论文部分内容阅读
近年来大城市的交通拥挤、交通事故等现象层出不穷，对人们的生活产生了极大地负面影响。智能交通系统被认为是解决这一问题最好的方案。路径诱导系统是智能交通系统中重要的组成部分，而路径诱导算法又是路径诱导系统的关键。提高路径诱导算法的效率就成了解决交通问题的重要一步。随着经济的不断发展、城市化进程的不断加快，城市规模不断扩大，交通系统的数据规模也逐渐趋向于海量化。本文在深入研究以上问题的基础上，针对智能交通中海量数据环境和高性能处理需求，基于云计算平台来处理海量数据，并研发分布式并行算法提高系统效率。本文的研究工作主要包括以下几个方面：（1）分析了云计算的相关核心技术，尤其是分布式文件系统(GFS)、分布式计算编程模型-MapReduce和分布式数据管理技术(Bigtable)，并对Hadoop的分布式文件系统HDFS和分布式数据库HBase进行了较为深入的应用研究。（2）研究了常用的路径诱导算法，分析了各自的特点，在此基础上对蚁群算法进行了改进及并行化研究、并在Hadoop下基于MapReduce编程模型进行了设计和实现。（3）面向具体应用，基于MapReduce模型和分布式数据管理技术，研究了交通网数据管理方法，采用交通仿真软件VISSIM对交通数据进行了分析，对交通网数据结构进行了设计。通过抽象建立面向蚁群算法的交通网数据模型，在此基础上实现了基于云计算的并行蚁群算法。（4）最后搭建了云计算平台Hadoop，并对基于云计算的并行蚁群算法进行了实验和分析，实验表明该算法很好地提高了搜索最短路径的效率。