本文關鍵詞：基于聚類分析和決策樹算法的交通流量挖掘

  更多相關文章： 數據挖掘 聚類分析 C4.5算法 交通擁塞

【摘要】：城市道路交通是智能交通系統(tǒng)的重要組成部分,其最大特點就是交叉口錯綜復雜,交叉口處的車流量之間相互影響,因此交叉口的通行狀況將會直接決定道路的擁堵程度,道路交叉口已經成為整個道路交通網的研究重點。本文針對城市道路交通中交叉口累積的海量交通流量數據,利用數據挖掘技術對其進行分析和處理進而發(fā)現隱含的交通流模式,為緩解交通壓力、優(yōu)化交通路網,實現道路交通管理智能化提供技術支持。本文首先分析城市道路交通流的基本特征,在交叉口交通流調查分析的基礎上分別應用層次聚類和K-means聚類算法對采集的交通流數據進行聚類分析,使空間關聯(lián)性強的交通流序列聚為一類,得出城市道路空間分布特性;然后比較層次聚類和K-means聚類算法的效果,對層次聚類算法進行改進,使得改進后的聚類算法更具有伸縮性;在分析聚類結果的基礎上對交通流數據進行預處理,加入相關的交通流屬性生成對應的訓練集,并用改進后的決策樹C4.5算法對該訓練集進行分類生成道路擁塞分類器,提高了分類的時效性和預測的精確度;最后將生成的分類器用于實時動態(tài)交通流數據中,對交叉口的交通擁塞狀況進行預測。實驗結果表明:將改進后的聚類算法和決策樹算法用于分析交叉口交通運行狀態(tài)是可行的,并能夠獲得較好的預測精度。
【關鍵詞】：數據挖掘 聚類分析 C4.5算法 交通擁塞
【學位授予單位】：江蘇科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491;TP311.13
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 研究背景與意義11
• 1.2 國內外研究現狀11-14
• 1.2.1 國外研究現狀12
• 1.2.2 國內研究現狀12-14
• 1.3 本文研究內容與組織結構14-17
• 1.3.1 本文研究內容14-15
• 1.3.2 本文組織結構15-17
• 第2章 城市道路交通數據概述17-25
• 2.1 交通流相關概念17-20
• 2.1.1 交通流參數17-19
• 2.1.2 道路交叉口通行能力19
• 2.1.3 道路交通擁塞度量指標19-20
• 2.2 智能交通數據采集與預處理20-24
• 2.2.1 道路交通數據采集方式20-21
• 2.2.2 交通數據預處理21-22
• 2.2.3 道路交通數據離散化22-24
• 2.3 本章小結24-25
• 第3章 城市道路交通流數據挖掘方法25-37
• 3.1 數據挖掘概述25-27
• 3.1.1 數據挖掘概念25-26
• 3.1.2 數據挖掘的基本任務26-27
• 3.2 聚類分析27-33
• 3.2.1 聚類算法中的數據結構和數據類型27-30
• 3.2.3 聚類分析中的算法描述30-33
• 3.3 決策樹分析33-36
• 3.3.1 決策樹分析機理33-34
• 3.3.2 ID3算法34-35
• 3.3.3 C4.5 算法35-36
• 3.4 本章小結36-37
• 第4章 聚類分析在道路交通流量分析中的應用37-57
• 4.1 交通流數據的特征分析37-45
• 4.1.1 交通流數據特征37-39
• 4.1.2 交叉路口交通流調查分析39-45
• 4.2 交通流的空間聚類45-48
• 4.2.1 交通流空間分布45-46
• 4.2.2 交通流空間聚類標準46-48
• 4.3 聚類分析方法在交通流時間序列中的應用48-52
• 4.3.1 層次聚類方法49-51
• 4.3.2 K-means聚類方法51-52
• 4.3.3 兩種聚類方法的比較52
• 4.4 層次聚類算法的改進52-56
• 4.4.1 層次聚類算法復雜度分析52-53
• 4.4.2 基于層次聚類算法的改進設計53-55
• 4.4.3 實驗結果分析55-56
• 4.5 本章小結56-57
• 第5章 基于決策樹分析的交通運行狀態(tài)預測57-71
• 5.1 交通流數據屬性的選取57-59
• 5.2 分類器算法的設計與實現59-61
• 5.2.1 C4.5 分類算法的優(yōu)缺點59
• 5.2.2 基于C4.5 分類算法的改進設計59-60
• 5.2.3 算法分析測試60-61
• 5.3 交通擁塞分類器的設計與實現61-70
• 5.3.1 分類器思想61-62
• 5.3.2 交通流分類器設計62
• 5.3.3 交通流分類器實現62-69
• 5.3.4 實驗結果分析69-70
• 5.4 本章小結70-71
• 第6章 總結與展望71-73
• 6.1 總結71-72
• 6.2 展望72-73
• 參考文獻73-77
• 攻讀碩士期間發(fā)表的學術論文77-79
• 致謝79

【相似文獻】

中國期刊全文數據庫 前10條

1 賽從瑞;袖珍機輔助排序聚類分析的程序設計與應用[J];成組生產系統(tǒng);1987年04期

2 李慕榮;基于聚類分析的安徽企業(yè)R&D資源分布研究[J];合肥工業(yè)大學學報(自然科學版);2004年11期

3 孫冰心;王利民;崔麗霜;龐永俊;;基于譜系聚類分析的集裝箱裝箱方案優(yōu)化研究[J];鐵道運輸與經濟;2006年08期

4 劉恩華;張嘉禾;金正青;;聚類分析在汽車市場營銷中的應用[J];上海汽車;2010年10期

5 廖春梅;;利用聚類分析對全國各地經濟效益進行評價分析[J];企業(yè)技術開發(fā);2011年09期

6 蔡建國;;排序聚類分析在成組技術中的應用[J];機械工藝師;1985年01期

7 董玉祥;排序聚類分析計算程序[J];成組生產系統(tǒng);1986年01期

8 A·Gongaware,Inyong Ham,焦虹;用于成組制造系統(tǒng)的聚類分析法[J];成組生產系統(tǒng);1986年02期

9 史逸芬,蔡建國;排序聚類分析法在相似零件成組中的應用[J];成組生產系統(tǒng);1986年03期

10 李健萍;;關于沸石水泥的聚類分析[J];武漢工業(yè)大學學報;1986年01期

中國重要會議論文全文數據庫 前10條

1 梅翠;;我國各地區(qū)居民收入差距及其對消費的制約[A];中國現場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

2 李均立;傅國華;;海南各縣(市)經濟實力的聚類分析[A];中國現場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

3 劉黃金;曹林峰;;南京服務業(yè)發(fā)展的聚類分析[A];江蘇省現場統(tǒng)計研究會第十次學術年會論文集[C];2006年

4 肖靜;楊澤峰;徐辰武;;微陣列表達譜監(jiān)督聚類分析方法的比較研究[A];江蘇省遺傳學會第七屆代表大會暨學術研討會論文摘要匯編[C];2006年

5 路愛峰;崔玉杰;;滬市電力上市公司經營業(yè)績的聚類分析[A];中國數學力學物理學高新技術交叉研究學會第十二屆學術年會論文集[C];2008年

6 陳國華;廖小蓮;夏君;;證券投資分析的聚類分析方法[A];中國企業(yè)運籌學[2011（1）][C];2011年

7 張紅衛(wèi);隗金水;;聚類分析評價與測量效度關系探討[A];第九屆全國體育科學大會論文摘要匯編(4)[C];2011年

8 牛東曉;乞建勛;;網絡資源平衡問題的聚類分析優(yōu)化遺傳算法研究[A];2001年中國管理科學學術會議論文集[C];2001年

9 詹原瑞;彭書杰;李如一;;基于聚類分析的企業(yè)信用等級評價方法[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學會第12屆年會論文集[C];2002年

10 鄒曉玫;修春波;;基于聚類分析的犯罪率相關因素的研究[A];當代法學論壇（二○一○年第3輯）[C];2010年

中國博士學位論文全文數據庫 前4條

1 張建萍;基于計算智能技術的聚類分析研究與應用[D];山東師范大學;2014年

2 李成安;分布式環(huán)境下聚類分析新方法的研究[D];浙江大學;2006年

3 楊旭杰;基于統(tǒng)計方法模型分析的中藥復方專利保護研究[D];北京中醫(yī)藥大學;2012年

4 李寶玲;王裕頤教授學術思想與臨床經驗總結及治療眩暈證治規(guī)律研究[D];北京中醫(yī)藥大學;2012年

中國碩士學位論文全文數據庫 前10條

1 李元俊;大學生就業(yè)能力培養(yǎng)與社會需求的匹配性研究[D];山東建筑大學;2015年

2 馮雪冰;基于模糊理論的EM算法在聚類分析的應用研究[D];中國地質大學(北京);2015年

3 張沛之;基于聚類分析的海報風格分類之研究[D];青島大學;2015年

4 何力驁;基于聚類分析的激光誘導擊穿光譜爆炸物識別技術研究[D];北京理工大學;2016年

5 趙文睿;基于聚類分析的中國房地產企業(yè)信用評級實證研究[D];吉林大學;2016年

6 賈偉;基于聚類分析和灰色模型的短期雷擊預警系統(tǒng)設計[D];吉林大學;2016年

7 欒海洋;動車組質量數據聚類分析研究與應用[D];北京交通大學;2016年

8 黃智函;盜竊犯罪時空分布特征研究[D];福州大學;2014年

9 王冰冰;雙類型信息網絡聚類分析[D];吉林大學;2016年

10 劉劍;基于聚類分析的CAM模板自動提取的研究[D];華中科技大學;2014年

，

本文編號：1048960