论文题名: | 基于云平台的车辆运行状态并行处理系统 |
关键词: | 道路交通;车辆管理;运行状态;并行处理系统;云平台 |
摘要: | 随着全球信息化的迅猛发展,道路交通相关管理部门和运输企业普遍建成了道路运输管理信息系统,这些系统运行过程中积累了大量关于车辆运行状况数据,这些信息主要包括车辆行驶过程中采集的运行状态信息,比如发动机转速、车速、加速度等,这些数据主要反映的是车辆的实时运行状况。如何对这些数据进行挖掘分析,辨识车辆运行状态以及提取车辆运行规律,从而为运输企业、相关职能部门实现车辆运行过程监控管理提供技术手段和决策依据,具有重要的应用价值和现实意义。 本文在实现采集并传输车辆实时运行状态信息基础上,利用OBD技术接收车辆运行状态数据;研究利用Kmeans聚类分析等数据挖掘方法对接收并存储的海量车辆运行状态数据进行处理分析,从车辆行驶过程中的发动机转速、油耗等运行参数数据中挖掘出车辆运行技术状态;研究利用神经网络模型等数学分析方法对接收并存储的海量车辆运行状态数据进行处理分析,从车辆行驶过程中的转矩、加速踏板和指示灯等运行参数数据中挖掘出驾驶员的驾驶行为,本文的综合研究成果可以为道路运输管理部门和运输企业实现安全监管提供有效的技术支持。本文的研究内容主要包括: 1)研究基于车辆状态数据的云平台技术。研究云平台技术,对云平台技术的部署模型、服务模型和核心技术进行研究。基于平台技术理论,结合服务器等硬件设施,对传统车辆状态监控平台进行分析,设计基于车辆状态数据的云平台系统。 2)研究基于云平台的并行处理软件框架。基于云平台技术、结合云平台服务模型及并行处理思想,研究与设计基于车辆状态数据的云平台并行处理框架。研究基于云平台的数据传输技术与基于云平台的数据存储技术。基于并行数据传输与存储技术,研究基于MapReduce的资源调度技术。 3)研究基于MapReduce并行处理框架的数据挖掘技术。研究并行处理技术的编程模型、体系架构和作业调度技术。基于并行处理框架研究数据挖掘技术,研究Kmeans聚类算法。研究基于MapReduce并行处理框架的Kmeans聚类算法,结合MapReduce并行处理框架进行Kmeans聚类算法的性能分析,研究概率神经网络模型原理,针对概率神经网络处理大规模数据集效率低下的问题,结合基于MapReduce并行处理框架的Kmeans聚类算法构建Kmeans-PNN神经网络模型。 4)基于云平台的车辆状态处理系统的实现与评估。结合车辆状态数据特征,基于MapReduce软件框架搭建云平台系统。结合MapReduce框架实现并行Kmeans数据挖掘算法,对基于车辆状态数据的Kmeans数据挖掘效果进行分析与评估。基于Kmeans聚类算法啊,实现Kmeans-PNN神经网络模型,对Kmeans-PNN神经网络模型进行训练,用训练后的数据进行驾驶行为检测。 |
作者: | 唐屹晨 |
专业: | 仪器科学与技术 |
导师: | 秦文虎 |
授予学位: | 硕士 |
授予学位单位: | 东南大学 |
学位年度: | 2015 |
正文语种: | 中文 |