对可伸缩的分布式框架,城市拥堵交通仓储模式

文摘

我们提出了一个集成框架的体系结构相关的移动对象数据的城市交通网络。大部分的研究是指室外GPS定位技术和使用NoSQL数据库大数据分布式云基础设施。智能移动传感器网络,分布在城市网络,产生拥堵交通模式。拥塞预测是基于扩展仿真模型。这个模型提供了交通指标计算,保险丝的GPS数据允许交通状态估计在整个网络。阻塞模式的发现过程使用语义轨迹元模型在我们先前的工作。建议的解决方案的挑战是存储的交通模式,旨在确保监测和智能实时控制网络减少拥堵,避免其后果。实时数据的融合提供的带有gps功能的智能手机集成与现有的交通系统改善交通拥堵的知识,以及产生新的信息软操作控制和附加值提供智能交通系统部署。

1。介绍

知识发现和数据大数据是现代信息技术变革的概念。大数据是指大量的数据记录在各种“数字”活动直接参与数据挖掘过程。公共交通系统的决策者意识到的角色分配给知识发现和大数据画承诺利润(1]。

城市交通作为“城市计算”的一部分,现在被认为是其中一个最引人注目的大数据和知识发现的应用程序。这些从城市交通管理活动与电脑处理大量的交通数据和地理数据复杂的信号和交通分配、控制系统、通讯、车辆跟踪、和旅行信息作战使用GPS(等现代技术越来越普遍2)、无线和手机系统。领域的城市交通,道路交通状态可以在任何时候通过分析收集的信息在所有车辆,导致发展的描述性模型公式和规则的形式复制的复杂动态交通。有几种技术来测量这些数据,如气动管,雷达,相机和电磁循环、GPS、RFID和蓝牙。当地探测器实际的相关措施。提取的数据直接对应数量的车辆检测和用于计算宏观变量如交通流量、密度和平均速度。来自各种传感器的数据应该存储在大型数据库中。历史上的所有数据将由数据挖掘技术有效的交通管理。交通拥堵已经成为大多数城市的主要担忧。交通拥堵现象极大地影响人们的流动性和产生巨大压力。交通堵塞浪费时间和精力,造成污染。 For general planning and traffic surveillance several studies provide a collection of velocity data in the field using a GPS device. The data relate to the speed and the number of vehicles in circulation. These data can be used to assemble velocity profiles and indicators of travel time per period. It can also be used to identify congested areas. In order to quantify the severity of congestion, Global Positioning System (GPS) applications have been utilized to collect travel time per period and delay data for many of transportation networks. Data provided by GPS technology proved to be at least as accurate as the data provided by other sensors.

这项工作的主要贡献可以概括如下:(我)第一点关于建模的拥堵和允许开发一个基于GPS技术的测量过程,(2)宏观交通仿真是建立和扩展Daganzo模型,预测拥塞网络上的传播,(3)分布式基础设施包括各种组件以满足仓储服务和模式发现内在的现象的交通运输网络。大数据和移动计算技术的基础设施。

本文组织如下。在下一节中,一个国家的艺术提出了宏观交通模型。然后基于蜂窝网络流量仿真模型介绍了传输模型。拥塞管理和造型节中给出3。部分3和4介绍了拥塞概念建模使用轨迹的元模型。

部分5概述了全球体系架构。最后,部分6我们工作的主要结论。

2。交通建模与仿真

的一个主要的社会和经济问题在许多国家交通拥堵发生在交通流。在这种背景下,对各种交通流操作的理解是很重要的在管理背后的拥堵和交通道路网络。因此,一些问题如以下:我们如何定义拥堵?导致交通拥堵的原因是什么?我们如何衡量交通拥堵?如何通过网络拥堵传播?决定交通故障的位置和时间吗?。为了回答这些问题,研制了许多交通流理论和模型。这些模型可以被应用物理定律和理论演绎达到交通业务预测和解释。可以归纳分析提供真实数据符合通用的数学结构或他们可以被发展中基本数学模型结构中间哪一个是使用真实的数据(参见图安装1)。使用不同的标准分类开发模型,如应用程序和独立变量尺度、操作化,流程表示,尤其是描述交通流的详细级别。大规模的独立变量区分两个时间尺度描述交通系统的变量,可以随机或者决定论者。开发模型可以使用组方程的解析解或作为仿真模型的在一个特定的应用领域。

的详细级别分类考虑的杰出交通实体(车辆和司机)及其相应的流模型描述水平。微观模型描述稍后通过考虑两个人的时空行为司机和车辆,以及它们的相互作用在一个高水平的细节。一些作品区分微观模型和亚微观的人两者都提供高水平的细节。第一个描述汽车的功能单元和与周围环境的交互,而另一个区分和跟踪单个实体。

介观模型不区分和跟踪单个系统的实体车辆或司机但指定一小群的行为实体的活动和相互作用被详细地描述在一个低水平。宏观模型描述集体流使用类比车辆交通流和颗粒在流体。几个研究人员滋养宏观建模方法的基础上,认为它提供了一个正确的描述流量,相比其他两类。在接下来的段落,我们现在的交通流建模方法根据基础图。

2.1。交通流基本图

交通流基本图曲线代表流和密度之间的关系,密度和速度,速度和流(图2)。这些图是必不可少的工具,使分析的基本关系(3- - - - - -7]。

流和密度随时间和空间。当密度为零,流动也将是零,因为路上没有车辆,而当车辆数量增加密度以及流逐渐增加。流量达到堵塞状态当车辆无法移动,因为他们的密度最大。在阻塞密度、流量将是零,因为车辆不动。当密度之间的零密度和果酱密度,流在一个自由的国家。注意,相同流可以有两种不同的密度。然而相应的速度是不同的。

2.2。交通仿真模型

有各种方法,提出了理解交通拥堵的传播机制8- - - - - -11]。在这项工作中,我们使用细胞传输模型和一些扩展并应用到模拟的形成和消散拥堵在semimacroscopic级别。

细胞传输模型(CTM)是一个离散近似的轻水反应堆7]Daganzo提出的模型3- - - - - -5]。中医(图4)是基于假设的道路分为相似的细胞长度相等的距离,通畅的交通在给定的时间间隔内(图3)。一个离散的表示系统状态是由车辆的数量在每一个细胞。另一个参数模型的细胞的最大车辆数能够进入细胞之间的时间步长和。正如前面定义的定义的产品单元的长度和果酱密度,然后呢是时钟间隔的产物和细胞的能力。简化的原因、时间变化的参数和将被忽略。

中医理念的核心是一个细胞的长度的产品免费车辆速度在离散的时间步。因此,。

如果细胞连续编号设计汽车的数量从细胞细胞在时间间隔的递归关系,那么中医可以表示为 在哪里表示车辆包含在细胞的数量在时间。表示流入细胞的时间间隔并且可以由以下公式表示: 和。

如果流和密度两个细胞之间统一的时间间隔期间呢 与大多数交通模型,中医采用的梯形形状基本图(图4),是由四个属性定义:畅通的速度,的能力,堵塞密度,扰动传播的速度向后当交通拥挤。

这个梯形的基本图几乎相同的形式流入到给定的细胞。因此

对应的拥堵情况主要下游传播的波。如果,然后在容量车辆离开电池。当,车辆可以进入细胞的数量被限制汽车的数量,适合在果酱密度。

2.3。提出的模型

在本节中,我们提出延长细胞传输模型。考虑一个链接的道路,它分为同质编号细胞长度相同,如图3。

下面的符号来代表模型: =“流量”的交通部分车道,车辆每小时; =(平均)的流量速度,公里每小时; =“密度”的交通,车辆每公里。上面的数量满足给定的关系方程(见图2)。特定的速度和密度之间的关系描述方程(见图2)。

如果TFD表示梯形中医的基本图,细胞密度下一个时间步,表达(5),是由 在哪里是细胞的长度。

和表示流入细胞和,分别。

此外流入th细胞,表达(6),是由 在哪里 中医的梯形基本图可以表示为如图4。

基本单元传输模型状态,如果细胞的密度在时间步大于,然后流入细胞的区别是果酱密度和当前的细胞密度,加权常数。如果交通系统在其自由州然后流入细胞所表达的是交通流的基本关系。否则,流入细胞等于堵塞密度。因此,中医可以制定如下: 如果我们考虑变速,那么流入流量th细胞可以表达的意思是当前车辆密度和速度,而不是和常量。因此,(6)成为 其基本关系自由速度和果酱密度给速度:

因此如果在细胞密度在时间步大于一半密度果酱,然后流入细胞的区别是果酱密度和当前的细胞密度,速度值加权的车辆在同一时间在同一细胞的步骤。否则如果交通系统在自由州和密度th细胞阻塞密度小于一半流入细胞所表达的是交通流的基本关系。这可以制定如下: 在哪里,,,。

可以表明,该离散化方法之一是“稳定”如果Courant-Friedrich-Lewy条件满足:

上面给出的扩展CTM模型允许构造任意网络(图5)。在以下城市网络的广义模型 在哪里表示继任者细胞和司机选择的概率描述细胞从细胞。

用以下流函数

这部分的仿真模型制定交通的预测有很大的帮助在交通网络拥堵。下一节处理交通拥堵并提供定义和测量工具。

3所示。拥挤模型与管理

大多数国家面临的重大问题之一是交通堵塞,因为在感知和现实,这一现象影响了人类和社会。来处理这个问题,许多研究人员开发的模型来评估或预测沿着公路网络交通拥堵状况。有三种标准模型的交通堵塞。第一个模型指出,旅行成本增加的交通流量、容量达到接近无穷,而第二个描述交通拥堵作为确定性队列相关瓶颈对于一个给定的流量(12]。第三个模型是基于宏观特征变量所代表的所谓的“基本图”,并在文献中受到广泛的争议。交通拥堵可以研究在微观层面,通过使用,例如,排队论13),在宏观层面上,车辆被当作一个液体连续14),或在一个中级15]。

3.1。拥塞的定义

定义拥堵提出了缺乏共识,因为它被认为是一个复杂的物理现象的车辆司机的行为阻碍其他车辆需求的进步全容量有限的道路空间方法(16]。

对于常识,拥堵是当有太多的交通状况在路上。

存在一些其他生产方法,考虑交通拥堵的现象如何影响交通系统,与社会经济目标和geogovernance交互。

美国联邦公路管理局(17,18)指出,交通拥堵的现象本质上是一个复杂的现象,与nonsynchronization性能之间的道路交通系统和网络用户的期望。

3.2。交通拥堵措施指数

交通拥堵可以被理解为因素的交通服务水平。因此,三个因素是用来描述交通拥堵道路拥挤感知的用户,公路网络流,和时间因为时间拥堵现象(图的性质6)。

定期复发通常由事件沉淀产生的影响交通系统,而一次性的拥堵是不可预测的。为了提供更好的交通拥堵的结果,一个必要步骤是衡量交通拥堵。在地方层面,城市交通网络的管理者必须有交通拥堵措施,使他们能够满足事件管理和监管的操作问题。为此,路经理和工程师依靠从巷道传感器收集的指标。然而畅通的速度不应作为直接的参考点。这些传感器用于收集程度和相对规模和交通拥堵演变。有些指标强烈相关的道路使用者旅行时间的可预测性和系统可靠性等,而另一些则与道路系统运营商,即速度和流在网络链接。

然而,这些措施很难聚合,不直接解决城市交通网络的管理者和用户的忧虑。系统管理人员需要理解好整个网络的工作原理;他们关心多大容量的车辆旅行时间网络上的影响,而道路的用户更经常担心trip-based测量像他们需要多少时间到达目的地,突出了行程时间可靠性和可变性的旅游条件。

没有简单的衡量交通拥堵是有用的对于所有目的和情况;知道多少时间你必须计划从一个地方到另一个不一定会帮助一个工程师更好的时间中心商业区的交通信号。

道路指标分组如下。(我)基于速度的指标不充分捕捉拥堵效果和可靠性措施可以作为基准。(2)基于延迟指标取决于一个基线值计算“延迟”旅行的开始。这个概念成为误导在高峰小时。(3)基于时间的指标是基于行程时间指数和利率。他们还依赖于基线值的识别信号的开始拥挤的条件。(iv)空间指标也依赖阈值的值/平均速度达到或畅通的速度。(v)服务水平和能力指标通常参考巷道链接的设计能力和通常是隐式用于最大化吞吐量;这些指标有巷道经理的支持。(vi)基于可靠性的指标试图捕获道路使用者通常做出旅行决定在拥挤的网络。(七)基于经济成本/效率指标衡量交通拥堵造成的成本。(八)其他指标可以捕获人口拥挤的路况或燃料消耗。

3.3。交通拥堵的措施

各种措施堵塞交通工程文献中使用的16- - - - - -24]。在下面,我们限制自己的基本措施,被认为是在我们的工作。

链接:体积/能力比率。体积/能力比率,,从一个低(0)(自由流动)值有时大于1.0(严重/严重拥挤)。高速公路被认为是严厉地拥挤当体积/容量()比大于1.0;时间很短,道路可以处理更多的流量比他们的额定能力。高速公路容量手册,“服务水平”(洛杉矶)交付的设备指的流量和交通流的质量。表1总结了描述的服务水平,从“A”(畅通的拥堵旅行)“F”(严重或严重拥挤流)。

十字路口:延迟。路口十字路口的拥堵的高速公路容量手册措施每辆车平均延迟,和“服务水平”定义基于延迟的平均数量。规模是洛杉矶≤10秒,洛杉矶B 11日至20日秒,洛杉矶C 21-35秒,洛维36-55秒,洛杉矶E 56 - 80秒,洛杉矶F > 80秒。十字路口时被认为是拥挤的每辆车的平均延迟超过80秒。

旅行时间指数(创科实业)。这个索引方便与交通拥堵高峰旅游时代,人们每天看到,能理解:

链接性能(LP)。公路局(BPR) (25,26)开发了一个链路拥塞(链接性能)函数,我们将编写: 在哪里在联系,畅通的旅行时间每单位时间;流试图使用链接吗每单位时间;是能力的链接每单位时间;和是一辆车的平均旅行时间在联系吗。BPR函数通常用于计算一个最佳的流量分配。值和从数据实证测量。他们可能是不同的对于不同类型的道路,而典型值和分别为0.15和4,根据经验数据在高速公路上(25,26]。

旅行时间和速度的定义。旅行时间通常被定义为“两点之间遍历路线所需的时间。“旅行时间可以测量直接过马路(s),连接两个或更多的兴趣点。细节的计算给出了这些变量在19,22- - - - - -24]。

4所示。交通拥堵轨迹元模型

交通拥堵是一个时空的事件,因此交通拥堵的演变轨迹。图10说明了概念直接关系到交通拥堵。运输工具在时空;轨迹,实现时空的事件相关职位占领和提供的传感器(GPS)。变量交通速度类型旅游时间是由嵌入式应用程序开发的智能手机。虚拟传感器线的形式或多边形上小心翼翼地定位和城市网络的连接部分(14,15]。这些动态虚拟传感器存储在空间数据库服务器。我们之前的工作轨迹的回忆在以下(27]。

轨迹建模概述。移动电话网络、gps设备和其他室内和室外定位技术产生大量的时空数据。这种来自许多不同的异构的数据量字段调用。提供基于位置的服务(LBS)有多个挑战可伸缩性、性能、查询处理、高精度定位,和隐私保护。因此,磅增长和需要统一的模型来解决和探索捕获数据以满足预期的几个应用领域(2,28- - - - - -31日]。在下面,我们目前现有的演示不同的轨迹。(我)原始轨迹关注移动物体的位置记录在特定的时空领域(GeoStream数据)和一个给定的时间段;它提出了在二维空间位置参考系统的序列代表运动作为时间序列的位置。(2)结构化的轨迹(30.)被定义为原始轨迹设计成段对应的轨迹跟踪的重大步骤(如旅行)。(3)语义轨迹(30.)提供了一个语义视图的轨迹,使应用程序能够将他们想要的任何语义与轨迹。然而,这种方法只适用于事务模式。的确,没有工作已发表使用轨迹作为语义对象和活动对多维数据建模。(iv)轨迹基于感兴趣的地区:其他最近的方法描述轨迹由时空背景下基于感兴趣的区域(32,33)通过定义空间邻域和时间接受。(v)时空路径:“水族馆”(34)相关的时空单位形容任何有空间和时间范围内的路径(例如,人,植物和动物)。统一的移动物体轨迹的元模型(27)描述了一个通用的元模型可以被不同的应用领域;它也可以使用一个对象的方法,集成了以前的轨迹模型中描述文献[27- - - - - -30.,32- - - - - -36]。使用时空事件本体元模型模型空间根据OGC空间数据模型(31日,34,37- - - - - -39),观察域的轨迹,根据[传感器元模型和[功能类型、物理和虚拟活动开始和结束之间的时空路径(27),传感器用于收集移动对象的轨迹,并使用组合的运动模式。中提出的元模型类图(见图10)表达交通拥堵时空的事件。交通拥堵是由一个传感器网络基于GPS测量技术和按照传感器元模型提出的[[38]。介绍了时空标记控制的测量速度和旅行时间。标记技术,我们提出了一个建议的工作给出了(20.,21]。

Sensors-enabled手机和智能手机是一个伟大的选择,因为它们使许多有用的和有益的位置应用程序的使用。例如,Android传感器框架允许访问许多类型的传感器。Android操作系统提供服务,收集不同传感器数据(加速计、GSM无线、网络和GPS、光、温度等)在移动Android设备。数据存储在一个本地数据库,可以定期传输到远程主机(序列化为XML和可选地挤进一个rsa-encrypted归档)。服务还可以播放收集传感器数据提供给其他应用程序。可以定位移动对象通过使用GSM手机发射塔位置与GPS相结合。基于实时交通监控系统与集成GPS智能手机利用网络覆盖由电信运营商的多样性,以及位置和速度测量的正确性提供的GPS设备和现有的电信网络基础设施(图7)。

图7提供了基于收集的数据可视化,包括蜂窝覆盖地图显示强烈的信号是如何在任何特定区域城市卡萨布兰卡。

5。全球系统架构

架构图8。其基础是基于规格由开放地理联盟(OGC)。精确[报告这个需求通过开发传感器网络实现(37)(理念)规范系列(39]。图9描述了GeoMobility服务器,这是与其他元素集成体系结构的基于位置的服务(LBS) [31日- - - - - -34]。GeoMobility服务器提供内容(比如地图、方向,感兴趣的点,和交通。它也可以访问其他数据库的本地内容在互联网上。系统包括车辆配备带有gps功能的智能手机,一个近实时大数据集合的基础设施和交通模式的引擎,一个信息可视化系统。

软件组件体系结构区分四个抽象级别。第一个考虑交通的数据集合和模式从移动传感器(带有gps功能的智能手机)。第二个涉及发展的措施和旅游时间和加强模拟器产生的冲击。最后,城市交通网络的监控组件是由交通拥堵指数和特定模式的措施(见图11)。

5.1。仓库架构组件

满足用户的期望基于位置服务的响应时间的速度,性能和可伸缩性是成功的关键。一般关系数据库存储系统是为静态应用程序数据模型设计,数据量小和数据库在一台服务器上住在一个数据中心。然而,这些传统的数据库不适合操作体积,速度,和各种各样的所有动态收集时空数据集,需要支持这些服务,当我们忙表演而不是保证写入数据。在下面,我们现在使用的技术建议的体系结构提供一个强大的和可扩展的框架,用于收集和可视化移动对象的轨迹的数据。

NoSQL数据库。首字母缩写NoSQL意味着“不仅SQL”[40]。它被设计用于存储数据更简单,奉承和非关系的方式,允许将数据存储库扩大规模。在NoSQL数据库中,没有固定的模式,所以我们可以存储,在同一个实体,异构时空数据和活动所产生的不同的位置传感器。此外,他们通常是开源的,非关系,分布式和经常不能保证酸的关系数据库(原子性、一致性、隔离性和持久性)。关系数据库规模得到更快的硬件和添加记忆而NoSQL,另一方面,可以利用扩展的蔓延在许多商品系统负载。因此,NoSQL是最廉价的扩展轨迹数据的数据库。公司如Google, Facebook、Twitter、亚马逊、Twitter, Adobe和Viadeo离开世界关系和所有使用NoSQL以这样或那样的方式,因为他们已经看到他们的需要加载和数据量呈指数级增长。现有的NoSQL的解决方案可以被分为4个主要家庭:kv存储,列存储、文档数据库和图形数据库。

我们选择MongoDB的NoSQL数据库是出于需要一种轨迹在地图上可视化的面向文档的存储使用JSON文档。

MongoDB数据库。MongoDB是一个可伸缩的、高性能的、开源NoSQL面向文档的数据库在2009年由10 gen (41]。在c++中实现,面向文档的存储、完整的索引,丰富的基于文档的查询,和灵活的聚合和数据处理。MongoDB可能包含多个数据库。使用JavaScript的查询语言,MongoDB支持单一和复杂的查询。储存JSON文档,根据许多现代地理空间应用程序的文档格式,便于建立MongoDB。MongoDB数据库受益升序、降序,独特,地理空间索引。性能增强,JSON是BSON格式存储在MongoDB中(42]。扩展它的性能在一个服务器集群,MongoDB使用一种叫做分片的技术,这是分裂的过程数据均匀地跨集群并行化访问。这是由MongoDB服务器分解成一组实现前端路由服务器蒙戈路线操作一组后端数据服务器(mongod)。

MongoDB查询检查一次一条记录,这意味着查询多个记录必须在客户端实现或使用MongoDB的内置MapReduce(先生)。尽管MongoDB的先生可以并行执行在每个碎片,有两个主要缺点43]:(i)先生的语言脚本是JavaScript,缓慢而有不良分析库和(2)SpiderMonkey的JavaScript实现使用MongoDB不是线程安全的,所以只有一个MapReduce程序可以运行一次。

Hadoop分布式框架。Hadoop是可伸缩、容错和分布式海量数据存储和处理系统(44]。Hadoop生态系统两个主要组成部分是(我)HDFS是一个分布式文件系统,它提供了高效的访问应用程序数据和(2)Hadoop MapReduce是软件设计来解决的问题处理超过tb的数据在一个可伸缩的方式。

Hadoop的设计同时运行在多个服务器上。在实践中,数据分布在不同的服务器,和Hadoop管理一个复制系统,以确保一个高可用性的数据,即使一个或多个服务器失败。Hadoop的强度是受益于多个服务器无名集群的计算能力。MapReduce的使命是将治疗在不同的服务器上,反之亦然聚合基本结果在一个总体结果,管理并行处理。

MapReduce的治疗中起着重要作用的大量数据。数据的分布在许多名称服务器支持并行处理多个任务涉及的每个文件。Map函数对每个元素执行特定操作。减少操作根据特定算法结合了元素并输出结果。代表团可能是递归的:的原则分配给的任务也可以委托操作的节点到其他节点。

在传统的应用程序中,MongoDB提供的内置的聚合功能是充分的分析数据40]。然而,存储和分析收集到的时空轨迹数据需要更复杂的数据聚合。这是理由使用Hadoop是一个强大的框架复杂分析查询我们的系统架构。因此,我们的架构图12。

第一步是收集时空数据的轨迹,GPX, OV2,或从不同的GPS设备,CSV文件使用异步的。网络套接字。然后使用减速机数据,收集到的数据处理误差测量、逆向地理编码,和活动识别服务。之后,数据可以存储在MongoDB数据库通过一个或多个在Hadoop MapReduce处理工作。输出这些MapReduce工作可以写回到MongoDB供以后查询和特别分析。最后,我们使用JSON文档导出结果数据为了快速可视化使用Google Maps API。

数据仓库。在城市交通工程背景下,数据仓库服务确保大量的来自各种数据源的实时交通数据和位置被记录和维护交通管理、交通信息和交通分析和决策支持。实时和历史数据集成监控网络状态,管理交通减少拥堵,改善空气质量,并管理噪音的影响。历史数据在数据仓库中如下:梯形概要文件对于每个链接的基本图,每个链接的旅行时间和平均速度观测到一个移动的对象。其他模式也认为,结果从数据组合来自多个传感器(见图12)。

6。结论

在本文中,我们提出了全球交通拥堵管理架构。主要的贡献在于小说的建议模型的交通拥堵,这是符合我们之前的轨迹的元模型。此外,我们开发了一个CTM-like交通仿真模型,为交通拥堵预测。介绍了其他挑战有关交通模式仓库在NoSQL数据库分布式基础设施。这些建筑的下一步是开发相应的软件解决方案,实现专业测试。本文还概述了GPS提供的数据集成和管理的网络传感器。这些数据将被用于开发重大信息实时智能交通系统(45]。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. h·林登”,分析公共交通移动,“所有的分析,2012年7月,http://www.allanalytics.com/author.asp?section_id=2310&doc_id=247066。视图:谷歌学术搜索
2. e·d·卡普兰,了解GPS原理及应用,1996年Artech房子。
3. c . f . Daganzo”细胞传输模型:公路交通的动态表示符合流体动力学的理论,“交通研究B部分,28卷,不。4、269 - 287年,1994页。视图:出版商的网站|谷歌学术搜索
4. c . f . Daganzo“细胞传播模型。第二部分。网络流量。”交通研究B部分卷,29号2、79 - 93年,1995页。视图:出版商的网站|谷歌学术搜索
5. c . f . Daganzo和j·a·赖伐尔“移动瓶颈:流动的数值方法,收敛,“交通研究B部分:方法论,39卷,不。9日,第863 - 855页,2005年。视图:出版商的网站|谷歌学术搜索
6. 联邦高速公路管理局,交通拥堵和可靠性:连接问题解决方案2004年美国运输部,http://www.ops.fhwa.dot.gov/congestion_report/congestion_report.pdf。
7. m·j·g和b . Whitham”运动。二世。长拥挤的道路交通流理论,“《皇家学会学报伦敦系列卷,229年,第345 - 317页,1955年。视图:出版商的网站|谷歌学术搜索|MathSciNet
8. 阴,z, y, d .姚明,y苏,l·李,“进展分布建模对交通状态,”《IEEE智能车辆研讨会2009年6月,页1057 - 1062。视图:出版商的网站|谷歌学术搜索
9. b . Ramakrishnan, r·s·拉杰什和r . s .沙棘“CBVANET:一个基于集群的车辆特别的网络模型简单的高速公路通信、”国际期刊《先进的网络和应用程序,卷2,不。4、755 - 761年,2011页。视图:谷歌学术搜索
10. n Saunier t·赛义德,“集群车辆轨迹与隐马尔可夫模型应用程序自动化的交通安全分析,”《国际联合会议上神经网络(IJCNN 06年)IEEE,页4132 - 4138年,2006年7月。视图:出版商的网站|谷歌学术搜索
11. d·丁”的公路交通建模与仿真使用细胞自动机方法,”U.U.D.M.项目报告乌普萨拉大学,乌普萨拉,瑞典,2011。视图:谷歌学术搜索
12. r·阿诺特”,市区交通拥堵的浴缸模型”,城市经济学期刊,卷76,不。1,第121 - 110页,2013。视图:出版商的网站|谷歌学术搜索
13. t . Raheja”造型使用排队网络的交通拥堵,成就法,35卷,不。4、427 - 431年,2010页。视图:出版商的网站|谷歌学术搜索
14. s . Javed n .伊桑·s·g . Javed s . z .萨瓦尔和大肠殿下,”宏观交通模型的计算模拟高速公路在巴基斯坦,”第五届IEEE国际会议管理学报》的创新和技术(ICMIT 10)新加坡,页1182 - 1187年,2010年6月。视图:出版商的网站|谷歌学术搜索
15. m . e . Ben-Akiva美国高,z,和y,“高度拥挤的城市网络的动态交通分配模型,”交通研究部分C:新兴技术,24卷,第82 - 62页,2012年。视图:出版商的网站|谷歌学术搜索
16. 经合组织管理城市交通拥堵2007年,经合组织/ ECMT,。
17. d . l . Zhang Morallos、k . Jeannotte和j·摩根,“流量分析工具箱卷十二:工作区域交通分析应用程序和决策框架,“技术。众议员供料- hop - 12 - 009,联邦高速公路管理局,2012年。视图:谷歌学术搜索
18. 2010年公路容量手册2010 (HCM),卷4:应用指南、交通运输研究委员会,国家研究理事会,华盛顿特区,美国,2010年,http://www.hcm2010.org/。
19. m . p . Miska t·h·j·穆勒,h . j . v . Zuylen“在线旅游时间与实时预测微观模拟,”学报84交通研究署年会上发表,2005年1月。视图:谷歌学术搜索
20. b .辞职信m . Gruteser x回族,a . Alrabady“提高流量监控系统,安全与隐私”IEEE普适计算,5卷,不。4,38-46,2006页。视图:出版商的网站|谷歌学术搜索
21. b .辞职信m . Gruteser h . Xiong, a . Alrabady“保护隐私的GPS跟踪通过隐形uncertainty-aware路径,”学报》第14届ACM计算机和通信安全会议(CCS ' 07),页161 - 171,纽约,纽约,美国,2007年。视图:出版商的网站|谷歌学术搜索
22. c . Nanthawichit t . Nakatsuji铃木和h”应用probe-vehicle数据实时traffic-state估计和短期行程时间预测高速公路上,“交通研究记录,没有。1855年,49-59,2003页。视图:谷歌学术搜索
23. j .埃雷拉和a . m .拜仁,“交通流重建循环使用移动传感器和探测器的数据,”学报87交通研究署年会上发表交通研究委员会,华盛顿特区,2008年1月美国。视图:谷歌学术搜索
24. l .楚美国哦,和w·莱克尔,“基于自适应卡尔曼滤波器的公路旅行时间估计,”学报84交通研究署年会上发表交通研究委员会,华盛顿特区,2005年1月美国。视图:谷歌学术搜索
25. m·周和v . p . Sisiopiku volume-to-capacity比率和事故发生率之间的关系,“交通研究记录,没有。1581年,47-52,1997页。视图:谷歌学术搜索
26. 民国,高速公路容量手册交通研究委员会,1985年,http://www.trb.org/。
27. a . Boulmakoul l·卡里姆,a . Lbath“移动对象轨迹模型和时空查询,”国际杂志的数据库管理系统,4卷,不。2012 2,页35至54岁,要高许多。视图:出版商的网站|谷歌学术搜索
28. l . l . Chen Mingqi g·陈,“系统目标和未来的路线预测基于轨迹挖掘,”普及和移动计算爱思唯尔科学,页657 - 676年,2010年。视图:谷歌学术搜索
29. h·马T.-F。蔡,c c。刘”,实时监控水质使用时间轨迹的活鱼,”专家系统与应用程序,37卷,不。7,5158 - 5171年,2010页。视图:出版商的网站|谷歌学术搜索
30. s . Spaccapietra c .家长,m·l·达米亚尼j . A . de马赛f·波尔图,和c . Vangenot”概念对轨迹,“数据和知识工程,卷65,不。1,第146 - 126页,2008。视图:出版商的网站|谷歌学术搜索
31. [" OpenGIS实现规范地理信息变得很简单功能访问:常见的体系结构中,“2008年,http://portal.opengeospatial.org/files/?artifact_id=18241。视图:谷歌学术搜索
32. 孟x和z叮“DSTTMOD:未来的轨迹移动对象数据库为基础,”数据库和专家系统的应用程序卷,2736在计算机科学的课堂讲稿施普林格,页444 - 453年,柏林,德国,2003年。视图:出版商的网站|谷歌学术搜索
33. o·沃尔夫森,徐,s .张伯伦和l .江“移动对象数据库:问题和解决方案,”学报第十届国际会议上科学和统计数据库管理(SSDBM 98)IEEE,页111 - 122年,1998年7月。视图:谷歌学术搜索
34. OGC OpenGIS-Location服务(OpenLS):核心服务开放地理空间财团Inc .) 2008年9月,这个OpenGIS项目文档的参考号:[07 - 074版本:1.2类别:OpenGIS接口标准,2008年,http://www.opengeospatial.org。
35. f . Giannotti m . Nanni d Pedreschi, f . Pinelli“轨迹模式挖掘,”13 ACM SIGKDD学报》国际会议上知识发现和数据挖掘,第339 - 330页,2007年。视图:出版商的网站|谷歌学术搜索
36. 肖,时空GIS分析人类活动和交互在物理和虚拟空间中智能系统和机器学习中心,2011年。
37. OGC、传感器网络实现WG主页,2008,http://www.opengeospatial.org/projects/groups/sensorweb。
38. OGC、传感器观测服务,https://portal.opengeospatial.org/modules/admin/license_agreement.php?suppressHeaders=0&access_license_id=3&target=http: / /portal.opengeospatial.org/files/index.php?artifact_id=26667。
39. m·博茨OGC白色Paper-OGC传感器网络支持:概述和高层体系结构版本3,(牧师:28.12.2007),[07 - 165,2007,http://www.opengeospatial.org/pressroom/papers。
40. l·麦克,“大数据计划,”NoSQL运动第八章,O ' reilly Media, 2012。视图:谷歌学术搜索
41. MongoDB 10 gen, 2013,http://www.mongodb.org。
42. BSON,二进制JSON,2013岁的1.0版本http://bsonspec.org/ /规范。
43. e·黛德m . Govindaraju d·冈特r . s .佳能和l . Ramakrishnan,“绩效评估MongoDB和Hadoop的科学数据分析平台,”第四届ACM学报科学研讨会上云计算(ScienceCloud 13)页13-20 ACM,纽约,纽约,美国,2013年6月。视图:出版商的网站|谷歌学术搜索
44. b . Lublinsky k·t·史密斯和a . YakubovichHadoop的专业解决方案约翰•威利& Sons印第安纳波利斯,印第安纳州,美国,2013年。
45. r . s . Ghaman h . c .代替,g .让“克莱尔的实现、交通估计和预测系统,和自适应交通控制在美国,”学报》第11届国际会议上道路运输信息和控制(会议第486号出版物),页95 - 99,伦敦,英国,2002年3月。视图:出版商的网站|谷歌学术搜索

版权

版权©2015 A。Boulmakoul等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。