新型智能交通数据处理系统的制作方法

本发明涉及交通资源优化配置技术领域，具体的说是一种新型智能交通数据处理系统。

背景技术：
：

数据通信系统是城市交通控制系统的重要组成部分之一，它通过数据采集、传输和管理技术，使监控中心能够准确地获取路网各个路口的交通流量和交通信号机的运行状态，从而为保证路网的控制效果创造条件。因此，如何能够快速、准确、实时地将各个路口的交通流数据和交通信号机运行状态上传给监控中心以及由监控中心下传控制指令给信号机就成了整个控制系统高效运行的重要环节。目前我国现有的城市交通控制系统网络主要采用电话或专用电缆等有线方式进行数据通信，已不能满足智能交通系统ITS及各种智能车载移动终端数据通信的实时性和移动性要求。

由于全球定位系统可提供卫星导航功能及路径信息，因此内建全球定位系统的导航装置被广泛应用于车辆上，以获得定位数据或路程数据等路径信息，并对车辆进行卫星导航。因为导航装置在卫星导航时，通常是根据卫星定位信号的强度与少变化的地形计算出准确的路径信息，以产生正确的导航路径来进行导航。但是对于多变化的行车路径或地形则不易维持准确的路径信息，以致导航路径或显示图标容易出现偏差或错误。对此，如何在多变化的行车路径或地形中，提供准确的路径信息，以避免影响驾驶者的判断力及安全性，已成为极需解决的课题。

大数据技术或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理的时间内达到汲取、管理、处理并整理成为帮助企业经营决策更积极目的资讯。大数据计数的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化的处理，换言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键在于提高对数据的“加工能力”，通过加工数据实现增值。

如何从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、事先不知道的、但有时潜在有用的信息的过程被称为数据挖掘，显而易见，数据挖掘时大数据技术的关键。

技术实现要素：
：

本发明针对现有技术中存在的缺点和不足，提出了一种新型智能交通数据处理系统。

本发明通过以下措施达到：

一种新型智能交通数据处理系统，其特征在于设有云服务器、管控平台、车辆监控终端、管理终端，其中管控平台、管理终端分别经互联网与云服务器相连接，车辆监控终端经移动通信电路与管控平台相连接，管理终端设有串口通信电路以及射频标签读取机构，车辆监控终端载有射频标签，所述管控平台包括数据接收模块、数据处理模块、数据输出模块，其中数据接收模块中设有数据简约处理模块，数据处理模块包括道路状况辨识模块、路径校正模块，路径校正模块包括用户数据比较模块、修正模块，其中用户数据比较模块的输出端与修正模块相连接，用户数据比较模块用于比较第一时间点的用户行使数据和第二时间点的用户行驶数据，用户行驶数据为方向盘转动角度或距离或速度或加速度或转速或扭力，修正模块用于将用户数据比较模块输出的差异值与默认值进行比较，并在差异值超出默认值输出修正结果；用户数据比较模块中还设有数据预处理模块、与数据预处理模块相连接的数据挖掘模块以及与数据挖掘模块相连接的显示输出模块，还设有与数据挖掘模块相连接的参数设置模块；所述数据预处理模块包括属性增/删模块、属性位置交换模块、添加ID属性模块、多表合并模块、属性规约模块、数据冗余处理模块、数据抽样模块、数据噪声处理模块。

本发明所述数据简约模块对获取的数据进行以下处理：在待计算数据内容的字节序列中确定窗口长度；确定并行计算的窗口数及跳转间隔；根据已算得的窗口指纹值并行计算各窗口的指纹值，其中所述窗口指纹值的计算方式为：RF(α₁、α₂、α₃……α_β)＝(α₁p^β+α₂p^β‐1+…+α_β‐1p+α_β)modM；其中α₁、α₂、α₃……α_β为待计算数据内容中的字节序列，RF(α₁、α₂、α₃……α_β)表示窗口长度为β的字节序列的指纹值，p和M为可选的常数；所述根据已算得的窗口指纹值并行计算各窗口的指纹值由下式计算：RF(α_i+1、α_i+2、α_i+3……α_i+β)＝(RF(α_i、α_i+1、α_i+2……α_i+β‐1)‐α_i×p^β)×p+α_i+βmodM；其中α_i+1、α_i+2、α_i+3……α_i+β为待计算数据内容中的字节序列，RF(α_i、α_i+1、α_i+2……α_i+β‐1)表示窗口长度为β的字节序列的指纹值，p和M为可选的常数；标记窗口指纹值符合预定的数据分块边界条件的窗口位置为数据分块边界，其中，窗口指纹值符合预定的数据分块条件，则将当前滑动窗口的右边界所在位置标记为数据分块的边界；计算数据分块的散列值，并标记数据分块的散列值与已存储的数据分块散列值相等的为冗余数据块。

本发明中所述窗口指纹值由拉宾指纹函数计算；所述跳转间隔为所述并行计算的窗口数的整数倍；所述跳转间隔不是所述并行计算的窗口数的整数倍；所述跳转间隔中重叠计算的窗口指纹值用于校验；所述并行计算的窗口位于同一跳转间隔中；所述并行计算的窗口位于不同跳转间隔中；以散列值与引用信息替代所述标记为冗余数据块的数据进行所述数据块的存储。

本发明所述数据挖掘模块包括聚类模块、分类模块、关联规则模块、社会关系网分析模块。

本发明所述聚类模块中设有K‐means算法模型。

本发明所述数据预处理模块采用并行数据预处理模块，设有Map/Reduce处理模型，通过调用Map函数，将每个处理任务由多个Map任务并行处理，这些Map任务被分配到所属处理任务分配的执行节点上执行，再通过调用Reduce函数，分别对每个处理任务的各Map任务的处理结果进行合并操作，完成数据预处理。

本发明所述数据挖掘模块为采用Map/Reduce机制的并行数据挖掘模块，设有Map/Reduce处理模型，通过调用Map函数，将每个处理任务由多个Map任务并行处理，这些Map任务被分配到所属处理任务分配的执行节点上执行，再通过调用Reduce函数，分别对每个处理任务的各Map任务的处理结果进行合并操作，完成并行数据挖掘。

本发明管控平台的数据处理模块还设有默认值设定模块，所述默认值设定模块包括用于对输入的样本数据进行关联处理的统计模块、用于产生多个扰动副本的复制模块、用于基于扰动特征并通过应用预定的分类标准对多个扰动副本进行分类的分类器、用于基于分类器结果获得分析结果的分析器。

本发明所述道路状况辨识模块包括道路子段自动划分模块、道路交通参数实时接收模块、道路交通状态实时辨识模块以及辨识结果输出模块；道路状态判别模块中的道路子段自动划分模块和道路交通参数实时接收模块的输出端均与道路交通状态实时辨识模块的输入端相连接，道路交通状态实时辨识模块的输出端与辨识结果输出模块相连接。

本发明道路子段自动划分模块用于将一条道路自动划分为两个子段U1和U2，其长度表示为dU1和dU2，dU1和dU2的划分取决参数包括整条道路长度前方信号灯绿信比t、道路设计饱和率s、表示道路限制速度、a是与道路总长相关的控制参数，b是与道路限制速度相关的控制参数，具体按照如下公式划分：

本发明所述道路交通状态实时辨识模块通过以下步骤完成交通状态实时辨识：对各个道路子段建立评定对象单因素集U_i；针对各个道路子段建立评定集F_i；建立从单因素集U_i到评定集F_i的一个模糊关系映射，由笛卡儿乘积对应关系导出单因素评定矩阵R_i；第一级模糊综合评定，选择分段高斯模糊数学综合函数进行综合并将其作归一化处理；二级模糊综合评定；对二级判定结果进行模糊分析判断，得出城市道路状态辨别的结果。

本发明通过对用户行驶数据的挖掘处理，获取行驶路径修正的默认值，通过对大量用户数据的处理分析，使用户路径修正结果无限趋近于准确，具有结构合理、工作可靠等显著的优点。

附图说明：

附图1是本发明的结构框图。

附图2是本发明中管控平台的结构框图。

附图3是本发明中用户数据比较模块的结构框图。

附图标记：云服务器1、管控平台2、车辆监控终端3、管理终端4数据接收模块5、数据处理模块6、数据输出模块7、道路状况辨识模块8、路径校正模块9、默认值设定模块10、数据预处理模块11、数据挖掘模块12、显示输出模块13、参数设置模块14。

具体实施方式：

下面结合附图对本发明作进一步的说明。

如附图所示，本发明提出了其特征在于设有云服务器1、管控平台2、车辆监控终端3、管理终端4，其中管控平台2、管理终端4分别经互联网与云服务器1相连接，车辆监控终端3经移动通信电路与管控平台2相连接，管理终端4设有串口通信电路以及射频标签读取机构，车辆监控终端载有射频标签，所述管控平台2包括数据接收模块5、数据处理模块6、数据输出模块7，其中数据接收模块中设有数据简约处理模块，数据处理模块6包括道路状况辨识模块8、路径校正模块9，路径校正模块9包括用户数据比较模块、修正模块，其中用户数据比较模块的输出端与修正模块相连接，用户数据比较模块用于比较第一时间点的用户行使数据和第二时间点的用户行驶数据，用户行驶数据为方向盘转动角度或距离或速度或加速度或转速或扭力，修正模块用于将用户数据比较模块输出的差异值与默认值进行比较，并在差异值超出默认值输出修正结果；用户数据比较模块中还设有数据预处理模块11、与数据预处理模块相连接的数据挖掘模块12以及与数据挖掘模块相连接的显示输出模块13，还设有与数据挖掘模块相连接的参数设置模块14；所述数据预处理模块包括属性增/删模块、属性位置交换模块、添加ID属性模块、多表合并模块、属性规约模块、数据冗余处理模块、数据抽样模块、数据噪声处理模块；所述数据挖掘模块包括聚类模块、分类模块、关联规则模块、社会关系网分析模块；所述聚类模块中设有K‐means算法模型。

本发明所述数据简约模块对获取的数据进行以下处理：在待计算数据内容的字节序列中确定窗口长度；确定并行计算的窗口数及跳转间隔；根据已算得的窗口指纹值并行计算各窗口的指纹值，其中所述窗口指纹值的计算方式为：RF(α₁、α₂、α₃……α_β)＝(α₁p^β+α₂p^β‐1+…+α_β‐1p+α_β)modM；其中α₁、α₂、α₃……α_β为待计算数据内容中的字节序列，RF(α₁、α₂、α₃……α_β)表示窗口长度为β的字节序列的指纹值，p和M为可选的常数；所述根据已算得的窗口指纹值并行计算各窗口的指纹值由下式计算：RF(α_i+1、α_i+2、α_i+3……α_i+β)＝(RF(α_i、α_i+1、α_i+2……α_i+β‐1)‐α_i×p^β)×p+α_i+βmodM；其中α_i+1、α_i+2、α_i+3……α_i+β为待计算数据内容中的字节序列，RF(α_i、α_i+1、α_i+2……α_i+β‐1)表示窗口长度为β的字节序列的指纹值，p和M为可选的常数；标记窗口指纹值符合预定的数据分块边界条件的窗口位置为数据分块边界，其中，窗口指纹值符合预定的数据分块条件，则将当前滑动窗口的右边界所在位置标记为数据分块的边界；计算数据分块的散列值，并标记数据分块的散列值与已存储的数据分块散列值相等的为冗余数据块。

本发明所述数据预处理模块采用并行数据预处理模块，设有Map/Reduce处理模型，通过调用Map函数，将每个处理任务由多个Map任务并行处理，这些Map任务被分配到所属处理任务分配的执行节点上执行，再通过调用Reduce函数，分别对每个处理任务的各Map任务的处理结果进行合并操作，完成数据预处理。

本发明所述数据挖掘模块为采用Map/Reduce机制的并行数据挖掘模块，设有Map/Reduce处理模型，通过调用Map函数，将每个处理任务由多个Map任务并行处理，这些Map任务被分配到所属处理任务分配的执行节点上执行，再通过调用Reduce函数，分别对每个处理任务的各Map任务的处理结果进行合并操作，完成并行数据挖掘。

本发明管控平台的数据处理模块还设有默认值设定模块，所述默认值设定模块包括用于对输入的样本数据进行关联处理的统计模块、用于产生多个扰动副本的复制模块、用于基于扰动特征并通过应用预定的分类标准对多个扰动副本进行分类的分类器、用于基于分类器结果获得分析结果的分析器。

本发明所述道路状况辨识模块包括道路子段自动划分模块、道路交通参数实时接收模块、道路交通状态实时辨识模块以及辨识结果输出模块；道路状态判别模块中的道路子段自动划分模块和道路交通参数实时接收模块的输出端均与道路交通状态实时辨识模块的输入端相连接，道路交通状态实时辨识模块的输出端与辨识结果输出模块相连接。

本发明道路子段自动划分模块用于将一条道路自动划分为两个子段U1和U2，其长度表示为dU1和dU2，dU1和dU2的划分取决参数包括整条道路长度前方信号灯绿信比t、道路设计饱和率s、表示道路限制速度、a是与道路总长相关的控制参数，b是与道路限制速度相关的控制参数，具体按照如下公式划分：

本发明所述道路交通状态实时辨识模块通过以下步骤完成交通状态实时辨识：对各个道路子段建立评定对象单因素集U_i；针对各个道路子段建立评定集F_i；建立从单因素集U_i到评定集F_i的一个模糊关系映射，由笛卡儿乘积对应关系导出单因素评定矩阵R_i；第一级模糊综合评定，选择分段高斯模糊数学综合函数进行综合并将其作归一化处理；二级模糊综合评定；对二级判定结果进行模糊分析判断，得出城市道路状态辨别的结果。

本发明通过对用户行驶数据的挖掘处理，获取行驶路径修正的默认值，通过对大量用户数据的处理分析，使用户路径修正结果无限趋近于准确，具有结构合理、工作可靠等显著的优点。