數(shù)據(jù)倉庫架構(gòu)分為數(shù)據(jù)采集層、數(shù)據(jù)倉庫層和數(shù)據(jù)應(yīng)用層。采集層主要包括日志、數(shù)據(jù)庫數(shù)據(jù)、文檔數(shù)據(jù)等需要處理的數(shù)據(jù)；倉庫層是對源數(shù)據(jù)進(jìn)行處理后的數(shù)據(jù)，并通過一系列算法技術(shù)進(jìn)行數(shù)據(jù)模型的建立，以便滿足用戶分析需求；應(yīng)用層數(shù)據(jù)是完全為了滿足具體的分析需求而構(gòu)建的數(shù)據(jù)，包括報表查詢分析，數(shù)據(jù)挖掘及可視化分析等。數(shù)據(jù)倉庫架構(gòu)圖如下所示：

      （1）并行處理技術(shù)

       并行處理技術(shù)是計算機(jī)系統(tǒng)同時執(zhí)行兩個或更多個處理的一種計算方法，并行處理技術(shù)主要分為共享存儲系統(tǒng)、分布式系統(tǒng)和基于GPU的并行處理。面對信息時代所產(chǎn)生的海量數(shù)據(jù)，利用并行處理技術(shù)可以現(xiàn)實數(shù)據(jù)的率管理，能夠節(jié)省大型和復(fù)雜問題的解決時間。

     （2）數(shù)據(jù)分析技術(shù)

       數(shù)據(jù)分析技術(shù)是針對大數(shù)據(jù)運(yùn)行需要巨大的計算和存儲資源的解決方案，采用Hadoop、Spark、云存儲、云計算等分布式處理方式實時分析海量的定位數(shù)據(jù)，同時采用MapReduce模型技術(shù)用于大規(guī)模數(shù)據(jù)集的并行運(yùn)算，實現(xiàn)智能化、率的計算和分析。Hadoop是一個分布式計算平臺，可以在Hadoop上開發(fā)和運(yùn)行處理海量數(shù)據(jù)的應(yīng)用程序，Hadoop生態(tài)系統(tǒng)主要由HDFS、MapReduce、Hbase、Zookeeper、Oozie、Pig、Hive等核心組件構(gòu)成，高可靠、高擴(kuò)展、高有效、高容錯等特性使Hadoop成為的大數(shù)據(jù)分析系統(tǒng)。Spark提供強(qiáng)大的內(nèi)存計算引擎，幾乎涵蓋了所有典型的大數(shù)據(jù)計算模式，包括迭代計算、批處理計算、內(nèi)存計算、流式計算(Spark Streaming)、數(shù)據(jù)查詢分析計算(Shark)以及圖計算(GraphX)。Spark支持分布式數(shù)據(jù)集上的迭代式任務(wù)，可以在Hadoop文件系統(tǒng)上與Hadoop一起運(yùn)行。

      （3）數(shù)據(jù)挖掘技術(shù)

       數(shù)據(jù)挖掘（Data Mining，DM）技術(shù)是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。數(shù)據(jù)挖掘是一種決策支持過程，它主要基于人工智能、模式識別、數(shù)據(jù)庫、可視化技術(shù)等，高度自動化地分析企業(yè)的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，幫助管理者做出正確的決策。

     （2）數(shù)據(jù)分析挖掘

       數(shù)據(jù)分析挖掘是為了完善調(diào)度系統(tǒng)，公交調(diào)度數(shù)據(jù)挖掘的對象是智能調(diào)度系統(tǒng)數(shù)據(jù)庫，根據(jù)營運(yùn)調(diào)度的實時上傳數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析挖掘。

       對搜集的原始信息進(jìn)行分析整理，對海量的數(shù)據(jù)信息進(jìn)行清算過濾，將無效數(shù)據(jù)、錯誤數(shù)據(jù)、重復(fù)數(shù)據(jù)等進(jìn)行詳細(xì)分類整理。同時進(jìn)行營運(yùn)調(diào)度問題與偏差分析，調(diào)度人員根據(jù)不同的問題采取相應(yīng)的調(diào)度措施，便于及時調(diào)整車輛調(diào)度。確保發(fā)車間隔、發(fā)車時間、發(fā)車次序等正?；?。數(shù)據(jù)分析構(gòu)建挖掘模型為了發(fā)揮數(shù)據(jù)信息的應(yīng)用價值，將數(shù)據(jù)信息進(jìn)行多樣式多方位分析，確保正常營運(yùn)的同時準(zhǔn)確預(yù)測未來一定時間內(nèi)各項營運(yùn)指標(biāo)。進(jìn)而能夠根據(jù)智能調(diào)度系統(tǒng)進(jìn)行優(yōu)化調(diào)度，推動智慧公交的進(jìn)一步發(fā)展。

                                               

     （3）車輛發(fā)車間隔、到站時間分析

       通過數(shù)據(jù)倉庫技術(shù)實現(xiàn)車輛發(fā)車間隔、車輛到站時間的分析，對實時上傳的線路、到離站、時間、車速等原始定位數(shù)據(jù)進(jìn)行篩選計算，利用聚類分析等算法確定車輛有效運(yùn)行時間范圍，實現(xiàn)車輛到站時間的推算和分析。

       同時運(yùn)用遺傳算法對車輛發(fā)車間隔實現(xiàn)優(yōu)化計算，建立目標(biāo)函數(shù)對模型進(jìn)行設(shè)計，包括公交運(yùn)營、服務(wù)等，通過二進(jìn)制編碼形式進(jìn)行初始化，然后計算適度值并選擇新的臨界種群，根據(jù)交叉、變異對其進(jìn)行適度值計算，根據(jù)適度值篩選出結(jié)果，便于提高車輛利用率，降低運(yùn)營成本，減少乘客候車時間。