智能运输系统概论第9章.ppt

* * * * * * * * * * * 9.3.2 智能运输系统中的云计算 智能交通云系统是一个整合的、先进的、安全的、自动化的、易扩展的、服务于交通行业的开放性平台。 整合现有资源，针对未来的交通行业发展扩展整合将来所需的各种硬件、软件、数据; 动态满足各应用系统，针对交通行业的需求,交通云全面提供开发系统资源平台需求，快速满足突发系统需求； 提供极具弹性的扩展能力需求； 海量交通数据的快速处理、监测以及快速发布； 数据稳定性高。具备硬件和软件冗余机制，保障交通业务的连续性和灾难恢复，运输高安全、高时效和高准确性。 9.3.2 智能运输系统中的云计算 智能交通云系统的基本框架 9.3.3 云计算在智能运输系统中的应用 智能运输云系统的SaaS层由共享服务构件层和云应用系统层两部分组成。 共享基础服务构件包括： 统一门户管理服务 PGIS查询服务 统一消息服务 关系数据库通用查询服务 数据抽取集成服务 基本数据分析统计服务 数据关联查询服务 数据挖掘服务等等。 9.3.3 云计算在智能运输系统中的应用 云应用系统层则可分为： 基于云计算的路网交通流信息采集分析 基于云计算的交通信号控制 基于云计算的交通诱导信息服务 基于云计算的交通管理指挥调度 基于云计算的智能车辆管控 智能运输云系统的SaaS层架构 第9章 新技术在智能运输系统中的应用 概述 9.1 云计算技术在智能运输系统中的应用 9.3 大数据技术在智能运输系统中的应用 9.4 车联网技术在智能运输系统中的应用 9.2 9.4.1 大数据的定义 大数据定义 大数据（Big Data）本身是一个较为抽象的概念，单从字面来看，大数据表示数据规模庞大，但与以往的“海量数据”（massive data）、“超大规模数据”（very large data）等概念之间有何区别。目前，国内外对于“大数据”的基本定义尚未给予公认的说法。 大数据由巨型数据集组成，这些数据集的大小常超出人类在可接受时间下的收集、使用、管理和处理能力。大小具有波动性，至2012年，单一数据集的大小从数兆字节（TB）至数十兆亿字节（PB）不等。几乎无法使用大多数的数据库管理系统处理，必须使用“在数十、数百甚至数千台服务器上同时平行运行的软件。 9.4.1 大数据的定义 大数据特征 大数据（Big Data）具有4V特性： 数据集的规模性（Volume） 大数据的首要特征就是应该具有数据的规模性。 多样性（Variety） 大数据的“大”是指复杂性方面的大，而不是体积大。 高速性（Velocity） 所谓的高速性特点是指对于大量数据的输入输出过程有着很高的要求，即快速的完成多种数据源的数据采集及数据处理的过程。 真实性（Veracity） 要求数据具有真实性特征，不能包含伪造数据。 9.4.1 大数据的定义 综上所述，通过对大数据所满足的基本要素分析，结合国内外相关的研究给出“大数据”的基本定义： “大数据”是指所涉及的数据规模复杂巨大，难以利用人工或者现有的数据采集、数据储存及数据处理方法处理的数据集合。在总数据量相同的情况下，与个别分析独立的小型数据集（data set）相比，将各个小型数据集合并后进行分析可得出许多额外的信息和数据关系性，可用来察觉商业趋势、判定研究质量、避免疾病扩散、打击犯罪或测定实时交通路况等；这样的用途正是大型数据集盛行的原因。 9.4.2 智能运输系统中的大数据信息处理模式 目前，智能运输系统领域大数据的处理模式主要分为流体处理模式（stream processing）和批量处理模式（batch processing）两种。 流体处理模式是指对于所采集的数据实时动态处理；批量处理模式是储存—处理的过程。 流体模型框架 流体处理的基本理念是交通数据的价值会随着时间的流逝而不断减少，因此，尽可能快地对最新数据进行分析并给出结果是所有流数据处理模式的共同目标。将交通数据信息视为流体，源源不断的数据组成了数据流。当新的交通数据到来时就立刻处理并返回所需的结果。 基本交通数据流体模型 9.4.2 智能运输系统中的大数据信息处理模式 批量模型框架 Google公司于2004年提出MapReduce编程模型是最具代表性的批处理模式。MapReduce是用于大规模数据集（大于1TB）的并行运算。概念“Map（映射）”和“Reduce（化简）”及他们的主要思想，都是从函数式编程语言借来的，还有从矢量编程语言借来的特性。当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（化简）函数，用来保证所有映射的键值对中的每一个共享相同的键组。 MapReduce执行流程图 9.4.3 大数据技术在智能运输系