第一章 引言
5
效地发现交通中的异常情况,本文具体包含的工作如下:
(1)针对传统的物联网信息系统存在的不足,本文设计并实现了基于 MongoDB
的物联网云平台,该平台能够对海量物联网数据进行高效地接入、存储、处理、挖掘
其价值。平台包括感知层、接入层、存储层、服务层和应用层,利用 MongoDB 的自
动分片和负载均衡技术,能实时高效地接入并存储海量物联网数据,通过 REST 架构
实现灵活的系统组合。
(2)基于物联网云平台,针对海量智能设备数据进行时空分析,根据收集到的
不同设备的时间和空间属性,结合地址、操作、检测值等信息统计分析用户的使用规
律和产品分布情况,挖掘数据中有价值的信息,并将结果以地图、统计图和统计表等
直观方式展示。
(3)针对海量的移动时空轨迹数据,本文基于大数据处理框架 Spark,设计并实
现了一种并行化的移动对象聚集模式挖掘方法 RDD-Gathering,用于统计分析海量时
空轨迹数据的聚集情况。聚集模式挖掘能够发现轨迹数据中的异常情况。同时基于该
算法本文提出了一种交通异常预测系统架构,实现交通中异常情况的预测。
(4)通过与基于 MySQL 进行存储的系统进行性能测试比较,验证了平台的有
效性。基于海量移动对象时空轨迹数据,将 RDD-Gathering 算法与传统的聚集模式挖
掘算法进行准确性和有效性测试,实验结果表明所设计的方法有效的提高了聚集检索
的效率。
§1.4 论文组织及结构
本文的主要内容分为以下六个章节:
第一章:引言。分析了物联网发展情况,探讨了建立物联网云平台进行海量物联
网数据接入、存储、分析挖掘的必要性和有效性,并且介绍了目前对物联网数据中的
智能设备和移动轨迹时空大数据分析的意义和需求。然后,针对物联网云平台和时空
大数据分析,对国内外的研究现状进行了论述,指出了它们的优势和不足。最后,介
绍了本文的主要工作与组织结构。
第二章:相关知识。介绍论文中用到的相关技术和相关概念定义,包括 REST 服
务架构、MongoDB 非关系型数据库、Hadoop、Spark 等构建物联网云平台的相关技
术和聚集模式的概念和相关定义、DBSCAN 密度聚类算法。
第三章:物联网云平台。设计并实现了基于 MongoDB 的物联网云平台,利用该
平台对海量异构的物联网大数据进行接入、存储、处理和挖掘。本章详细介绍了平台
的整体架构、平台的实现策略和关键技术应用。
第四章:时空大数据分析。对物联网云平台的海量智能设备时空数据进行统计分
析,并对移动轨迹数据进行聚集模式挖掘,并将该策略应用于智能交通的异常事件分
万方数据