CN108764518A - 一种基于物联网大数据的交通资源动态优化方法 - Google Patents
一种基于物联网大数据的交通资源动态优化方法 Download PDFInfo
- Publication number
- CN108764518A CN108764518A CN201810317698.8A CN201810317698A CN108764518A CN 108764518 A CN108764518 A CN 108764518A CN 201810317698 A CN201810317698 A CN 201810317698A CN 108764518 A CN108764518 A CN 108764518A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- real
- point
- cluster centre
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于物联网大数据的交通资源动态优化方法，包括：利用GIS和多媒体技术获取实时物联网数据；采用DBN网络模型对所有实时物联网数据进行预处理并归一化，将n个训练样本划分为K个类别，初步输出K个初始类作为初始聚类中心；根据地理信息系统计算各供应点与K个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中；在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进K‑means聚类算法。
Description
技术领域
本发明属大数据处理领域，涉及大量数据下的交通资源动态优化方法。
背景技术
随着信息时代的快速发展，智慧城市逐渐成为城市建设的主流。由于城市道路交通是许多领域的核心问题，如城市拥堵和经济成本等，物联网新时代的来临也引起了专家们对智慧城市建设中动态交通分配的更多关注。然而，智慧城市网络提供的数据多为大数据流，实时数据与互联网数据流的不一致问题也很关键。
对于高度发展的企业乃至发展中国家来说，政府对于智慧城市的规划运输问题日益成为企业扩张的主要关注点。在某些工业领域，一些先进的算法已经实现了，如聚类和模糊聚类混合的快速贪心启发式算法。大多数情况下，将该问题作为数学问题进行研究，并获得定量结果。由于城市交通状况的快速变化，很难设计一个普遍适用的规划方案。因此，本发明将流量数据的实时性作为主要数据考虑在内，并基于更新数据对动态分配网络进行优化。
发明内容
本发明的目的是提供一种交通资源动态优化方法，对动态交通规划中的实时在线数据进行整合，将地理信息系统和K-means方法结合在一起，以深入关注作为关键目标的交通状况和经济成本指数。此外，考虑到实时在线数据流的大数据特征，建立了DBN模型对数据进行预处理，以提高K-means的聚类效果。技术方案如下：
一种基于物联网大数据的交通资源动态优化方法，包括下列步骤：
第一步：利用地理信息系统GIS和多媒体技术获取实时物联网数据，以保证数据的实时性和全面性，所述的实时物联网数据包括交通状况，供应商能力，位置数据，交通要求，车辆规格，单位运输成本，沿特定路线的指定费用，供应商的区域信息，基础中心的运营成本；
第二步：将实时数据分为训练集和测试集，采用DBN网络模型对所有实时物联网数据进行预处理并归一化，用训练集数据训练DBN模型，将n个训练样本划分为K个类别，初步输出K个初始类作为初始聚类中心，即将整个区域划分成了小尺度的几个区域，然后，使用学习好的DBN模型对测试集数据进行测试；
第三步：在DBN模型初步分类的基础上，将第二步得到的K个初始类作为K-means的初始聚类中心，根据地理信息系统计算各供应点与K个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中；
第四步：在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进K-means聚类算法，方法如下：通过车辆运输相关系数和各供应商点的运输请求计算运输成本，然后将每个供应商点到其相应聚类中心的运输成本作为权重因子进行下一步的迭代计算，最后得到各区域内的最优交通网络配置成本MinTC：
其中，TC表示总成本，包括运输成本和运行成本，S是所有供应商点的集合，Gi是标号为i的区域，δij是根据该供应商点的制造计划和能力获得的参数，λij是从根据GIS提取的可以反映各供应商到相应聚类中心通过不同路段的平均通行费成本的参数，Dij指的是各供应商点与聚类中心之间的距离，Ci表示第i个加工中心的运行成本。
第五步：根据聚类分析，获得具有最佳解决方案，使运输成本最低。
本发明所提出物联网大数据的动态交通网络分配算法，以DBN模型和K-means聚类算法为基础，支持动态优化，收集数据和更新数据。在完成包括新质心生成的聚类算法时，运输成本一直是关键指标。在本发明中，所有的交通规划和计算都基于实时物联网数据和GIS数据，使最终的解决方案贴近实际。
附图说明
图1：流程图
具体实施方式
第一步：利用地理信息系统和多媒体技术获取原始数据，以保证数据的实时性和全面性。在数据库中存储算法计算所需的所有实时数据，包括交通状况，供应商能力，位置数据，交通要求，车辆规格，单位运输成本，沿特定路线的指定费用，供应商的区域信息，基础中心的运营成本和相关参数等。
第二步：将实时大数据分为训练集和测试集，采用DBN网络模型(深度置信网络模型)对所有实时物联网数据进行预处理并归一化，用训练集数据训练DBN模型，将n个训练样本划分为K个类别，初步输出K个初始类作为初始聚类中心，即将整个区域划分成了小尺度的几个区域。然后，使用学习好的DBN模型对测试集数据进行测试。
第三步：在DBN模型初步分类的基础上，将第二步得到的K个初始类作为K-means的初始聚类中心。根据地理信息系统计算各供应点与K个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中。
第四步：在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进K-means聚类算法。首先通过车辆运输相关系数和各供应商点的运输请求计算运输成本，然后将每个供应商点到其相应聚类中心的运输成本作为权重因子进行下一步的迭代计算，最后得到各区域内的最优交通网络配置成本，如公式(1)所示。
其中，TC表示总成本，包括运输成本和运行成本。S是所有供应商点的集合，Gi是标号为i的区域。δij是根据该供应商点的制造计划和能力从数据库中计算获得的参数。λij是从与GIS数据链接的系统数据库中提取出来的参数，可以反映各供应商到相应聚类中心通过不同路段的平均通行费成本。Dij指的是各供应商点与聚类中心之间的距离，Ci表示第i个加工中心的运行成本。
第五步：获得具有最佳解决方案的聚类方法，使运输成本最低。如果有数据更新，系统便返回第二步重新运行，在聚类数量和相应的最佳运输配置范围内生成不同数量的聚类。根据聚类的各个配置计算得出最终结论，包括加工中心的数量，位置，配送到各供应商点的最佳解决方案。
Claims (1)
1.一种基于物联网大数据的交通资源动态优化方法，包括下列步骤：
第一步：利用地理信息系统GIS和多媒体技术获取实时物联网数据，以保证数据的实时性和全面性，所述的实时物联网数据包括交通状况，供应商能力，位置数据，交通要求，车辆规格，单位运输成本，沿特定路线的指定费用，供应商的区域信息，基础中心的运营成本；
第二步：将实时数据分为训练集和测试集，采用DBN网络模型对所有实时物联网数据进行预处理并归一化，用训练集数据训练DBN模型，将n个训练样本划分为K个类别，初步输出K个初始类作为初始聚类中心，即将整个区域划分成了小尺度的几个区域，然后，使用学习好的DBN模型对测试集数据进行测试；
第三步：在DBN模型初步分类的基础上，将第二步得到的K个初始类作为K-means的初始聚类中心，根据地理信息系统计算各供应点与K个聚类中心的距离，对每个供应商点选择最小距离和相应的聚类中心，将供应商点分组到这个聚类中；
第四步：在聚类过程中，每一轮寻找各现有聚类中心对应的新质心时，使用以运输为权重因子的改进K-means聚类算法，方法如下：通过车辆运输相关系数和各供应商点的运输请求计算运输成本，然后将每个供应商点到其相应聚类中心的运输成本作为权重因子进行下一步的迭代计算，最后得到各区域内的最优交通网络配置成本MinTC：
其中，TC表示总成本，包括运输成本和运行成本，S是所有供应商点的集合，Gi是标号为i的区域，δij是根据该供应商点的制造计划和能力获得的参数，λij是从根据GIS提取的可以反映各供应商到相应聚类中心通过不同路段的平均通行费成本的参数，Dij指的是各供应商点与聚类中心之间的距离，Ci表示第i个加工中心的运行成本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810317698.8A CN108764518B (zh) | 2018-04-10 | 2018-04-10 | 一种基于物联网大数据的交通资源动态优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810317698.8A CN108764518B (zh) | 2018-04-10 | 2018-04-10 | 一种基于物联网大数据的交通资源动态优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764518A true CN108764518A (zh) | 2018-11-06 |
| CN108764518B CN108764518B (zh) | 2021-04-27 |
Family
ID=63981682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810317698.8A Active CN108764518B (zh) | 2018-04-10 | 2018-04-10 | 一种基于物联网大数据的交通资源动态优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764518B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175656A (zh) * | 2019-06-04 | 2019-08-27 | 北京交通大学 | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
| CN116258608A (zh) * | 2023-05-15 | 2023-06-13 | 中铁水利信息科技有限公司 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009158058A1 (en) * | 2008-06-24 | 2009-12-30 | Tele Atlas North America Inc. | Methods and systems for dynamically adaptive road network hierarchy and routing |
| WO2016077127A1 (en) * | 2014-11-11 | 2016-05-19 | Massachusetts Institute Of Technology | A distributed, multi-model, self-learning platform for machine learning |
| CN105788270A (zh) * | 2016-05-13 | 2016-07-20 | 广州运星科技有限公司 | 基于物联网的交通数据预测方法及处理服务器 |
| CN106096722A (zh) * | 2016-06-20 | 2016-11-09 | 西安建筑科技大学 | 基于阶段结构捕食‑食饵模型的输送路径组合优化方法 |
-
2018
- 2018-04-10 CN CN201810317698.8A patent/CN108764518B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009158058A1 (en) * | 2008-06-24 | 2009-12-30 | Tele Atlas North America Inc. | Methods and systems for dynamically adaptive road network hierarchy and routing |
| WO2016077127A1 (en) * | 2014-11-11 | 2016-05-19 | Massachusetts Institute Of Technology | A distributed, multi-model, self-learning platform for machine learning |
| CN105788270A (zh) * | 2016-05-13 | 2016-07-20 | 广州运星科技有限公司 | 基于物联网的交通数据预测方法及处理服务器 |
| CN106096722A (zh) * | 2016-06-20 | 2016-11-09 | 西安建筑科技大学 | 基于阶段结构捕食‑食饵模型的输送路径组合优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张伟: "城市交通流数据优化感知关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 曾敏刚: "基于LRP模型的灾害应急物流研究", 《华中科技大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175656A (zh) * | 2019-06-04 | 2019-08-27 | 北京交通大学 | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
| CN110175656B (zh) * | 2019-06-04 | 2021-08-31 | 北京交通大学 | 基于城市群白货流量的提高列车编组效率的城市聚类模型 |
| CN116258608A (zh) * | 2023-05-15 | 2023-06-13 | 中铁水利信息科技有限公司 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
| CN116258608B (zh) * | 2023-05-15 | 2023-08-11 | 中铁水利信息科技有限公司 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764518B (zh) | 2021-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hafezi et al. | A time-use activity-pattern recognition model for activity-based travel demand modeling | |
| Xu et al. | A hybrid machine learning model for demand prediction of edge-computing-based bike-sharing system using Internet of Things | |
| CN106897420B (zh) | 一种基于手机信令数据的用户出行驻留行为识别方法 | |
| Zhang et al. | Centrality characteristics of road network patterns of traffic analysis zones | |
| CN105183870B (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
| Stoter et al. | Methodology for evaluating automated map generalization in commercial software | |
| CN106910199B (zh) | 面向城市空间信息采集的车联网众包方法 | |
| CN108596727A (zh) | 一种共享单车的管理与决策方法 | |
| CN114297532B (zh) | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 | |
| CN107704531B (zh) | 一种osm地图数据中路网交叉口节点自动合并方法 | |
| CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及系统 | |
| Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
| CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
| Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
| Huang et al. | Geographic distribution of firm productivity and production: A “, market access” approach | |
| CN108764518A (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
| CN110276387B (zh) | 一种模型的生成方法及装置 | |
| Hassan et al. | Modelling of urban growth and planning: A critical review | |
| AlHalawani et al. | What makes London work like London? | |
| CN110263250A (zh) | 一种推荐模型的生成方法及装置 | |
| Peng et al. | A frequency-aware spatio-temporal network for traffic flow prediction | |
| Zhang et al. | Evaluating the socioeconomic value of urban underground space in Kunming, China, Using the entropy method and exponential smoothing prediction | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| Zhou et al. | Smart tour route planning algorithm based on clustering center motive iteration search | |
| Xu et al. | Applying finite mixture models to New York City travel times |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |