智能交通中的数据挖掘技术.doc

9智能交通中的数据挖掘技术本文得到电子信息产业部发展基金的资助基金编号：信部运{2003}446号王亚琴覃明贵朱建秋朱扬勇复旦大学计算机信息与技术系上海200433摘要：数据挖掘技术提供了对海量交通数据的强大分析处理功能。本文分析了智能交通系统中交通数据的特点提出了交通数据挖掘系统的系统模型和分层体系结构；并介绍了智能交通数据挖掘的主要模型及方法包括交通预测模型、分类模型和关联模型。关键字：ITS、数据挖掘、模型、体系结构DataMiningTechniquesinIntelligentTransportationSystemWangyaqinQinmingguiZhujianqiuZhuyanyongDepartmentofComputerInformationandTechnologyFudanUniversityShanghai200433Abstract:DataminingtechniquesareappliedtoanalysisthelargeamountofITSdatatoacquireusefultrafficpattern.Thispapersummarizesthecharacteristicofthetrafficdataandproposesthesystemmodelandthescalablearchitectureoftrafficdataminingsystem(TDMS).WealsopresentsthemaintrafficpatternofTDMSincludingtrafficforecastmodelclassificationmodelandassociationmodel.Keywords:ITSdataminingpatternsystemarchitecture引言数据挖掘技术[1]是近年来发展起来的一种数据处理技术在大规模数据中挖掘隐含的模式提供了对大规模数据强大、灵活的数据分析处理功能在决策支持系统(DSS)中得到了很好的应用。安全、便捷、舒适和信息化的交通需求使智能交通系统[2]的研究和应用取得了快速发展。各种先进的信息技术在智能交通系统中得到广泛应用智能交通系统积累了巨大而复杂的交通数据复杂的交通数据对信息的管理和处理都提出了新的要求文献[345]提出了利用数据仓库、数据一体化平台等对复杂智能交通信息进行组织与管理并对智能交通信息进行数据融合、数据压缩、数据标准化、数据挖掘、数据联机分析处理等。数据挖掘技术作为一种产生于应用且面向应用的数据分析处理技术可以快速、有效、深入的分析海量交通信息挖掘大量交通数据中隐含的交通模式。文献[67]研究了利用神经网络进行短时交通流量预测以及道路交通状态的分类；文献[8]研究了基于模糊逻辑的道路拥堵评价；文献[91011]研究了基于ARIMA、神经网络、非参数回归等模型的交通流量预测方法；文献[12]提出了利用数据挖掘技术进行交通事件分析。数据挖掘技术挖掘交通系统的各种实时交通模型和综合交通模型可以用于交通的管理和控制改善智能交通系统的服务水平。本文分析了智能交通系统中交通数据的特点提出了对智能交通进行数据挖掘的主要模型及方法并设计了在智能交通交通系统中实现交通数据挖掘功能的系统模型及体系结构。文章结构如下：第二部分分析了ITS中的交通数据；第三部分提出了交通数据挖掘系统的系统模型和分层体系结构；第四部分介绍了对交通数据进行挖掘的主要模型及方法包括交通预测模型、分类模型和关联模型；最后是总结。ITS的交通数据分析交通数据的特点智能交通系统的交通数据来源广泛、形式多样包括动态的交通流数据和智能交通子系统的管理控制数据以及静态的道路环境数据等。智能交通系统管理和控制的对象是交通流交通流数据是按时间顺序采样得到的一系列数值型数据序列是交通系统中最重要的数据。智能交通系统记录了大量交通信息如电子警察系统将交通违法车辆的违法行为过程用图像和数据记录下来提供交通违法信息包括车辆违法地点、违法日期、违法时间、违法类型、违法参数、违法车辆全景图像序列、违法车辆牌照图像；交通事故接处警系统提供报警时间、报警地点、报警电话号码以及相关的交通事故信息；交通信号控制系统提供与路口有关的运行状态、色步递进信息等。道路环境信息有路网拓扑、道路路面信息、通行能力、主线限速标志异常事件（如施工等）、天气环境、公交信息、车辆信息、驾驶员信息等某些道路环境信息无法从现有系统中得到需通过人工方式收集或从其他系统中集成。智能交通系统的交通数据分布于不同的交通信息系统完成不同的交通管理和控