【文章內(nèi)容簡介】 隨機變量。當?shù)缆吠〞?，交通流平穩(wěn)均勻時，由交通流量 交通密度 交q?通速度 三項指標得到交通流基本模型，如式(23)所示。sv　 　　 (23)/sqv??取某特長高速公路隧道交通流實測數(shù)據(jù)樣本，共816組，密度 采用實測時?間占有率 代替，速度 時間占有率 交通流量 實際交通流數(shù)據(jù)分布如圖2ovoq3所示。0 100200 300400 500600 7000501001500246810Traffic volume(veh/h)Traffic speed(km/h)Time occupancy(%)圖 23 實測交通流 voq 分布智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測 速度密度（uk）模型在 uk 模型中，每個密度值都對應(yīng)唯一的速度值，多用于理論研究。q—k模型和 qu 模型則不是。由于流量與密度、速度之間存在密切的相互影響關(guān)系，一旦知道了密度和速度，就可以計算出流量。1934 年，Greenshields 從航拍照片中獲得了速度和密度的數(shù)據(jù)，據(jù)此提出了第一個線性模型；而后，Greenberg 認為非線性模型更適合描述交通流的關(guān)系，于 1959 年提出了對數(shù)模型，Underwood 關(guān)注暢通狀態(tài)的交通流，提出了指數(shù)模型，分別描述了大密度和小密度狀態(tài)下的速度－密度關(guān)系；后來，有關(guān)研究者提出了 uk 關(guān)系的 S 型曲線模型，用一組單段式曲線族來描述 uk 關(guān)系，Drew 在 Greenshields 模型的基礎(chǔ)上引入了另外一個參數(shù)，得到了一個通用模型；PipesMunjal 提出了與 Drew 類似但是更加一般化的通用模型；Edie 和 Dick 則考慮在不同流量下各模型的適用性的基礎(chǔ)上，提出多段式組合模型。具體模型見圖 24 所示。 圖 24 速度—密度關(guān)系圖由于密度數(shù)據(jù)很難直接采集，而本文主要數(shù)據(jù)來源于快速路路面鋪設(shè)環(huán)形線圈，可以直接得到占有率的數(shù)據(jù)。占有率直接反映了交通密度的高低，更能表明道路被實際占用的情況，因此多通過占有率來反映密度特征，同時本文研究 uo 模型來替代 uk 模型。智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測根據(jù)對 NX03 檢測斷面的檢測數(shù)據(jù)進行統(tǒng)計分析，并盡量用一個函數(shù)來描述其關(guān)系。uo 散點關(guān)系圖和擬合曲線見圖 25。圖 25 速度－占有率散點關(guān)系圖及擬合曲線曲線擬合的具體結(jié)果見表 21。從圖 25 和表 21 中的具體擬合判決系數(shù)2R 來看，曲線的擬合程度還是比較高的，而且 2R 除了對數(shù)擬合模型之外，都達到了 左右，而對數(shù)模型也達到了 以上。表 2—1 速度－占有率關(guān)系的模型回歸智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測 速度－流量（uq）模型速度和流量數(shù)據(jù)容易直接采集，因此國內(nèi)外對速度－流量關(guān)系的研究也比較多。速度－流量模型通常用于評價交通運行狀況、估算服務(wù)水平。最早且經(jīng)典的速度－流量模型是 Greenshields 的拋物線模型，其表達式為：。它是在 uk 線性模型的基礎(chǔ)上得到的，基本反映了速度和流量的變化趨勢，多年來一直被廣泛采用。然而 、 和 的研究結(jié)果表明：根據(jù)實際數(shù)據(jù)來研究 uq 關(guān)系，uq 曲線應(yīng)該分為三段：第一段表示暢通狀況，第二段表示排隊后消散過程，第三段表示擁堵（伴隨有排隊）狀況；交通流在暢通狀態(tài)和擁擠狀態(tài)之間過渡時并不一定要經(jīng)過通行能力，交通狀態(tài)可以從暢通直接跳到擁擠的狀態(tài)。給出的 uq 關(guān)系如圖 26 所示，這種曲線并不是某一種函數(shù)式，而是從大量的實測數(shù)據(jù)中分析出的結(jié)果。圖 26 速度－流量曲線模考察研究對象 NX03 斷面的實際數(shù)據(jù)，與速度－密度關(guān)系的分析方法類似的，對速度－流量散點圖進行擬合。由于速度－流量關(guān)系種沒有密度參數(shù)，本文采取小密度狀態(tài)，即自由流中的最大流量來劃分速度－流量數(shù)據(jù)群，自由流的速度為 ,如圖 27 所示：智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測圖 27 速度－流量散點圖及其二次多項式回歸從圖 27 中，可以看到速度－流量關(guān)系的曲線擬合程度還是相當高的，判決系數(shù) 2R 達到了 。從散點圖來看，可以對交通流狀態(tài)進行一個初步判斷：速度－流量數(shù)據(jù)大多主要集中在等待部分，即阻塞狀態(tài)；在自由流狀態(tài)的數(shù)據(jù)相對較少，主要集中在小密度狀態(tài)下；而阻塞與自由流之間的過渡過程，即等待隊列消散的過程的數(shù)據(jù)最少。 流量－密度 (qk) 模型早期的通行能力研究，主要遵循兩個途徑：一是探討交通密度小時的速度—流量關(guān)系式；二是探討交通密度大時的車頭時距規(guī)律。而流量—密度模型把這兩種途徑同一起來。并且流量—密度模型在交通控制中也有重要的作用，常把密度作為控制參數(shù)，流量作為目標函數(shù)對快速路進行控制，所以經(jīng)常把 qk曲線稱為“交通基本圖表” 。Greenshields、Greenburg、Underwood 根據(jù)基本的 uk 模型推導(dǎo)了各自的 qk 模型；此外，Koshi 提出了反 λ 模型，Hall 提出了倒 V 模型。此外，與多段式 uk 模型對應(yīng)，一些學(xué)者還提出了不連續(xù)的 qk 曲線模型如圖 28 所示：智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測圖 28 流量－密度關(guān)系模由于密度數(shù)據(jù)難以獲得，Aothl（1965）建議使用 qo 關(guān)系確定擁擠的發(fā)生。根據(jù)實地采集的數(shù)據(jù)所作的 qo 散點圖以及擬合曲線如圖 29，可以看到，流量－占有率的二次多項式擬合曲線的判決系數(shù) 2R 高達 ，擬合程度相當高。圖 29 流量－占有率散點圖及二次多項式回歸擬智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測 數(shù)據(jù)模型概述近些年來，隨著科學(xué)技術(shù)的不斷進步，人們收集處理數(shù)據(jù)的方式發(fā)生了巨大的變化。一方面，在很多應(yīng)用中出現(xiàn)了數(shù)據(jù)流，其廣泛存在于網(wǎng)絡(luò)監(jiān)控、日志分析、傳感器網(wǎng)絡(luò)、金融預(yù)測等領(lǐng)域中，數(shù)據(jù)流數(shù)據(jù)規(guī)模龐大、到達速率極快、且每個數(shù)據(jù)只能夠被訪問一次，這些與傳統(tǒng)數(shù)據(jù)模型截然不同的特征給數(shù)據(jù)的查詢和管理工作提出了新的要求。另一方面，隨著數(shù)據(jù)采集技術(shù)的進步，人們對數(shù)據(jù)不確定性的認識也逐步深入，在諸如經(jīng)濟、軍事、物流、金融、電信等領(lǐng)域的具體應(yīng)用中，數(shù)據(jù)的不確定性普遍存在，不確定性數(shù)據(jù)的表現(xiàn)形式多種多樣，它們以關(guān)系型數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、流數(shù)據(jù)或移動對象數(shù)據(jù)等形式出現(xiàn)，這同樣給數(shù)據(jù)的進一步處理工作帶來了新的挑戰(zhàn)。 數(shù)據(jù)流研究背景有關(guān)數(shù)據(jù)流 (data Stream)的聚類分析與異常檢測是目前國際數(shù)據(jù)庫領(lǐng)域的一個研究熱點。自上個世紀末以來，隨著計算機技術(shù)在諸如網(wǎng)絡(luò)流量監(jiān)控、金融信息處理、Web訪問和傳感器網(wǎng)絡(luò)等領(lǐng)域應(yīng)用的普及和深入，傳統(tǒng)數(shù)據(jù)庫技術(shù)面臨新的挑戰(zhàn)。數(shù)據(jù)流應(yīng)用場景中所處理的數(shù)據(jù)通常具有如下特點:。，不受系統(tǒng)所控制。，也就是說往往不能夠?qū)ζ渌俣群鸵?guī)模進行預(yù)定義。，除非特意保存，否則不能夠被再次取出處理，或者再次提取數(shù)據(jù)代價昂貴。盡管主要的數(shù)據(jù)流處理模型與傳統(tǒng)數(shù)據(jù)庫技術(shù)息息相關(guān)，但是兩者仍然存在諸多差異。例如，如果利用傳統(tǒng)技術(shù)進行數(shù)據(jù)處理，必須將數(shù)據(jù)全部存儲到介質(zhì)(如關(guān)系數(shù)據(jù)庫)中，然后通過相應(yīng)的算法來尋求挖掘結(jié)果。但是，當數(shù)據(jù)規(guī)模宏大且到達速度很快時，因執(zhí)行查詢操作需要大量的I/O交換，效率低下，往往難以滿足實時性要求。此時，數(shù)據(jù)流處理技術(shù)的解決策略是:不保存整個數(shù)據(jù)集，僅維護一個遠小于其規(guī)模的概要數(shù)據(jù)結(jié)構(gòu)，該概要數(shù)據(jù)結(jié)構(gòu)能夠常駐內(nèi)智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測存。此時數(shù)據(jù)流挖掘算法將包含兩部分:一部分監(jiān)控流中的數(shù)據(jù)，實時更新概要數(shù)據(jù)結(jié)構(gòu)。另一部分響應(yīng)用戶查詢或挖掘處理請求，返回近似查詢結(jié)果。一般來說，想直接應(yīng)用傳統(tǒng)的OLAP或數(shù)據(jù)挖掘算法到高速，大流量的數(shù)據(jù)流場景中往往是行不通的，其主要原因表現(xiàn)在如下幾個方面:，無法通過內(nèi)存，甚至硬盤來存儲整個流數(shù)據(jù)。，無法全部存儲的特點使傳統(tǒng)的多遍掃描數(shù)據(jù)的挖掘方法變得不可行，因此對數(shù)據(jù)流的挖掘算法應(yīng)該是一個單遍掃描過程(onepasssean)。，對流中的數(shù)據(jù)元素只能按其流入順序依次讀取，如關(guān)系數(shù)據(jù)庫那種的隨機訪問是不現(xiàn)實的。，挖掘過程應(yīng)該是一個連續(xù)的過程，而不是偶然進行一次。(HighDimensional)，有時會帶來嚴重的“維度災(zāi)難” 。 不確定數(shù)據(jù)研究背景在數(shù)據(jù)流技術(shù)研究方興未艾之時，一種更加廣泛存在于數(shù)據(jù)本身中的問題一不確定性(uncertainty)，近些年來也逐步引起學(xué)術(shù)界的關(guān)注。在此之前，確定性數(shù)據(jù) (deterministic data)管理與挖掘技術(shù)得到了充分的發(fā)展，在確定性數(shù)據(jù)應(yīng)用中，數(shù)據(jù)的存在性和精確性均確鑿無疑。然而，近幾年來，不確定性數(shù)據(jù)(uncertain data)在越來越多的應(yīng)用中扮演關(guān)鍵角色，例如經(jīng)濟、軍事、物流、金融、電信等，而傳統(tǒng)數(shù)據(jù)管理技術(shù)無法有效處理這類新問題，墮需開發(fā)新型數(shù)據(jù)管理技術(shù)。不確定性數(shù)據(jù)的產(chǎn)生原因復(fù)雜，例如原始數(shù)據(jù)不準確、使用粗粒度數(shù)據(jù)集合、滿足特殊應(yīng)用目的、處理缺失值、數(shù)據(jù)集成等。1. 原始數(shù)據(jù)不準確。這是產(chǎn)生不確定性數(shù)據(jù)最直接的原因。首先，物理儀器所采集數(shù)據(jù)的準確度受儀器的精度制約。其次，在網(wǎng)絡(luò)傳輸過程(特別是無線網(wǎng)絡(luò)傳輸)中，數(shù)據(jù)的準確性受到帶寬、傳輸延時、能量等因素影響。最后，在傳感器網(wǎng)絡(luò)應(yīng)用睜s]與RFID應(yīng)用中，周圍環(huán)境也將影響原智能交通系統(tǒng)交通流數(shù)據(jù)質(zhì)量檢測始數(shù)據(jù)的準確度。2. 使用粗粒度數(shù)據(jù)集合。從粗粒度數(shù)據(jù)集合轉(zhuǎn)換到細粒度數(shù)據(jù)集合的過程會引入不確定性。例如，假設(shè)某人口分布數(shù)據(jù)庫記錄了全國各鄉(xiāng)的總?cè)丝跀?shù)，而某應(yīng)用要求查詢以村為基礎(chǔ)單位的人口數(shù)量，查詢結(jié)果就存在不確定性。3. 滿足特殊應(yīng)用目的。出于隱私保護等特殊目的，某些應(yīng)用無法獲取原始的精確數(shù)據(jù)，而僅能夠得到變換之后的不精確數(shù)據(jù)。4. 處理缺失值。缺失值的產(chǎn)生原因很多，例如裝備故障、無法獲取、與其他字段不一致、歷史原因等。一種典型的處理方法是插值，插值之后的數(shù)據(jù)可看作服從特定概率分布。另外，也可以刪除所有含缺失值的記錄，但是這個操作也從側(cè)面變動了原始數(shù)據(jù)的分布特性。與以上的單一不確定性產(chǎn)生原因相比，某些應(yīng)用中的不確定性數(shù)據(jù)往往是多種因素共同作用產(chǎn)生的。例如，基于位置的服務(wù)(Location一 BasedService，LBS)是移動計算領(lǐng)域的核心問題，在軍事、通信、交通、服務(wù)業(yè)等中有著廣泛的應(yīng)用。LBS應(yīng)用獲取各移動對象的位置，為用戶提供定制服務(wù)，該過程存在若干不確定性。首先，受技術(shù)手段(例如GPS技術(shù))限制，移動對象的位置信息存在一定誤差。其次，某些查詢要求保護用戶的隱私信息，必須采用“位置隱私”等方式處理查詢。實際上，針對不確定數(shù)據(jù)的研究工作已經(jīng)有幾十年歷史了。從二十世紀八十年代末開始，針對概率數(shù)據(jù)庫(Probabilisti。database)的研究工作就從未間斷，這類研究工作將不確定性引入到關(guān)系數(shù)據(jù)模型中去，取得較大成果。近年來，針對不確定性數(shù)據(jù)的研究工作則在更廣的范圍內(nèi)取得了更大的進展，即在更豐富的數(shù)