基于MapReduce的LBS空间数据聚类方法研究及应用

摘要

LBS是基于位置服务的英文简写，近些年来因为定位技术以及互联网的飞速的发展，使之应用领域越来越大，应用成本也越来越低。LBS数据，特别是有关车辆的LBS数据，是对整个城市交通情况的客观描述。通过对LBS数据的聚类分析，可以对整个城市不同区域不同时间段的车流量、行车速度、拥堵情况等信息进行定性以及定量的分析，并且能从不同的角度来描述整个城市的通行特性。
　　本论文以并行计算框架MapReduce为基础，对海量LBS轨迹数据实现聚类分析，以此识别城市交通的相关特征，并且提出了一种有效的分析超大规模空间数据的方法。
　　本论文的主要工作如下:
　　1、论述了LBS数据的组成、结构特征以及国内外目前对LBS应用情况的描述，并且利用Apache Hadoop中的分布式并行计算框架MapReduce实现了对LBS轨迹日志数据的空间聚合。
　　2、比较和论述了聚类以及空间聚类的异同，并且针对空间聚类的特点，提出了能够同时兼顾空间关系和属性信息的一种空间关系的概念化以及应用的模型。
　　3、实现了对超过TB级的海量点状数据进行聚类，在论文中提出了一种采用分布式集群计算实现数据聚合，并且提取相应空间区域的统计特征量的方法，将大量的离散的点数据聚合成带有相应特征的结构化网格数据。最后通过面状空间聚类的方式实现聚类，以此识别城市交通情况的特征。
　　4、设计并且编码实现了针对海量LBS点数据分析交通情况的应用软件，并且在实际工作得到了检验。

目录

声明

摘要

第一章 绪论

1．1 论文背景

1．1．1 课题来源

1．2 研究的目的与意义

1．2．1 LBS数据的研究对空间数据挖掘的意义

1．2．2 并行计算处理的必要性

1．3 国内外研究现状

1．3．1 针对LBS信息应用的研究现状

1．3．2 并行计算的研究现状

第二章 LBS数据结构及分布式运算

2．1 LBS数据的分类

2．2 LBS数据的特征

2．2．1 时间属性

2．2．2 空间属性

2．2．3 对象ID

2．3 典型的分析与应用

2．4 分布式计算框架MapReduce简述

2．5 MapReduce编程模型

第三章 空间聚类算法的复杂空间关系概念化模型

3．1 空间聚类

3．2 空间聚类算法分类与选择

3．3 空间关系概念化

3．4 适用于复杂空间聚类的空间关系概念化模型

3．5 空间自相关

第四章 LBS数据进行空间聚类的实现

4．1 使用MapReduce对LBS数据进行聚合的算法描述及实现

4．1．1 前提条件

4．1．2 算法实现步骤

4．2 空间聚类分析

4．2．1 空间自相关

4．2．2 空间聚类算法的实现

4．3 聚类分析结果

4．3．1 最高时速聚类分析

4．3．2 平均时速聚类分析

4．3．3 总体车辆数聚类分析

4．3．4 运行中的车辆数聚类分析

第五章 城市交通状态数据分析系统的设计及实现

5．1 系统的设计与实现

5．1．1 后台数据处理部分

5．1．2 前台分析展示模块

5．2 系统总结

第六章 总结与展望

参考文献

致谢

作者和导师简介