智慧城市与交通流大数据分析–基于统计方法的交通流趋势及特征分析开题报告

1. 研究目的与意义

目前，交通大数据分析提出了“6v”的特征，容量，种类，速度，可变性，可靠性，真实性，复杂性，价值实现等6个特性，交通大数据的特征的研究落脚点放在了数据的计算效率上，并且对数据预处理和数据质量分析都提出了严格的高要求。

并且，交通运行状态分析主要有评价尺度，评价标准和评价指标。首先，评价尺度是对不同的车型，时间，空间进行细致划分，从而获得不同路径在不同时段或同一时段的高速公路运行状态图。评价标准则是指将高速公路运行状态分为“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”五类等级。从而得出“畅通可靠度”的概念：在一定的时间和区域内，道路交通状态能达到畅通状态的概率，即车辆行驶速度大于等于相应阈值的概率。

但目前国内外交通流大数据研究仍存在问题：

2. 研究内容和预期目标

为了确定影响智慧城市交通流的因素及交通流特征，对已预处理的苏州市2015-2020 年期间交通流数据，包括大动脉（主干道）和支流交通、地上交通与地下交通（轨道）、机动车和非机动车、行人在不同时段的视频数据、图像数据和文字等类型数据，利用统计分析方法、机器学习、张量分解发现数据的主成分及刻画交通流大数据代表性参数，对高维数据实现降维和可视化，将交通流数据以不同的形式展现。智慧城市与交通流大数据分析为交通流大数据建模提供交通流特征值为基础，最终目标为找出苏州市各区段时段交通流特征和应对方案，为苏州市交通和经济建设献计献策。

3. 研究的方法与步骤

1）阐述大数据科学发展历程、交通流大数据分析中的统计方法及其原理和具体应用；

2）利用matlab等软件对已预处理的交通流大数据进行关联性分析；

3）利用统计分析方法发现数据的主成分及刻画交通流大数据代表性参数，编写大数据分析和计算算法，对高维数据实现降维、完成特征分析并实现数据可视化；

4. 参考文献

[1] jin, wenlong. traffic flow models and their numerical solutions. arxiv: dynamical systems, 2004.

[2] kolda. tamara g and brett w. bader. tensor decompositions and applications. siam review, vol. 51, no. 3, pp. 455–500, 2009.

[3] ethem alpaydin. introduction to machine learning. the adaptive computation and machine learning series, 2010.

5. 计划与进度安排

1-2周 2022年11/16-02/28: 任务书,导师讲授选题状况和要求等;

2-3周 2022年02/24-03/07: 开题报告,导师修改审定开题报告

4-14周 2022年03/10-05/23: 毕业论文写作,学生按开题报告撰写论文