面向异常交通状态快速识别的移动对象流数据管理与分析

具有定位功能的车载设备和手持设备逐渐普及，导致了大量密集的、移动对象数据的产生。移动对象数据在空间和时间维度上都具有流数据的本质和特性，即：数据持续到达，内容和数据无限增长。现有的空间数据管理手段和分析方法难以应对移动对象所产生的流数据。本课题针对路网中的移动对象可实时反映交通需求和路网交通状态的特点，以异常交通状态的快速识别为目标，研究大规模移动对象流数据的管理和分析，包括：基于路网交通状态分析的移动对象本体模型和概要结构，移动对象时空流数据的时空聚合及多尺度表达，路网大规模移动对象中异常状态的快速辨识，以及异常交通状态空间影响范围变化的动态界定及追踪。通过对移动对象流数据管理与分析的理论和方法进行积极的探索，本课题可推动时空流数据研究的发展；在应用层面，可为交通管理提供数据和模型支持，探索利用新数据、新方法提高交通信息化水平，为有效疏导交通、提高路网通行效率提供理论基础和技术支持。

本课题以异常交通状态的快速识别为目标，研究大规模移动对象流数据的管理和分析，具体研究内容包括：1）基于路网交通状态分析的移动对象本体模型和概要结构，2）移动对象时空流数据的时空聚合及多尺度表达，3）路网大规模移动对象中异常状态的快速辨识，以及4）异常交通状态空间影响范围变化的动态界定及追踪。课题旨在通过对移动对象流数据管理与分析的理论和方法进行积极的探索，推动时空流数据研究的发展；在应用层面为交通管理提供数据和模型支持，探索利用新数据、新方法提高交通信息化水平，为有效疏导交通、 提高路网通行效率提供理论基础和技术支持。课题自2011年至2015年，执行期间共发表标注论文11篇，其中国际刊物7篇，(S)SCI 论文3篇， EI论文4篇；培养了3 名博士研究生，1名硕士研究生。（见附件）。课题总体按计划完成，未进行主要调整。.研究成果总体涉及时空流数据管理和时空流数据的快速分析方法两大部分。时空流数据管理包括基于线性参考系的移动对象管理，研究完成论文《基于压缩传感的交通流量数据压缩方法》。技术上使用分布式MongoDB实现，完成了一个时空数据管理和分析平台的原型系统。在时空流数据的快速分析方法方面，主要成果包括《一种基于约束的最短路径低频浮动车数据地图匹配算法》、“How many probe vehicles are enough for identifying traffic congestion? ---- a study from a streaming data perspective”, 以及“A Fast Clustering Approach for Identifying Traffic Congestions”等一系列工作，行成了较为完整的研究思路和方法。.项目执行期间，作为二导，指导三名博士生及一名硕士生完成课题相关内容的学位论文。四篇论文均与课题研究内容紧密相关，分别设计模型、框架和方法等层面。学生均已顺利毕业。.除此以外，课题负责人还在此课题的支撑和启发下，扩展和深化了研究内容，从浮动车数据扩展到多源时空数据，如公交数据、手机数据和社交网络数据，并对课题原有研究方法进行拓展，研究的应用也延伸到土地利用和位置服务等领域，为今后3~5年的研究工作发展奠定了良好的基础。