交通运输智能交通中的数据挖掘技术.pdf

: .
（交通运输）智能
话号码以及相关的交通事故信息；交通信号控制系统提
供和路口有关的运行状态、色步递进信息等。
道路环境信息有路网拓扑、道路路面信息、通行能力、
主线限速标志，异常事件（如施工等）、天气环境、公交信息、
车辆信息、驾驶员信息等，某些道路环境信息无法从现有系
统中得到，需通过人工方式收集或从其他系统中集成。
智能交通系统的交通数据分布于不同的交通信息系统，
完成不同的交通管理和控制功能，具有异构、层次性的特点。
图 1 显示了交通信息的层次结构，交通信息由低级到高级可
划分为四个层次，包括现场级信息、区域级信息、功能管理
系统信息和综合指挥信息。
交通流
根据不同的信息采集技术，ITS 中交通流数据分为地点交
通流数据和路段交通流数据。地点交通流是用安装在固定地
点的交通检测器设备监视移动的车辆，获得的是检测器设备
设置点的交通信息，壹般得到交通流量、速度及占有率等交
通数据。基于磁频技术的感应线圈检测器具有测量精度高、
适应性较强、故障率低及较低的价格的优点，是当前主流的
固定型交通流采集技术。路段交通流是运用安装有特定设备
的移动车辆的移动定位获取交通信息，移动检测设备记录车
辆的移动信息，通过车辆的移动信息可计算路段内的交通信
息。如基于 GPS 的移动定位技术可获得车辆的经纬度坐标和
速度方向，通过计算可提供车辆的瞬时速度、行程时间、行
程速度等交通信息。
交通流是壹类时间序列数据，时间序列数据的挖掘，通
常关注时间序列的演变模式，即在时间序列数据中寻找数据
随时间变化的规律或趋势且对其建模，包括时间序列趋势分析、周期模式匹配等。演变模式用于时间序列中的数值型数
据的预测。交通流数据仍具有时空相关性，交通流量等数据
只有和壹定的时刻及道路相联系时才有意义，智能交通信息
时空规则的挖掘对智能交通系统的预测具有重要的应用价值。
3 交通数据挖掘系统结构
系统模型
数据挖掘过程分为数据准备、模式发现、结果表达和解
释三个主要阶段，图 2 给出了交通数据挖掘的系统模型。
ETL 及数据预处理为交通信息的模式发现提供壹个干净、
壹致、集成、归约（reduction）的数据集－交通信息数据仓
库。数据挖掘任务管理在数据挖掘算法集中选择完成挖掘任
务的算法，在交通数据仓库中选择挖掘算法应用的数据，执
行相应的挖掘操作，将挖掘得到的模式保存到交通信息模式
库。模型分析管理是交通数据挖掘系统和其他智能交通系统
的应用接口，且接收应用系统的反馈信息对交通信息模型库
的模式进行解释和评价。
交通数据集成
交通数据种类繁多，分布在各种智能交通应用系统中，
具有异构、层次的特点，交通数据挖掘需要将各种交通数据
从操作数据库中抽取出来，经过清洗、转换、装载等壹系列
处理，集成到壹个统壹的本地交通信息数据仓库。数据仓库
为数据挖掘提供有效的数据处理平台，许多数据挖掘功能，
如分类、关联、聚类等，都能够和各种粒度的多维数据分析
OLAP 操作集成，在多个抽象层上交互数据挖掘。
多层体系结构
交通数据挖掘系统的系统模型提供了壹个多层的应用体
系结构，将数据挖掘功能的实现分为应用层、分析逻辑层、算法工具层和数据层。应用层是用户调用分析逻辑所设立的
分析功能的入口，分析逻辑则表现了应用系统的分析能力。
多层体系结构能够在跨平台、网络环境下应用，应用系统能
够根据需要采用灵活的方式，如 B/S、C/S 等。
在交通数据挖掘中，分析功能的抽取及响应、数据挖掘
算法的选取、设计是壹个难题，需要交通系统的利用知识和
数据挖掘技术的紧密结合。分析逻辑层将分析模型从实际分
析需求中提取出来，完成壹定的独立分析功能，由壹个或多
个数据挖掘算法具体实现，每个分析模型都是独立的功能单
位。
算法工具层集中了交通流分析需要的算法及相关计算工
具，如挖掘各种模型的数据挖掘算法、统计方法、相似性度
量方法等，是各个独立的算法工具的集合。在算法工具层，
除了数据挖掘算法外，仍应当由数据挖掘算法所需要的辅助
工具，如对于聚类算法，相似性度量或距离函数是关系到聚
类质量的核心问题，不同的相似性独立或距离函数针对不同
的数据或分析目标，在算法中能够根据需要来选择配置。