[发明专利]一种基于Hadoop的车辆拥挤度获取方法

说明书

技术领域

本发明属于车联网通信技术领域，更为具体地讲，涉及一种基于Hadoop的车辆拥挤度获取方法。

背景技术

对于许多智能城市应用来说，识别城市区域的移动车辆的热点是必不可少的，而车辆的热点可以被描述为车辆拥挤度高的区域，极高拥挤度的热点通常是交通拥塞的位置。

直观地说，一个点的拥挤度反映了一个点是有多拥挤，当车辆集的分布式未知的时候测量拥挤度变得困难，为了量化一个地方未知对象集的拥挤度，我们提出了移动集群算法。

我们假设有一组N个车辆部署在一个二维城市平面A，在这些N个车辆中，一个小的子集是我们有完全认知的传感器组。然而，对于其余部分我们是没有认知的，我们的任务是使用N_S的报告来推断其余部N/N_S对象的状态，特别是他们的空间属性。

假设城市A是一个给定的区域，传感器对象N_S任意移动,它们的移动性无意地提供了一种感应A附近的拥挤的状况，这些传感器以异步的方式每5秒定期报告它们的当前状态。

该报告是一个6元组的形式φ＝(m,x,y,v,β,t)，m∈N是一个对象识别符唯一的识别发送报告的传感器，(x,y)∈A是m的当前位置，N代表m的瞬时速度，β是一个二进制值表示车辆是否空载，t为发送报告的时间,因为报告每5秒被发送回来，平均每秒我们能得到五分之一的传感器报告,这些报告称为传感报告,为了增加我们样本数据集的粒度，除了这些真正的传感报告，在没有报告的时间内，我们运用线性插值方法估计车辆状态,我们表示所有报告集

表1列出了用于这项工作的常用符号。

表1 为常用符号及描述

接下来我们定义用来量化地点拥挤度的拥挤度函数，一个简单的方法来量化一个点的拥挤度是应用瞬时这个点的速度、最大和最小速度的一个线性函数。

定义1：给定义一物理位置(x,y)和报告集Φ，速度谱是报告集Φ中在位置ι时间t所有报告的车辆速度集，即，

所有时间的速度谱可以写成因为时间是离散，Φ包含有限数量的报告，这样速度谱也是有限的。

定义2：地点速度定义为位置ι时间t速度谱的平均。

定义3：给定地点ι的线性拥挤度定义为速度谱的顺世俗的的互补的比较相对数的指数移动平均。

v_max(ι)是ι的最大速度，v_min(ι)是ι的最小速度，α_ι和τ_ι是获取位置ι动态性的两个参数。

拥挤的线性函数是基于一个隐含的假设,即车辆的速度是均匀分布在速度谱,它是在实践中不一定准确。

定义4：给定地点ι＝(x,y)的统计拥挤度定义为速度谱的瞬时速度的互补累计分布函数的指数移动平均，即，

P(v≤v^(t)(ι)),v∈V_Φ(ι)代表位置ι小于等于瞬时平均速度速度的概率。

一般的实现方式是通过对算法顺序执行来做的。

然而，移动集群算法是串行的实现方式，首先通过MapReduce（）函数对统计的GPS信息进行时间和区域化处理，将同一时刻t内的GPS信息划分成若干个区域，再分别计算各个区域内的拥挤度，在计算完一个区域的统计拥挤度和线性拥挤度后再计算下一个区域，直到计算完t时刻内的全部区域，然后计算时间t+1的统计拥挤度和线性拥挤度，按时间增长顺序依次进行计算，这种利用传感器对象技术，动态获取车辆标识、位置、瞬时速度、前进方向、即时时间等信息，随着交通数据获取源的增加，实时的交通信息数量庞大，这会导致计算所花费的时间长、效率低，不适合用来在实际环境中分析交通状况。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于Hadoop的车辆拥挤度获取方法，通过多个MapReduce任务并行处理统计的GPS消息，从而节约计算时间，同时具有可扩展、高效率以及高容错性的性能。

为实现上述发明目的，本发明一种基于Hadoop的车辆拥挤度获取方法，其特征在于，包括以下步骤：

（1）、通过MapReduce编程模型处理统计数据；