城市隧道交通大数据分析及应用

吴　珺，　王春枝

(1.湖北工业大学　计算机学院， 湖北　武汉　430068；

2.武汉理工大学　a.材料科学与工程学院； b.交通物联网技术湖北省重点实验室， 湖北　武汉　430070)



城市隧道交通大数据分析及应用

吴珺1,2，王春枝1

(1.湖北工业大学计算机学院， 湖北武汉430068；

2.武汉理工大学a.材料科学与工程学院； b.交通物联网技术湖北省重点实验室， 湖北武汉430070)

摘要：随着云计算、物联网技术等相关信息技术的发展，针对城市交通与物联网应用结合的相关研究正如火如荼进行，同时也促进了城市智慧交通网络朝着更为高科技、信息化、智能化的方向发展。本文提出城市隧道交通的大数据平台体系结构，并针对其交通大数据进行关联分析方法研究。首先通过分析各类多源交通大数据获得表现交通拥堵的相关因素，然后通过大量相关样本数据训练获得预测模型，最后通过模型预测是否发生交通拥堵并分析交通网络中各隧道的交通拥堵关联性。分组实验及相关结果分析表明，本文提出的方法能实现多个隧道发生交通拥堵情况的关联分析，取得了交通大数据分析应用的良好效果。

关键词：城市隧道；大数据；交通系统

随着城市化进程的推进，交通网络已成为城市的生命线；所谓智慧交通网络ITS(Intelligent Traffic System)是融合了目前先进物联网技术、数据通信技术、大数据分析技术构建成的新型交通体。城市智慧交通网络是物联网技术应用的一种核心体现，它涵盖了数据的采集、处理、传输、融合和挖掘等一系列信息处理步骤。由此实现城市智慧交通网络中的声音、图像、温度、亮度、位置变化等物理属性构成的复杂数据，使得人们可以获得更加全面、准确、有效的交通监测信息。

随着物联网技术、大数据技术等相关信息技术的发展，针对大数据与物联网应用结合的相关研究正如火如荼进行，同时也促进了城市智慧交通网络朝着更为高科技、信息化、智能化的方向发展。目前城市智慧交通网络不仅可以通过摄像探头记录交通情况和监控隧道内的车辆等基本功能；同时城市智慧交通网络还可以对隧道空间结构进行相关专业的安全评估监测，保证隧道的安全运行使用；并通过各类监控数据进行决策分析，提供多样的信息应用服务。

道路交通流除了具有时间特性外，还具有很强的空间相关性，通过大数据分析可以挖掘出交通流间潜在的关联性。然而各种交通流检测设备产生并积累了海量的具有复杂时空关系的时空信息数据集，融合有效的信息技术和广阔的数据平台就能够通过分析这类数据获得城市各个路段的重要交通信息，为人们的日常出行和政府部门的交通管理提供有效的信息。

例如国外一些智慧城市系统为民众提出了一些出行信息的查询和实时路况直播；基于这类应用的数据挖掘需求，需要研究和开发者对交通流进行各类数据挖掘工作，对于传感器实时采集的动态海量数据挖掘算法的深入研究；比如发现交通状况之间的关联关系、复杂时空查询、分析交通流的拥堵模型等。

1交通大数据平台的架构及特性

随着我国城市化进程的推进，为了缓解城市交通拥堵问题，各级政府纷纷重视城市中各类交通基础设施修建，比如开展空间立体化城市交通体规划与修建，包括城市的地铁、多层高架桥、隧道等。但是城市地面空间有限，因此城市地下隧道和地铁正逐渐成为提高城市交通高效性的首选。

本文所研究的智能交通系统主要是针对这类隧道以城市隧道监控系统研究设计的。以湖北省武汉市为例，如图1所示近年的城市交通扩建工程中，不但修建了地铁，还修建了武昌与汉口之间的过江隧道、东湖景区的湖底隧道等多种形式的城市隧道。图1中红色线段标注所示为武汉市的主要城市长隧道，比如：修建于2012年的武汉市汉口火车站地下隧道，全长1100 m，它地处武汉市的二环线上；2011年投入使用的武汉市水果湖隧道，全长1735 m，是城市二环线武昌段的重要交通枢纽点；又如其他一些城市中型隧道，2008年完工的武汉市汉阳开发区国博隧道全长870 m，属于城市中型隧道，位于武汉市三环线附近，是武汉市国际博览中心的重要配套道路。

图1　武汉市主要隧道

以上这类城市隧道已逐渐成为武汉市交通的一个亮点，本文作者通过多年在以上隧道设计施工的工作经验中针对隧道监控系统多样性和复杂性的相关研究进行了分析与研究。在物联网发展大潮下，面对当前城市交通智能化高速发展，但是又缺失标准化、统一化、智能化的网络体系标准的现状；我们需要提出一个新的概念，即基于城市交通隧道智能监控系统的网络体系，本文将这类网络定义为“城市隧道交通的大数据平台”。

随着城市化进程的推进，对交通网络的信息技术需求日益增长，面对庞大的交通数据如何将各类分散的数据进行集中存储、分析、管理是一个重要的研究课题。针对实际需求，本文提出的城市隧道交通大数据平台是一个以物联网理论为研究基础，对现有的城市隧道监控系统进行标准化、智能化的联网应用。其体系结构是构建城市隧道交通大数据平台理论的实践基础。同时在大数据时代可以借鉴大数据分析与计算机软件工程的研究经验，针对城市隧道交通大数据平台的复杂数据特性和网络异构性，本文将平台从下至上分为5层，它们依次是：感知层、传输转换层、数据存储层、智能数据分析层、应用服务层[1]。

2交通大数据

2.1智能交通复杂异构性

随着物联网技术的不断发展和广泛应用，对于智慧交通网络中的各类车辆进行实时有效的感知监控已经逐步实现。然而这类利用大量传感器及RFID电子标签，并通过GIS进行实时传输的复杂数据难以进行统一格式的数据存储、数据管理和数据分析。由于智能交通技术不断创新发展，不同年代修建的隧道监控系统硬件及开发软件系统都有着明显的差异。因此综合以上各类因素，整合现有隧道交通系统获得面向智能交通的大数据，需要解决数据的复杂异构性。

2.2隧道数据复杂异构性

数据异构性首先表现为“系统异构”，即由隧道内硬件和系统所选用的操作系统、通信系统的不同所产生的异构。如图2所示4张数据表定义，在较早修建的武汉市中山路隧道(2006年修建完成)采用的是Windows 2000 Server 中文版的网络操作系统和SQL Server 2000数据库管理系统；而修建于2011年的武汉市水果湖隧道采用的是Windows 2003 Server 中文版的网络操作系统和SQL Server 2008数据库管理系统。

图2　隧道交通数据表的基本定义汇总

2.3数据融合及分析

通过多源数据融合技术，能形成更加丰富的交通信息，在一定准则下进行自动分析，能更有效完成所需的交通决策和评估。

城市隧道交通的大数据平台监控信息主要是针对武汉市各个隧道的大数据进行融合处理的研究，对于城市隧道交通的大数据平台交通流进行实时高效地信息采集、分析及融合处理、发布系统。融合当前先进的信号处理及数据分析技术，实现智能交通大数据的集成开发和应用[1,2]。近年来许多国外研究机构也对此进行了深入研究，比如麻省理工大学ITS实验室Antonious C等研究了在线和离线的动态交通分配模型[3]，和实时多传感器多源网络数据融合模型。

我国对于交通监控多源信息融合的研究才刚刚起步。近年来，智能交通系统研究较多集中在交通信息的采集与发布，更为核心的交通监控信息融合处理研究较少，还没有实现多源交通信息的融合处理和应用。有些研究在构建城市ITS系统，如吉林大学交通学院的ATMS平台提供基于关系模式的数据融合[4]；北京交通大学提出一种通用的数据组件元模型,在元模型中定义了相应交通信息集成的语法和语义[5～7]。但是这些方法并未提供进一步的多源数据融合与协同共享。特别是在城市隧道监控中存在交通、环境和设备参数等多种数据，如何从不同层次不同阶段对这些数据有效融合与高效挖掘，为决策提供支持，尚无深入的研究。

目前，面向智能交通大数据的信息融合还未形成基本的理论框架和有效的广义融合模型和算法。本文针对城市多个隧道的智能监控系统，提出面向城市智慧交通网络中的多个隧道智能监控系统大数据关联分析方法。

3大数据分析模型

3.1分析模型

智慧交通数据分析是交通系统的重要研究内容，传统交通数据模型是描述交通流状态变量(速度、密度和流量)随时间和空间变化、分布规律及交通控制变量之间关系的方程式或映射。随着智能交通系统的发展，不断产生一些新的应用和新的分析任务，如分析道路交通拥堵模型、发现道路交通状况之间的关联关系、预测未来一段时间的道路交通状况等[8～11]。

3.2算法

根据城市隧道交通大数据平台中与交通拥堵最密切相关的两个变量数据车速Speed和车流量Cll为模型的训练样本，通过智能交通关联数据挖掘算法得到当发生交通拥堵的时候，隧道间的关联规则状态Situation。

Step1：输入隧道车速Speed、车流量Cll和隧道堵车状态{Situation}为智能交通关联数据挖掘模型计算规则的特征向量；

Step2：利用训练样本获得误差值最小的支持向量机模型{Situation}；

Step3：获得模型参数并根据给定的测试样本通过模型获得预测值隧道堵车状态；

Step4：计算预测精度，推导关联性；

4实验

4.1分组实验及相关结果

首先根据智能交通关联数据挖掘算法的主要思想，完成五个隧道独立的交通状态规则挖掘。即通过每个隧道自己的历史数据作为训练数据，通过挖掘算法得到一定准确度的规则判断结果。

实验训练样本包含的特征项：隧道车流量、隧道车速、隧道堵车实际值。首先，输入训练样本数据，调用svmtrain函数对训练样本进行训练，建立SVM模型；输入测试样本，根据SVM模型调用svmpredict函数测试样本进行预测；然后就可以得到隧道堵车状态{Situation}的预测值。最后将实际值与预测值进行比对，得出算法预测的正确率。分别使用ITS中的5个隧道TA、TB、TC、TD、TE的相关数据集，经过智能交通关联数据挖掘算法得到的预测结果正确率如表1所示。

表1　隧道TA、TB、TC、TD、TE独立预测结果

4.2实验结果关联性

城市隧道交通大数据平台内三个隧道之间的关联分析如表2所示。隧道TA、TB、TC、TE规则推理如表3～6所示。

表2　城市隧道交通大数据平台内三个隧道之间的关联

表3　隧道TA规则推理

表4　隧道TB规则推理

表5　隧道TC规则推理

表6　隧道TE规则推理

由表3～6，可知：

(1)表3的实验结果说明隧道TA和TC存在交通状态的关联性，即会发生交通拥堵的关联影响，根据分析可得交通状态关联规则：TC→TA。

(2)表4的实验结果说明隧道TB和隧道TA、TC不存在交通状态的关联性，即不会发生交通拥堵的关联影响。

(3)表5的实验结果说明隧道TC和TA存在交通状态的关联性，即会发生交通拥堵的关联影响，根据分析可得交通状态关联规则：TA→TC。

(5)表6的实验结果说明隧道TC和TE存在交通状态的关联性，即会发生交通拥堵的关联影响，根据分析可得交通状态关联规则：TC→TE。

5结语

本文主要研究了基于城市智能交通网络中存在的隧道交通拥堵关联性；并针对隧道交通拥堵这一特性，提出了智能交通大数据关联规则挖掘算法。通过多组次的实验分析，挖掘出各个隧道之间基于拥堵的关联性；实现了面向城市智能交通网络大数据应用分析的全局性和关联性。一方面表明城市智能交通网络内各个隧道由于地理位置临近，容易产生空间维度特性的交通拥堵关联性；另一方面表明城市智能交通网络中各个隧道由于在整个城市隧道交通大数据平台内所承担的交通疏导能力和交通运输影响力相近，也容易产生属性维度特性的交通拥堵关联性。

参考文献

[1]吴珺. 隧联网结构及智能监控数据分析[D]. 武汉:武汉理工大学, 2013.

[2]Fr mling K, Holmstr m J, Loukkola J, et al. Sustainable PLM through intelligent products[J]. Engineering Applications of Artificial Intelligence, 2013, 26(2):789-799.

[3]Sung W T, Chiang Y C. Improved particle swarm optimization algorithm for android medical care IOT using modified parameters[J]. Journal of Medical Systems, 2012, 36(6):3755-3763.

[4]韩祥临. 基于智能交通系统的交通流建模和拥堵控制研究[D]. 上海:上海大学, 2010.

[5]李锐. 基于本体的报警关联知识库的研究[D]. 北京:北京交通大学, 2008.

[6]Houtsma M, Swami A. Set-oriented Mining for Association Rules in Relational Databases[C]∥Data Engineering, 1995. Proceedings of the Eleventh International Conference on. IEEE, 1995: 25-33.

[7]Chen Chen, Yan Xifeng, Zhu Feida, et al.Graph OLAP: a multi-dimensional framework for graph data analysis[J]. Knowledge and Information Systems, 2009, 21(1): 41-63.

[8]Li Yuan, Hou Mingjun, Liu Heng, et al. Towards a theoretical framework of strategic decision, supporting capability and information sharing under the context of internet of things[J]. Information Technology and Management, 2012, 13(4):205-216.

[9]Ruiz R, Maroto C , Alcaraz J. A decision support system for a real vehicle routing problem[J]. European Journal of Operational Research, 2004, 153(3):593-606.

[10]杨一文, 蔺玉佩. 基于专家知识的模糊时间序列预测模型及应用[J]. 系统管理学报, 2012, 21(1):120-125.

[11]Morales A. The long and tortuous history of the discovery of testosterone and its clinical application[J]. The Journal of Sexual Medicine, 2013, 10(4):1178-1183.

[12]吴珺， 谢树泉, 王春枝. 基于语义的隧联网数据整合方法[J]. 智能系统学报, 2014, 9(6):704-708.

Big Data Analysis and Application Based on Intelligent Tunnel Traffic

WUJun1,2,WANGChun-zhi1

(1.School of Computer Science，Hubei University of Technology , Wuhan 430068, China;2. a.School of Materials Science and Engineering; b.Hubei Key Laboratory of Transportation Internet of Things, Wuhan University of Technology, Wuhan 430070, China)

Abstract:With the development of information technology including the Cloud Computing and the Internet of Things technology, it is important to study about the fusion on the urban transportation and the Internet of Things technology. So this fusion research could promote the urban tunnel network towards a much more high-tech, information, intelligent direction of development. This paper studies the Association Analysis methods for Big Data in ITS(Intelligent Transportation System). Firstly, it obtains the relevant factors by analyzing the performance of various types of traffic jams in multi-source of ITS Big Data. Secondly, it gets through a lot of related forecasting model training from these sample data. Finally, it is used to predict whether the occurrence of traffic congestion, furthermore to make the association analysis about these traffic congestion situation in ITS. Grouping experimental results and related analysis show that this paper proposed method can achieve the traffic congestion associated with the occurrence of multiple tunnel analysis, and it also can achieve good results of analysis applications based on Big Data in ITS.

Key words：city tunnels; big data; ITS(intelligent transportation system)

中图分类号：U495

文献标识码：A

文章编号：2095-0985(2016)02-0062-05

基金项目：国家自然科学基金(61502155)；湖北省自然科学基金(2014CFB590)；湖北工业大学博士启动基金(BSQD13039)；湖北省住房和城乡建设厅资助项目(鄂建文[2014]54号-51)；武汉理工大学交通物联网技术湖北省重点实验室资助项目(2015Ⅲ015-A03)

作者简介：吴珺(1984-)，女，湖北武汉人，讲师，博士，研究方向为智慧城市交通、物联网及数据挖掘(Email：wujun@whut.edu.cn)

收稿日期：2015-07-25修回日期： 2015-11-27