论文部分内容阅读
在智能交通系统(Intelligent Transportation Systems,ITS)中,最近邻(NearestNeighbor,NN)查询是研究的重点问题之一,它用来找出交通路网中离查询对象最近的目标对象,尤其是查询对象在路网上连续移动的情况,即称为道路网连续最近邻查询。
目前,国内外的大多数研究都是建立在基于静态信息的路网模型上,即把路段的长度作为该路段的行驶代价,而没有考虑动态交通信息(如交通控制,信号灯等待,交通堵塞等)。由于交通路网状况复杂,交通信息实时发生变化,静态路网模型下的最近邻查询不能反映交通路网的真实情况。本文将最近邻查询建立在动态信息的路网模型上,将路段上的行程时间定义为路段权值,并且该权值随着交通网络信息的改变而随时发生变化。另外由于交通信息中心进行数据转换并发布信息也需要一定的时间,想要准确地给出最近邻查询结果,这就需要对路段上未来行程时间进行预测。本文采用了基于RBF神经网络的行程时间预测模型,根据已有的历史数据对未来时段的行程时间进行预测,从而改变路段的权值,使它能较准确地反映该路段的行驶代价。
同时,随着交通状况的变化,当路段的权值改变,服务器就需要更新。传统的路网连续最近邻查询方法是采用的快照方式,相当于做了一系列的静态最近邻查询,每次更新都要重新查找所有的最近邻,存在重复计算的问题。本文对传统的路网连续最近邻查询进行改进,考虑到两次连续的查询结果之间存在一定的联系,充分利用前次查询结果的有效部分,减少数据库的更新。改进算法在处理更新时考虑了各种更新情况,并合理地安排处理各种更新的顺序,以提高查询效率。
最后本文分别就传统路网移动对象连续最近邻算法和改进的连续最近邻算法运用真实数据做实验比较,实验表明,改进算法准确率和查询效率都要优于传统算法。