基于云计算的交通状态感知与诱导技术研究
发布时间：2021-10-02 08:12
交通状态感知与诱导技术是智能交通领域最活跃的研究方向之一,特别是随着云计算技术的发展,推动着交通状态感知与诱导技术的进步。基于云计算的交通状态感知与诱导技术的主要目的就是快速高效寻找交通状态信息中的内在规律,为智能交通系统的设计提供技术支持,有利于优化交通路网,缓解交通拥堵,减少污染。当前基于云计算的交通状态感知与诱导技术研究的重点在于如何设计高效的并行算法模型,其主要有两方面的难题:一方面,由于交通状态信息的特殊性,使得现有数据处理模型无法直接在海量交通状态数据中高效实现;另一方面,由于信息需求者和管控的及时性对时间高度敏感,使得现有的计算模式无法满足实际应用的快速性需求。本文针对当下海量交通状态数据处理面临的问题,分别从大数据聚类算法、浮动车交通参数估计、交通状态信息估计以及大规模交通路网的最短路径诱导算法等方面展开研究。本文完成的主要科研工作总结如下:（1）基于云计算的改进K-means算法本文在研究云计算技术的基础上,设计了一种改进K-Means聚类算法（CK-Means）,该算法由Canopy算法和K-means两种算法生成,主要解决在数据聚类过程中,容易引发局部陷阱迭代次数...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：120 页
【学位级别】：博士
【部分图文】：
技术路线图
图 2.1 云计算技术框架图是一个高度概括的云计算的服务形式视图，并没有包含云计算键技术主要有虚拟化技术、海量分布式存储技术、并行编程模布式资源管理技术、云计算平台管理技术以及绿色节能技术等拟化技术技术是一种调配计算资源的方法，它将应用系统的不同层面、存储等)一一隔离开，从而打破数据中心、服务器、存储、理设备之间的划分，实现架构动态化，达到集中管理和动态试，以提高系统结构的弹性和灵活性、降低成本、改进服务、减打开了云计算的大门，实现了跨系统的资源动态调度，将大量池，用于动态创建高度虚拟化的资源供给用户使用，从而最
需再计算数据，基于此，聚类算法效率大大提升。此外，这个部分得到的最终 Canopy集合将作为第二个问题的输入初始值。第二个部分就是使用 K-means 算法对第一个部分数据进行分析，并利用定义 1、定义 2 和定义 3 对聚类进行分析。CK-means 算法执行流程如图 3-12 所示。定义 1（Canopy 定义）：给定数据集合 uiniU | 1,2,3,...，其中， xUi ，符合{ic | ||||ij x c}≤1T , cUijj , }则集合ix ，即归为 集， 表示 集合半径，jc 表示 中心点。定义 （2iSSE ）：簇iC 的平方误差和表示本簇内的全部点到该簇中心距离的平方和，如式（3-6）所示。 ixciiSSEdistcx2,（3-6）
【参考文献】：
期刊论文
[1]不同周期信号交叉口间的相位差优化模型[J]. 鄢小文,徐建闽,荆彬彬. 华南理工大学学报(自然科学版). 2017(06)
[2]一种改进的交通网络路径选择算法[J]. 段明义,张文. 公路交通科技. 2016(11)
[3]基于GPS浮动车数据的交通信息时空分布研究[J]. 沈敬伟,周廷刚,朱晓波. 西南大学学报(自然科学版). 2015(08)
[4]基于云环境K-means聚类的并行算法[J]. 高榕,李晶,肖雅夫,祝孙静,彭卫平. 武汉大学学报(理学版). 2015(04)
[5]云计算在智能交通中的应用[J]. 向师仲,李建海,李敏,李学军,康志华. 交通运输工程与信息学报. 2015(02)
[6]多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J]. 周素红,郝新华,柳林. 地理学报. 2014(12)
[7]路段行程时间估计的浮动车数据挖掘方法[J]. 李慧兵,杨晓光,罗莉华. 交通运输工程学报. 2014(06)
[8]基于浮动车数据的交通状态估计精度仿真评价[J]. 唐克双,梅雨,李克平. 同济大学学报(自然科学版). 2014(09)
[9]基于交通信息时效性的车辆路径优化方法[J]. 张林,米雪玉,王彬. 公路交通科技(应用技术版). 2014(06)
[10]基于云计算的并行K-means聚类算法研究[J]. 谢雪莲,李兰友. 计算机测量与控制. 2014(05)
博士论文
[1]大规模图上的最短路径问题研究[D]. 张钟.中国科学技术大学 2014
[2]基于智能计算的城市交通信号控制系统研究[D]. 张萌萌.山东大学 2011
硕士论文
[1]基于Hadoop的云计算系统设计[D]. 王超.长安大学 2016
[2]基于并行Boost图库的单源最短路径并行算法的研究[D]. 彭强.华南理工大学 2010
[3]基于3GS浮动车的城市路段单车行程时间提取技术研究[D]. 吴超腾.吉林大学 2008
[4]基于浮动车的城市道路行程时间采集与预测方法研究[D]. 杨立娟.吉林大学 2007
本文编号：3418308
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：120 页
【学位级别】：博士
【部分图文】：
技术路线图
图 2.1 云计算技术框架图是一个高度概括的云计算的服务形式视图，并没有包含云计算键技术主要有虚拟化技术、海量分布式存储技术、并行编程模布式资源管理技术、云计算平台管理技术以及绿色节能技术等拟化技术技术是一种调配计算资源的方法，它将应用系统的不同层面、存储等)一一隔离开，从而打破数据中心、服务器、存储、理设备之间的划分，实现架构动态化，达到集中管理和动态试，以提高系统结构的弹性和灵活性、降低成本、改进服务、减打开了云计算的大门，实现了跨系统的资源动态调度，将大量池，用于动态创建高度虚拟化的资源供给用户使用，从而最
需再计算数据，基于此，聚类算法效率大大提升。此外，这个部分得到的最终 Canopy集合将作为第二个问题的输入初始值。第二个部分就是使用 K-means 算法对第一个部分数据进行分析，并利用定义 1、定义 2 和定义 3 对聚类进行分析。CK-means 算法执行流程如图 3-12 所示。定义 1（Canopy 定义）：给定数据集合 uiniU | 1,2,3,...，其中， xUi ，符合{ic | ||||ij x c}≤1T , cUijj , }则集合ix ，即归为 集， 表示 集合半径，jc 表示 中心点。定义 （2iSSE ）：簇iC 的平方误差和表示本簇内的全部点到该簇中心距离的平方和，如式（3-6）所示。 ixciiSSEdistcx2,（3-6）
【参考文献】：
期刊论文
[1]不同周期信号交叉口间的相位差优化模型[J]. 鄢小文,徐建闽,荆彬彬. 华南理工大学学报(自然科学版). 2017(06)
[2]一种改进的交通网络路径选择算法[J]. 段明义,张文. 公路交通科技. 2016(11)
[3]基于GPS浮动车数据的交通信息时空分布研究[J]. 沈敬伟,周廷刚,朱晓波. 西南大学学报(自然科学版). 2015(08)
[4]基于云环境K-means聚类的并行算法[J]. 高榕,李晶,肖雅夫,祝孙静,彭卫平. 武汉大学学报(理学版). 2015(04)
[5]云计算在智能交通中的应用[J]. 向师仲,李建海,李敏,李学军,康志华. 交通运输工程与信息学报. 2015(02)
[6]多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J]. 周素红,郝新华,柳林. 地理学报. 2014(12)
[7]路段行程时间估计的浮动车数据挖掘方法[J]. 李慧兵,杨晓光,罗莉华. 交通运输工程学报. 2014(06)
[8]基于浮动车数据的交通状态估计精度仿真评价[J]. 唐克双,梅雨,李克平. 同济大学学报(自然科学版). 2014(09)
[9]基于交通信息时效性的车辆路径优化方法[J]. 张林,米雪玉,王彬. 公路交通科技(应用技术版). 2014(06)
[10]基于云计算的并行K-means聚类算法研究[J]. 谢雪莲,李兰友. 计算机测量与控制. 2014(05)
博士论文
[1]大规模图上的最短路径问题研究[D]. 张钟.中国科学技术大学 2014
[2]基于智能计算的城市交通信号控制系统研究[D]. 张萌萌.山东大学 2011
硕士论文
[1]基于Hadoop的云计算系统设计[D]. 王超.长安大学 2016
[2]基于并行Boost图库的单源最短路径并行算法的研究[D]. 彭强.华南理工大学 2010
[3]基于3GS浮动车的城市路段单车行程时间提取技术研究[D]. 吴超腾.吉林大学 2008
[4]基于浮动车的城市道路行程时间采集与预测方法研究[D]. 杨立娟.吉林大学 2007
本文编号：3418308
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3418308.html
