本文關鍵詞： 交通流時間序列 聚類 特征分析 相似性度量　出處：《北京交通大學》2017年碩士論文　論文類型：學位論文

【摘要】：聚類算法作為一種重要的數(shù)據(jù)挖掘技術,能夠從海量數(shù)據(jù)中挖掘出數(shù)據(jù)的模式分布,包括完成對交通流時間序列的模式劃分,提取出交通流時間序列中的深層信息,達到知識發(fā)現(xiàn)的目的。通常情況下,交通流時間序列具有周期性、大數(shù)據(jù)量、高噪聲、早晚高峰等特征,使得一般的聚類算法無法高質高效地應用于交通流時間序列的聚類。因此,本文針對交通流時間序列聚類問題,結合交通流時間序列特征分析,提出了一種基于組合型相似性度量的神經(jīng)網(wǎng)絡聚類算法。具體研究內(nèi)容包括:1.交通流時間序列的特征分析。通過特征分析,結合歐氏距離和Pearson相關系數(shù)兩種相似性度量,提出EP系數(shù)(Euclidean Metric-Pearson Correlation Coefficient)作為交通流時間序列的相似性度量方法,用于度量交通流時間序列的統(tǒng)計特征和形態(tài)特征;2.交通流時間序列聚類對比研究及模型建立。通過對k-均值、PAM、層次聚類、SOM神經(jīng)網(wǎng)絡聚類的結果進行對比分析,結合交通流時間序列數(shù)據(jù)的特征,確定使用SOM神經(jīng)網(wǎng)絡作為交通流時間序列數(shù)據(jù)的聚類算法;3.交通流時間序列聚類案例分析。采用基于EP系數(shù)的SOM神經(jīng)網(wǎng)絡作為聚類算法進行案例分析,對實測交通流時間序列數(shù)據(jù)進行聚類,并通過對比研究EP系數(shù)中歐氏距離和Pearson相關系數(shù)的權值取值對聚類結果的影響。聚類結果表明,本文所提出的聚類算法能夠有效地識別出交通流時間序列的統(tǒng)計特征和形態(tài)特征。本文的主要創(chuàng)新點在于提出了一個適用于交通流時間序列的聚類模型。該模型能夠根據(jù)當前交通流狀態(tài)預測未來交通流時間序列的變化趨勢,一方面能夠便于管理部門提前確定需采取的管理模式,提高對管理資源的利用效率;另一方面能夠通過預測結果與實時監(jiān)控結果的對比,發(fā)現(xiàn)道路上的突發(fā)情況,加快對突發(fā)情況的反應速度。
[Abstract]:This paper presents a clustering algorithm for traffic flow time series by analyzing the characteristics of traffic flow time series .

【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：U491.112

【參考文獻】

相關期刊論文 前10條

1 朱廣宇;杜崇;張彭;;基于基線漂移校正的旅行時間預測模型[J];華南理工大學學報(自然科學版);2016年08期

2 王夢雪;;數(shù)據(jù)挖掘綜述[J];軟件導刊;2013年10期

3 弓晉麗;彭賢武;;交通流時間序列模式相似性度量法[J];計算機工程與應用;2015年06期

4 宋辭;裴韜;;基于特征的時間序列聚類方法研究進展[J];地理科學進展;2012年10期

5 徐維超;;相關系數(shù)研究綜述[J];廣東工業(yè)大學學報;2012年03期

6 周濤;陸惠玲;;數(shù)據(jù)挖掘中聚類算法研究進展[J];計算機工程與應用;2012年12期

7 蔡敏;;小波閾值法降噪分析與改進[J];信息與電子工程;2011年02期

8 夏魯寧;荊繼武;;SA-DBSCAN:一種自適應基于密度聚類算法[J];中國科學院研究生院學報;2009年04期

9 孫旭;;時間序列全局特征聚類分析方法及其應用[J];統(tǒng)計教育;2009年03期

10 孫吉貴;劉杰;趙連宇;;聚類算法研究[J];軟件學報;2008年01期

相關博士學位論文 前3條

1 李海林;時間序列數(shù)據(jù)挖掘中的特征表示與相似性度量方法研究[D];大連理工大學;2012年

2 白雪;聚類分析中的相似性度量及其應用研究[D];北京交通大學;2012年

3 張保穩(wěn);時間序列數(shù)據(jù)挖掘研究[D];西北工業(yè)大學;2002年

相關碩士學位論文 前10條

1 范劍鋒;時間序列數(shù)據(jù)特征選擇和預測方法研究[D];南京大學;2016年

2 鹿高娜;基于D-S證據(jù)理論的融合事件檢測算法研究[D];北京交通大學;2016年

3 黃曉琴;交通客流時間序列數(shù)據(jù)的聚類挖掘研究[D];電子科技大學;2015年

4 李深洛;基于特征的時間序列聚類[D];廣西師范大學;2014年

5 繆元武;基于層次聚類的數(shù)據(jù)分析[D];安徽大學;2013年

6 朱建宇;K均值算法研究及其應用[D];大連理工大學;2013年

7 胡先偉;小波降噪算法及IP軟核實現(xiàn)技術[D];西安電子科技大學;2013年

8 熊華喬;基于模型聚類的說話人識別方法研究[D];武漢理工大學;2012年

9 李強;交通流時間序列的聚類分析方法及應用[D];北京交通大學;2012年

10 吳文亮;聚類分析中K-均值與K-中心點算法的研究[D];華南理工大學;2011年

，

本文編號：1476486