基于大数据的交通处理平台的分析与应用①

吴俊杰

(泉州信息工程学院，福建 泉州 362000)

0 引 言

在交通处理平台中进行交通大数据处理需要进行大数据的信息融合和优化调度设计，可提高交通处理平台进行交通数据管理的效率，满足高时效性和知识牵引等城市交通智慧化需求[1]。研究基于大数据的交通处理平台构建模型在优化交通调度，提高智慧交通建设中具有重要意义。文献[5]中提出一种基于模糊指向性聚类的交通处理平台中大数据融合调度技术，采用模糊神经网络学习方法进行交通处理平台的关联规则数据挖掘和信息融合处理，基于模糊信息融合方法对交通处理平台大数据进行准确融合调度，但该方法的计算开销较大，挖掘的实时性不好。文献[6]中提出一种基于粗糙集向量量化编码和神经网络分类的交通处理平台中大数据融合调度算法，构建交通处理平台中大数据的特征分布模型，采用BP神经网络进行数据分类，在特征子空间中实现交通处理平台大数据的信息融合和自适应调度，该方法在抗干扰能力方面性能不好。针对上述问题，提出一种基于大数据融合调度模型的交通处理平台。

1 大数据的分布结构模型与特征提取

1.1 交通处理平台中大数据的特征分布模型

为了实现交通处理平台中大数据的优化融合调度，需要首先构建交通大数据测试环境下大数据的分布式数据结构模型，用一个四元组G表示交通处理平台中大数据的模糊分布式结存储中心，为c，假设i为交通处理平台中大数据交互的相空间嵌入维数，采用多个非线性成分联合统计方法进行交通处理平台中大数据的高维特征空间重构，结合模糊聚类方法进行交通处理平台大数据的信息融合和特征提取[7]，根据上述分析，构建交通处理平台中大数据融合调度的总体结构模型如图1所示。

交通处理平台中大数据融合调度过程中受到的交通信息的多重因素的影响，导致数据挖掘和信息融合的干扰强度较大，影响因素较多，具有时变性和随机性，创建知识库、模型库及算法库，进行大数据信息融合[8]，构建一个完备性的有效知识库表达交通处理平台中大数据的信息流模型为：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(1)

其中，h(.)为交通处理平台中大数据分布式时间序列，表示为一个具有多维数据结构模型的函数，ωn为交通处理平台中大数据的关联规则特征量。交通处理平台中大数据的分布结构模型的分布函数描述式为：

Xp(u)=

(2)

图1 交通处理平台中大数据融合调度的实现原理

式中：p为分布式交通处理平台中大数据存储结构的阶数，α为统计信息采样的时间窗口宽度。构建交通处理平台大数据采样信息流模型，结合时间序列分析方法，进行交通处理平台大数据的统计分析，交通处理平台大数据是一组非平稳的随机线性组合序列，可以采用非平稳的随机线性组合序列分析方法进行交通处理平台大数据的特征分析和信息融合调度[9]。

构建一个微分方程表达交通处理平台大数据的信息流模型，在状态空间中，xn→xn+1的演化反映了未知交通处理平台大数据时间序列的信息融合调度演化模型zn→zn+1或z(t)→z(t+1)，这一演化过程能够实现对交通处理平台大数据的信息融合调度过程。对于通过前期统计测量的交通处理平台大数据时间序列{x(t0+iΔt)},i=0,1,…,N-1，其相空间重构轨迹为：

X=[s1,s2,…,sK]n=(xn,xn-τ,…,xn-(m-1)τ)

(3)

其中K=N-(m-1)T，表示交通处理平台大数据时间序列的正交特征向量，T为对交通处理平台大数据采样的时间延迟，对交通处理平台大数据信息流进行Fourier变换，得到x(k)，在灰色模型训练下得到交通处理平台大数据的频域特征分量为：

(4)

其中，a为交通处理平台大数据的域间方差系数，BH(t)表示的是交通处理平台大数据信息融合调度相关函数。由此构建了交通处理平台中大数据的特征分布模型，结合大数据挖掘技术，进行交通处理平台的信息调度和数据挖掘处理[10]。

1.2 关联规则特征提取

xn=(xn,xn-T,…,xn-(m-1)T)

(5)

通过交通处理平台大数据的信息流模型构建和相空间重构，建立了交通处理平台大数据信息流模型与非线性特征提取之间的映射关系，为了去除原始数据的量纲，采用关联规则特征匹配方法，得到交通处理平台大数据的灰色分布模型的表达式为：

(6)

(7)

其中，T是交通处理平台大数据在重构相空间中的时间延迟，表征t和t+T时刻交通处理平台大数据变化的关联度，结合信息融合理论，对交通处理平台中的文本信息、位置信息、图片、音频、视频等数据进行模式识别和信息融合，实现对交通处理平台中大数据的优化调度。交通平台中的大数据的存储要消耗海量的存储，数据量的增长及其快速，数据处理上也要求实时性，结合大数据的信息融合处理，提高对交通处理平台中大数据的自适应调度能力[12]。

2 交通处理平台的大数据信息融合和调度优化

2.1 交通处理平台数据信息融合

f(x)=ωT(f)x+b

(8)

上式中，ω表示在交通处理平台大数据信息融合调度误差矢量矩阵，b表示为交通处理平台大数据信息融合调度的偏差向量。选择交通处理平台大数据历史数据作为信息融合调度模型的初始特征量，对交通处理平台大数据信息融合调度的误差项进行自适应修正[13]，采用物产反馈调节方法，得到信息融合修正的判别函数为：

(9)

重构的交通处理平台大数据时间序列相空间中的任意一点表示为Xn，其在交通处理平台大数据高维灰色模型中的最近邻点表示为Xη(n)，建立m维灰色模型的训练函数，得到交通处理平台大数据信息融合调度的优化模型为：

(10)

2.2 大数据融合调度模型

在数据信息融合的基础上，建立实时性较高的有效算法库，快速形成面对不同模型大数据的知识库，采用统计回归分析方法进行交通处理平台中大数据的非线性时间序列模型构建，得到一个线性组合模型为：

(11)

其中，an表示交通处理平台中大数据线性规划模型的幅值，设有m个交通处理平台中大数据节点A1,A2…An，构造交通处理平台中大数据融合调度的线性规划问题数学表达如下：

(12)

(13)

假定当前交通处理平台中大数据分布节点的数目为n，N1,…,Nn，采用模糊卷积神经网络的学习算法，得到交通处理平台中大数据分类的自适应学习加权系数为：

(14)

数据的统计量化集为(u,v)∈E，设A⊂V，B⊂V且A∩B=φ，根据上述处理，实现对交通处理平台中大数据调度和信息融合处理。

图1 交通处理平台的数据采样结果

3 仿真实验与结果分析

为了测试所提方法在实现交通平台的大数据融合和自适应调度中的性能，进行仿真实验，实验的软件平台采用Matlab 7 设计，交通处理平台数据采样的时间长度为1200s，数据样本的规模为1024，训练样本规模为100，关联规则的检测阈值YHW=0.21，大数据信息融合的仿真迭代次数为100，对交通处理平台中大数据融合调度的采样周期为120s，根据上述仿真环境和参数设定，进行交通处理平台的数据调度和信息融合处理，得到原始的采样数据如图2所示。

以图2的交通处理平台的数据采样结果为测试数据集，进行信息融合和自适应调度，得到信息融合输出结果如图3所示。

图3 交通处理平台的信息融合处理结果

图4 性能对比

分析图3得知，采用该方法进行交通处理平台的大数据挖掘的聚类性较好，信息融合度较高，测试不同方法进行交通处理平台数据调度的准确性，得到对比结果如图4所示，分析图4得知，所提模型能有效实现对交通处理平台的自适应调度，准确性较高，自适应性能较好。

4 结 语

在交通处理平台中进行交通大数据处理需要进行大数据的信息融合和优化调度设计，提高交通处理平台进行交通数据管理的效率，满足高时效性和知识牵引等城市交通智慧化需求。提出一种基于大数据融合调度模型的交通处理平台。在建立良好的知识库、模型库和方法库的基础上，对交通处理大数据进行信息聚类处理，采用关联规则特征提取方法进行交通处理平台大数据有效挖掘，结合信息融合理论，对交通处理平台中的文本信息、位置信息、图片、音频、视频等数据进行模式识别和信息融合，从而提高交通处理平台中大数据的计算资源的利用效率，建立实时性较高的有效算法库，快速形成面对不同模型大数据的知识库，实现大数据优化挖掘和智能调度，提高交通处理平台的智能信息管理能力。研究得知，所提方法进行交通处理平台的大数据处理的自适应性较好，调度准确性较高，满足智能交通信息管理的需求。