基于城市交通大数据的车辆类别挖掘及应用分析

实时城市交通监控已成为现代城市管理的一个重要组成部分，视频监控采集的交通大数据在城市管理和交通控制方面得到了越来越多的应用；然而，全城范围内庞大的监控交通大数据还鲜少用于城市交通及城市计算研究。在一个省会城市全城范围内的监控交通大数据上展开了车辆类别挖掘及应用分析研究。首先，定义了周期性私家车、类出租车和公共通勤车三种对城市交通具有重要影响的车辆类别，将车辆类别定义与频繁序列模式挖掘算法相结合提出了相应的挖掘方法。在济南市一周1704个视频监测点，1.2亿次车辆记录数据上，验证了所提定义及挖掘方法的有效性；其次，以4个居民小区为例挖掘分析了居民出行的交通方式及与周围兴趣点（POI）分布关系，此外，还探索了城市交通大数据与POI相结合在城市规划、需求预测和偏好推荐方面的应用潜能。     

某应急灌溉工程设计要点

某应急灌溉工程项目区属于山丘区地带,地表水源枯竭,地下水位下降,农田灌溉困难。为提高农田抗御旱涝灾害的能力和粮食综合生产能力,加强农业水利基础设施建设,改善农业生产条件,促进农业及农村经济可持续发展,加快水利配套改造步伐,实施尖山风景区某应急灌溉工程。文章主要围绕项目区概况、灌溉面积、二次提灌工程、田间低压管灌工程等主要设计内容进行了阐述。     

基于CATIA的土石坝原型三维建模研究

通过对土石坝整体工程及土石坝原型构件构造的研究分析,根据CAITA骨架设计方法,建立土石坝工程整体骨架模型以及断面构件骨架模型,然后通过CATIA建立土石坝构件模板库,将构件模板按照断面构件骨架模型提供的骨架要素进行装配设计,形成土石坝某段三维模型,然后按照整体骨架模型进行装配最终形成整个工程的三维模型。这种三维建模方法能够实现土石坝工程的快速建模以及模型的重用率,提高设计的效率和准确性。     

时空轨迹大数据分布式蜂群模式挖掘算法

针对时空轨迹大数据的蜂群模式挖掘需求,提出了一种高效的基于MapReduce的分布式蜂群模式挖掘算法。首先,提出了基于最大移动目标集的对象集闭合蜂群模式概念,并利用最小时间支集优化了串行挖掘算法;其次,提出了蜂群模式的并行化挖掘模型,利用蜂群模式时间域无关性,并行化了聚类与子时间域上的蜂群模式挖掘过程;第三,设计了一个基于MapReduce链式架构的分布式并行挖掘算法,通过四个阶段快速地实现了蜂群模式的并行挖掘;最后,在Hadoop平台上,使用真实交通轨迹大数据集对分布式算法的有效性和高效性进行了验证与分析。     

一种基于密度的空间数据流在线聚类算法

为了解决空间数据流中任意形状簇的聚类问题,提出了一种基于密度的空间数据流在线聚类算法(On-line density-based clustering algorithm for spatial datastream,OLDStream),该算法在先前聚类结果上聚类增量空间数据,仅对新增空间点及其满足核心点条件的邻域数据做局部聚类更新,降低聚类更新的时间复杂度,实现对空间数据流的在线聚类.OLDStream算法具有快速处理大规模空间数据流、实时获取全局任意形状的聚类簇结果、对数据流的输入顺序不敏感、并能发现孤立点数据等优势.在真实数据和合成数据上的综合实验验证了算法的聚类效果、高效率性和较高的可伸缩性,同时实验结果的统计分析显示仅有4%的空间点消耗最坏运行时间,对每个空间点的平均聚类时间约为0.033 ms.     

面向海量数据流的基于密度的簇结构挖掘算法

提出一种基于密度的簇结构挖掘算法(mining density-based clustering structure over data streams,简称MCluStream),以解决数据流密度聚类中输入参数选择困难和重叠簇识别等问题.首先,设计了一种树拓扑CR-Tree索引结构,将直接核心可达的一对数据点映射成树结构中的父子关系,蕴含了数据点依赖关系的CR-Tree涵盖了一系列subEps参数下的基于密度的簇结构;其次,MCluStream算法采用滑动窗口的方式更新CR-Tree,在线维护当前窗口上的簇结构,实现了对海量数据流的快速演化聚类分析;再次,设计了一种快速从CR-Tree提取簇结构的方法,根据可视化的簇结构,选择合理的聚类结果;最后,在真实和合成海量数据上的实验验证了MCluStream算法具有有效的挖掘效果、较高的聚类效率和较小的空间开销.MCluStream可适用于海量数据流应用中自适应的密度聚类演化 分析.     

基于城市交通监控大数据的工作位置推理方法

基于时空数据的用户位置推理在产品推荐、精确营销、交通调度及城市规划等实际应用中有着重要的作用,然而,基于城市交通监控数据的位置推理问题尚未被探索,因此,提出了一种面向稀疏摄像头交通监控数据的工作位置推理方法。首先,收集了路网、兴趣点（POI）等城市交通外围数据,并通过路网匹配的预处理方式获取到了一个含有摄像头、POI等丰富语义信息的真实路网;其次,通过聚类车辆轨迹中所提取的起点-终点（O-D）对来获得车辆重要的停留区域,即候选工作区域;之后,利用所提的in/out访问时间模式的约束,从多个候选区域中匹配出最大可能的工作区域;最后,利用所获取的路网信息和路网周中POI的分布信息提取出车辆的可达POI集合,从而进一步缩小车主的工作位置范围。在一个省会城市真实的交通监控数据集上的综合实验评估和案例分析验证了所提方法的有效性。     

GJB5000A体系中基于V模型的软件测试流程

软件测试模型是软件测试工作开展的依据,合理的软件测试流程是提升软件测试质量的重要保障。文中通过对V模型及GJB5000A体系中基于V模型的软件测试流程进行了介绍与分析,结合当前软件测试工程实践,提出了一种更合理有效的软件测试流程。该流程能更好地管理软件测试过程的系列活动,提高了软件测试效率及质量。     

移动社交网络异常签到在线检测算法

随着智能手机、Pad等智能移动设备的广泛普及,移动社交网络的应用得到了快速发展。本文针对移动社交网络中用户异常签到位置检测问题,提出了一类基于用户移动行为特征的异常签到在线检测方法。首先,在基于距离的异常模型基础上,提出了基于历史位置（H-Outlier）和基于好友圈（F-Outlier）两种异常签到模型;然后,针对H-Outlier提出了一种优化的检测算法H-Opt,利用所提的签到状态模型与优化的邻居搜索机制降低检测时间;针对F-Outlier提出了一种基于触发的优化检测算法F-Opt,将连续的在线异常检测转化成了基于触发的异常检测方式;最后,在真实的移动社交网络用户签到数据集上,验证了所提算法的有效性。实验结果显示,F-Opt显著降低了H-Opt的异常检测错误率;同时,相比于LUE算法,F-Opt和H-Opt的效率分别平均提升了2.34倍和2.45倍。     

面向实时查询处理的轨迹流挖掘框架

为了解决轨迹数据流中实时查询问题,提出了一种面向实时查询处理的轨迹数据流挖掘框架(trajectory data stream mining framework,TSMF),该框架包括2个部分:在线的轨迹数据流挖掘和离线的实时查询处理.在线部分,首先,对实时接收的轨迹数据作基于密度的线段流聚类,获取到密度聚集的线段簇,然后,在轨迹簇树和蜂群模式哈希表存储索引结构上,根据线段簇结果对轨迹簇和蜂群模式进行在线更新;离线部分,实现了当前关闭轨迹簇(current closed trajectory clusters query,CCTC)、当前关闭蜂群模式(current closed swarm query,CCSwarm)和邻居轨迹(k-nearest nejghboring trajectory,k-NNT)3种面向移动目标的实时查询处理方法以响应用户的实时查询请求,当用户请求查询时,在实时挖掘出的轨迹簇和蜂群模式中快速查找结果.在大规模真实数据和合成数据上的综合实验验证了TSMF的挖掘效果、高效率性、可扩展性和较高的查询处理速度.