一种基于物联网大数据的交通资源动态优化方法与流程

本发明属大数据处理领域，涉及大量数据下的交通资源动态优化方法。

背景技术：

随着信息时代的快速发展，智慧城市逐渐成为城市建设的主流。由于城市道路交通是许多领域的核心问题，如城市拥堵和经济成本等，物联网新时代的来临也引起了专家们对智慧城市建设中动态交通分配的更多关注。然而，智慧城市网络提供的数据多为大数据流，实时数据与互联网数据流的不一致问题也很关键。

对于高度发展的企业乃至发展中国家来说，政府对于智慧城市的规划运输问题日益成为企业扩张的主要关注点。在某些工业领域，一些先进的算法已经实现了，如聚类和模糊聚类混合的快速贪心启发式算法。大多数情况下，将该问题作为数学问题进行研究，并获得定量结果。由于城市交通状况的快速变化，很难设计一个普遍适用的规划方案。因此，本发明将流量数据的实时性作为主要数据考虑在内，并基于更新数据对动态分配网络进行优化。

技术实现要素：

本发明的目的是提供一种交通资源动态优化方法，对动态交通规划中的实时在线数据进行整合，将地理信息系统和k-means方法结合在一起，以深入关注作为关键目标的交通状况和经济成本指数。此外，考虑到实时在线数据流的大数据特征，建立了dbn模型对数据进行预处理，以提高k-means的聚类效果。技术方案如下：

一种基于物联网大数据的交通资源动态优化方法，包括下列步骤：

第一步：利用地理信息系统gis和多媒体技术获取实时物联网数据，以保证数据的实时性和全面性，所述的实时物联网数据包括交通状况，供应商能力，位置数据，交通要求，车辆规格，单位运输成本，沿特定路线的指定费用，供应商的区域信息，基础中心的运营成本；

第二步：将实时数据分为训练集和测试集，采用dbn网络模型对所有实时物联网数据进行预处理并归一化，用训练集数据训练dbn模型，将n个训练样本划分为k个类别，初步输出k个初始类作为初始聚类中心，即将整个区域划分成了小尺度的几个区域，然后，使用学习好的dbn模型对测试集数据进行测试；

第三步：在dbn模型初步分类的基础上，将第二步得到的k个初始类作为k-means的初始聚类中心，根据地理信息系统计算各供应点与k个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中；

第四步：在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进k-means聚类算法，方法如下：通过车辆运输相关系数和各供应商点的运输请求计算运输成本，然后将每个供应商点到其相应聚类中心的运输成本作为权重因子进行下一步的迭代计算，最后得到各区域内的最优交通网络配置成本mintc：

其中，tc表示总成本，包括运输成本和运行成本，s是所有供应商点的集合，gi是标号为i的区域，δij是根据该供应商点的制造计划和能力获得的参数，λij是从根据gis提取的可以反映各供应商到相应聚类中心通过不同路段的平均通行费成本的参数，dij指的是各供应商点与聚类中心之间的距离，ci表示第i个加工中心的运行成本。

第五步：根据聚类分析，获得具有最佳解决方案，使运输成本最低。

本发明所提出物联网大数据的动态交通网络分配算法，以dbn模型和k-means聚类算法为基础，支持动态优化，收集数据和更新数据。在完成包括新质心生成的聚类算法时，运输成本一直是关键指标。在本发明中，所有的交通规划和计算都基于实时物联网数据和gis数据，使最终的解决方案贴近实际。

附图说明

图1：流程图

具体实施方式

第一步：利用地理信息系统和多媒体技术获取原始数据，以保证数据的实时性和全面性。在数据库中存储算法计算所需的所有实时数据，包括交通状况，供应商能力，位置数据，交通要求，车辆规格，单位运输成本，沿特定路线的指定费用，供应商的区域信息，基础中心的运营成本和相关参数等。

第二步：将实时大数据分为训练集和测试集，采用dbn网络模型(深度置信网络模型)对所有实时物联网数据进行预处理并归一化，用训练集数据训练dbn模型，将n个训练样本划分为k个类别，初步输出k个初始类作为初始聚类中心，即将整个区域划分成了小尺度的几个区域。然后，使用学习好的dbn模型对测试集数据进行测试。

第三步：在dbn模型初步分类的基础上，将第二步得到的k个初始类作为k-means的初始聚类中心。根据地理信息系统计算各供应点与k个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中。

第四步：在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进k-means聚类算法。首先通过车辆运输相关系数和各供应商点的运输请求计算运输成本，然后将每个供应商点到其相应聚类中心的运输成本作为权重因子进行下一步的迭代计算，最后得到各区域内的最优交通网络配置成本，如公式(1)所示。

其中，tc表示总成本，包括运输成本和运行成本。s是所有供应商点的集合，gi是标号为i的区域。δij是根据该供应商点的制造计划和能力从数据库中计算获得的参数。λij是从与gis数据链接的系统数据库中提取出来的参数，可以反映各供应商到相应聚类中心通过不同路段的平均通行费成本。dij指的是各供应商点与聚类中心之间的距离，ci表示第i个加工中心的运行成本。

第五步：获得具有最佳解决方案的聚类方法，使运输成本最低。如果有数据更新，系统便返回第二步重新运行，在聚类数量和相应的最佳运输配置范围内生成不同数量的聚类。根据聚类的各个配置计算得出最终结论，包括加工中心的数量，位置，配送到各供应商点的最佳解决方案。

技术特征：

技术总结
本发明涉及一种基于物联网大数据的交通资源动态优化方法，包括：利用GIS和多媒体技术获取实时物联网数据；采用DBN网络模型对所有实时物联网数据进行预处理并归一化，将n个训练样本划分为K个类别，初步输出K个初始类作为初始聚类中心；根据地理信息系统计算各供应点与K个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中；在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进K‑means聚类算法。

技术研发人员：杨嘉琛;韩煜蓉
受保护的技术使用者：天津大学
技术研发日：2018.04.10
技术公布日：2018.11.06