礎(chǔ)數(shù)據(jù)庫建設(shè)不斷完善,本系統(tǒng)采用大數(shù)據(jù)信息管理技術(shù),進(jìn)行客流調(diào)度和分流,結(jié)合ZigBee無線傳感器組網(wǎng)技術(shù),進(jìn)行客流分流的在線實(shí)時(shí)監(jiān)測(cè)[4],使得智能交通系統(tǒng)的綜合調(diào)度信息和數(shù)據(jù)收集變得簡單可行,也提高了客流量分流大數(shù)據(jù)管理的實(shí)時(shí)性。對(duì)ZigBee無線傳感器組網(wǎng)環(huán)境下的客流量分流大數(shù)據(jù)決策支持和控制方法研究是建立在對(duì)客流量分流大數(shù)據(jù)聚類和信息集成處理基礎(chǔ)上的,根據(jù)客流量分流大數(shù)據(jù)的分類屬性進(jìn)行信息聚類處理,文獻(xiàn)[5]提出一種基于類間閉頻繁項(xiàng)集挖掘的客流量分流決策支持系統(tǒng)設(shè)計(jì)方法,采用連續(xù)模板匹配技術(shù)進(jìn)行客流量分流大數(shù)據(jù)的分布式數(shù)據(jù)結(jié)構(gòu)分析和閉頻繁項(xiàng)集挖掘,提高客流分流的自適應(yīng)性,但該方法計(jì)算開銷較大,客流分流的實(shí)時(shí)控制性不好;文獻(xiàn)[6]提出一種基于改進(jìn)關(guān)聯(lián)規(guī)則網(wǎng)格聚類的客流分流及信息調(diào)度方法,結(jié)合模式識(shí)別技術(shù)進(jìn)行客流量分流大數(shù)據(jù)的屬性自適應(yīng)聚類處理,采用量化融合跟蹤方法進(jìn)行客流量分流大數(shù)據(jù)挖掘和特征決策支持和控制,該方法在進(jìn)行客流分流控制的均衡性不好[7]。

針對(duì)上述問題,本文提出一種基于大數(shù)據(jù)融合調(diào)度和模糊控制的客流量分流決策支持系統(tǒng),通過仿真實(shí)驗(yàn)分析,說明該系統(tǒng)在客流量分流大數(shù)據(jù)的實(shí)時(shí)調(diào)度、提高客流量分流決策支持能力等諸多方面具有明顯優(yōu)勢(shì)。

1 節(jié)點(diǎn)定位和數(shù)據(jù)采集

1.1 節(jié)點(diǎn)的優(yōu)化定位設(shè)計(jì)

為了實(shí)現(xiàn)客流量分流大數(shù)據(jù)的優(yōu)化決策支持和控制,首先需要構(gòu)建大數(shù)據(jù)環(huán)境下的客流量分流ZigBee組網(wǎng)結(jié)構(gòu)模型，結(jié)合數(shù)據(jù)分布結(jié)構(gòu)模型進(jìn)行ZigBee無線傳感器組網(wǎng)的優(yōu)化組網(wǎng)設(shè)計(jì)[8-9],對(duì)于一組連續(xù)的客流量分流大數(shù)據(jù),采用連續(xù)相關(guān)檢測(cè)技術(shù)進(jìn)行客流量分流大數(shù)據(jù)的分布式數(shù)據(jù)結(jié)構(gòu)分析,基于混合CS的分簇?cái)?shù)據(jù)收集方案[10],通過式(1)計(jì)算客流量分流ZigBee節(jié)點(diǎn)的定位中心:

(1)

式中：ηij(k)為分簇?cái)?shù)據(jù)收集的量化特征集；i為ZigBee無線傳感器組網(wǎng)的節(jié)點(diǎn)個(gè)數(shù)，總節(jié)點(diǎn)數(shù)用N表示；j為客流量分流迭代次數(shù)，總迭代次數(shù)用M表示；li(k)為節(jié)點(diǎn)位置函數(shù)；lj(k)為客流量分流函數(shù)。結(jié)合混合CS的分簇調(diào)度方法,進(jìn)行客流量分流ZigBee節(jié)點(diǎn)拓?fù)湓O(shè)計(jì),實(shí)現(xiàn)客流量分流決策支持系統(tǒng)的ZigBee節(jié)點(diǎn)定位設(shè)計(jì)[11],實(shí)現(xiàn)流程如圖1所示。

圖 1 客流量分流決策支持系統(tǒng)的ZigBee節(jié)點(diǎn)定位設(shè)計(jì)

1.2 客流量分流的大數(shù)據(jù)采集分析

將客流量分流的ZigBee無線傳感器組網(wǎng)節(jié)點(diǎn)劃分為C個(gè)簇[12-14],又因?yàn)檎麄€(gè)客流量分流大數(shù)據(jù)傳輸?shù)腪igBee無線傳感器組網(wǎng)網(wǎng)絡(luò)中簇的總數(shù)為N/(λa2),其中，λ為分簇系數(shù)，a為分簇次數(shù)。因此可得在整個(gè)網(wǎng)絡(luò)感知區(qū)域中,客流量分流大數(shù)據(jù)決策支持和控制方法為

(2)

(3)

對(duì)采集得到的客流量分流大數(shù)據(jù)進(jìn)行線性規(guī)劃的數(shù)學(xué)表達(dá)，即

(4)

通過控制ZigBee無線傳感器組網(wǎng)節(jié)點(diǎn)進(jìn)行客流量分流大數(shù)據(jù)的信息融合和大數(shù)據(jù)挖掘,采用定量回歸分析方法實(shí)現(xiàn)客流量分流大數(shù)據(jù)的在線控制和自適應(yīng)均衡調(diào)度[15]。

2 融合調(diào)度與決策支持

2.1 大數(shù)據(jù)融合調(diào)度

(5)

式中：d為均衡調(diào)度;K為決策系數(shù)；KL′為客流量分流控制的決策支持度。在得到客流量分流控制的決策支持度后,進(jìn)行客流量分流決策大數(shù)據(jù)融合,其結(jié)果為

(6)

在上述分析的基礎(chǔ)上,得到客流量分流大數(shù)據(jù)的融合調(diào)度規(guī)則，通過次數(shù)ni的迭代,實(shí)現(xiàn)最優(yōu)化的客流分流調(diào)度和自適應(yīng)控制。

2.2 決策支持優(yōu)化

(7)

客流量分流決策支持優(yōu)化函數(shù)為

(8)

根據(jù)上述分析,基于大數(shù)據(jù)融合調(diào)度和模糊控制方法,實(shí)現(xiàn)客流量分流決策支持調(diào)度。

3 仿真實(shí)驗(yàn)分析

為了測(cè)試本文算法在實(shí)現(xiàn)客流量分流決策支持和客流量的均衡調(diào)度中的應(yīng)用性能,采用仿真實(shí)驗(yàn)進(jìn)行性能分析,實(shí)驗(yàn)環(huán)境為Pentium(R)4 CPU,在MapReduce編程框架進(jìn)行客流量分流信息管理和決策支持系統(tǒng)設(shè)計(jì),采用Matlab進(jìn)行混合編程實(shí)現(xiàn)客流量分流的大數(shù)據(jù)信息處理和均衡調(diào)度算法的設(shè)計(jì),初始化客流量分流控制的模糊概念集合為

(9)

(10)

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定,進(jìn)行客流量分流決策仿真,得到原始客流量大數(shù)據(jù)如圖2所示。

圖 2 客流量分布大數(shù)據(jù)Fig.2 Big data of passenger flow distribution

以圖2的客流量大數(shù)據(jù)為測(cè)試集,進(jìn)行客流分流和均衡調(diào)度,得到分流輸出結(jié)果如圖3所示。

圖 3 客流分流決策輸出Fig.3 Decision output of passenger flow diversion

分析圖3得出,本文方法進(jìn)行客流分流的均衡調(diào)度性能較好,提高了客流分流決策和在線控制能力。

傳感器網(wǎng)絡(luò)節(jié)點(diǎn)的定位是實(shí)現(xiàn)客流量分流的關(guān)鍵步驟, 節(jié)點(diǎn)定位精度直接影響客流量分流精度。為了驗(yàn)證所提方法的大數(shù)據(jù)信息搜集節(jié)點(diǎn)定位過程去噪效果, 在 Matlab 平臺(tái)中對(duì)此進(jìn)行測(cè)試, 本次測(cè)試的操作系統(tǒng)為 Windows, 硬盤容量為 500 GB, 內(nèi)存容量為 16 GB,電源功率為 300 W。在無線傳感器節(jié)點(diǎn)中存在大量的噪聲,會(huì)嚴(yán)重影響信息節(jié)點(diǎn)的定位結(jié)果,從而影響客流量分流精度。分別采用本文所提方法、 基于類間閉頻繁項(xiàng)集挖掘的客流量分流決策支持系統(tǒng)設(shè)計(jì)方法[5]、 基于改進(jìn)關(guān)聯(lián)規(guī)則網(wǎng)格聚類的客流分流及信息調(diào)度方法[6]進(jìn)行對(duì)比實(shí)驗(yàn), 其節(jié)點(diǎn)去噪以及客流量分流精度結(jié)果見圖4。

(a) 本文方法

(b) 文獻(xiàn)[5]方法

(c) 文獻(xiàn)[6]方法圖 4 3種不同方法下的節(jié)點(diǎn)去噪結(jié)果

對(duì)比3種不同方法的測(cè)試結(jié)果可知， 所提方法對(duì)節(jié)點(diǎn)的噪聲去除效果明顯，提高了節(jié)點(diǎn)定位的精度，從而實(shí)現(xiàn)客流量分流精度的優(yōu)化。

為了進(jìn)一步驗(yàn)證所提方法的整體有效性， 將本文方法與傳統(tǒng)方法進(jìn)行客流量分流的均衡性對(duì)比， 結(jié)果如圖5所示。從圖5可知， 本文系統(tǒng)在調(diào)度性能、 自適應(yīng)均衡配置能力、 在線決策和支持性能等方面均有明顯優(yōu)勢(shì)， 提高了客流量分流的效率。

圖 5 客流量分流的均衡性對(duì)比

4 結(jié) 語

對(duì)客流量分流大數(shù)據(jù)進(jìn)行智能決策支持和控制和優(yōu)化識(shí)別，結(jié)合ZigBee無線傳感器組網(wǎng)技術(shù)和大數(shù)據(jù)信息處理技術(shù)，對(duì)客流量分流大數(shù)據(jù)的有效監(jiān)測(cè)和調(diào)度，實(shí)現(xiàn)客流分流的在線決策和支持控制。本文提出一種基于大數(shù)據(jù)融合調(diào)度和模糊控制的客流量分流決策支持系統(tǒng)，采用分布式無線傳感器組網(wǎng)技術(shù)進(jìn)行客流量分流決策的大數(shù)據(jù)采集和信息搜集節(jié)點(diǎn)定位設(shè)計(jì)，通過控制無線傳感器組網(wǎng)節(jié)點(diǎn)進(jìn)行客流量分流大數(shù)據(jù)的信息融合和大數(shù)據(jù)挖掘，采用定量回歸分析方法進(jìn)行客流量分流大數(shù)據(jù)的在線控制和自適應(yīng)均衡調(diào)度，結(jié)合傳感信息融合識(shí)別方法，提高對(duì)客流量分流大數(shù)據(jù)的綜合特征提取能力，結(jié)合模糊聚類方法實(shí)現(xiàn)對(duì)客流量分流大數(shù)據(jù)的屬性分類，根據(jù)分類結(jié)果進(jìn)行客流量分流決策和在線控制，實(shí)現(xiàn)對(duì)客流量分流的決策支持系統(tǒng)的優(yōu)化設(shè)計(jì)。研究得知，本文方法進(jìn)行客流量分流決策的調(diào)度性能較好，對(duì)客流量分流的自適應(yīng)均衡配置能力較強(qiáng)。