目前,大数据在交通领域得到越来越广泛的应用。例如,综合不同区域、不同范围、不同部门的交通大数据,可以及时准确地反映人、车、路随着时间空间的变化情况;利用交通大数据可以优化配置交通资源,实现动态化交通管理,提升道路交通资源利用率;利用交通大数据分析机动车速度、驾驶员行为等可以提高高风险道路辨识的准确性,从而使车辆及时进行避障处理,保障交通安全。在目前交通大数据研究和应用中,存在以下的问题:未将交通大数据应用在多个城市间的旅游规划中;使用交通大数据预测高速公路的交通速度时,其中的小样本数据会降低预测精度;使用机动车速度、驾驶员行为等数据并不能准确识别公路上障碍物的区域。针对以上问题,本文提出了旅游路线规划、高速公路交通速度预测以及障碍物识别等算法。具体研究内容如下:(1)提出了一种时间优化的旅游路线规划算法针对旅游路线规划中,如何优化车辆行驶路径,减少路途间的时间耗费的问题,提出一种 OPLP(Overall Planning inter clusters and Local Planning intra clusters,簇间整体规划和簇内局部规划)的旅游路线规划算法。该算法首先使用K-Means聚类算法将旅游城市聚类;之后使用匈牙利算法规划簇间的转移路线;最后,使用贪心算法规划每个簇内城市间的旅游路线。使用该算法可以提高旅游路线规划的科学性和合理性,减少旅游车辆在途中耗费的时间,从而增加游历的舒适性。(2)提出了一种高速公路路段间的交通速度预测算法针对车辆在高速公路路段间选择合适的出发时间和行驶路段,从而优化行驶速度的问题,提出了一种高速公路路段间的交通速度预测算法。针对节假日的交通速度,提出了 SPA(Segment Prediction Algorithm,分段预测算法)。该算法首先使用K-Means聚类算法将前3年该节假日交通速度数据聚类;然后,对于速度变化缓慢的时段,每个时刻的交通速度预测值用该时刻在前3年的交通速度的加权平均值来表示;对于速度变化剧烈的时段,根据每小时内的速度变化趋势,用线性回归算法建立二元线性模型,从而预测该小时内每一时刻的交通速度。针对非节假日的交通速度,由于高速公路路段间的交通速度数据较多,且具有一定的规律,用现有的LSTM(Long Short-Term Memory,长短期记忆网络)预测时精度较高,因而本文使用LSTM预测非节假日高速公路路段间的交通速度;同时为了消除数据中的冗余数据,提出了 RDRW(Redundant Data Reducing algorithm based on sliding Window,基于滑动窗口的冗余数据消除算法)。该交通速度预测算法能准确预测高速公路每一时刻的交通速度,从而选择合适的出发时间和行驶的路段,避开交通拥堵的路段。此外,RDRW在对预测准确率影响较小且可控的情况下大幅度降低了模型训练的数据量,提高了 LSTM的训练速度。(3)提出了一种传感器稀疏部署环境下障碍物区域识别算法针对传感器稀疏部署环境下的高速公路障碍物区域识别问题,提出了 MSPT(Minimum Surrounded Polygon identifying algorithm based on visual light Tracking,基于可视光线跟踪的最小包围多边形的障碍物识别算法)。该算法的思想是通过使用接收到的光线信息,寻找包围障碍物的最小凸多边形来识别高速公路上障碍物的区域。MSPT在进行障碍物区域识别时,首先寻找初始定位光线,然后寻找包围障碍物的最小凸多变形的第一条边,最后寻找最小凸多变形的后续的所有边。使用该算法可以使车辆及时识别高速公路上障碍物的区域,从而进行避障处理。