实时服务水平监视的制作方法

本发明一般而言涉及运输管理，尤其涉及公众交通系统的服务水平监视和管理。

背景技术：

移动设备或移动台可以通过无线接入点连接到计算机网络。接入点可以分布在诸如公共交通系统(masstransitsystem)的地下轨道站或地铁站之类的环境中，以提供诸如互联网接入等的服务。个体设备可以通过周期性地发送可以由适当接入点(诸如设备范围内的那些)接收的探测请求或通信信号来发现并连接到网络。设备可以在与特定接入点关联期间继续发送探测请求，并且探测请求可以由设备范围内的接入点接收，而不管是否建立了任何关联。

技术实现要素：

根据本发明的一个方面，提供了一种用于公共交通系统的服务水平监视和管理的方法。该方法可以包括从无线计算机网络的无线接入点接收时间序列数据集，其中每个时间序列数据集与交通系统中的移动设备对应。可以基于与每个移动设备对应的时间序列数据集来确定交通系统中的每个移动设备的时空轨迹。每个数据集可以包括与设备相关联的标识符、指示接收到与设备对应的数据的时间的时间戳，以及接收数据的位置。可以聚类一组个体设备的所确定的时空轨迹。可以基于该组个体设备的聚类的时空轨迹来确定交通系统中的车辆的时空轨迹。可以基于车辆的所确定的时空轨迹来调整交通系统的系统参数。

根据本发明的一个方面，该方法可以包括确定相对于交通系统的车站站台的乘客换乘率(transitionrate)。该方法可以包括确定站台处的乘客等待时间。该方法可以包括确定站台处的无法上车水平。该方法可以包括确定人群密度水平。该方法可以包括生成机器学习模型以支持和增强上面提到的确定。

根据本发明的各个方面，可以调整系统参数以降低交通系统中的车站站台处的人群密度水平。系统参数可以包括车辆时刻表、乘客换乘率、车站停留时间、车辆车头时距(vehicleheadway)、乘客等待时间、无法上车水平，以及交通系统的车辆中和车站站台或等候区域上的人群密度水平。

根据本发明的一个方面，提供了一种计算机系统，用于通过执行所公开的方法来进行公共交通系统的服务水平监视和管理。

根据本发明的一个方面，提供了一种计算机程序产品，用于通过执行所公开的方法来进行公共交通系统的服务水平监视和管理。

附图说明

图1a是描绘根据本发明实施例的服务水平监视系统的功能框图。

图1b是描绘根据本发明实施例的、其中可以实现服务水平监视系统的交通系统的框图。

图2a和2b是描绘根据本发明实施例的服务水平监视系统的一个方面的操作步骤的流程图。

图3是描绘根据本发明实施例的被监视设备和/或服务水平监视设备的框图。

图4描绘了根据本发明实施例的云计算环境。

图5描绘了根据本发明实施例的抽象模型层。

附图不一定按比例绘制。附图仅是示意性表示，并非旨在描绘本发明的特定参数。附图旨在仅描绘本发明的典型实施例。在附图中，相同的编号表示相同的元件。

具体实施方式

本文公开了本发明的详细实施例，其目的是描述和说明可以以各种形式实施的要求保护的结构和方法，并且不旨在以任何方式穷举，或者限于所公开的实施例。在不脱离所公开实施例的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说是显而易见的。选择本文使用的术语是为了最好地解释一个或多个实施例的原理、实际应用或对当前技术的技术改进，或者使本领域普通技术人员能够理解本文公开的实施例。如所描述的，众所周知的特征和技术的细节可以省略，以避免不必要地模糊本发明的实施例。

说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括一个或多个特定特征、结构或特点，但是应当理解，对于在本文中本发明的每个公开的实施例，这些特定特征、结构或特点可以是或可以不是共同的。而且，这些短语本身不一定指任何一个特定实施例。照此，当结合实施例描述一个或多个特定特征、结构或特点时，认为在适用的情况下结合其它实施例影响这样的一个或多个特征、结构或特点在本领域技术人员的知识范围内，无论这些其它实施例是否被明确描述。

公众运输系统(诸如地下轨道系统)的系统参数和性能指示符可以用于监视和支持系统操作。可以基于系统中描述列车位置和移动的轨道占用数据来确定参数和指示符。可以基于给定时间点的参数和指示符的确定来预测可能由各个列车位置和移动、车站停留时间和潜在路线冲突造成的潜在服务延迟和中断。可以基于预测采取动作，以调整和适配参数以支持系统操作并确保列车在整个系统中运输不同数量的人时遵守行进时刻表或时间表。为支持系统操作而采取的动作的有效性可以取决于预测的准确性，这可以取决于数据的准确性。另外，实时轨道占用数据对于通过使得能够实时确定参数和指示符来有效地支持系统会是重要的，因为这些参数和指示符可能发展。例如，由于事故和拥堵水平有时会在整个系统中迅速且看似随机地发展，因此在一些情况下，实时确定对应指示符可以提供调整某些操作参数、在系统中进行适应以确保操作可靠性或采取其它动作以有效支持系统操作所需的时间。

虽然诸如可以从列车信令系统接收的数据之类的实际轨道占用数据相对于当前列车移动可以是可靠的，但是这可以包括高水平的噪声，并且对实际轨道占用数据的实时访问可以是受限的，例如为了维持系统安全。照此，轨道占用数据通常可以在常规数据分析方法中进行模拟，该方法旨在诸如通过各种统计方法等来增强预测的准确性。但是，实际轨道占用数据中的噪声和为模拟轨道占用数据而做的假设可以在预测中引入潜在的误差源和不准确性，从而阻止有效的预测确定并限制在此基础上采取的系统支持动作的有效性。另外，实际的和模拟的轨道占用数据可能无法考虑某些显著的操作参数，诸如列车和车站站台或中转位置的人群密度水平，这些会通过抑制乘客上车而影响系统吞吐量。

本发明的实施例针对用于公共交通系统的服务水平监视和管理的方法、系统和计算机程序产品。在一方面，可以基于无线计算机联网数据来确定交通系统的车辆移动和系统参数。系统参数可以包括车辆时刻表、乘客换乘率、车站停留时间、车辆车头时距、乘客等待时间、无法上车水平，以及交通系统的车辆中和车站站台或等候区域上的人群密度水平。

在一个方面，该方法可以包括从包括交通系统中的旅行者在内的人的或由人携带的各个移动设备或移动台接收数据。该方法可以包括基于包括接收数据的记录序列的时间序列数据集来确定交通系统中设备的时空轨迹。接收数据的每个序列可以与交通系统中的设备对应。该方法可以包括减少和聚类设备的轨迹，以确定交通系统的车辆移动和系统参数。该方法可以包括将数据清理技术应用于聚类的轨迹。无线计算机联网数据可以包括具有802.11实现规范(也称为wi-fi)的无线局域网数据。车辆移动可以包括列车移动。

在一方面，该方法可以包括确定相对于交通系统的车站站台的乘客换乘率。该方法可以包括确定站台处的乘客等待时间。该方法可以包括确定站台处无法上车的水平。该方法可以包括确定人群密度水平。该方法可以包括生成机器学习模型以支持和增强上面提到的确定。

有利地，本发明可以应用于诸如城市公共交通系统之类的交通系统中，以仅基于无线计算机联网数据在低流量和高流量行驶条件期间都快速且准确地确定车辆移动和系统参数。照此，不需要与系统中的多个车辆相关的数据。另外，本发明可以通过有效地移除这些数据固有的噪声来高效地利用无线计算机联网数据，从而提供广泛适用且轻量级的解决方案，以用在诸如购物中心、机场和主题公园之类的各种环境中。

图1a是描绘根据本发明实施例的服务水平监视系统100的功能框图。服务水平监视系统100可以包括通过网络102互连的被监视设备110和服务水平监视设备120。虽然图1a描绘了两个分立设备，但是可以预期其它布置。例如，被监视设备110或服务水平监视设备120可以包括一个或多个集成的或不同的设备。根据本发明的实施例，诸如被监视设备110之类的许多设备可以包括在服务水平监视系统100中。

在本发明的各种实施例中，网络102表示例如内联网、局域网(lan)、个域网(pan)、无线局域网(wlan)、无线个域网(wpan)、无线网状网络、诸如互联网之类的广域网(wan)等，等。在各种实施例中，网络102可以包括有线、无线或光纤连接。一般而言，根据本发明的实施例，网络102可以包括用于支持被监视设备110和服务水平监视设备120之间的通信的连接和协议的任意组合。在各种实施例中，网络102可以包括例如用于支持通信的网络、网关和无线接入点的集合。

在本发明的各种实施例中，被监视设备110或服务水平监视设备120可以表示个人或集成计算平台，诸如可穿戴设备、可植入设备、智能电话、移动电话、平板计算机、膝上型计算机、台式计算机、计算机服务器等。在各种实施例中，被监视设备110或服务水平监视设备120可以以其它方式表示能够通过网络102向另一个设备发送数据和从另一个设备接收数据的任何其它类型的计算平台、计算系统或信息系统。被监视设备110或者服务水平监视设备120可以包括内部和外部硬件部件，如参考图3所描述的。在其它实施例中，被监视设备110或服务水平监视设备120可以在云计算环境中实现，如参考图4和5所描述的。

在本发明的实施例中，被监视设备110可以包括例如诸如移动设备之类的计算平台等。在该实施例中，被监视设备110可以包括诸如网络接口模块111之类的网络接口。网络接口模块111可以被实现为例如通过无线接入点实现被监视设备110和网络102之间的通信。在该实施例中，被监视设备110可以在诸如交通系统中的旅行者之类的人上或由其携带。根据本发明的实施例，被监视设备110可以实现诸如网络设备和对应设备驱动器之类的设备和技术的组合，以支持网络接口模块111的操作，并且提供启用被监视设备110和服务水平监视设备120之间的通信的平台。

网络接口模块111可以是诸如网络接口之类的设备、诸如软件程序之类的程序、程序中包含的一个或多个子例程、应用编程接口等。网络接口模块111可以在诸如网络102之类的网络的发现中实现，例如，通过探测请求的周期性广播或传输中的应用。根据本发明的实施例，探测请求可以例如由网络102的合适接入点，包括在给定时间点在被监视设备110的范围内的那些接入点，接收。

在本发明的实施例中，服务水平监视设备120可以包括例如计算平台，诸如可以托管诸如服务水平监视程序121之类的应用的服务器。根据本发明的实施例，服务水平监视设备120可以实现诸如网络设备和对应的设备驱动器之类的设备和技术的组合，以支持服务水平监视程序121的操作，并提供使得能够在诸如被监视设备110和服务水平监视设备120之类的设备之间进行通信的平台。

服务水平监视程序121可以是诸如软件程序之类的程序、程序中包含的一个或多个子例程、应用编程接口等。服务水平监视程序121可以包括数据收集模块122、轨迹确定模块124、参数确定模块126和数据存储装置128。根据本发明的实施例，服务水平监视程序121可以托管包括从诸如被监视设备110的设备接收的数据在内的数据。如参考图1b描绘和描述的，数据可以由网络102的各个接入点104接收。

数据收集模块122与网络102的接入点通信，以获得或收集由接入点从交通系统中的每个被监视设备110接收的数据。数据收集模块122可以将检索到的数据存储在数据存储装置128中，诸如以单独的计算机可读数据文件的形式，以供以后检索和使用。

在本发明的实施例中，所获得的数据可以包括例如与每个被监视设备110对应的记录序列。在该实施例中，设备(诸如被监视设备110)的记录序列中的每个记录可以与设备发送的探测请求对应。在该实施例中，记录序列可以包括例如包括设备的匿名标识符(例如，mac地址)以及时间戳和位置(或者在一些情况下是信号强度值)的字段。数据的更新频率可以是例如每当移动设备110发送探测请求时，诸如当使用wifi嗅探器时。否则，数据的更新频率可以是例如基于预聚合频率(诸如特定接入点的预聚合频率)，其可以是每秒、每5秒、每10秒等等的水平。一般而言，诸如被监视设备110之类的设备可以基于每个个体设备的独特特点以高度可变的频率发送探测请求。

轨迹确定模块124确定交通系统中的每个被监视设备110的时空路径或轨迹。在本发明的实施例中，可以基于从每个被监视设备110接收的探测请求数据来确定轨迹。在该实施例中，可以减少和聚类设备的轨迹，以确定每个车辆的移动。车辆移动可以与设备的聚类的轨迹对应。在该实施例中，数据清理技术可以应用于减少和聚类的轨迹，以便确定和区分每个车辆移动。在本公开中，轨迹有时可以被称为行程。

参数确定模块126基于交通系统中的每个车辆的所确定的车辆移动来确定交通系统的系统参数。在本发明的实施例中，系统参数可以包括车辆或客运时刻表、乘客换乘率、车站停留时间、车辆车头时距、乘客等待时间、无法上车水平，以及交通系统的车辆中和车站站台或等候区域上的人群密度水平。车辆时刻表可以包括例如各个车辆相对于交通系统的车站站台的计划或预期到达和离开时刻表。

图1b是描绘根据本发明实施例的、其中可以实现服务水平监视系统100的交通系统的框图。交通系统可以包括被监视设备110a、110b、110c、110d和110e以及车站106a、106b和106c。车站106a、106b和106c可以分别包括各个接入点104a、104b和104c。一般而言，交通系统可以包括任何数量的被监视设备和车站，诸如110a-e和106a-c。

在本发明的实施例中，接入点104a、104b和104c可以接收探测请求，诸如可以由被监视设备110a、110b和110c发送的探测请求。在该实施例中，当每个被监视设备110在接入点(诸如接入点104a、104b和104c之一)附近时，可以接收探测请求。例如，当每个被监视设备110a和110b位于车站106a时，由被监视设备110a和110b发送的探测请求可以被接入点104a接收。当每个被监视设备110a和110b转到车站106b时，由被监视设备110a和110b发送的探测请求可能不再被接入点104a接收，此时探测请求可以由接入点104b接收。

图2a是描绘根据本发明实施例的服务水平监视系统100的一个方面的操作步骤的流程图。

在步骤s202处，数据收集模块122与网络102的接入点通信，以获得如由交通系统中的接入点从每个被监视设备110接收的探测请求数据。接入点可以包括如图1b中描绘的接入点104。在一些情况下，取决于每个设备的特点，可以每秒记录来自一个设备的探测请求，并且以各种其它频率记录来自其它设备的探测请求。在该实施例中，由接入点接收的探测请求可以包括分别与每个被监视设备110对应的mac地址、与从每个被监视设备110接收到探测请求的时间对应的时间戳，以及与从每个被监视设备110接收周期性发送的探测请求的接入点对应的位置或信号强度值。

在步骤s204处，轨迹确定模块124确定交通系统中的每个被监视设备110的各个时空轨迹。在本发明的实施例中，可以基于从每个相应设备获得的探测请求数据来确定每个被监视设备110的时空轨迹。在该实施例中，探测请求数据可以被聚合成表示与每个相应设备对应的记录序列的时间序列数据集。在关于诸如被监视设备110之类的特定设备实现所获得的数据时，假设在一段时间内缺乏对设备的观察并不意味着该设备不再存在。相反，所采用的聚合方法必须对于跨设备的高度可变的观察频率是稳健的。为此，引入了物理行程和τ行程的概念：

定义1(物理行程)。给定mac地址m以及与m相关联的n个记录。如果出现以下情况，那么子集被称为物理行程：

1.r′m属于单个列车；以及

2.如果满足1并且那么r′m＝r″m。

定义1

一般而言，没有关于物理行程的信息可用。因此，引入τ行程，以近似物理行程：

定义2(τ行程)。给定mac地址m以及与m相关联的n个记录，如果出现以下情况，那么子集被称为τ行程：

1.(时间连续性)ri,rj∈r′m，使得i＜j，我们对于所有

rk∈rm具有rk∈r′m，使得i＜k＜j；

2.(站内连续性)

3.(站间连续性)

4.(单调性)对于所有ri,rj∈r′m来说sgn((ti-tj)(vi-vj))都是恒定的；

5.(极大性)如果满足1、2、3和4并且那么r′m＝r″m。

定义2

其中τ行程表示在交通系统中每个被监视设备110，k，从车站i到车站j的行程；mac地址m是每个相应设备的mac地址；并且rm是与从每个相应设备接收的探测请求对应的记录序列。例如，车站i可以表示关于被监视设备110a和110b的始发车站(诸如车站106a)，并且例如，车站j可以表示关于被监视设备110b的目的地车站(诸如车站106c)，如图1b中描绘的。如图1b中描绘的，车站k可以表示车站i和j之间的中间车站。在该实施例中，τ1可以是同一个被监视设备110的两个接收到的探测请求之间的平均时间段。为了增加模型的稳健性，将设备(诸如110)的若干实际行程合并为单个行程而不是将单个行程分解为若干行程会是优选的。平均时间段可以被选择为例如8分钟。τ2的值可以取决于例如交通系统中的个体车辆移动。由于个体车辆可能会出现延误，因此我们选择较大的值，诸如30分钟。一般而言，τ2可以被选择成使得行程的两个记录不可能相隔超过τ2分钟。

在本发明的实施例中，例如，可以相对于交通系统的始发车站和目的地车站来确定交通系统中的特定设备(诸如被监视设备110)的时空轨迹。轨迹可以跨交通系统的任何数量的中间车站在始发车站和目的地车站之间延伸。例如，交通系统中被监视设备110b的轨迹可以跨诸如车站106b之类的中间车站从始发车站106a(即，车站i)延伸到目的地车站106c(即，车站j)，如图1b中描绘的。始发车站和目的地车站可以以其它方式包括相邻定位的车站，或者在交通系统的一个或多个中间车站附近定位的车站。例如，交通系统中被监视设备110a的轨迹可以从始发车站106a延伸到目的地车站106b，如图1b中描绘的。每个被监视设备110可以在交通系统中每个设备的相应行程期间由接入点记录。接入点可以分别被定位在交通系统的车站处或其附近。

在本发明的实施例中，关于设备在行程中可以通过的每个车站，可以基于从设备接收的第一个和最后一个探测请求来确定诸如被监视设备110之类的设备通过交通系统的行程或轨迹。探测请求可以由分别在设备通过的每个车站处定位的接入点接收。在该实施例中，可以从设备的记录序列中移除与定位在设备的始发车站和目的地车站之间的中间车站对应的设备的记录序列中的记录。消除中间记录有助于将计算机联网数据(例如，wifi数据)的大小减小几个数量级。作为示例，对于交通系统中跨中间车站(车站106b)从始发车站106a延伸到目的地车站106c的被监视设备110b的轨迹，如图1b中描绘的，被监视设备110b的记录序列中与中间车站(车站106b)对应的记录可以相应地被移除。

在步骤s206处，轨迹确定模块124减少或聚类交通系统中每个被监视设备110的各个时空轨迹。

在本发明的实施例中，第一数据清理技术可以应用于如步骤s204处所确定的每个被监视设备110的时空轨迹。在该实施例中，第一数据清理技术可以包括基于每个相应设备的始发车站处每个设备的最后一个记录和每个相应设备的目的地车站处每个设备的第一个记录来确定每个被监视设备110的轨迹。在该实施例中，第一数据清理技术还可以包括基于每个设备分别通过的任何中间车站处每个设备的第一个和最后一个记录来确定每个被监视设备110的轨迹。在该实施例中，第二数据清理技术可以应用于每个被监视设备110的时空轨迹，如在步骤s204处所确定的。在该实施例中，第二数据清理技术可以包括从每个设备的记录序列中移除始发车站和目的地车站。一旦识别出列车聚类，就可以添加回该线路上的始发车站。

在本发明的实施例中，第二数据清理技术可以被应用，以促进识别交通系统中的各个车辆并且分别将对应的车辆行程与每个车辆相关联。在该实施例中，可以应用第一数据清理技术来确定交通系统的系统参数。

在步骤s208处，轨迹确定模块124确定交通系统中每个车辆的时空轨迹。在本发明的实施例中，可以基于每个被监视设备110的减少和聚类的轨迹来确定车辆轨迹。在该实施例中，可以基于一组被监视设备110的减少和聚类的轨迹来确定车辆轨迹。

每个被监视设备110的特定于车站的聚类可能无法区分沿着交通系统中车站处或其附近的线路定位的列车。因此，可能影响相对于沿着该线路的后续车站和先前车站的车辆轨迹的确定。例如，特定交通系统可以包括具有三个车站a、b和c(诸如车站106a、106b和106c)的线路以及可以从车站a到c行驶或行进的列车。即，列车可以从车站a离开并随后到达车站b，并且可以从车站b离开并且随后到达车站c。例如，当在车站b没有在b处观察到在a上车的乘客但是在c处识别出在a和b上车的所有乘客时，可能发生了数据异常。例如，当车站b处的wifi路由器在行程中变得饱和时，可能发生这种类型的异常，这会导致错误地确定新列车已到达b，从而导致关于c做出另外的错误确定。频谱聚类解决这种类型的问题，因为它关于每个列车的行程通过每个被监视设备110考虑每个旅行者的各个轨迹，并且因此可以容易地在可能缺少观测的车站之间进行插值。

在本发明的实施例中，可以通过每个被监视设备110的轨迹的频谱聚类来确定交通系统中每个车辆的时空轨迹。频谱聚类可以包括相似性矩阵的定义，并且可以在聚类的定义中为了降维而使用相似性矩阵的特征值。在该实施例中，可以被实现的向量化可以通过利用诸如(向量1)之类的向量识别行程来将行程嵌入到中：

t＝(t1,t3,t4,…,ts)(向量1)其中，如果设备没有在k被记录，那么是在车站k＝1...s处的时间戳的均值(mean)，其中tk＝∞。即，由于对于给定的行程，每个车站处只保留两个极端时间戳，因此这里的均值时间戳与原始数据的时间戳的中点对应。为了评估逐对相似性(pairwisesimilarity)，我们需要定义4、定义5、定义6、定义7和定义9：

定义4(l⁰范数)。令t为(向量1)中的点，那么t的l⁰范数被定义为t的非无限条目的数量：

定义4

定义5(l^∞范数)。令t为(向量1)中的点，那么t的l^∞范数被定义为非无限项的最大绝对值：

定义5

定义6(差值)。对于(向量1)中的两个点t1,t2，t1,t2的差值被定义为：

t1-t2＝(t1,1-t2,1,t1,3-t2,3,t1,4-t2,4,…,t1,s-t2,s)；

其中∞-*＝∞,*-∞＝∞,并且∞-∞＝∞.

定义6

定义7(逐对相似性)。对于(向量1)中的两个点t1,t2，逐对相似性度量(2)和(3)分别被定义为：

定义7

其中，在(2)和(3)中，l⁰项量化空间相似性，即，记录两次行程的车站的数量；l^∞项量化时间相似性，即，记录两次行程的车站处的最大时间差。

定义9(相似性图)。给定(向量1)中的n个点相似性图g＝(v,e)使得，如果sim(t1,t2)＞0，那么存在权重sim(t1,t2)的边缘ei,j＝(ti,tj)。

定义9

另外，令g＝(v,e)为具有n个顶点的无向图，并且w为加权邻接矩阵。对于顶点vi∈v，vi的度数(4)被定义为：

并且度数矩阵d(5)被定义为：

如果a中的任何两个顶点可以通过a中的路径连接，那么集合被连接。另外，根据(6)，i被定义为集合a的元素：

i∈a成为{i|vi∈a}.(6)

a中顶点的数量可以被表示为|a|，并且vol(a)＝∑i∈adi。此外，对于两个集合w(a,b)，(7)可以被定义为：

w(a,b)＝∑i∈a,j∈bwi,j(7)

在实践中，难以先验地相对于每个被监视设备110的轨迹选择聚类的数量k。在本发明的实施例中，诸如被监视设备110之类的设备的轨迹的聚类可以与交通系统中的车辆轨迹对应。在该实施例中，轨迹的多个聚类可以与交通系统中的多个车辆对应。在该实施例中，可以使用特征间隙(eigengap)启发法作为特征值的量值的函数先验地确定轨迹的聚类的数量k。

在本发明的实施例中，算法1可以在执行归一化频谱聚类以确定聚类的数量时实现：

算法1：归一化频谱聚类

输入:n个点的集合

聚类的数量k

τ用于simhard或σ用于simsoft

1利用如定义9中的权重矩阵w构造图g

2移除所有孤立的点

3计算非归一化的拉普拉斯算子l

4计算特征值和一般化的特征问题的特征值lu＝λdu

5仅保留前k个特征向量u1,…,uk

6令为包含u1,…,uk作为列的矩阵

7对于i＝1,…,n,令为与u的第i行对应的向量

8利用k均值算法将中的点(yi)i＝1,…,n聚类到k个聚类中输出：n个标签

算法1

算法2被扩展，以利用特征间隙启发法：

算法2：具有自适应聚类数量的归一化的频谱聚类

输入:n个点的集合

τ用于simhard或σ用于simsoft

1利用如定义9中的权重矩阵w构造图g

2移除所有孤立的点

3计算非归一化的拉普拉斯算子l

4计算特征值和一般化的特征问题的特征值lu＝λdu

5通过特征间隙启发法选择聚类的数量k

6仅保留前k个特征向量u1,…,uk

7令为包含u1,…,uk作为列的矩阵

8对于i＝1,…,n,令为与u的第i行对应的向量

9利用k均值算法将中的点(yi)i＝1,…,n聚类到k个聚类中

输出：n个标签

算法2

在步骤s210，轨迹确定模块124从确定的车辆轨迹中移除离群值(outlier)。在本发明的实施例中，离群值可以包括错误地确定或识别出的各别设备(诸如被监视设备110)的行程或轨迹。如果不被移除，那么错误确定的行程会使确定的车辆轨迹偏差或者以其它方式将不准确性引入确定的车辆轨迹。离群值可以包括例如由于各个设备的错误确定或识别出的行程，诸如在步骤s204、s206或s208处，而产生的离群值。例如，由于设备(诸如被监视设备110d)所有者未能登上交通系统中的列车并且被监视设备110d不能在所有者未能上车之后在存在于站台上的时候发送进一步的探测请求的情况下，如图1b中描绘的，会产生这种离群值。

在本发明的实施例中，可以检测离群值并随后相对于交通系统中每个被监视设备110的所确定的时空轨迹来移除离群值。在执行频谱聚类之后，可以移除离群值，如步骤s208中那样。在该实施例中，可以通过实现k最近邻算法来检测和移除离群值。可以实现k最近邻算法以检测或识别相对于对应的车辆轨迹被错误分类或错误聚类的设备轨迹。例如，可以通过实现算法3来移除离群值：

算法3：使用k-nn进行的类型1离群值检测

输入：n个记录mi是mac地址，vi是场地或车站id，ti是时间戳，并且ai是聚类标签；

1forr中的每个场所idv，do

{

2rv←{ri∈r|vi＝v}

3使用k-nn向每个记录rv指派新的聚类标签

}

4

输出：r′

算法3

由于固有无线计算机联网数据特点而产生的离群值可以是由每个个体被监视设备110的探测请求的不可预测的传输造成的。在本发明的实施例中，可以移除由固有无线计算机联网数据特点产生的离群值。例如，在设备(诸如被监视设备110)在始发车站处的最后一个记录或在目的地车站处的第一个记录与交通系统中车辆的确定的轨迹不对应的情况下，可能会造成这种离群值。这些离群值可以被丢弃而不是集成到任何确定的轨迹或行程中。在该实施例中，可以通过确定均值绝对偏差距离度量以相对于各个设备轨迹的聚类组与每个离群值进行比较来检测和移除这种离群值。度量可以表示用于检测离群值的预定阈值。可以基于这些离群值的中位数绝对偏差及标准偏差的一致估计量来确定度量。例如，可以根据定义10和定义11检测并移除离群值：

定义10(中位数绝对偏差(medianabsolutedeviation)，mad)。令中位数绝对偏差被定义为：

定义10

定义11(标准偏差的一致估计量)。令是独立的并以完全相同的方式分布的，那么：

定义11

有利地，使用定义11作为标准偏差的估计量在检测这种离群值时可以是稳健的，因为这种离群值可能相对稀少地发生。在该实施例中，可以通过实现算法4来移除这种离群值：

算法4：使用中位数绝对偏差进行类型2离群值检测

输入：n个记录mi是mac地址，vi是场地或车站id，ti是时间戳，并且ci是聚类标签；

阈值τ

算法4

在步骤s212处，参数确定模块126确定交通系统的系统参数。在离群值移除(即，在步骤s210处)之后，在步骤s208处由频谱聚类产生的聚类表示交通系统中每个车辆的时空轨迹。例如，可以基于被监视设备110b和110e从车站106a至车站106c的聚类的轨迹来推导车辆从车站106a行进到车站106c的轨迹，如图1b中描绘的。

在本发明的实施例中，可以基于交通系统中每个车辆的轨迹来确定车辆时刻表。在该实施例中，车辆时刻表可以由每个车辆相对于交通系统中每个车站的到达和离开时间来定义。在该实施例中，对于表示对应车辆轨迹的每个聚类的轨迹，可以基于每个相应聚类中相对于每个相应轨迹可以通过的车站的最小和最大时间戳来确定到达和离开时间。最小时间戳可以与聚类中的最早时间戳对应，并且最大时间戳可以与聚类中的最近时间戳对应。为了在中间车站没有无线计算机联网数据或wifi观测时估计列车，每个聚类的包络可以被用于将车站处的到达和离开时间与无线计算机联网数据有关。包络不一定是凸的。在该实施例中，可以相对于对应的车站基于聚类中的最小和最大时间戳之间的时间差来确定给定车辆的停留时间。在该实施例中，可以相对于给定车站基于例如离开聚类中的最大时间戳与随后到达的聚类中的最早时间戳之间的时间差来确定给定车辆的车头时距(headway)。

在本发明的实施例中，可以基于确定的车辆轨迹或车辆时刻表来调整交通系统的一个或多个系统参数。作为示例，可以减少车辆车头时距以调整车辆时刻表并增加通过交通系统的吞吐量。作为另一个示例，可以增加车站站台处的车辆停留时间以调整车辆时刻表并降低车站站台处的人群密度水平。作为另一个示例，基于已经离开先前车站的车辆的确定的车辆轨迹，可以使位于车站处的车辆的车站停留时间最小化。一般而言，可以基于确定的车辆轨迹或车辆时刻表来调整系统参数的任意组合。

图2b是描绘根据本发明实施例的服务水平监视系统100的一个方面的操作步骤的流程图。

在步骤s214处，参数确定模块126确定乘客相对于交通系统中给定车站站台的换乘率。例如，可以依据在预定义时间段或间隔期间往返于给定车站站台的进出乘客的数量来指定换乘率。在本发明的实施例中，可以基于所确定的交通系统中每个被监视设备110的轨迹来确定换乘率，如参考步骤s204描述的。在该实施例中，可以基于所确定的交通系统中每个车辆的车辆轨迹来确定换乘率，如参考步骤s208描述的。每个被监视设备110的移动可以表示例如在预定义时间段或间隔期间进出给定车站站台的进出乘客。例如，可以根据在预定义时间段期间相对于车站站台的每个被监视设备110的轨迹和每个车辆的轨迹来确定换乘率。作为示例，可以基于被监视设备110a、110b和110e从车站106a至106b的轨迹为预定义的时间段确定乘客相对于车站106b的换乘率，如图1b中描绘的。因而，乘客相对于车站106b的换乘率可以被确定为每单位时间3个乘客。

在步骤s216，参数确定模块126确定相对于交通系统中给定车站站台的乘客等待时间。在本发明的实施例中，乘客等待时间可以例如基于设备(诸如被监视设备110)可以在车站站台处存在的时间段来确定。在该实施例中，可以基于每个被监视设备110的所确定的轨迹来确定车站站台处乘客的等待时间的分布，因为这样的设备可以位于并定位在车站站台处及其周围预定义的时间段。在该实施例中，可以基于包括与每个被监视设备110对应的记录序列的时间序列数据集来确定车站站台处每个乘客的等待时间的分布。基于每个被监视设备110相对于车站的历史换乘，在给定车站等待上车的乘客可以与中转乘客区分。即，可以基于对应的时间序列数据集来识别上车乘客，该时间序列数据集包括从每个被监视设备110接收的记录序列，其指示在车辆到达和离开车站站台之前、期间和之后车站站台处每个被监视设备110的存在。可以基于每个被监视设备110的相应mac地址来确定历史换乘。在该实施例中，可以基于在车站处记录的每个相应设备的第一个和最后一个信号时间戳来确定车站站台处每个被监视设备110的等待时间。在该实施例中，可以忽略或移除降至低于预定阈值的等待时间。这种等待时间一般可以被认为是异常的。作为示例，可以基于由车站106a定义的区域内被监视设备110a、110b和110e的轨迹相对于车站106a在预定义的时间段内确定乘客的等待时间，如图1b中描绘的，其中例如区域可以通过一系列接入点104a来定义。

在步骤s218处，参数确定模块126确定相对于交通系统中给定车站站台的无法上车水平。在本发明的实施例中，可以基于每个被监视设备110的所确定的轨迹来确定无法上车水平，因为这种设备可以在预定义的时间段期间位于车站站台处及其周围。在该实施例中，可以基于在预定义时间段期间在车站站台处及其周围的所确定的乘客等待时间的概率分布来确定无法上车水平。在该实施例中，可以基于连续的到达车站处的和从车站离开的车辆的车头时距来确定无法上车水平。在该实施例中，还可以基于与给定车站站台相邻的车站处车辆的停留时间来确定无法上车水平。在该实施例中，还可以基于确定的车站站台处的人群密度水平来确定无法上车水平，如参考步骤s220描述的。在该实施例中，还可以基于地面勘测数据来确定无法上车水平。地面勘测数据可以包括例如cctv相机镜头、检票闸门或十字转门传感器数据等。

在步骤s220处，参数确定模块126确定相对于交通系统中的给定车站站台的人群密度水平。在本发明的实施例中，可以基于在预定义的时间段期间确定的乘客换乘率、确定的乘客等待时间以及确定的无法上车水平来相对于车站站台确定人群密度水平。作为示例，可以基于被监视设备110b、110c和110e的轨迹相对于车站106c确定预定义时间段的人群密度水平，如图1b中描绘的。人群密度水平可以基于在车站106c处进入交通系统的乘客而变化，如由图1b中被监视设备110c的轨迹所描绘的。例如，可以依据车站106c处存在的乘客或设备的数量来测量人群密度水平。

在步骤s222处，参数确定模块126生成机器学习模型。在本发明的实施例中，机器学习模型可以包括例如逻辑回归分类器，诸如多项逻辑回归分类器。如前所述，机器学习模型可以在增强交通系统的系统参数的确定中实现。

在本发明的实施例中，机器学习模型可以通过例如贪婪前向特征选择方法来训练。贪婪前向特征选择方法可以用于识别和选择在训练机器学习模型中使用的有效特征。在该实施例中，用于训练机器学习模型的特征可以包括例如交通系统的实时和历史系统参数，包括车辆时刻表、乘客换乘率、车站停留时间、车辆车头时距、乘客等待时间、无法上车水平，以及交通系统的车辆中和车站站台或等候区域上的人群密度水平。在该实施例中，用于训练机器学习模型的系统参数可以实时或历史地确定。在该实施例中，训练中使用的特征还可以包括确定的每个被监视设备110的轨迹，如前所述。在该实施例中，训练中使用的特征还可以包括地面勘测数据，如前所述。在该实施例中，历史特征对交通系统的各种系统参数的影响可以被相对分类或归类为正或负事件，以在相对于特征对各种系统参数的各自影响水平训练机器学习模型时使用。例如，包括车站站台处的高人群密度水平和高无法上车水平的交通系统的历史状况可以被分类为可以通过抑制乘客上车而影响系统吞吐量的“负”事件。一般而言，作为设计问题，可以选择在训练机器学习模型中实现的特征。

在本发明的实施例中，经训练的机器学习模型可以在确定用于调整交通系统的系统参数的比例因子中实现。在该实施例中，比例因子可以应用于调整确定的车辆时刻表、乘客换乘率、车站停留时间、车辆车头时距、乘客等待时间、无法上车水平和人群密度水平。可以确定比例因子以考虑可能遭遇偶然或具有相对于交通系统发生的各种可能性的未测量和不可测量的事件、变量、因素或状况。即，可以实现比例因子参数以相对于没有被任何前面提到的系统参数考虑的系统中的实际状况更接近地近似交通系统的系统参数。一般而言，系统参数可以根据任何给定日期的不同时间以各种速率连续变化或波动。在该实施例中，比例因子可以被确定为连续时间序列。

例如，可以实现比例因子以基于从定位在车站站台周围的检票闸门传感器接收的历史数据来调整确定的特定车站站台处的人群密度水平。历史数据可以包括历史检票闸门传感器数据和对应的人群密度水平数据，如在车站站台处在工作日高峰时段接收到的。

入口检票闸门传感器是可靠且准确的数据源。在本发明的实施例中，比例因子可以被确定为在预定义时间段t期间来自检票闸门传感器的乘客的数量y与在该预定义时间段内从无线计算机联网数据导出的乘客数量x的比率。对于给定的车站s、一周中的第几天i、预定义的时间段t以及样本数量n，我们根据等式1定义比例因子θs，t：

在本发明的实施例中，可以基于无线计算机联网数据的历史数据样本以及不同车站相对于日类别和时间段窗口的车票卡数据源来确定比例因子。例如，可以通过位于车站周围的车票卡传感器接收车票卡数据，乘客可以通过车票卡传感器进入和离开车站。在该实施例中，无线计算机联网数据和车票卡数据的历史数据样本可以在训练分类模型中实现。

在本发明的实施例中，可以确定比例因子，用于相对于预定义时间段调整给定车站站台处的所确定的人群密度水平。在任何给定时间点在车站站台处等待登上列车的乘客数量给出了站台拥挤度或人群密度水平的测量。在该实施例中，可以基于车站站台处乘客等待时间的分布来确定用于调整所确定的人群密度水平的比例因子。

在本发明的实施例中，可以确定比例因子，用于相对于预定义时间段调整给定车站站台处的所确定的无法上车水平。可以基于检测到的乘客不能从车站站台登上车辆的发生来确定无法上车水平，因为这可能是由例如上车期间车站站台处或车辆中过大的人群密度水平造成的。在该实施例中，不能登上列车的乘客可以包括例如在列车到达并随后离开车站之前和之后都在给定车站出现的乘客。在该实施例中，无法上车水平可以表示例如在交通系统中车站站台上相对于预定义时间段可能无法登上车辆的乘客的百分比。在该实施例中，可以确定并实现比例因子，用于调整所确定的无法上车的乘客的百分比。

图3是描绘根据本发明实施例的被监视设备110和/或服务水平监视设备120的框图。如图3中描绘的，被监视设备110和/或服务水平监视设备120可以包括一个或多个处理器902、一个或多个计算机可读ram904、一个或多个计算机可读rom906、一个或多个计算机可读存储介质908、设备驱动器912、读/写驱动器或接口914、网络适配器或接口916，这些全部通过通信架构918互连。网络适配器916与网络930通信。通信架构918可以用任何被设计用于在处理器(诸如微处理器、通信和网络处理器等)、系统存储器、外围设备和系统内的任何其它硬件部件之间传递数据和/或控制信息的体系架构来实现。

一个或多个操作系统910和一个或多个应用程序911(诸如驻留在如图1中描绘的服务水平监视设备120上的服务水平监视程序121)存储在一个或多个计算机可读存储介质908上，用于由一个或多个处理器902经由一个或多个相应的ram904(通常包括高速缓冲存储器)执行。在所示实施例中，计算机可读存储介质908中的每一个可以是内部硬盘驱动器的磁盘存储设备、cd-rom、dvd、记忆棒、磁带、磁盘、光盘、半导体存储设备(诸如ram、rom、eprom、闪存)，或可以存储计算机程序和数字信息的任何其它计算机可读有形存储设备。

被监视设备110和/或服务水平监视器设备120还可以包括r/w驱动器或接口914，以从一个或多个便携式计算机可读存储介质926读和写。被监视设备110和/或服务水平监视设备120上的应用程序911可以存储在便携式计算机可读存储介质926中的一个或多个上，经由相应的r/w驱动器或接口914读取，并加载到相应的计算机可读存储介质908中。被监视设备110和/或服务水平监视设备120还可以包括网络适配器或接口916，诸如传输控制协议(tcp)/网际协议(ip)适配器卡或无线通信适配器(诸如使用正交频分多址(ofdma)技术的4g无线通信适配器)。服务器220上的应用程序911可以经由网络(例如，互联网、局域网或者其它广域网或无线网络)和网络适配器或接口916从外部计算机或外部存储设备下载到计算设备。从网络适配器或接口916，程序可以被加载到计算机可读存储介质908上。网络可以包括铜线、光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。被监视设备110和/或服务水平监视设备120还可以包括显示屏920、键盘或小键盘922，以及计算机鼠标或触摸板924。设备驱动器912与显示屏920接口以进行成像，与键盘或小键盘922、与计算机鼠标或触摸板924和/或与显示屏920接口以进行字母数字字符输入和用户选择的压力感测。设备驱动器912、r/w驱动器或接口914以及网络适配器或接口916可以包括硬件和软件(存储在计算机可读存储介质908和/或rom906上)。

服务水平监视设备120可以是独立的网络服务器，或者表示集成到一个或多个网络系统中的功能。一般而言，被监视设备110和/或服务水平监视设备120可以是膝上型计算机、台式计算机、专用计算机服务器，或本领域已知的任何其它计算机系统。在某些实施例中，服务水平监视设备120表示利用聚类的计算机和部件在通过网络(诸如lan、wan或两者的组合)访问时充当单个无缝资源池的计算机系统。对于数据中心和云计算应用，这种实现可以是优选的。一般而言，被监视设备110和/或服务水平监视设备120可以是任何可编程电子设备，或者可以是这些设备的任意组合。

本文描述的程序是基于在本发明的具体实施例中实现它们的应用来识别的。但是，应当认识到的是，本文中的任何特定程序术语仅仅是为了方便而使用的，因此本发明不应当限于仅在由这种术语识别和/或暗示的任何特定应用中使用。

本发明可以是任何可能的技术细节集成水平的系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现

首先应当理解，尽管本公开包括关于云计算的详细描述，但其中记载的技术方案的实现却不限于云计算环境，而是能够结合现在已知或以后开发的任何其它类型的计算环境而实现。

云计算是一种服务交付模式，用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源，例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。

特征包括：

按需自助式服务：云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。

广泛的网络接入：计算能力可以通过标准机制在网络上获取，这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理pda)对云的使用。

资源池：提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者，其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下，消费者不能控制或甚至并不知晓所提供的资源的确切位置，但可以在较高抽象程度上指定位置(例如国家、州或数据中心)，因此具有位置无关性。

迅速弹性：能够迅速、有弹性地(有时是自动地)部署计算能力，以实现快速扩展，并且能迅速释放来快速缩小。在消费者看来，用于部署的可用计算能力往往显得是无限的，并能在任意时候都能获取任意数量的计算能力。

可测量的服务：云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力，自动地控制和优化资源效用。可以监测、控制和报告资源使用情况，为服务提供者和消费者双方提供透明度。

服务模型如下：

软件即服务(saas)：向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外，消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。

平台即服务(paas)：向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用，这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构，但对其部署的应用具有控制权，对应用托管环境配置可能也具有控制权。

基础架构即服务(iaas)：向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构，但是对操作系统、存储和其部署的应用具有控制权，对选择的网络组件(例如主机防火墙)可能具有有限的控制权。

部署模型如下：

私有云：云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。

共同体云：云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。

公共云：云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。

混合云：云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成，这些云依然是独特的实体，但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。

云计算环境是面向服务的，特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。

现在参考图4，其中显示了示例性的云计算环境50。如图所示，云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10，本地计算设备例如可以是个人数字助理(pda)或移动电话54a，台式电脑54b、笔记本电脑54c和/或汽车计算机系统54n。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未显示)。这样，云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(iaas)、平台即服务(paas)和/或软件即服务(saas)。应当理解，图4显示的各类计算设备54a-n仅仅是示意性的，云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。

现在参考图5，其中显示了云计算环境50(图4)提供的一组功能抽象层。首先应当理解，图5所示的组件、层以及功能都仅仅是示意性的，本发明的实施例不限于此。如图5所示，提供下列层和对应功能：

硬件和软件层60包括硬件和软件部件。硬件部件的示例包括：大型主机61；基于risc(精简指令集计算机)体系架构的服务器62；服务器63；刀片服务器64；存储设备65；以及网络和联网部件66。在一些实施例中，软件部件包括网络应用服务器软件67和数据库软件68。

虚拟层70提供一个抽象层，该层可以提供下列虚拟实体的例子：虚拟服务器71、虚拟存储72、虚拟网络73(包括虚拟私有网络)、虚拟应用和操作系统74，以及虚拟客户端75。

在一个示例中，管理层80可以提供下述功能：资源供应功能81：提供用于在云计算环境中执行任务的计算资源和其它资源的动态获取；计量和定价功能82：在云计算环境内对资源的使用进行成本跟踪，并为此提供帐单和发票。在一个例子中，该资源可以包括应用软件许可。安全功能：为云的消费者和任务提供身份认证，为数据和其它资源提供保护。用户门户功能83：为消费者和系统管理员提供对云计算环境的访问。服务水平管理功能84：提供云计算资源的分配和管理，以满足必需的服务水平。服务水平协议(sla)计划和履行功能85：为根据sla预测的对云计算资源未来需求提供预先安排和供

工作负载层90提供云计算环境可能实现的功能的示例。在该层中，可提供的工作负载或功能的示例包括：地图绘制与导航91；软件开发及生命周期管理92；虚拟教室的教学提供93；数据分析处理94；交易处理95；以及服务水平监视96。根据本发明的实施例，服务水平监视96可以包括使得云计算环境能够用于交通系统的服务水平监视的功能。

虽然已经参考本发明的某些示例性实施例示出和描述了本发明，但是本领域技术人员将理解的是，在不脱离如由所附权利要求及其等同定义的本发明的精神和范围的情况下，可以在形式和细节上进行各种改变。因此，已经通过示例的方式为了说明而非限制公开了本发明。