توسعه یک چارچوبی مبتنی بر رایانش ابری برای تحلیل انطباق نقشه داده‌های خودروهای شناور

امروزه کاربردهای نوین الگوریتم انطباق نقشه در کنار تلاش برای حفظ نرخ بالای موفقیت، با دو چالش نرخ های نمونه برداری متغیر و سرعت پردازش داده ها روبرو هستند. در این تحقیق یک چارچوب جامع، توزیع یافته، کارآمد و صحیح برای تحلیل انطباق نقشه ارائه شده است. چارچوب پیشنهادی در مواجهه با نرخ های نمونه برداری متفاوت و فارغ از وابستگی به حسگرهای اضافی توانسته به نرخ موفقیت مناسبی دست پیدا کند. همچنین استفاده از روش وزن دهی پویا باعث استقلال چارچوب از پارامترهای محلی شده است. استفاده از مفاهیم سطوح اطمینان صحت و سرعت عملکرد چارچوب را افزایش داده است. در این چارچوب برای پاسخ به چالش نرخ نمونه برداری پایین از الگوریتم کوتاه ترین مسیر a* با روش وزن دهی پویا استفاده می شود. وزن دهی قید کوتاه ترین مسیر با کمک اطلاعات hdop انجام می شود. یکی از چالش های اصلی در به کارگیری داده های بزرگ fcd، ذخیره سازی، مدیریت، تحلیل و پردازش جمعی آن ها است. بدین منظور در این چارچوب از اصول رایانش ابری و الگوی نگاشت کاهش بر روی سکوی هدوپ (hadoop) استفاده شده است. بدین ترتیب چارچوب فوق تحلیلی توزیع یافته، مقیاس پذیر و کارآمد را بر روی سخت افزارهای معمولی ممکن می سازد. جهت ارزیابی عملکرد چارچوب ناوگان حمل و نقل شهر نیویورک به عنوان یکی از بزرگترین ناوگان های حمل و نقلی جهان مورد مطالعه قرار گرفته است. نتایج ارزیابی ها بیانگر نرخ موفقیت 95.2 درصدی در نرخ نمونه برداری بالا (10 ثانیه) و 89.5 درصدی در نرخ نمونه برداری پایین (120ثانیه) است. همچنین مقایسه نتایج روش پیشنهادی با یکی از روش های شناخته شده نشان می دهد در نرخ نمونه برداری 120 ثانیه روش پیشنهادی صحت انطباق نقشه را تا 9.7 درصد بهبود داده است. ارزیابی ها نشان می دهد با حضور 5 گره پردازشی چارچوب پیشنهادی توانسته بیش از 7000 نقطه در هر ثانیه را بر روی نقشه منطبق کند.

An Integrated Framework based on Cloud Computing for Map Matching Analysis of Floating Car Data

These days Floating Car Data (FCD) is one of the major data sources in Intelligent Transportation System (ITS) applications like route suggestion, traffic monitoring, traffic flow analysis and etc. Due to GPS limited accuracy and noises and road network errors, utilizing of FCD in ITS applications needs an efficient and accurate map matching framework. Map matching is a wellestablished problem which deals with mapping raw time stamped location traces to edge of road network graph. Along with high success rate, novel map matching applications faces several challenges including variable sampling frequency and processing speed of FCD big data. In this paper we have proposed a general, efficient, accurate and distributed map matching framework. The proposed framework can handle variable sampling frequency data accurately. Although this framework does not depend on additional data other than road network and GPS, achieved high success rate shows effectiveness of our system. We have used spatial proximity, heading difference, bearing difference and shortest path as our matching criteria. We also employed dynamic weights for each criteria to make our framework independent from local parameters. We have also employed confidence levels to improve our matching success rate. To answer low frequency data challenges, we have present an extra criteria based on A* shortest path method with dynamic weighting method. We have used HDOP for weighting shortest path criteria. When we are not confident enough about a point matching, we use shortest path criteria to improve success rate and by this method we keep our overhead low. For the evaluation we have studied New York City (NYC) OSM trajectories as the case study. We also used OSM NYC road network as the base map. The evaluation results indicate 95.2% MM success rate in high sampling mode (10s) along with 89.5% success rate in low sampling frequency (120s). We have compared our method with a known map matching method that In the case of low sampling frequency, our method has improved matching accuracy up to 9.7%. We have evaluated the effect of utilizing shortest path criteria in low frequency scenario. Our results show that using shortest path have improved our result up to 3.5%. One of the major challenges in using FCD is storage, managing, analysis and batch processing of this big data. To face this challenge in this framework we have used cloud computing technologies along with MapReduce paradigm based on Hadoop framework. The proposed cloud computing based framework can answer technical challenges for efficient and realtime storage, management, process and analyze of traffic big data. Our evaluation results indicate we have matched 7000 points/second on a cluster with 5 processing nodes. We have also processed 5 million records in 530 seconds using a cluster with 5 processing nodes. The main contributions are as follows: 1) we have proposed a general, distributed map matching framework using cloud computing technologies to answer to upstream ITS applications, 2) We have improved an efficient and accurate map matching algorithm which can handle different sampling frequencies using shortest path method and confidence level, 3) we have used dynamic method for weighting geometric, directional and shortest path constrains.