淺析信息時代大數據在智能交通系統中的應用

倪凱

摘 要：互聯網和通信技術（ICT），為智能交通系統（ITS）提供了大量實時數據，需要對這些數據進行管理、交流、解釋、匯總和分析。這些技術大大提高了智能交通系統的有效性和用戶友好性，產生了巨大的經濟和社會影響。

關鍵詞：信息時代;大數據;智能交通系統;應用

中圖分類號：U495 文獻標識碼：A

0 引言

在物聯網（IoT）和云技術的背景下，需要真實世界的應用場景來導出對軟件體系結構和ITS新特性的需求。在這項研究中，我們認為未來基于服務和云計算的智能交通系統，可以從復雜的數據處理能力中獲益匪淺。因此，需要開發和應用新的大數據處理和挖掘（BDPM）技術。

1 信息時代大數據在智能交通系統中的重要性

在這些新一代的業務管理系統中，運輸網絡的管理與運輸公司和個人客戶的業務戰略和運營模式緊密結合，對公司的業務規劃產生了相當大的影響。它的所有參與者都充當數據生成器和數據源，以較短的更新率生成大量可用數據。數據生產的增長是由以下因素推動的：個人及其對媒體（社交網絡）的使用增加;新型傳感器和車載通信能力。現代信息和通信技術（ICT）（云計算、物聯網（IoT）等）的應用，以及互聯網連接設備和系統的激增。由于無處不在的信息傳感移動設備、航空傳感技術（遙感）、軟件日志、照相機、麥克風、射頻識別閱讀器和無線傳感器網絡越來越多地收集數據集，因此數據集的規模不斷擴大。機器生成和非結構化數據（照片、視頻、社交媒體feed等）的比例也有所提高。因此，ITS中出現了一個新興的大數據問題。大數據通常包括數據集，其大小超出了常用軟件工具在可容忍的時間內捕獲、管理和處理數據的能力。大數據提供有關客戶及其行為的更詳細信息，但應以分散（多代理）的方式進行適當分析，同時避免傳輸大量信息。因此，云計算和網格計算基礎設施非常適合大數據的存儲、管理和處理。從本質上講，大數據在物理上和邏輯上都是分散的，但實際上是集中的。所有信息源/存儲器都是相互連接的，系統的任何組件原則上都可以訪問任何信息[1]。

2 淺析信息時代大數據在智能交通系統中的應用

2.1 多智能體系統

多智能體系統（Multi-agent systems，MAS）提供了一個網絡化的、協作的、自治的系統模型，并提供了一個合適的隱喻和工具來表示智能體系統。MAS由多個自主的、自利的軟件實體（稱為代理）組成。代理從環境中感知信息，創建自己的本地數據模型，然后根據目標和可用信息做出決策。然后，決策被轉化為影響環境的行動。代理在信息模型層面（數據或模型參數交換）或行動層面（行動協調、群體形成）上進行交互和合作。多智能體建模已廣泛應用于解決運輸問題。云計算系統面向與用戶的高水平交互、大量應用程序的實時執行以及按需服務的動態供應。在這項研究中，我們考慮了基于云計算系統的分層體系結構。它支持一類專門的分布式系統，其特點是具有高級別的可伸縮性、服務封裝、動態配置和按需交付。除此之外，運輸基礎設施可以被視為一種服務，它研究如何在云中使用云數據存儲、云計算虛擬化或服務的可能性。基于云的系統的復雜性對最終用戶是隱藏的。基于代理的云計算是一種范式，它通過大規模計算和云計算之間的協同作用來識別一些常見問題并提供一些好處。云計算主要集中在通過降低成本、服務交付、數據存儲、可擴展的虛擬化技術和能源效率來高效利用計算基礎設施。相比之下，MAS主要關注agent交互的智能方面及其在開發復雜應用程序中的應用。特別是，云計算可以通過實現復雜的、基于代理的建模和仿真應用程序，為大規模執行提供一個非常強大、可靠、可預測和可擴展的計算基礎設施。此外，軟件代理可以用作在云中實現智能的基本組件，使其在資源管理、服務提供和大規模應用程序執行方面更具適應性、靈活性和自主性[2]。

2.2 人工數據中心

物聯網在語義上是指一個由互聯對象（射頻識別、紅外傳感器、全球定位系統、激光掃描儀等）組成的全球范圍的網絡，可唯一尋址，以確保其內部信息的交換和共享。這一概念的基本思想是在我們周圍普遍存在著各種各樣的東西或物體（射頻識別標簽、傳感器、執行器、移動車輛等），它們通過獨特的尋址方案，能夠相互作用并與鄰居合作以達到共同的目標。物聯網為其提供了兩大功能：1）其數據采集功能提供了更全面的交通數據;2）為交通數據傳輸提供了良好的通道。因此，基于物聯網的智能交通系統具有廣闊的發展前景和拓展空間。人工交通系統的開發是為了創建一個動態的組織交通知識，例如方法、算法、規則和案例研究，以便有效地進行搜索，并為計算和實現做好準備。通過對真實行為和模擬行為的比較和分析，可以了解和預測系統未來的行為，并據此規劃和修改系統運行的控制和管理策略。我們最感興趣的學習模式是學習和訓練模式。在這種模式下，人工系統主要用作學習操作程序和培訓操作員和管理員的數據中心[3]。

2.3 數據分類技術

分類是基于包含已分類數據點的訓練集來識別新數據點所屬類別的一組技術。經典的數據處理和挖掘方法是集中的：這意味著為了應用它們，數據必須隨時可用。相反，大數據是不斷更新和收集在物理分布的存儲，數據集中是不可能的。使用集中式方法，系統無法快速適應實時情況，通過網絡傳輸大數據以及在一個位置存儲、管理和處理大數據集非常困難或根本不可能。另外，分布式系統中的一些節點在預測過程中更傾向于傳遞自己的經驗。因此，有一個內在的需要，開發有效的BDPM算法使用分散的體系結構，考慮到空間和時間分布的數據。從技術和成本角度來看，分析和處理大數據現在都是可行的。許多大數據框架都是圍繞著對業務機制的理解、對業務戰略的分析、識別非結構化和結構化數據中的價值和相關性、數據挖掘、預測分析和成本效益數據而構建的。BDPM方法通過降維、預測建模、過濾和變化點分析來檢測大綱視圖，從而幫助以緊湊的方式（聚類）存儲大數據。時間序列分析是一套統計技術來建模和解釋時間相關的數據點序列。時間序列預測使用模型根據已知的過去事件生成對未來事件的預測[4]。時間序列數據具有自然的時間順序-這不同于典型的數據挖掘/機器學習應用，其中每個數據點都是要學習的概念的獨立實現，數據集中數據點的順序無關緊要。聚類分析是一組統計方法，用于將不同的對象劃分為相似對象的較小組，這些相似對象的相似性特征事先不知道。這是一種無監督學習，因為沒有使用訓練數據[5]。

3 結束語

隨著交通系統的組成部分變得更加自主和智能化，智能交通系統（ITS）之間在交通管理和環境監測方面的合作需求日益增加。此外，人們對更智能的交通管理系統需求也會變得越來越大。

參考文獻：

[1]徐萌.淺析大數據在智能交通系統中的應用[J].智能城市，2019，5（08）：139-140.

[2]林君萍.大數據在智能交通系統中的應用[J].電腦知識與技術，2019，15（17）：16-17+24.

[3]黃周平.簡析大數據在智能交通系統中的應用[J].廣東通信技術，2019，39（11）：7-8.

[4]劉勇良.大數據處理與挖掘在智能交通系統中的應用[J].河南科技，2019（04）：138-143.

[5]賀宇.智能交通系統在動態交通數據采集中的應用[J].數字技術與應用，2017（06）：114.