基于时空众包的城市交通态势感知技术计算机研究

本文是一篇计算机论文，本文提出基于时空众包的智慧城市感知系统。该系统通过向顺路的人们发布众包任务，来获得智慧城市感知数据。通过对候选者的目的地预测，判断其是否与任务区域有交集，在不影响其原有出行计划的同时发布众包任务，同时完成任务后将获得一部分的奖励。众包任务参与者自行前往任务区域的过程中，将其行驶的轨迹数据发送给服务器，由服务器存储、计算，并应于后续的智慧城市感知工作。

第一章 绪论

1.1研究背景和意义
近几年来，随着计算机和信息技术的迅猛发展和普及应用，行业应用系统的规模迅速扩大，行业应用所产生的数据呈爆炸性增长，数据量正在以指数级的速度增加，人类已经进入了大数据时代。而基于移动互联网、卫星定位技术、LBS  技术的高速发展随即产生了大量轨迹数据，轨迹数据包括交通数据、人类移动数据、动物迁移轨迹数据和自然现象轨迹数据等。
海量的轨迹数据具有很大的研究价值，通过对轨迹数据的分析，可以挖掘人类活动和迁移规律，分析车辆、大气环境等的移动特征。对于轨迹数据的分析与挖掘，是研究人员目前重点研究领域之一，其中一个重要的应用就是对城市交通的轨迹数据处理，它能够为交通状况监测，优化交通路线、路网预测、城市规划等提供很好的解决方案。本课题从城市交通的轨迹数据入手，对交通状况进行态势感知。
态势感知[1]的概念最早在军事领域被提出，覆盖感知、理解和预测三个层次，交通的态势感知[1]，指通过对大规模城市路网环境中的轨迹数据进行挖掘，能够对交通态势变化进行获取、理解、显示以及对其发展趋势的顺延性预测，进而进行决策与行动。例如大部分城市存在早高峰和晚高峰时间段，为司机规划路线，不仅要避开目前正在发生道路拥塞的路段，还要避开极大可能在短时间内拥塞的路段，使司机的出行计划不受影响。
传统的交通状况监测一般通过在道路上部署传感器来获取车流量与车速等信息，从而监控交通状况。但是由于道路基数大以及道路交通状况复杂等原因，当前所部署的传感器通常无法覆盖全部道路网络，甚至十分稀疏，有时可能因为某条线路出故障而导致整个监控体系不能正常运行，这是当前大多数交通状况监测系统所收集的数据不完备，可用性较差的主要原因。此外，交通数据具有较强的时效性，也是当前交通状况监测的另一大挑战。

...........................

1.2 国内外研究现状
随着富含传感器的移动设备（例如智能电话，智能手表等）的激增，研究者们已经开发了许多城市传感应用。例如，基于众包的事件定位系统，以检测城市中发生的事件的位置、基于众包的天气感知系统，利用移动人群来感知不同地区的天气状况。
以前的研究[4][11][13]中，招募的参与者按照其自然行进路径（通常是从起点到目的地的最快路径）收集数据。也就是说，参与者根据他们的自然流动性收集数据，程序所有者不会为参与者设计行驶计划。为了建模参与者的行驶轨迹，研究者们使用参与者的历史轨迹建模[11]或直接使用数学模型（例如[13]中的截断 Levy Walk 模型）。然而，城市地区的自然人类流动性本质上是不平衡的，[8]通过在现实世界的大规模研究已经证明了这一点。因此，参与者本质上的倾斜性，给城市感知带来又一大挑战。例如，如图 1.2 所示，参与者通常从家到工作地点（即图中的 A 地到 B 地）以最便捷的路径（由橙色路径表示）行进，红色的加号表示数据量。最便捷的路径的周围有大部分的人群覆盖，而其余区域基本上只有很少的行人出现。结果，行人大部分都选择了最便捷的路径并采集数据，橙色路径周围出现大量的轨迹数据，而剩下的大多数区域并没有被完全的探索，导致这些地区具有高度的不平衡数据覆盖现象，给城市感知带来困难。

第二章   相关工作

2.1 数据发送机制
在交通态势感知系统中，参与者们驾驶机动车前往任务地点，并向服务器发送数据。参与者自身携带的含有 GPS 定位系统的设备（例如智能手机，车载 GPS 设备等）自动生成 GPS数据，根据预先设定的发送频率（例如 6s），通过 wifi p2p 网络向服务器发送轨迹数据。因为系统并不为参与者制定出行路线，由参与者们自行选择，而人类的活动具有不平衡性，所以大部分的参与者会选择最便捷的路径，导致数据的发送过程也会带来相应的问题。
参与者们的数据传输量没有受到控制，参与者们之间无法相互交流，导致服务器无法控制整体的数据量，使系统能耗增加。所以当某范围的数据达到一定的数量时，我们不鼓励此范围内的参与者继续发送数据，而导致数据冗余。
第三章  基于相似交通趋势的速度估算 ........................................ 17
3.1问题说明 .................................. 17
3.2相关概念及定义 ........................................ 18
第四章  基于元路径拥塞模式挖掘的位置预测.................................... 33
4.1相关定义及概念 ............................ 33
4.2位置预测框架 .......................................... 33
第五章  原型系统实现与性能分析 ....................................... 40
5.1原型系统框架 ....................................... 40
5.2原型系统开发工具 ........................... 41

第五章 原型系统实现与性能分析

5.1 原型系统框架
通过第二、三、四章的相关工作、基于相似交通趋势的速度估算及基于元路径拥塞模式挖掘的位置预测技术的详细介绍，本原型系统分为移动端和服务器端两部分，其中移动端通过与服务器的交互进行数据的更新和发送，服务器端对移动端发来的数据进行存储、做出基于相似交通趋势的速度估算和根据轨迹数据挖掘拥塞模式，基于拥塞模式的位置预测服务，如 5.1 图所示。

第六章   总结与展望

6.1本文工作总结
城市传感技术是智慧城市建设的基础，需要使用不同类型的传感器收集城市空间中产生的数据。传统的方法是使用布置在道路周围的物理传感器，但是物理设备成本高，维护代价大，而且不能覆盖全部的道路网络，于是使用一种通过人群作为传感器即人群感知技术来探测物理世界。例如，为了诊断城市噪声，我们希望参与传感程序的人可以收集整个城市在不同地点、不同时间间隔的声级。同样，为了更好地监控城市的交通状况，期望在不同路段上行驶的人可以在不同的时间间隔贡献他们的 GPS 轨迹。这些方法都属于时空众包方法的范畴。然而，由于人类流动性在一个城市中存在高度不平衡性，例如城市中兴趣点的人群是最密集的，其他地方的人群数量很小，因此很难设计出能够使数据具有均衡覆盖率的城市传感方法。