论文部分内容阅读
随着移动通信技术的快速发展和移动终端设备的广泛普及,人类越来越多的时空数据被感知,如手机位置数据、应用数据、出租车GPS数据等。这些时空标记的数据能够反映移动用户的轨迹信息,基于此类数据获取用户的真实移动轨迹,挖掘用户的移动特征规律,并研究道路交通情况,已经成为智能交通系统的关键组成部分。其中,手机位置数据因其覆盖范围广、易获取等特点成为学术研究的热点。运营商可以通过挖掘这些数据的附加价值进行交通行业分析,并与交通部门合作,合理安排交通运力以及公共交通工具,进行路网规划,从而缓解交通拥堵对城市居民生活的影响。本文针对运营商需求,基于Spark平台设计并实现了一套分布式道路交通分析系统框架,实现了用户移动通信定位数据的数据清洗、基站去震荡、轨迹分割等功能,在获得预处理后的用户轨迹后,实现了道路映射、拥堵分析、交通方式判断、轨迹的空时查询等功能。本文提出了一种针对基站位置数据的地图匹配算法,算法基于隐马尔可夫模型,考虑复杂交通网络的情况、基站位置数据的特点以及司机驾驶习惯,对传统模型进行改进,构建了针对复杂交通网络的地图匹配模型,并与传统模型进行了对比验证,结果表明算法优于传统模型。本文基于道路映射结果进行道路拥堵分析,同时借助最短路径算法和轨迹相似度匹配算法实现了对用户交通方式的判断,将用户的交通方式划分为步行或骑行、乘车以及地铁。本文通过将用户轨迹数据进行存储,建立用户空间位置索引,从而实现人群移动流量分析以及空时复合查询等功能。本文将上述功能集成于道路交通分析系统,运营商可根据需求自动化获取用户的真实位置信息、判断交通方式,进行交通分析。