由于传统地铁车站的低集成化和封闭性,以及行车中所产生的数据量过大、数据结构多样且为实时数据,导致数据存储和处理系统不能完全满足需求。本文在现有传统车站的网络上,利用云平台技术构建了一个服务器集群来采集管理数据。具体的做法是增加了Hadoop分布式系统集群,从地铁运行的综合监控中央实时服务器中提取所有数据信息,将这个海量的数据通过前置信号处理机分类存储在非结构性数据库HBase中。这样做的好处是能够最大程度保存正线运营线路的原始实时数据,通过这些数据分析和统计出正线的运营特性,形成能够直接反应运营特性的客流分布和耗电等情况,给出运营建议。本文的主要工作包括以下内容:1、基于HBase的数据采集、数据存储及交互查询功能的接口设计。包含从正在运行的线路中取得海量的实时运行数据、前置机的网络和转发设计。主节点将数据按特定规则(通信、电力、机电等)分为多个从节点,并对数据的实际存放位置进行跟踪,Map Reduce的主节点负责将计算任务分配到从节点并计算。2、分布式SVM分类算法的改进和应用。内容包含数据分类算法的改进,多节点并行化算法的实现,以及基于地铁数据的分类算法和并行算法的实现。通过该算法能够将数据按一定的分类规则分配到从节点,并进行并行化计算与分析统计。3、设计并实现了测试训练集的准确度以及分布式系统效率的实验环境。包含实验环境的搭建与数据准备、系统数据库存储与查询效率的对比测试、地铁实时数据的分析和并行化效率测试、线路中多站至全线数据的并行化对比测试。4、对地铁运营实时数据进行分析处理,绘制了多个专业运行曲线。本文初步研究了AFC数据曲线和电能数据曲线,绘制了车站及全线实时曲线图,并分析和预测了曲线波动规律。本文的工作不但给传统车站的业务功能扩展提供了一套新的云方案,也可以作为智慧车站的一部分功能,为今后智慧车站的实现和改造提供有价值的参考依据。以往的研究都止步于某条线路,甚至某个车站。本文通过综合监控系统将各个专业和车站的实时数据收集上来,使原来无法使用的数据也得到了统计和利用,各个专业的运营趋势也可以通过分析并得出其中的关联性。