论文部分内容阅读
物联网从提出到现在已经逐渐应用到人们工作生活的方方面面，智能信息服务是人们亟需的一种服务，也是当前物联网技术应用的一个重要研究方向。然而，随着物联网应用的不断推广，数以亿计的物品连接互联网，产生了海量的数据，传统的物联网信息服务系统已经完全无法对物联网数据进行有效地管理和分析。云计算和大数据为解决这一问题提供了有效的解决方案，目前各国的多个行业都建立了相关产业的物联网云平台进行物联网数据管理分析。时空数据是物联网数据的一个重要组成部分，利用物联网云平台可对时空数据进行采集，通过分析挖掘时空数据能够发现人们的生活规律、行为特征、气候变化规律和车辆移动规律等方面的信息。本文设计并实现面向智能信息服务的物联网云平台，实现对海量智能设备运行数据进行接入、存储、处理，重点对移动对象时空轨迹数据进行了聚集模式挖掘分析，主要工作包括： （1）设计并实现了基于MongoDB的物联网云平台，实现海量智能物体数据的接入、存储、处理和分析挖掘。该物联网云平台使用MongoDB集群存储海量物联网数据，利用REST服务架构，建立灵活的系统架构，实现采集端到服务器端、服务器端到应用端的数据交互，利用负载均衡的策略应对海量的物联网数据访问需求。 （2）基于物联网云平台对收集到的海量智能设备时空数据进行时空统计分析，发现智能设备的使用情况、分布情况和人们的生活规律，并以统计图、统计表、电子地图等多种可视化方式展示分析结果。 （3）设计并实现了基于Spark的RDD-Gathering算法用于海量移动对象时空轨迹数据的聚集模式挖掘，高效地发现交通中的异常情况，并基于该算法提出了交通异常预测系统架构，对未来交通中的异常情况进行预测。 （4）展示并分析了物联网云平台的智能物体数据分析统计功能，并对平台的有效性进行了验证。针对设计的RDD-Gathering算法，本文基于北京市真实的出租车时空轨迹数据集，将其与其他聚集模式挖掘算法进行准确性和有效性的测试，实验表明该算法正确且极大的提升了海量移动对象轨迹中聚集模式挖掘的效率。