论文部分内容阅读
当前,交通监测数据日趋庞杂,路网监测评估与数据处理发布己逐步采取了一系列的手段,而城市交通问题仍日益突出。其症结之一,在于如何高效地处理海量交通数据,实时分析、挖掘、调用,为驾乘提供必要的信息服务[¨。论文依托省科技厅《公路交通传感网信息检测·挖掘·汇聚·发布与辅助决策示范系统》示范工程项目,介绍了国内外智能交通系统中移动采集技术及云计算技术的应用现状,分析了在移动云环境中传输和处理海量交通数据的难点。提出了移动云环境中的优化负载均衡策略,建立了预测评估移动监测数据模型,及其实时数据处理平台,并予路网仿真验证。就流媒体传输需要占用大量带宽,传统流媒体服务器无法提供高并发量服务的难题,提出了基于Reactor模型的流媒体服务器架构,克服了传统多线程模型面临的线程调度开销及同步死锁问题,并采用基于网络状况的自适应缓存机制,实现了云环境中实时稳定的流媒体服务。就移动云环境中资源利用率不平衡问题提出了基于优化遗传算法的负载均衡策略。通过采用多目标的适应度函数及自适应的交叉变异算子,解决了传统调度策略收敛速度慢、易于陷入局部收敛等问题,契合了移动云环境中的资源异质性和动态性特征。就海量交通数据的实时分析和处理问题,基于Spark框架构建了分布式云平台,通过使用基于内存的分布式系统实现海量数据的实时处理,克服了传统框架无法进行实时任务的问题,采用EM算法分析移动设备采集的GPS数据,对路网状况进行实时评估和预测,并通过web接口进行发布。综上,论文研究成果具有重要的理论意义和应用价值。其创新点在于：1)针对基于多线程模型的服务器所面临的进程调度开销及同步死锁问题,采用了基于Reactor模型的I/O复用方式提供高并发服务。2)针对移动云平台中的资源利用率低的问题,优化了传统遗传算法,实现动态负载均衡,克服了移动云环境中计算资源的异质性和动态性问题。3)基于Spark框架实现了海量交通数据实时处理集群,通过构建基于内存的分布式系统,能够在秒量级迭代执行针对海量交通数据的机器学习算法。