海量交通数据存储方法与流程

本发明涉及一种数据存储方法，尤其涉及一种海量交通数据存储方法。

背景技术：

随着交通行业的快速发展，交通数据呈现爆炸式的增长，并且数据结构以及数据之间的关系也月经来越复杂，因此，对于海量的数据如何进行存储，并且利于后续的提取、分析成为了亟待解决的技术难题。

现有技术中，对于数据存储的通常的方式是将数据按照对象-属性的对应关系进行存储，在对小型数据存储来说，是可行的，并且能够满足后续使用的要求，但是，对于海量的数据来说，现有的存储方式需要建立非常多的映射关系表，数据存储后在调用数据是，映射关系表之间往往难以或者需要极其复杂的算法才能建立一一对应的关系，而且在查找过程中需要对数据矩阵按照映射关系进行关联遍历，从而大大降低了数据查找以及调用的效率，而且，现有技术的方式，在数据存储过程中容易导致数据不完整，即数据丢失，而且不能够支持多用户的写入以及修改，从而影响到后续的使用。

因此，需要提出一种的新的交通数据存储方法，能够对海量的交通数据进行快速有效的存储，提高数据的存储效率以及查找调用效率；有效防止在存储过程中数据丢失，提高交通数据的非易失性，从而能够支持多用户写入以及修改。

技术实现要素：

有鉴于此，本发明的目的是提供一种海量交通数据存储方法，能够对海量的交通数据进行快速有效的存储，提高数据的存储效率以及查找调用效率；有效防止在存储过程中数据丢失，提高交通数据的非易失性，从而能够支持多用户写入以及修改。

本发明提供的一种海量交通数据存储方法，包括如下步骤：

S1.将所获取的海量交通数据按照对象-属性的映射关系生成数据矩阵；

S2.将数据矩阵按照设定规则切分为多个子数据矩阵；

S3.对各子数据矩阵进行融合计算形成重构的存储结构并对重构后的数据矩阵进行分类存储。

进一步，步骤S2中，对数据矩阵切分时，按照对采集数据的时间和/或采集数据的空间进行切分。

进一步，步骤S3中，包括如下步骤：

S31.将子数据矩阵按照属性划分为静态属性以及动态属性；

S32.建立三维矩阵模型：在三维坐标轴中，将X轴表示静态属性，Y轴表示动态属性，Z轴为表示交通数据样本，且该交通数据样本中包含了交通数据的基础时空信息；

S33.根据三维矩阵模型建立三维矩阵：A＝X×Y×Z；

S34.对多个三维矩阵A按照矩阵运算法则进行融合计算，将融合计算的结果与设定的幺体矩阵进行再次按照矩阵运算法则进行计算形成重构后的存储结构并对重构后的数据进行分类存储。

进一步，所述静态属性包括的交通数据有：基础地理信息数据、路网基础信息数据、车辆保有量数据以及交通管理信息数据；

所述动态属性包括的交通数据有：交通流量数据、车行速度数据、车辆到达时间数据以及停车位信息数据。

本发明的有益效果：本发明的海量交通数据存储方法，能够对海量的交通数据进行快速有效的存储，提高数据的存储效率以及查找调用效率；有效防止在存储过程中数据丢失，提高交通数据的非易失性，从而能够支持多用户写入以及修改。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明的矩阵重构流程图。

图3为本发明的三维矩阵模型示意图。

图4为矩阵A和矩阵B。

图5为矩阵A和矩阵B加法运算结果。

图6为矩阵P和矩阵A。

图7为矩阵P和矩阵A的惩罚运算结果。

具体实施方式

图1为本发明的流程图，图2为本发明的矩阵重构流程图，图3为本发明的三维矩阵模型示意图，如图所示，本发明提供的一种海量交通数据存储方法，包括如下步骤：

S1.将所获取的海量交通数据按照对象-属性的映射关系生成数据矩阵；

S2.将数据矩阵按照设定规则切分为多个子数据矩阵；

S3.对各子数据矩阵进行融合计算形成重构的存储结构并对重构后的数据矩阵进行分类存储；通过上述方式，能够对海量的交通数据进行快速有效的存储，提高数据的存储效率以及查找调用效率；有效防止在存储过程中数据丢失，提高交通数据的非易失性，从而能够支持多用户写入以及修改。

本实施例中，步骤S2中，对数据矩阵切分时，按照对采集数据的时间和/或采集数据的空间进行切分，这种处理方式，在交通数据存储之前对交通数据赋予了时空属性，因此，在存储过程中，对重构后的数据矩阵存储时即可按照时空属性进行存储，或者按照对象-属性以及时空属性进行存储，从而大大减少了数据存储过程中所建立的映射关系表，一方面提高了数据存储效率，另一方面，提高了数据查找和调用的效率。

本实施例中，步骤S3中，包括如下步骤：

S31.将子数据矩阵按照属性划分为静态属性以及动态属性；在交通数据中，静态属性包括的交通数据有：基础地理信息数据、路网基础信息数据、车辆保有量数据以及交通管理信息数据；动态属性包括的交通数据有：交通流量数据、车行速度数据、车辆到达时间数据以及停车位信息数据；也就是说，在此步骤中，对于按照时间属性和/或空间属性对数据矩阵切分后，需要进行再次划分，即满足动态属性和静态属性；

S32.建立三维矩阵模型：在三维坐标轴中，将X轴表示静态属性，Y轴表示动态属性，Z轴为表示交通数据样本，又可称为交通数据的本体，且该交通数据样本中包含了交通数据的基础时空信息，如图3所示的三维矩阵模型，其中，交通数据的本体在X轴和Z轴组成的平面投影为静态数据，反应静态交通状况；交通数据的本体在Z轴和Y轴组成的平面的投影为动态数据，反应的是动态交通情况；交通数据本体在X-Y平面上的投影为静态属性和动态属性对交通数据的本体的影响情况；以一座城市的道路为例：如道路分为若干路段并有序排列，那么，对其中任一路段Zi来说，交通数据的样本Zi＝{g，t，v}，其中，g数组表示Zi所处的空间位置，t数组表示Zi所处的时间节点，V矩阵表示该路段Zi与其他路段间的关联关系，那么对于整个城市而言，整个城市的交通数据Z＝(Z1，Z2，…，Zi，…Zn)，其中i表示道路的某一路段，且i≤n，n为自然数；

S33.根据三维矩阵模型建立三维矩阵：A＝X×Y×Z，也就是说，在矩阵A中，包含了静态属性、动态属性以及时空属性，从而利于提高数据的存储效率以及查找及调用效率；

S34.对多个三维矩阵A按照矩阵运算法则进行融合计算，将融合计算的结果与设定的幺体矩阵进行再次按照矩阵运算法则进行计算形成重构后的存储结构并对重构后的数据进行分类存储，其中，幺体矩阵是指矩阵中某些指定元素为1，其余全为0的矩阵，用于将矩阵按照设定的规则处理计算时使用。

融合计算通过对多个三维矩阵进行加法计算、数乘计算或者矩阵之间的惩罚计算等，比如在数据样本中，具有A和B两个由X×Y×Z形成的三维矩阵，当对A和B进行加法运算得到C，即C＝A+B,的到结果如图5所示；

如对A或B进行数乘计算，比如C＝kA，k为常数，计算结果如图6所示；

如矩阵之间进行乘法计算，比如设定一个矩阵P，该矩阵为r×y阶，矩阵P和矩阵A进行乘法计算得到矩阵C，那么C＝P×A，P×A如图6所示，计算结果如图7所示，通过上述的运算规则对各子矩阵进行重构运算后，得到具有时空以及对象-属性的数据，从而能够大大减少对象-属性关系表的建立，提高存储效率，从而利于查找，调用，并且，通过这种方式存储的交通数据，能够有效防止数据丢失，利于后续使用；当然，本发明的方法不仅仅应用于交通数据中，也可以应用于其他领域的数据中。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。