基于云計(jì)算的城市軌道交通數(shù)據(jù)可視化方法及案例研究

發(fā)布時(shí)間：2022-03-04所屬分類：計(jì)算機(jī)職稱論文瀏覽：1990次

摘 要： 摘 要 針對(duì)城市軌道交通票卡數(shù)據(jù)流無法快速處理現(xiàn)狀，基于云計(jì)算平臺(tái)提出一種城市軌道交通大數(shù)據(jù)可視化分析方法。基于數(shù)據(jù) ID 將城市軌道交通客流數(shù)據(jù)按時(shí)間段進(jìn)行分表處理; 基于客流關(guān)鍵字段建立索引數(shù)據(jù)集合并將必要客流數(shù)據(jù)字段放入對(duì)應(yīng)的索引中; 通過刪除冗余、錯(cuò)

　　摘 要 針對(duì)城市軌道交通票卡數(shù)據(jù)流無法快速處理現(xiàn)狀，基于云計(jì)算平臺(tái)提出一種城市軌道交通大數(shù)據(jù)可視化分析方法。基于數(shù)據(jù) ID 將城市軌道交通客流數(shù)據(jù)按時(shí)間段進(jìn)行分表處理; 基于客流關(guān)鍵字段建立索引數(shù)據(jù)集合并將必要客流數(shù)據(jù)字段放入對(duì)應(yīng)的索引中; 通過刪除冗余、錯(cuò)誤數(shù)據(jù)實(shí)現(xiàn)對(duì)數(shù)據(jù)篩選和清洗處理。利用 ECharts 中的 JS 插件對(duì)城市軌道交通客流數(shù)據(jù)進(jìn)行可視化呈現(xiàn)。以 JSP 容器與 Web 服務(wù)器協(xié)同構(gòu)建城市軌道交通數(shù)據(jù)可視化移動(dòng)終端。以目標(biāo)城市為例，對(duì)可視化系統(tǒng)進(jìn)行驗(yàn)證。

　　關(guān)鍵詞 城市軌道交通客流量 可視化系統(tǒng) 數(shù)據(jù)分析 數(shù)據(jù)清洗 數(shù)據(jù)預(yù)處理

　　0 引 言

　　隨著城市規(guī)模的不斷增加，城市軌道交通成為越來越多城市居民出行的首選[1 - 3]。運(yùn)用云計(jì)算、大數(shù)據(jù)等信息技術(shù)對(duì)城市軌道交通客流量的數(shù)據(jù)進(jìn)行分析，研究城市軌道交通客流量變化態(tài)勢(shì)成為當(dāng)前研究的熱點(diǎn)。以此為依據(jù)對(duì)規(guī)劃城市軌道交通進(jìn)行建設(shè)與運(yùn)營(yíng)，不僅會(huì)降低城市軌道交通建設(shè)與運(yùn)維成本，而且為城市居民的出行帶來更多便利[4 - 6]。城市軌道交通客流的數(shù)據(jù)可視化，成為上述工作的關(guān)鍵步驟之一。因此，對(duì)城市軌道交通客流進(jìn)行可視化研究是城市軌道交通數(shù)據(jù)分析的重要環(huán)節(jié)，具有重要意義。

　　針對(duì)城市交通數(shù)據(jù)可視化問題，國(guó)內(nèi)外從不同的層面展開相關(guān)研究。文獻(xiàn)[7]設(shè)計(jì)了一種基于 GPS 的出租車軌跡數(shù)據(jù)的三維動(dòng)態(tài)可視化方法，建立了基于時(shí)空雙重控制的粒子系統(tǒng)，構(gòu)建了城市大尺度三維場(chǎng)景中 GPS 軌跡的模擬移動(dòng)模型。文獻(xiàn)[8]為解決公共自行車數(shù)據(jù)可視化系統(tǒng)的性能問題，整合 Web 服務(wù)器集群、數(shù)據(jù)庫集群、緩存框架服務(wù)器的集群架構(gòu)，構(gòu)建基于該架構(gòu)的公共自行車數(shù)據(jù)可視化系統(tǒng)。文獻(xiàn)[9]先后采用數(shù)據(jù)預(yù)處理、匹配技術(shù)、聚集計(jì)算等將車輛運(yùn)行狀態(tài)轉(zhuǎn)化為道路通行信息，實(shí)現(xiàn)公路交通的數(shù)據(jù)可視化。文獻(xiàn)[10]分析了珠三角地區(qū)公交系統(tǒng)位置數(shù)據(jù)丟失的空間分布特征，然后采用數(shù)據(jù)可視化技術(shù)對(duì)目標(biāo)城市的交通數(shù)據(jù)進(jìn)行了數(shù)據(jù)可視化，證明所提方法可以有效地提高數(shù)據(jù)質(zhì)量。文獻(xiàn)[11]使用快速增量模型樹漂移檢測(cè)方法來分析和預(yù)測(cè)英國(guó)交通人流量，同時(shí)在所開發(fā)的預(yù)測(cè)系統(tǒng)的基礎(chǔ)上，將生成的傳感器點(diǎn)內(nèi)的交通流狀態(tài)預(yù)測(cè)在真實(shí)的地圖仿真中可視化。上述文獻(xiàn)對(duì)交通層面的數(shù)據(jù)可視化進(jìn)行了研究，然而針對(duì)城市軌道交通票卡數(shù)據(jù)流可視化研究偏少。同時(shí)城市軌道交通數(shù)據(jù)存在數(shù)據(jù)量巨大、種類繁多、數(shù)據(jù)實(shí)時(shí)性高等特點(diǎn)，對(duì)數(shù)據(jù)可視化提出新的挑戰(zhàn)與要求[12 - 13]。

　　針對(duì)城市軌道交通數(shù)據(jù)的特點(diǎn)和城市軌道交通客流量新挑戰(zhàn)，本文提出基于云計(jì)算的城市軌道交通客流量數(shù)據(jù)可視化解決方案。將城市軌道交通客流數(shù)據(jù)按時(shí)間段進(jìn)行分表處理、建立索引數(shù)據(jù)集合; 刪除冗余、錯(cuò)誤數(shù)據(jù)實(shí)現(xiàn)對(duì)數(shù)據(jù)篩選和清洗處理; 對(duì)城市軌道交通客流數(shù)據(jù)進(jìn)行了可視化設(shè)計(jì); 以目標(biāo)城市為例，對(duì)可視化系統(tǒng)進(jìn)行了驗(yàn)證，并對(duì)客流規(guī)律進(jìn)行了分析。

　　1 基于云計(jì)算的城市軌道交通數(shù)據(jù)系統(tǒng)框架

　　云計(jì)算采用簡(jiǎn)化接口，將海量計(jì)算任務(wù)通過通信網(wǎng)絡(luò)分發(fā)到多個(gè)并行計(jì)算機(jī)上進(jìn)行處理，以提高數(shù)據(jù)處理的實(shí)時(shí)性[3，14 - 15]。用戶訪問分布式服務(wù)器可以減小延時(shí)，增強(qiáng)訪問的實(shí)時(shí)性。為此，本文設(shè)計(jì)了如圖 1 所示的基于云計(jì)算與數(shù)據(jù)存儲(chǔ)的城市軌道交通客流數(shù)據(jù)系統(tǒng)框架。該框架主要包括用戶端、云服務(wù)器、管理中心三個(gè)模塊。用戶端是指訪問城市軌道交通數(shù)據(jù)庫移動(dòng)端，主要以出行的客流人群為主體。云服務(wù)器用于處理、存儲(chǔ)城市軌道交通數(shù)據(jù)，具體分為客戶、中心數(shù)據(jù)存儲(chǔ)和計(jì)算三種類型的服務(wù)器。管理中心主要負(fù)責(zé)對(duì)整個(gè)系統(tǒng)的管理和運(yùn)維。首先，為降低網(wǎng)絡(luò)安全風(fēng)險(xiǎn)，保護(hù)核心數(shù)據(jù)，采用中心服務(wù)器和客戶服務(wù)器模式完成用戶端的數(shù)據(jù)訪問。其次，以用戶提供高效的數(shù)據(jù)訪問服務(wù)為目標(biāo)，在城市不同位置部署客戶服務(wù)器，采用高速網(wǎng)絡(luò)與中心數(shù)據(jù)服務(wù)器建立高效連接，進(jìn)而構(gòu)建高效的分布式客戶服務(wù)器集群。

　　從數(shù)據(jù)流的角度，基于云服務(wù)器城市軌道交通數(shù)據(jù)系統(tǒng)總的工作過程，可以從數(shù)據(jù)上傳和下發(fā)進(jìn)行描述。首先，城市軌道交通系統(tǒng)通過相應(yīng)的裝置，收集用戶出行信息，并通過通信網(wǎng)絡(luò)將數(shù)據(jù)上傳至本地客戶服務(wù)器。本地服務(wù)器周期性地將數(shù)據(jù)傳輸給中心數(shù)據(jù)存儲(chǔ)服務(wù)器，進(jìn)而完成數(shù)據(jù)上傳。其次，當(dāng)用戶需要訪問相關(guān)交通數(shù)據(jù)時(shí)，客戶服務(wù)器從中心數(shù)據(jù)服務(wù)器訪問相關(guān)數(shù)據(jù)，并在本地進(jìn)行數(shù)據(jù)備份存儲(chǔ)，然后將用戶需要數(shù)據(jù)下發(fā)至用戶端，進(jìn)而完成數(shù)據(jù)的下發(fā)。

　　2 軌道交通數(shù)據(jù)處理與可視化設(shè)計(jì)

　　2. 1 系統(tǒng)概述

　　本系統(tǒng)主要用于對(duì)城市軌道交通客流量的可視化，方便對(duì)城市軌道交通客流量的各類數(shù)據(jù)進(jìn)行分析，直觀地分析出數(shù)據(jù)蘊(yùn)含的規(guī)律。圖 2 為城市軌道交通數(shù)據(jù)可視化總體設(shè)計(jì)過程。總體上來講，該過程分為原始數(shù)據(jù) 讀 取、數(shù) 據(jù) 預(yù) 處 理、數(shù)據(jù)可視化三個(gè)主要步驟。

　　2. 2 數(shù)據(jù)預(yù)處理

　　數(shù)據(jù)預(yù)處理與數(shù)據(jù)可視化是該系統(tǒng)重要模塊。從數(shù)據(jù)存儲(chǔ)服務(wù)器中讀取的原始數(shù)據(jù)，為不同人群( ID) 的刷卡時(shí)間( h) 和進(jìn)出站點(diǎn)記錄( data) ，其數(shù)據(jù)字段包括站點(diǎn)信息、消費(fèi)人群、出入站點(diǎn)時(shí)間、乘車次數(shù)等關(guān)鍵性數(shù)據(jù)信息。在數(shù)據(jù)預(yù)處理階段要對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，并且轉(zhuǎn)換成 JSON 格式進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的可視化。根據(jù)數(shù)據(jù)特性，從多層次、多角度分析設(shè)計(jì)最終以 Web 頁面形式進(jìn)行效果展示。

　　在數(shù)據(jù)預(yù)處理層面，針對(duì)城市交通原始數(shù)據(jù)會(huì)存在缺失值、重復(fù)值等問題，在使用之前需要進(jìn)行數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理沒有標(biāo)準(zhǔn)的流程，通常針對(duì)任務(wù)和數(shù)據(jù)集屬性的不同而不同。數(shù)據(jù)預(yù)處理的常用流程為: 去除唯一屬性，處理缺失值，屬性編碼，數(shù)據(jù)標(biāo)準(zhǔn)化正則化，特征選擇，主成分分析。如圖 3 所示，針對(duì)城市城軌交通數(shù)據(jù)的特點(diǎn)，采用如下所述的步驟進(jìn)行數(shù)據(jù)預(yù)處理。

　　2. 3 數(shù)據(jù)可視化設(shè)計(jì)

　　城市軌道交通數(shù)據(jù)可視化是該系統(tǒng)的最后環(huán)節(jié)，直接面對(duì)用戶端。通過對(duì)數(shù)據(jù)不同角度的分析和展示，以數(shù)據(jù)可視化形式展示了各種客流信息，進(jìn)而為用戶出行、城市軌道交通管理等提供參考依據(jù)。

　　圖 4 為城市軌道交通數(shù)據(jù)可視化過程示意圖。總體來講，該過程可以分為數(shù)據(jù)檢索、數(shù)據(jù)統(tǒng)計(jì)、數(shù)據(jù)圖形內(nèi)核調(diào)用、數(shù)據(jù)展示等步驟。具體來說，其關(guān)鍵步驟描述如下:

　　Step1 計(jì)算服務(wù)器根據(jù)可視化目標(biāo)的具體要求，從數(shù)據(jù)存儲(chǔ)服務(wù)器中讀取與該目標(biāo)相關(guān)，并通過預(yù)處理后的完整數(shù)據(jù)集。

　　Step2 以可視化目標(biāo)為出發(fā)點(diǎn)，采用數(shù)據(jù) ID 為關(guān)鍵字對(duì)統(tǒng)計(jì)數(shù)據(jù)關(guān)鍵信息進(jìn)行檢索。

　　Step3 完成上述步驟，建立檢索結(jié)果表，并進(jìn)行結(jié)果存儲(chǔ)。

　　Step4 基于數(shù)學(xué)統(tǒng)計(jì)方法，調(diào)用 ECharts 統(tǒng)計(jì)模塊內(nèi)核，完成對(duì)客流關(guān)鍵信息的數(shù)據(jù)統(tǒng)計(jì)。

　　Step5 根據(jù) Step4 的統(tǒng)計(jì)結(jié)果，建立統(tǒng)計(jì)客流數(shù)據(jù)與可視化圖形之間的映射關(guān)系。

　　Step6 調(diào)用 ECharts 中相應(yīng)圖形的內(nèi)核模塊，按照不同統(tǒng)計(jì)結(jié)果，最終完成城市軌道交通數(shù)據(jù)可視化。

　　3 應(yīng)用案例與分析

　　3. 1 城市軌道交通數(shù)據(jù)案例實(shí)現(xiàn)

　　以南方某城市軌道交通數(shù)據(jù)為案例，采用第 2 節(jié)所述方案進(jìn)行了數(shù)據(jù)可視化實(shí)現(xiàn)。數(shù)據(jù)集為該城市2015 年 1 月至 2 月的 9 條地鐵線路乘客上下站點(diǎn)共計(jì) 750 000 條數(shù)據(jù)。對(duì)該數(shù)據(jù)集合進(jìn)行清洗后以小時(shí)為單位對(duì)數(shù)據(jù)進(jìn)行分表處理，進(jìn)而建立客流小時(shí)統(tǒng)計(jì)表。然后對(duì)處理后的表進(jìn)行格式轉(zhuǎn)化，形成適合 ECharts 的 JSON 數(shù)據(jù)格式。最后，以客流站點(diǎn)熱力圖和統(tǒng)計(jì)客流量為目標(biāo)進(jìn)行可視化。

　　該案例的城市軌道交通數(shù)據(jù)可視化系統(tǒng)提供總覽、線路對(duì)比和單線統(tǒng)計(jì)三種模式。總覽模式采用地理數(shù)據(jù)可視化的熱力圖形式呈現(xiàn)所有站點(diǎn)的客流信息。首先以時(shí)間單位統(tǒng)計(jì)各個(gè)線路、站點(diǎn)客流量，利用不同的明亮程度表示各個(gè)站點(diǎn)不同路段擁堵程度( 稀疏/正常/擁擠) ，如圖 5 所示。在多線路對(duì)比模式下，在單位時(shí)間內(nèi)對(duì)多條城市軌道交通線路的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，然后采用柱狀圖的形式呈現(xiàn)不同線路的客流量。單線統(tǒng)計(jì)模式下，分別呈現(xiàn)選中線路各種客流量信息，其中包括該線路客流類型、各換乘站點(diǎn)日客流量、早晚高峰 Top5 出站點(diǎn)、一周內(nèi)客流量變化等方面的信息。

　　3. 2 基于數(shù)據(jù)可視化的城市軌道客流分析

　　圖 6 展示了城市軌道交通客流量在各個(gè)站點(diǎn)分布情況。用熱力圖來展示不同站點(diǎn)在一段時(shí)間內(nèi)的總體客流量，從暗到亮來表示客流量密集程度，灰色表示客流量較小，亮的區(qū)域表示客流量較大。同時(shí)可將地圖進(jìn)行放大和縮小，從整體到局部了解不同站點(diǎn)的客流量的分布情況。可以看出，分布在商業(yè)密集區(qū)或居民區(qū)站點(diǎn)的客流較大。

　　客流量高峰期的計(jì)算定義: 早高峰時(shí)間為上午 7點(diǎn)至 9 點(diǎn)，晚高峰時(shí)間為下午 5 點(diǎn)至 7 點(diǎn)半。因此將客流量數(shù)據(jù)按小時(shí)進(jìn)行分類，提取各換乘站點(diǎn)與早、晚高峰熱門站點(diǎn)數(shù)據(jù)并轉(zhuǎn)換成 JSON 格式，進(jìn)而以圖形化形式展示出來，如圖 7 所示。從早、晚高峰客流量餅形圖可以看出，早高峰站點(diǎn) 1、3、4 為前三，晚高峰時(shí)站點(diǎn) 1、站點(diǎn) 3 客流量依然較大，而第三熱門站點(diǎn)則由站點(diǎn) 5 替代早高峰的站點(diǎn) 4; 而從換乘站點(diǎn)日客流量情況可以看出，左上方柱狀表示日客流量在 60 000 以下的站點(diǎn)，而左下方柱狀則為日客流量 60 000 以上的站點(diǎn)，且站點(diǎn) R 和站點(diǎn) S 為日流量最大的兩個(gè)站點(diǎn)。因此，根據(jù)早、晚高峰以及各換乘站點(diǎn)日客流量情況分析，可合理調(diào)配相關(guān)工作人員以應(yīng)對(duì)突發(fā)事故的處理。

　　相關(guān)知識(shí)推薦：收數(shù)據(jù)可視化論文的期刊

　　圖 8 為一號(hào)線各站點(diǎn)平時(shí)客流與高峰期客流的對(duì)比，可以看出，同一線路時(shí)高峰期的客流量明顯高于平時(shí)的客流量，尤其突出表現(xiàn)在站點(diǎn) 9、站點(diǎn) 14、站點(diǎn) 15、站點(diǎn) 16。通過圖中右上角下拉三角位置還可以選擇查看不同線路的平時(shí)客流量與高峰期客流量的對(duì)比圖。而上述站點(diǎn)均為換乘站點(diǎn)，說明換乘站點(diǎn)的客流量較大。

　　4 結(jié) 語

　　本文以大數(shù)據(jù)環(huán)境下的城市軌道交通票卡數(shù)據(jù)流實(shí)時(shí)客流態(tài)勢(shì)圖的可視化為研究對(duì)象，基于云計(jì)算平臺(tái)提供了一種城市軌道交通大數(shù)據(jù)可視化分析方法，搭建了實(shí)用化的應(yīng)用平臺(tái)并提供南方某城市應(yīng)用案例。首先，基于云計(jì)算構(gòu)建了城市軌道交通數(shù)據(jù)系統(tǒng)框架。其次，將城市軌道交通客流數(shù)據(jù)按時(shí)間段進(jìn)行分表處理、建立索引數(shù)據(jù)集合，刪除冗余、錯(cuò)誤數(shù)據(jù)，實(shí)現(xiàn)對(duì)數(shù)據(jù)篩選和清洗處理。最后，以目標(biāo)城市為案例構(gòu)建了城市軌道交通數(shù)據(jù)可視化終端，同時(shí)分析了城市軌道交通客流規(guī)律。實(shí)驗(yàn)結(jié)果表明，該數(shù)據(jù)可視化方法的可行性高，同時(shí)表明分布在商業(yè)密集區(qū)或居民區(qū)站點(diǎn)、換乘站點(diǎn)、早晚高峰的客流較大。該研究為城市軌道交通的規(guī)劃和列車運(yùn)營(yíng)提供了可靠的依據(jù)，通過交通狀態(tài)的判別，減緩交通壓力，均衡交通量分布，從而提高城市軌道交通路網(wǎng)的利用效率和安全性。——論文作者：曹惠茹1 成海秀2 劉永鑫3 陳鳳宜4 詹錫隆4

　　參 考 文 獻(xiàn)

　　[1] 李祖文，何增鎮(zhèn)，蘇紅帆，等. 基于自匹配模塊的城市交通數(shù)據(jù)動(dòng)態(tài)融合處理系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用與軟件，2019，36 ( 6) : 88 - 92.

　　[2] Zhang T，Li D，Qiao Y. Comprehensive optimization ofurban rail transit timetable by minimizing total travel times under time-dependent passenger demand and congested conditions [J]. Applied Mathematical Modelling，2018，58: 421 - 446.

　　[3] Sun H，Wu J，Ma H，et al. A Bi-Objective timetable optimization model for urban rail transit based on the time-dependent passenger volume [J]. IEEE Transactions on Intelligent Transportation Systems，2019，20( 2) : 604 - 615.

　　[4] Kyriakidis M，Hirsch R，Majumdar A. Metro railway safety: An analysis of accident precursors[J]. Safety Science，2012， 50( 7) : 1535 - 1548.

　　[5] Lee K，Jung W S，Park J S，et al. Statistical analysis of the metropolitan seoul subway system: Network structure and passenger flows[J]. Physica A: Statistical Mechanics and Its Applications，2008，387( 24) : 6231 - 6234.

　　[6] Vijayan A，Islam S，Jones M，et al. Degradation of fluorescent high-visibility colors used in safety garments for the Australian railway industry[J]. Journal of Safety Research，2016， 56: 1 - 7.

　　[7] 王靜雯，艾廷華. 雙比例尺交互模式的粒子系統(tǒng)動(dòng)態(tài)可視化———以出租車數(shù)據(jù)為例[J]. 測(cè)繪科學(xué)，2020，260( 2) : 166 - 171.

　　[8] 劉汪洋，林菲，馬曉婷. 基于集群架構(gòu)的公共自行車數(shù)據(jù)可視化系統(tǒng)[J]. 傳感器與微系統(tǒng)，2019，38( 2) : 80 - 82.

　　[9] 趙庶旭，董亮. 城市交通 GPS 數(shù)據(jù)可視化分析[J]. 計(jì)算機(jī)應(yīng)用與軟件，2016，33( 10) : 279 - 283.

　　[10] Liu Y，Weng X，Wan J，et al. Exploring data validity in transportation systems for smart cities[J]. IEEE Communications Magazine，2017，55( 5) : 26 - 33.

　　[11] Wibisono A，Jatmiko W，Wisesa H A，et al. Traffic big data prediction and visualization using Fast Incremental Model Trees-Drift Detection ( FIMT-DD) [J]. Knowledge-Based Systems，2016，93( 1) : 33 - 46.

　　[12] Cao R，Cheng M，Mi C，et al. Modeling of a complementary and modular linear flux-switching permanent magnet motor for urban rail transit applications[J]. IEEE Transactions on Energy Conversion，2012，27( 2) : 489 - 497

声明:①文献来自知网、维普、万方等检索数据库，说明本文献已经发表见刊，恭喜作者.②如果您是作者且不想本平台展示文献信息,可联系学术顾问予以删除.