智慧轨道交通——实现更深入的智能化

计算机应用 ›› 2012, Vol. 32 ›› Issue (05): 1205-1207.

智慧轨道交通——实现更深入的智能化

杨燕¹,²,朱焱²,³,戴齐²,³,李天瑞²,³

1. .西南交通大学信息科学与技术学院，成都 610031；
2. 云计算与智能技术四川省高校重点实验室，成都 610031
3. 西南交通大学信息科学与技术学院，成都 610031；

收稿日期:2011-12-02 修回日期:2011-12-27 发布日期:2012-05-01 出版日期:2012-05-01
通讯作者: 李天瑞
作者简介:朱焱（1965-），女，广西桂林人，教授，博士，主要研究方向：海量信息智能处理、Web数据挖掘、互联网服务；
戴齐（1963-），男，江苏南京人，副教授，主要研究方向：数据挖掘、人工智能；
李天瑞（1969-），男，福建莆田人，教授，博士生导师，CCF高级会员，主要研究方向：数据挖掘、智能信息处理、云计算。
基金资助:
中央高校基本科研业务费专项资金资助项目（SWJTU11ZT08）

Smart rail transportation-an implementation of deeper intelligence

YANG Yan¹,²,ZHU Yan¹,²,DAI Qi¹,²,LI Tian-rui¹,²

1. Key Laboratory of Cloud Computing and Intelligent Technology of Sichuan Province, Chengdu Sichuan 610031, China
2. School of Information Science and Technology, Southwest Jiaotong University, Chengdu Sichuan 610031, China；

Received:2011-12-02 Revised:2011-12-27 Online:2012-05-01 Published:2012-05-01
Contact: LI Tian-rui

摘要/Abstract

摘要： 当前轨道交通已成为居民出行的重要交通工具之一。智慧轨道交通的核心是要通过现代信息技术以一种更加智慧的方法来改变现有轨道交通方式，为人类社会活动带来更加快捷、安全、舒适的智慧交通系统。讨论了智慧轨道交通中更深入的智能化的四个关键步骤：数据智慧采集、数据智慧融合、数据智慧挖掘和智慧决策。这四个步骤形成一个螺旋上升的智能信息处理过程，最终可以达到智慧轨道交通更深入的智能化目的。

关键词: 轨道交通, 数据采集, 数据融合, 数据挖掘

Abstract: Traveling by rail has become one of the important transportation modes of current residents. The core of Smart Rail Transportation (SRT) is to change the existing modes of railway transportation by a more intelligent way through modern information technology. Its aim is to bring more efficient, safe, comfortable intelligent transportation systems for human activities. This paper discussed four steps of a deeper wisdom in SRT, including wisdom data collection, wisdom data fusion, wisdom data mining and wisdom decision-making. These four steps form a spiral ascendance of intelligent information processing, and ultimately achieve a deeper wisdom in SRT.

Key words: rail transportation, data collection, data fusion, data mining

中图分类号:

TP277
U239.5

杨燕朱焱戴齐李天瑞. 智慧轨道交通——实现更深入的智能化[J]. 计算机应用, 2012, 32(05): 1205-1207.

YANG Yan ZHU Yan DAI Qi LI Tian-rui. Smart rail transportation-an implementation of deeper intelligence[J]. Journal of Computer Applications, 2012, 32(05): 1205-1207.

参考文献

［1］IBM商业价值研究院.智慧地球［M］.北京：东方出版社，2009.

［2］曾华燊.智慧轨道交通研究报告［R］.成都：西南交通大学，2010.

［3］何华武.中国高速铁路创新与发展［J］.中国铁路，2010(12): 5-8.

［4］LI T R，RUAN D. An extended process model of knowledge discovery in database［J］. Journal of Enterprise Information Management, 2007,20(2): 169-177.

［5］LINN R J，HALL D L. A survey of multi-sensor data fusion systems［C］// Proceedings of the SPIE.Los Angeles:SPIE， 1991,1470: 13-29.

［6］赵时旻.轨道交通信息工程案例集［M］.上海：同济大学出版社，2007.

［7］关宏志，王山川，姚丽亚，等.基于SP和RP数据融合的城市轨道交通选择模型［J］. 北京工业大学学报， 2007，33(2): 203-207.

［8］GONZALEZ H, HAN J, LI X, et al. Warehousing and analyzing massive RFID data sets［C］// Proceedings of the 22nd International Conference on Data Engineering. Washington, DC: IEEE Computer Society，2006:1-10.

［9］JEFFERY S, GAROFALAKIS M,FRANKLIN M. Adaptive cleaning for RFID data streams［C］// Proceedings of the 32nd International Conference on Very Large Data Bases. Washington, DC: IEEE Computer Society,2006:163-174.

［10］DAILEY D J, HARN P,LIN P-J. ITS data fusion: Final research report，Research Project T9903, Task 9［R］. Washington, DC: IEEE Computer Society, 1996.

［11］HAN J, KAMBER M. 数据挖掘概念与技术［M］. 范明，孟小峰,译.北京：机械工业出版社,2001.

［12］徐维祥，苏晓军.基于频繁模式树的一种关联规则挖掘算法及其在铁路隧道安全管理中的应用［J］.中国安全科学学报，2007，17(3): 25-33.

［13］陆璐，杨志献.基于关联规则的数据挖掘技术在铁路物流行业中的应用［J］.科技信息，2007(23): 46-46.

［14］牟海波，俞建宁，刘林忠.基于模糊聚类方法的铁路货运安全水平分析［J］.兰州交通大学学报，2009，28(4): 128-130.

［15］张喜成，汪江洪.基于粗糙集的轨道交通换乘枢纽灰色聚类评价［J］.铁路运输与经济，2007，29(3): 49-51.

［16］刘婷婷，邓克涛，马昌喜.模糊神经网络非线性组合预测在铁路货运量预测中的应用［J］.铁路运输与经济，2008，30(9): 91-94.

［17］黄小红，王倩，陈丽华.高速铁路牵引供电SCADA 系统调度端数据仓库设计［J］.工业控制计算机，2008，21(5): 24-25.

［18］蔡自兴，徐光祐.人工智能及其应用［M］.4版.北京：清华大学出版社，2010.

[1]	刘世泽, 秦艳君, 王晨星, 苏琳, 柯其学, 罗海勇, 孙艺, 王宝会. 基于深度残差长短记忆网络交通流量预测算法[J]. 计算机应用, 2021, 41(6): 1566-1572.
[2]	李旭娟, 皮建勇, 黄飞翔, 贾海朋. 基于自生成深度神经网络的4D航迹预测[J]. 计算机应用, 2021, 41(5): 1492-1499.
[3]	陈凯, 于彦伟, 赵金东, 宋鹏. 基于城市交通监控大数据的工作位置推理方法[J]. 计算机应用, 2021, 41(1): 177-184.
[4]	屈景怡, 曹磊, 陈敏, 董樑, 曹烨琇. 基于团簇随机连接的CliqueNet航班延误预测模型[J]. 计算机应用, 2020, 40(8): 2420-2427.
[5]	龙洋洋, 陈玉玲, 辛阳, 豆慧. 基于联盟区块链的安全能源交易方案[J]. 计算机应用, 2020, 40(6): 1668-1673.
[6]	杜旭升, 于炯, 叶乐乐, 陈嘉颖. 基于图上随机游走的离群点检测算法[J]. 计算机应用, 2020, 40(5): 1322-1328.
[7]	徐周波, 杨健, 刘华东, 黄文文. 基于XGBoost与拓扑结构信息的蛋白质复合物识别算法[J]. 计算机应用, 2020, 40(5): 1510-1514.
[8]	马董, 陈红梅, 王丽珍, 肖清. 空间亚频繁co-location模式的主导特征挖掘[J]. 计算机应用, 2020, 40(2): 465-472.
[9]	陈曦, 梅广, 张金金, 许维胜. 融合知识图谱和协同过滤的学生成绩预测方法[J]. 计算机应用, 2020, 40(2): 595-601.
[10]	李莎莎, 梁冬阳, 余杰, 纪斌, 马俊, 谭郁松, 吴庆波. 基于师门关系的研究团队挖掘算法[J]. 计算机应用, 2020, 40(11): 3198-3202.
[11]	孙鹤立, 张优优, 杨洲, 何亮, 贾晓琳. 基于时间线段树的城市可达区域搜索[J]. 计算机应用, 2020, 40(10): 2936-2941.
[12]	林政, 吕霞付. 基于改进模糊算法的水面无人艇自主避障[J]. 计算机应用, 2019, 39(9): 2523-2528.
[13]	李博, 张晓, 颜靖艺, 李可威, 李恒, 凌玉龙, 张勇. 基于值差度量和聚类优化的K最近邻算法在银行客户行为预测中的应用[J]. 计算机应用, 2019, 39(9): 2784-2788.
[14]	纪丽娜, 陈凯, 于彦伟, 宋鹏, 王淑莹, 王成锐. 基于城市交通大数据的车辆类别挖掘及应用分析[J]. 计算机应用, 2019, 39(5): 1343-1350.
[15]	黄丰雨, 吴业福, 陈镜任, 吴冰. 基于区域道路实况数据的交通行为谱分析方法[J]. 计算机应用, 2019, 39(3): 907-912.