基于城市交通监控大数据的重要位置推理方法
这是一篇关于数据挖掘,城市计算,交通监控数据,工作位置推理,家庭位置推理的论文, 主要内容为近年来,随着各种智能设备(例如车载GPS、智能手机、摄像头监控等)的快速发展以及移动社交网络(例如微信、微博、Twitter等)的广泛普及,人们的时空数据能够从越来越多的数据源中获取到。基于这类时空数据的用户位置推理在实际应用中变得越来越重要,在交通调度、城市规划、推荐系统和监控安全等方面有着重要价值的应用前景。因此,本文针对城市交通监控大数据提出了重要位置推理方法,具体工作如下:(1)提出了一种基于城市交通监控大数据的车辆重要位置区域推理方法。首先,通过路网匹配预处理获得一个含有交通监控摄像头的真实路网;然后,基于数据的空间信息,通过对车辆轨迹中所提取的起点-终点(O-D)聚类,发现车辆经常访问的重要停留区域;之后,基于数据的时间信息,统计每个簇4)9)/访问时间模式,根据车辆在不同区域上访问时间模式的不同,推理车辆不同的重要位置区域。(2)在上述重要位置区域推理的基础上,提出了一种面向车主工作位置区域推理的方法。首先,利用人们工作时间的模式特征,从车辆多个重要位置区域中匹配出车主的工作位置区域;然后,利用路网和该区域内兴趣点分布信息提取出车辆的可达兴趣点集合,进一步缩小车主的工作位置范围;最后,在济南市一整个月大规模真实的交通监控数据集上,通过综合实验评估和案例分析验证了所提方法的有效性。(3)基于重要位置区域推理,提出了一种基于稀疏交通监控大数据的精确家庭位置推理方法。首先,根据人们对家庭位置区域访问的时间模式特征,将家庭位置区域从重要位置区域中匹配出来;然后,使用KDE算法建模住宅小区相对于本地摄像头的概率密度,将概率密度值最大的住宅小区作为车辆的家庭位置;此外,还设计了一种本地摄像头选择策略,为每个候选住宅小区选择最合适的本地摄像头;最后,在济南市一整个月大规模真实数据集上的综合实验证明了所提方法的有效性。
城市用地功能识别研究与在线可视化微服务计算引擎设计
这是一篇关于城市计算,城市用地,XGBoost,数据可视化,可视化分析软件的论文, 主要内容为城市用地功能数据是城市计算领域研究中的重要基础性数据。准确地对城市用地功能进行分类,可以辅助城市规划领域专家更高效地开展详细的规划工作。然而,目前城市用地功能识别研究仍然面临许多困难。一方面,适合用来分类的数据源较为单一、城市用地功能的概念定义及研究角度尚无统一标准。另一方面,城市计算领域研究缺乏功能完善的在线可视化分析软件,以供领域研究者更好的进行在线分析。本研究主要有两方面工作。第一,通过采集并融合多源地理信息数据,对建筑粒度下的城市用地功能进行分类;第二,研发适配城市用地功能研究的在线可视化微服务软件。本软件是基于微服务架构进行设计的,可以在保证服务器数据安全的前提下,为用户提供功能更加完善的在线交互分析及数据交互可视化服务。首先,本研究提出了基于多源数据的城市用地功能分类模型。在特征工程方面,本研究采用TF-IDF算法对POI业态数据进行预处理,解决了POI数据分类不均衡的问题;通过将手机基站作为泰森多边形的离散点,本文将人的流动特征分配到了建筑层面;对于建筑形态特征数据,本研究进行了特征扩容。在模型方面,本研究提出了基于XGBoost的城市建筑功能分类模型,并以深圳市为例进行了实验。实验结果表明,在分类数量和分类准确率上本研究所提出的模型都得到了较优的结果。本研究研发了基于WebGL的在线交互分析及交互可视化软件引擎。软件引擎整体是基于前后端分离的微服务架构进行研发的。服务端采用的是Spring Cloud技术架构。前端采用的是React组件化技术,数据存储模块依据数据的不同特点,使用了MySQL关系型数据库、Redis缓存数据库、Nginx静态资源服务器进行分别存储。通过将训练好的机器学习模型存储为PMML格式文件,本软件服务端程序为用户提供了多种机器学习模型的在线调用服务。本软件服务端的不同模块采用Docker容器化虚拟化技术进行部署,容器组采用K8s进行编排。通过将城市计算领域其它研究的业务代码封装为K8s的Pod容器组,本软件引擎还实现了软件功能的快速横向拓展,即软件引擎支持接入其它研究的成果。
城市用地功能识别研究与在线可视化微服务计算引擎设计
这是一篇关于城市计算,城市用地,XGBoost,数据可视化,可视化分析软件的论文, 主要内容为城市用地功能数据是城市计算领域研究中的重要基础性数据。准确地对城市用地功能进行分类,可以辅助城市规划领域专家更高效地开展详细的规划工作。然而,目前城市用地功能识别研究仍然面临许多困难。一方面,适合用来分类的数据源较为单一、城市用地功能的概念定义及研究角度尚无统一标准。另一方面,城市计算领域研究缺乏功能完善的在线可视化分析软件,以供领域研究者更好的进行在线分析。本研究主要有两方面工作。第一,通过采集并融合多源地理信息数据,对建筑粒度下的城市用地功能进行分类;第二,研发适配城市用地功能研究的在线可视化微服务软件。本软件是基于微服务架构进行设计的,可以在保证服务器数据安全的前提下,为用户提供功能更加完善的在线交互分析及数据交互可视化服务。首先,本研究提出了基于多源数据的城市用地功能分类模型。在特征工程方面,本研究采用TF-IDF算法对POI业态数据进行预处理,解决了POI数据分类不均衡的问题;通过将手机基站作为泰森多边形的离散点,本文将人的流动特征分配到了建筑层面;对于建筑形态特征数据,本研究进行了特征扩容。在模型方面,本研究提出了基于XGBoost的城市建筑功能分类模型,并以深圳市为例进行了实验。实验结果表明,在分类数量和分类准确率上本研究所提出的模型都得到了较优的结果。本研究研发了基于WebGL的在线交互分析及交互可视化软件引擎。软件引擎整体是基于前后端分离的微服务架构进行研发的。服务端采用的是Spring Cloud技术架构。前端采用的是React组件化技术,数据存储模块依据数据的不同特点,使用了MySQL关系型数据库、Redis缓存数据库、Nginx静态资源服务器进行分别存储。通过将训练好的机器学习模型存储为PMML格式文件,本软件服务端程序为用户提供了多种机器学习模型的在线调用服务。本软件服务端的不同模块采用Docker容器化虚拟化技术进行部署,容器组采用K8s进行编排。通过将城市计算领域其它研究的业务代码封装为K8s的Pod容器组,本软件引擎还实现了软件功能的快速横向拓展,即软件引擎支持接入其它研究的成果。
基于海量数据挖掘的打车推荐系统
这是一篇关于城市计算,智能交通,打车推荐,海量数据,分布式计算的论文, 主要内容为出租车是现代社会广泛使用的交通工具,它在日常生活中起着重要的作用。然而,打车难却是人们时常遇到的问题。人们经常不知道该去哪里等出租车,也不知道等待出租车要花费多长时间。现在,许多城市的出租车已经安装了定位装置,这些装置按照一定的频率采集出租车的定位信息,并发送到中央服务器。随着大数据技术的发展,现在已经有能力去发现隐藏在这些大数据中的潜在价值。本文的目的就是通过分析大规模出租车定位的轨迹数据,设计并实现出租车打车推荐系统。用户通过移动APP软件,获得打车推荐服务,从而有效地解决打车难问题。本文首先介绍了该领域的不同阶段的研究成果。阐述了数据库、分布式系统、移动互联网等相关技术在打车推荐系统中的应用。在此基础上,根据打车问题的实际应用场景,分析了用户的实际需求,并结合对相关技术的研究,设计并实现了该分布式系统。系统底层基于Hadoop分布式集群,此外,MySQL和MongoDB提供数据库服务,Tomcat服务器提供查询服务,移动APP作为系统的客户端。该系统能同时为多用户提供推荐服务和拼车服务。本文重点研究了挖掘模块的核心技术难点,分析了已有的算法存在的问题,改进了相关算法。针对地图匹配算法的误计算问题,本文改进了它的转移概率公式。针对海量数据的计算规模问题,本算法优化了空间索引算法并实现了并行计算模型。实验证明,改进后的算法有更好的地图匹配效果,并且计算速度大大提高。在此基础上,本文改进了一种基于概率学的推荐模型。针对乘客排队乘车的问题,引入了优先队列模型描述乘客等车的场景。实验证明,通过该模型能更好的计算出不同区域的打车难易度。最后,本文测试了打车推荐系统的推荐服务和拼车服务。通过采用人工记录的方式,统计不同位置的真实数据并与系统计算的数据进行比对。测试结果证明,各项服务运行稳定,达到预期效果。打车推荐系统有效的解决了打车难问题,降低了用户的出行的成本。
城市用地功能识别研究与在线可视化微服务计算引擎设计
这是一篇关于城市计算,城市用地,XGBoost,数据可视化,可视化分析软件的论文, 主要内容为城市用地功能数据是城市计算领域研究中的重要基础性数据。准确地对城市用地功能进行分类,可以辅助城市规划领域专家更高效地开展详细的规划工作。然而,目前城市用地功能识别研究仍然面临许多困难。一方面,适合用来分类的数据源较为单一、城市用地功能的概念定义及研究角度尚无统一标准。另一方面,城市计算领域研究缺乏功能完善的在线可视化分析软件,以供领域研究者更好的进行在线分析。本研究主要有两方面工作。第一,通过采集并融合多源地理信息数据,对建筑粒度下的城市用地功能进行分类;第二,研发适配城市用地功能研究的在线可视化微服务软件。本软件是基于微服务架构进行设计的,可以在保证服务器数据安全的前提下,为用户提供功能更加完善的在线交互分析及数据交互可视化服务。首先,本研究提出了基于多源数据的城市用地功能分类模型。在特征工程方面,本研究采用TF-IDF算法对POI业态数据进行预处理,解决了POI数据分类不均衡的问题;通过将手机基站作为泰森多边形的离散点,本文将人的流动特征分配到了建筑层面;对于建筑形态特征数据,本研究进行了特征扩容。在模型方面,本研究提出了基于XGBoost的城市建筑功能分类模型,并以深圳市为例进行了实验。实验结果表明,在分类数量和分类准确率上本研究所提出的模型都得到了较优的结果。本研究研发了基于WebGL的在线交互分析及交互可视化软件引擎。软件引擎整体是基于前后端分离的微服务架构进行研发的。服务端采用的是Spring Cloud技术架构。前端采用的是React组件化技术,数据存储模块依据数据的不同特点,使用了MySQL关系型数据库、Redis缓存数据库、Nginx静态资源服务器进行分别存储。通过将训练好的机器学习模型存储为PMML格式文件,本软件服务端程序为用户提供了多种机器学习模型的在线调用服务。本软件服务端的不同模块采用Docker容器化虚拟化技术进行部署,容器组采用K8s进行编排。通过将城市计算领域其它研究的业务代码封装为K8s的Pod容器组,本软件引擎还实现了软件功能的快速横向拓展,即软件引擎支持接入其它研究的成果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈网 ，原文地址：https://bishedaima.com/lunwen/54780.html
