2_智慧城市系统中的大数据_吕卫锋.ppt

* * * * 复杂路网环境，海量实时数据处理 由于车辆移动性带来的局部信息不稳定性问题 解决由于新型传输媒体与日益增长的个性化服务带来的服务拓展问题 可用，能用，好用 三个问题，一系列方明技术，新型服务与产业链 * * 道路突发事件是影响出行的重要因素，传统事件获取方式多采用人工报告和视频监控的方式，具有较大的局限性。 针对都市快速路，我们基于车辆行驶特征与路链旅行时间的特点给出了突发交通事件时，相邻时间和近邻路段车辆状态的形式化定义， 构建了该形式化定义下多组正常历史数据和当前参数的群组库，从而有效区分异常事件与拥堵热点的算法模型 * ARMA-GARCH模型是一种在经济学中用来分析经济事件影响和波动的数学模型。GARCH模型,即广义自回归条件异方差模型,能够更好的拟合出波动性数据分布的厚尾特性。（厚尾特性，就是这些数据出现极端值的概率要比正态分布数据出现极端值的概率大。） * * 工作日OD数量与周末差距不太大 因为其办公和住宅的混合性质，工作日出发量和到达量都有早高峰； * 出行前规划 公交引导 地铁引导 步行、公交、地铁，综合出行导航 步行引导 * 该系统采用先进的平台虚拟化、分布式处理、海量数据管理等平台技术，使数据处理能力达到每处理周期（小于40 秒）百万位置数据（16万辆车），形成北京、上海、广州三大互为备份的处理中心，具备数据汇聚和处理、信息服务的可扩展能力 * * * * 。。。。 功能特点在于信息展现的关联性与便利性，线路的、换乘客流的、状态的、数据统计的、对比分析的、详细数据的展现，方便实验室用户的关联对比分析 * * * * 1.2技术应用：道路异常事件识别 基于交通特征的交通态势长期预测 基于区域的基本趋势的预测 基于特征（节假日、大型活动、恶劣天气等）的长期预测 长期预测可为交通管理部门提供决策支持。 事件ID 类型 时间 区域 1 中雨 星期二 16-18时 北京全市 2 管制 星期一 17-18时 长安街 3 小雪 星期二 6-15时 北京全市 …… 预测事件类型 发生时间 影响范围 小雨 星期二 10-12时 北京全市 恶劣天气环境下交通影响分析及预测 交通事件影响的预测 交通事件影响分析及预测技术 在建模阶段，通过对大量交通事件发生情况下的历史交通数据进行学习，建立交通事件影响模式库。 交通事件 影响模式库 在预测阶段，从交通事件影响模式库中检索与待预测事件最相似的若干历史事件，以其作为预测的参考。 参考事件类型 发生时间 影响范围 中雨 星期二 9-13时 北京全市 小雨 星期三 10-16时 北京全市 准确率：62.7% 准确率：65.2% 准确率：74.2% 准确率：76.1% 历史预测 事件预测 真实数据 10：30 11：30 大型活动对区域交通影响分析及预测 以北京工人体育场为例 空间影响为三公里 时间影响为13:30-23:30 5分钟为最小样本间隔 每5min取样一次计算RAS 道路结构模型 1.3关键技术： 道路能耗信息计算关键技术 Microscopic Mesoscopic 混合仿真模型 浮动车信息源 扩展浮动车信息源 (CAN总线数据) 车辆构成模型 车辆轨迹样本 数据融合 交通检测数据 行车推测 CO2 计算模型 发动机能耗模型 能耗分析模型 中关村 建立人的出行行为与交通状态的关联模型 按时、区域 按出行意愿 提取不同交通小区的出行特性 商业区 办公区 学区 居民区 混合区 1.4 关键技术：公交到站预测关键技术模型 轨道数据 公交数据 公共交通数据采集 浮动车数据 换乘步行路线指引 公交动态诱服务 组合换乘查询服务 实时公交信息服务 实时交通信息服务 其他服务 POI数据库 其他内容 数据库 数据分析 支撑模型 系统运行数据库 公共交通综合出行数据库 数据管理 公共交通综合数据平台 基于移动终端的公共交通 出行动态诱导服务 交通数据共享交通系统 * 出行前规划 公交引导 地铁引导 步行引导 1.4 技术应用：行人导航 采用先进的平台虚拟化、分布式处理、海量数据管理等平台技术 北京、上海、广州三大数据中心协同处理 每周期（1分钟）20万辆车的百万条位置数据 1.5 关键技术集成：交通大数据实时处理系统 2.以人为中心的行为感知关键技术 无所不在的运营商感知网络 打造运营商感知网络，提供海量感知数据。 1、感知环境： 道路、酒店、商场、景区、居民区的详细地理特征分类标示，感知城市中的每个角落 2、感知行为： 把用户的通信行为与用户的空间位置轨迹及时间关联起来，在时空全景条件下感知用户行为，提炼用户属性，分析用户需求 行为数据与环境数据结合打造“行为感知网络” 2.1 关键技术：基于信令数据的轨迹推测模型 问