详情

原文传递基于通行大数据的高速公路车辆异常行为挖掘的研究与应用

论文题名：	基于通行大数据的高速公路车辆异常行为挖掘的研究与应用
关键词：	高速公路;车辆异常行为;大数据;数据挖掘
摘要：	随着高速公路全程监控网络的逐渐成熟和完善，车辆在高速公路通行过程中越来越多的信息被记录和保存，如进出高速的情况，通过断面/卡口以及关键节点的时间方向等等。这些数据每天产生的条数基本在百万级以上，它们为高速公路运营管理提供了有效支撑。另一方面，大数据、数据挖掘、云计算等技术的广泛应用，使高速公路管理人员对这些数据的使用已经不再满足于统计分析的层面上，他们迫切希望利用这些海量数据，挖掘其中有用的知识，以此提升高速公路营运管理水平。　　本文将大数据技术与数据挖掘技术等相结合，以挖掘车辆在高速公路通行中的异常行为为目标，构建了用于车辆通行大数据挖掘的分布式计算框架，提出了行驶速度、出入、频繁度、轨迹等高速公路车辆异常行为的挖掘模型和算法，并在分布式框架上进行了实现。在此基础上，结合实际项目，对浙江某段高速公路路网的真实海量交通流数据进行了挖掘分析，实现了基于车辆异常行为的套牌车检测方法。论文的主要研究工作和创新点包括：　　1.针对车辆速度异常、出入异常、频繁度异常三种典型的高速公路车辆异常行为，提出了基于分布式架构的车辆异常行为挖掘模型和算法。在分布式计算框架Spark上，基于模拟轨迹相邻轨迹点之间区间速度的判断，建立车辆速度异常行为挖掘模型；基于通行车辆进出收费站次序的判断，建立车辆进出异常行为挖掘模型；基于长期单日通行数据高频率出现的统计，建立车辆频繁度异常行为挖掘模型。通过将海量车辆通行大数据分发到各个节点，达到并行数据挖掘的效果。　　2.针对车辆轨迹异常行为，提出了一种基于IBAT(Isolation Based Anomalous Trajectory)和带路径权重编辑距离PWED(Path Weighted Edit Distance)的异常轨迹并行挖掘算法PPWEDIBAT。该算法在IBAT算法的基础上，对于轨迹的划分采用分时分组的方式，额外考虑到了时间因素；在Spark平台上实现分布式改进，改善了IBAT算法面对海量车辆通行大数据时间复杂度高，效率低下的问题；结合带路径权重的编辑距离PWED，有效的降低了异常轨迹检测的误判率。其中，PWED在编辑距离的基础上，额外考虑了各路径节点的分时通行量，使得两个轨迹间替换、删除、添加的操作代价根据路径权重而改变，更准确的衡量两个轨迹之间的相似性。　　3.将基于通行大数据的异常行为挖掘与实际应用相结合，提出了一种基于车辆异常行为的套牌车检测方法。针对海量通行数据，利用分布式架构建立数种与套牌车相关联的车辆异常行为挖掘模型，并对浙江高速公路的真实海量交通流数据进行挖掘。利用BP神经网络算法建立模型并对数种异常行为挖掘结果进行训练，从而综合考虑多种异常行为因素得出套牌车检测结果。实验结果表明，与仅采用单一手段来检测套牌车的卡口时间对比法相比，本文方法具有较高的精确度，有效地降低了套牌车误判率，使稽查人员的工作效率大幅提升。
作者：	康晨傲
专业：	控制科学与工程
导师：	曾献辉
授予学位：	硕士
授予学位单位：	东华大学
学位年度：	2019
正文语种：	中文