本文關(guān)鍵詞：市政績效評(píng)估數(shù)據(jù)聚類與均衡性的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著城市規(guī)模的不斷拓展,城市管理要求的不斷提高,提高城市管理的現(xiàn)代化水平迫在眉睫,智慧城市應(yīng)運(yùn)而生。然而,智慧城市要落地,數(shù)字城管是基礎(chǔ)。目前,國內(nèi)不少城市的數(shù)字城管已基本建成并運(yùn)營了不少時(shí)間,也極大提高了城市管理水平,積累了一定的數(shù)據(jù)量。如何利用這些數(shù)據(jù),進(jìn)一步提高數(shù)字城管的管理效率,建立科學(xué)、合理的績效評(píng)估體系,構(gòu)建一個(gè)基于數(shù)字城管歷史數(shù)據(jù)的科學(xué)決策方法,具有重要意義。這就是本論文的產(chǎn)生背景。論文首先介紹了數(shù)字城管國內(nèi)外的研究現(xiàn)狀,分析了目前數(shù)字城管存在的問題,概述了論文將使用的相關(guān)技術(shù);其次,綜述了聚類算法、聚類相似性度量、聚類有效性評(píng)估方法,分析了K-means聚類算法,針對(duì)其對(duì)初始簇心的選取敏感,需要人工指定聚類個(gè)數(shù)的問題,引用Kruskal算法和輪廓系數(shù)法對(duì)其進(jìn)行了改進(jìn),利用UCI數(shù)據(jù)集當(dāng)中的Glass Identification數(shù)據(jù)集驗(yàn)證了改進(jìn)的K-means聚類算法的可靠性和自適應(yīng)性;再次,綜述了均衡性、離群點(diǎn)檢測,分析了LOF離群點(diǎn)檢測算法,針對(duì)其檢測集體離群點(diǎn)效果差的問題,引用DBSCAN算法對(duì)其進(jìn)行了改進(jìn),利用UCI數(shù)據(jù)集當(dāng)中的Iris數(shù)據(jù)集驗(yàn)證了改進(jìn)的LOF離群點(diǎn)檢測算法能夠從全局和局部檢測出點(diǎn)離群點(diǎn)和集體離群點(diǎn)。論文以重慶市某區(qū)數(shù)字城管為應(yīng)用案例。首先,分析了該區(qū)數(shù)字城管的應(yīng)用場景,設(shè)計(jì)了改進(jìn)的數(shù)字城管的軟件結(jié)構(gòu)、軟件功能結(jié)構(gòu)、數(shù)據(jù)結(jié)構(gòu);其次,根據(jù)該區(qū)數(shù)字城管的數(shù)據(jù)特征,采用ETL技術(shù)對(duì)數(shù)據(jù)抽取、清洗、轉(zhuǎn)換并加載到數(shù)據(jù)倉庫中;最后,利用OLAP技術(shù)、改進(jìn)的K-means聚類算法和改進(jìn)的LOF離群點(diǎn)檢測算法,開展了多維分析、聚類分析、均衡性分析,并形成分析結(jié)果,此結(jié)果能提供給該區(qū)市政管理相關(guān)人員進(jìn)行輔助決策。
【關(guān)鍵詞】：聚類分析 均衡性分析 OLAP 數(shù)字城管 智慧市政
【學(xué)位授予單位】：重慶理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：D630;TP311.13
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 引言10-16
• 1.1 本課題的研究背景及意義10
• 1.2“數(shù)字城管”的國內(nèi)外研究現(xiàn)狀10-13
• 1.2.1“數(shù)字城管”的國內(nèi)研究現(xiàn)狀10-12
• 1.2.2“數(shù)字城管”在國外的研究現(xiàn)狀12-13
• 1.3 問題的提出13-14
• 1.4 論文的主要研究內(nèi)容及主要工作14
• 1.5 論文的章節(jié)安排14-16
• 2 相關(guān)技術(shù)研究16-26
• 2.1 數(shù)據(jù)倉庫16-18
• 2.1.1 數(shù)據(jù)倉庫技術(shù)簡介16-17
• 2.1.2 在數(shù)據(jù)倉庫中表示的多維數(shù)據(jù)模型17-18
• 2.2 OLAP技術(shù)18-20
• 2.2.1 OLAP簡介18-19
• 2.2.2 OLAP特性19
• 2.2.3 要求OLAP系統(tǒng)具有的結(jié)構(gòu)19-20
• 2.3 數(shù)據(jù)挖掘20-26
• 2.3.1 數(shù)據(jù)挖掘的概念20
• 2.3.2 數(shù)據(jù)挖掘的功能20-22
• 2.3.3 數(shù)據(jù)挖掘的一般流程22-23
• 2.3.4 數(shù)據(jù)挖掘與數(shù)據(jù)倉庫、OLAP的關(guān)系23-26
• 3 K-means聚類算法及其改進(jìn)26-42
• 3.1 概述26-33
• 3.1.1 聚類算法綜述26-28
• 3.1.2 聚類算法中常用的相似性度量28-30
• 3.1.3 聚類有效性研究綜述30-33
• 3.2 K-means聚類算法的解析33-36
• 3.2.1 算法概述33-34
• 3.2.2 相關(guān)定義34
• 3.2.3 K-means聚類算法自身存在的一些缺點(diǎn)34-36
• 3.3 K-means聚類算法的改進(jìn)36-39
• 3.3.1 Kruskal算法解析36-37
• 3.3.2 輪廓系數(shù)法解析37-38
• 3.3.3 K-means聚類算法改進(jìn)的思考38
• 3.3.4 K-means聚類算法新步驟38-39
• 3.4 K-means聚類算法的改進(jìn)效果39-42
• 4 LOF離群點(diǎn)檢測算法及其改進(jìn)42-54
• 4.1 均衡性綜述42-43
• 4.2 離群點(diǎn)探尋概述43-48
• 4.2.1 離群點(diǎn)的基本概念43-45
• 4.2.2 離群點(diǎn)探尋辦法45-48
• 4.3 LOF離群點(diǎn)檢測算法48-50
• 4.3.1 算法概述48-49
• 4.3.2 相關(guān)定義49-50
• 4.3.3 LOF離群點(diǎn)檢測算法的缺點(diǎn)50
• 4.4 LOF離群點(diǎn)檢測算法的改進(jìn)50-52
• 4.4.1 DBSCAN算法解析50-51
• 4.4.2 LOF離群點(diǎn)檢測算法改進(jìn)的思考51
• 4.4.3 LOF離群點(diǎn)檢測算法的新步驟51-52
• 4.5 LOF離群點(diǎn)檢測算法的改進(jìn)效果52-54
• 5 應(yīng)用案例分析54-62
• 5.1 應(yīng)用場景介紹54-55
• 5.2 軟件結(jié)構(gòu)設(shè)計(jì)55
• 5.3 軟件功能結(jié)構(gòu)設(shè)計(jì)55
• 5.4 軟件數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)55-56
• 5.5 實(shí)例分析56-62
• 5.5.1 聚類分析58-60
• 5.5.2 均衡性分析60-62
• 6 總結(jié)與展望62-64
• 6.1 主要工作與創(chuàng)新點(diǎn)62-63
• 6.2 存在的問題與展望63-64
• 致謝64-66
• 參考文獻(xiàn)66-70
• 個(gè)人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及取得的研究成果70

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 盧正鼎,王瓊;基于相似度的離群模式發(fā)現(xiàn)模型[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前9條

1 張鋒;常會(huì)友;;茫然第三方支持的隱私保持離群點(diǎn)探測協(xié)議[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

2 連鳳娜;吳錦林;薛永生;;一種改進(jìn)的基于距離的離群挖掘算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

3 梁雪琴;劉紅生;代秀梅;周亞芬;;聚類離群點(diǎn)挖掘技術(shù)在內(nèi)部審計(jì)信息化中的應(yīng)用——一個(gè)來自商業(yè)銀行信用卡審計(jì)的實(shí)例[A];全國內(nèi)部審計(jì)理論研討優(yōu)秀論文集(2013)[C];2014年

4 于浩;王斌;肖剛;楊曉春;;基于距離的不確定離群點(diǎn)檢測[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

5 許龍飛;熊君麗;段敏;;基于粗糙集的高維空間離群點(diǎn)發(fā)現(xiàn)算法研究[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

6 劉文遠(yuǎn);李振平;王寶文;裴繼輝;;一種多維數(shù)據(jù)的離群點(diǎn)檢測算法[A];2007年全國第十一屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)會(huì)議論文集[C];2007年

7 魏藜;錢衛(wèi)寧;周傲英;;HOT:尋找高維空間中的離群點(diǎn)[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2001年

8 周紅福;錢衛(wèi)寧;魏藜;周傲英;;EDOLOIS:高效準(zhǔn)確的子空間局部離群點(diǎn)發(fā)現(xiàn)[A];第二十屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 魏藜;錢衛(wèi)寧;周傲英;;SLOT:基于估計(jì)的高效子空間局部離群點(diǎn)發(fā)現(xiàn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 Chitrakar Roshan;[D];武漢大學(xué);2015年

2 劉莘;基于時(shí)空分析的CCS泄漏預(yù)警關(guān)鍵技術(shù)研究[D];中國礦業(yè)大學(xué);2016年

3 楊鵬;離群檢測及其優(yōu)化算法研究[D];重慶大學(xué);2010年

4 林海;離群檢測及離群釋義空間查找算法研究[D];重慶大學(xué);2012年

5 薛安榮;空間離群點(diǎn)挖掘技術(shù)的研究[D];江蘇大學(xué);2008年

6 楊茂林;離群檢測算法研究[D];華中科技大學(xué);2012年

7 金義富;高維稀疏離群數(shù)據(jù)集延伸知識(shí)發(fā)現(xiàn)研究[D];重慶大學(xué);2007年

8 雷大江;離群檢測與離群釋義算法研究[D];重慶大學(xué);2012年

9 萬家強(qiáng);基于連通性的離群檢測與聚類研究[D];重慶大學(xué);2014年

10 唐向紅;數(shù)據(jù)流離群點(diǎn)檢測研究[D];華中科技大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 韓紅霞;基于距離離群點(diǎn)的分析與研究[D];江蘇大學(xué);2007年

2 黃馨玉;基于鄰域重心變化的離群點(diǎn)檢測算法研究[D];遼寧大學(xué);2015年

3 程百球;基于EP模式的離群點(diǎn)發(fā)現(xiàn)[D];安慶師范學(xué)院;2015年

4 歐陽根平;Hadoop云平臺(tái)下基于離群點(diǎn)挖掘的入侵檢測技術(shù)研究[D];電子科技大學(xué);2015年

5 鄧璇;數(shù)據(jù)流挖掘關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

6 周瑩瑩;利用離群點(diǎn)檢測改進(jìn)協(xié)同過濾推薦算法[D];南京郵電大學(xué);2015年

7 陳娟;基于離群特征提取和能量計(jì)算的SVM股市預(yù)測研究[D];合肥工業(yè)大學(xué);2014年

8 文靜云;基于加權(quán)自然鄰域?qū)傩院挽氐碾x群檢測研究[D];重慶大學(xué);2015年

9 梅孝輝;基于聚類的離群點(diǎn)挖掘在入侵檢測中的應(yīng)用研究[D];重慶大學(xué);2015年

10 秦浩;基于密度的局部離群點(diǎn)挖掘及在入侵檢測中應(yīng)用研究[D];大連海事大學(xué);2016年

  本文關(guān)鍵詞：市政績效評(píng)估數(shù)據(jù)聚類與均衡性的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：367337