浅析信息时代大数据在智能交通系统中的应用

倪凯

摘 要：互联网和通信技术（ICT），为智能交通系统（ITS）提供了大量实时数据，需要对这些数据进行管理、交流、解释、汇总和分析。这些技术大大提高了智能交通系统的有效性和用户友好性，产生了巨大的经济和社会影响。

关键词：信息时代;大数据;智能交通系统;应用

中图分类号：U495 文献标识码：A

0 引言

在物联网（IoT）和云技术的背景下，需要真实世界的应用场景来导出对软件体系结构和ITS新特性的需求。在这项研究中，我们认为未来基于服务和云计算的智能交通系统，可以从复杂的数据处理能力中获益匪浅。因此，需要开发和应用新的大数据处理和挖掘（BDPM）技术。

1 信息时代大数据在智能交通系统中的重要性

在这些新一代的业务管理系统中，运输网络的管理与运输公司和个人客户的业务战略和运营模式紧密结合，对公司的业务规划产生了相当大的影响。它的所有参与者都充当数据生成器和数据源，以较短的更新率生成大量可用数据。数据生产的增长是由以下因素推动的：个人及其对媒体（社交网络）的使用增加;新型传感器和车载通信能力。现代信息和通信技术（ICT）（云计算、物联网（IoT）等）的应用，以及互联网连接设备和系统的激增。由于无处不在的信息传感移动设备、航空传感技术（遥感）、软件日志、照相机、麦克风、射频识别阅读器和无线传感器网络越来越多地收集数据集，因此数据集的规模不断扩大。机器生成和非结构化数据（照片、视频、社交媒体feed等）的比例也有所提高。因此，ITS中出现了一个新兴的大数据问题。大数据通常包括数据集，其大小超出了常用软件工具在可容忍的时间内捕获、管理和处理数据的能力。大数据提供有关客户及其行为的更详细信息，但应以分散（多代理）的方式进行适当分析，同时避免传输大量信息。因此，云计算和网格计算基础设施非常适合大数据的存储、管理和处理。从本质上讲，大数据在物理上和逻辑上都是分散的，但实际上是集中的。所有信息源/存储器都是相互连接的，系统的任何组件原则上都可以访问任何信息[1]。

2 浅析信息时代大数据在智能交通系统中的应用

2.1 多智能体系统

多智能体系统（Multi-agent systems，MAS）提供了一个网络化的、协作的、自治的系统模型，并提供了一个合适的隐喻和工具来表示智能体系统。MAS由多个自主的、自利的软件实体（称为代理）组成。代理从环境中感知信息，创建自己的本地数据模型，然后根据目标和可用信息做出决策。然后，决策被转化为影响环境的行动。代理在信息模型层面（数据或模型参数交换）或行动层面（行动协调、群体形成）上进行交互和合作。多智能体建模已广泛应用于解决运输问题。云计算系统面向与用户的高水平交互、大量应用程序的实时执行以及按需服务的动态供应。在这项研究中，我们考虑了基于云计算系统的分层体系结构。它支持一类专门的分布式系统，其特点是具有高级别的可伸缩性、服务封装、动态配置和按需交付。除此之外，运输基础设施可以被视为一种服务，它研究如何在云中使用云数据存储、云计算虚拟化或服务的可能性。基于云的系统的复杂性对最终用户是隐藏的。基于代理的云计算是一种范式，它通过大规模计算和云计算之间的协同作用来识别一些常见问题并提供一些好处。云计算主要集中在通过降低成本、服务交付、数据存储、可扩展的虚拟化技术和能源效率来高效利用计算基础设施。相比之下，MAS主要关注agent交互的智能方面及其在开发复杂应用程序中的应用。特别是，云计算可以通过实现复杂的、基于代理的建模和仿真应用程序，为大规模执行提供一个非常强大、可靠、可预测和可扩展的计算基础设施。此外，软件代理可以用作在云中实现智能的基本组件，使其在资源管理、服务提供和大规模应用程序执行方面更具适应性、灵活性和自主性[2]。

2.2 人工数据中心

物联网在语义上是指一个由互联对象（射频识别、红外传感器、全球定位系统、激光扫描仪等）组成的全球范围的网络，可唯一寻址，以确保其内部信息的交换和共享。这一概念的基本思想是在我们周围普遍存在着各种各样的东西或物体（射频识别标签、传感器、执行器、移动车辆等），它们通过独特的寻址方案，能夠相互作用并与邻居合作以达到共同的目标。物联网为其提供了两大功能：1）其数据采集功能提供了更全面的交通数据;2）为交通数据传输提供了良好的通道。因此，基于物联网的智能交通系统具有广阔的发展前景和拓展空间。人工交通系统的开发是为了创建一个动态的组织交通知识，例如方法、算法、规则和案例研究，以便有效地进行搜索，并为计算和实现做好准备。通过对真实行为和模拟行为的比较和分析，可以了解和预测系统未来的行为，并据此规划和修改系统运行的控制和管理策略。我们最感兴趣的学习模式是学习和训练模式。在这种模式下，人工系统主要用作学习操作程序和培训操作员和管理员的数据中心[3]。

2.3 数据分类技术

分类是基于包含已分类数据点的训练集来识别新数据点所属类别的一组技术。经典的数据处理和挖掘方法是集中的：这意味着为了应用它们，数据必须随时可用。相反，大数据是不断更新和收集在物理分布的存储，数据集中是不可能的。使用集中式方法，系统无法快速适应实时情况，通过网络传输大数据以及在一个位置存储、管理和处理大数据集非常困难或根本不可能。另外，分布式系统中的一些节点在预测过程中更倾向于传递自己的经验。因此，有一个内在的需要，开发有效的BDPM算法使用分散的体系结构，考虑到空间和时间分布的数据。从技术和成本角度来看，分析和处理大数据现在都是可行的。许多大数据框架都是围绕着对业务机制的理解、对业务战略的分析、识别非结构化和结构化数据中的价值和相关性、数据挖掘、预测分析和成本效益数据而构建的。BDPM方法通过降维、预测建模、过滤和变化点分析来检测大纲视图，从而帮助以紧凑的方式（聚类）存储大数据。时间序列分析是一套统计技术来建模和解释时间相关的数据点序列。时间序列预测使用模型根据已知的过去事件生成对未来事件的预测[4]。时间序列数据具有自然的时间顺序-这不同于典型的数据挖掘/机器学习应用，其中每个数据点都是要学习的概念的独立实现，数据集中数据点的顺序无关紧要。聚类分析是一组统计方法，用于将不同的对象划分为相似对象的较小组，这些相似对象的相似性特征事先不知道。这是一种无监督学习，因为没有使用训练数据[5]。

3 结束语

随着交通系统的组成部分变得更加自主和智能化，智能交通系统（ITS）之间在交通管理和环境监测方面的合作需求日益增加。此外，人们对更智能的交通管理系统需求也会变得越来越大。

参考文献：

[1]徐萌.浅析大数据在智能交通系统中的应用[J].智能城市，2019，5（08）：139-140.

[2]林君萍.大数据在智能交通系统中的应用[J].电脑知识与技术，2019，15（17）：16-17+24.

[3]黄周平.简析大数据在智能交通系统中的应用[J].广东通信技术，2019，39（11）：7-8.

[4]刘勇良.大数据处理与挖掘在智能交通系统中的应用[J].河南科技，2019（04）：138-143.

[5]贺宇.智能交通系统在动态交通数据采集中的应用[J].数字技术与应用，2017（06）：114.