论文部分内容阅读
在智能交通系统发展的过程中,由浮动车GPS、微波探测、SCATS线圈等交通传感器采集的海量数据,即多源海量传感器数据,已经成为智能交通系统研究中的重要资源,为此人们提出了大数据驱动的智能交通系统,其主要是通过对海量多源异构交通数据的分析和处理,来为智能交通系统提供基于数据的解决方案。然而当前的大数据驱动的智能交通系统还存在着诸多困难,首先是传统的系统不仅部署周期长,维护成本高,而且,随着数据量的增多,业务复杂度的增加以及计算强度的增大,难以通过增横向扩展来满足日益增长的需求。其次,系统模块之间耦合性较高,难以实现模块的重用以及共享。此外,系统中对于各个数据源的数据都需要定制化处理,特异性强,不仅影响了程序开发效率,而且造成资源的浪费。基于目前大数据驱动的智能交通系统所存在的问题,本文对大数据驱动的智能交通云服务构建与组合技术进行了研究。首先是构建基于OpenStack的交通云平台,通过OpenStack为系统提供安全可靠的基础设施服务,从而可以通过廉价的机器进行部署,减少系统的建设成本。此外,交通云平台灵活弹性的部署能力,不仅减少了系统的部署周期,同时可通过增加OpenStack计算节点数量来满足未来日益增长的海量交通数据处理需求。然后,基于交通云平台,构建了基于RESTful Web服务的交通云服务,通过将系统中各个模块转化为交通云服务,减少各个模块之间耦合性,提高各个模块的重用性以及共享性;最后,设计了一种服务组合的模式,通过将简单的服务进行组合,来完成复杂的交通业务处理流程。基于以上交通云服务组合技术,本文实现了两种应用系统。首先是将地图匹配算法、虚拟诱导屏路网规划算法以及坐标转换算法构建为相应的交通云服务,通过交通云服务组合技术设计了一种基于位置服务的动态虚拟诱导屏系统,通过实验可以看出,较传统的诱导方法,该方法可有效提高诱导效率。其次是通过基于D-S证据理论自适应融合算法和四叉树的负载均衡算法的交通云服务组合设计了基于交通云服务的并行处理方案,通过实验分析了数据处理时间与虚拟机计算节点之间的关系,实验结果表明基于交通云服务组合的并行方案可有效提高海量多源异构数据融合的实时性。