隨著檢測(cè)技術(shù)的不斷發(fā)展和交通決策者信息共享技術(shù)的逐步成熟,智能交通系統(tǒng)數(shù)據(jù)采集設(shè)備存儲(chǔ)了海量的城市交通數(shù)據(jù),如何分析海量的多源異構(gòu)交通數(shù)據(jù),研究影響其時(shí)空分布特征的因素,成為當(dāng)今智能交通系統(tǒng)研究的重點(diǎn)。然而,傳統(tǒng)的數(shù)據(jù)處理以及計(jì)算分析方法已不能滿足龐大數(shù)據(jù)急速增加迫切需求,因此,需采用智能分析技術(shù)高效挖掘多源異構(gòu)交通大數(shù)據(jù)的潛在價(jià)值,為城市交通的有序發(fā)展提供具有較高價(jià)值密度的數(shù)據(jù)信息,從而逐步提高我國(guó)城市交通管理水平。以分析某市多源異構(gòu)交通大數(shù)據(jù)為例,在部署Hadoop大數(shù)據(jù)平臺(tái)基礎(chǔ)上,針對(duì)復(fù)雜、龐大的交通數(shù)據(jù)源,通過(guò)歷史數(shù)據(jù)修復(fù)法以及時(shí)間序列分析分別補(bǔ)充了不同類型交通流數(shù)據(jù)的缺失值,并提出了采用詞頻統(tǒng)計(jì)方法和K-means聚類算法開(kāi)展多源異構(gòu)交通大數(shù)據(jù)智能分析技術(shù)研究。通過(guò)詞頻統(tǒng)計(jì)方法智能分析了交通流量周分布特征與空氣質(zhì)量等級(jí)之間的關(guān)系,道路事故和車輛違法數(shù)據(jù)的時(shí)空分布特征。以時(shí)間為聚類標(biāo)簽,通過(guò)Hadoop集群并行計(jì)算K-means聚類方法,智能分析了交通流量、道路事故以及車輛違法數(shù)據(jù)不同類別之間的相似和差異特征。最后,基于“HTML+CSS+Java Script+Echarts... 

【文章來(lái)源】：華北理工大學(xué)河北省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀分析總結(jié)
    1.3 研究?jī)?nèi)容與方法
        1.3.1 研究?jī)?nèi)容
        1.3.2 研究方法
    1.4 技術(shù)路線
    1.5 本章小結(jié)
第2章 交通大數(shù)據(jù)理論及關(guān)鍵技術(shù)
    2.1 交通大數(shù)據(jù)理論基礎(chǔ)
        2.1.1 大數(shù)據(jù)技術(shù)
        2.1.2 交通大數(shù)據(jù)
        2.1.3 大數(shù)據(jù)技術(shù)應(yīng)用于交通系統(tǒng)管理
    2.2 Hadoop大數(shù)據(jù)技術(shù)
        2.2.1 Hadoop生態(tài)系統(tǒng)
        2.2.2 HDFS分布式文件系統(tǒng)
        2.2.3 MapReduce分布式計(jì)算框架
        2.2.4 Sqoop數(shù)據(jù)傳輸工具
    2.3 本章小結(jié)
第3章 多源異構(gòu)交通大數(shù)據(jù)智能特征分析
    3.1 多源異構(gòu)交通大數(shù)據(jù)及來(lái)源
        3.1.1 交通流量數(shù)據(jù)
        3.1.2 道路事故數(shù)據(jù)
        3.1.3 車輛違法數(shù)據(jù)
        3.1.4 氣象數(shù)據(jù)
    3.2 多源異構(gòu)交通大數(shù)據(jù)清洗
        3.2.1 冗余數(shù)據(jù)處理
        3.2.2 缺失數(shù)據(jù)處理
    3.3 智能特征分析方法
        3.3.1 詞頻統(tǒng)計(jì)方法
        3.3.2 詞頻統(tǒng)計(jì)智能方法實(shí)現(xiàn)
    3.4 交通流量大數(shù)據(jù)智能特征分析
    3.5 道路事故大數(shù)據(jù)智能特征分析
        3.5.1 時(shí)間特征分析
        3.5.2 空間特征分析
    3.6 車輛違法大數(shù)據(jù)智能特征分析
        3.6.1 時(shí)間特征分析
        3.6.2 空間特征分析
    3.7 本章小結(jié)
第4章 多源異構(gòu)交通大數(shù)據(jù)智能聚類分析
    4.1 聚類分析方法
    4.2 K-means聚類分析算法
        4.2.1 K-means聚類算法概述
        4.2.2 K-means聚類算法流程
    4.3 K-means智能聚類算法實(shí)現(xiàn)
    4.4 交通大數(shù)據(jù)智能聚類分析
        4.4.1 聚類參數(shù)K值選擇
        4.4.2 交通流量智能聚類結(jié)果分析
        4.4.3 道路事故智能聚類結(jié)果分析
        4.4.4 車輛違法智能聚類結(jié)果分析
    4.5 本章小結(jié)
第5章 多源異構(gòu)交通大數(shù)據(jù)可視化分析平臺(tái)
    5.1 Hadoop集群環(huán)境搭建
        5.1.1 Hadoop集群環(huán)境部署規(guī)劃
        5.1.2 Hadoop集群環(huán)境部署
        5.1.3 Sqoop環(huán)境搭建
        5.1.4 Oracle client搭建
    5.2 可視化分析平臺(tái)實(shí)現(xiàn)
        5.2.1 系統(tǒng)架構(gòu)
        5.2.2 道路事故分析
        5.2.3 交通流量分析
        5.2.4 車輛違法分析
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]道路交通事故的成因分析及預(yù)防研究[J]. 布和.  武漢公安干部學(xué)院學(xué)報(bào). 2019(02)
[2]基于自匹配模塊的城市交通數(shù)據(jù)動(dòng)態(tài)融合處理系統(tǒng)[J]. 李祖文,何增鎮(zhèn),蘇紅帆,農(nóng)昭光.  計(jì)算機(jī)應(yīng)用與軟件. 2019(06)
[3]城市多源交通數(shù)據(jù)分析處理關(guān)鍵技術(shù)研究[J]. 徐衛(wèi),朱翔宇,劉志.  浙江工業(yè)大學(xué)學(xué)報(bào). 2018(03)
[4]基于SAR模型的交通流數(shù)據(jù)分析——以貴陽(yáng)市交通數(shù)據(jù)為例[J]. 王亞運(yùn),胡堯,丁永兵.  銅仁學(xué)院學(xué)報(bào). 2017(03)
[5]高校信息系統(tǒng)使用率聚類分析[J]. 謝日敏,陳杰,游貴榮.  西安文理學(xué)院學(xué)報(bào)(自然科學(xué)版). 2016(05)
[6]逐步回歸法在無(wú)檢測(cè)器交叉口交通流量預(yù)測(cè)中的應(yīng)用[J]. 楊兆升,張赫,李娟.  吉林工業(yè)大學(xué)學(xué)報(bào)(工學(xué)版). 2002(04)

碩士論文
[1]一種改進(jìn)K-Means算法的Web日志挖掘技術(shù)的研究[D]. 陳洲.江蘇科技大學(xué) 2019
[2]基于多源交通數(shù)據(jù)的路況分析與研究[D]. 劉軍建.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院) 2019
[3]面向海量移動(dòng)互聯(lián)網(wǎng)用戶行為的聚類算法研究與實(shí)現(xiàn)[D]. 盧躍凱.北京郵電大學(xué) 2019
[4]基于Hadoop的隨機(jī)森林算法研究及交通流預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 冒云香.江蘇大學(xué) 2019
[5]基于Hadoop的離線數(shù)據(jù)分析平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D]. 朱雪.河北工程大學(xué) 2018
[6]主動(dòng)半監(jiān)督K-means聚類算法研究及應(yīng)用[D]. 呂峰.河北地質(zhì)大學(xué) 2018
[7]一種K-means聚類改進(jìn)算法研究及應(yīng)用[D]. 黃吉.湖北工業(yè)大學(xué) 2018
[8]基于Hadoop的軟包印刷設(shè)備售后數(shù)據(jù)研究與分析[D]. 曹軍瑤.西安理工大學(xué) 2018
[9]K-means聚類算法改進(jìn)研究[D]. 郭靖.中國(guó)人民公安大學(xué) 2018
[10]基于聚類分析和決策樹(shù)算法的案件分析挖掘[D]. 王健豪.江蘇科技大學(xué) 2018



本文編號(hào)：3643781