高速公路路網(wǎng)的建設(shè)是區(qū)域經(jīng)濟(jì)發(fā)展不可或缺的助推器。與此同時,各種形式的偷逃通行費(fèi)的現(xiàn)象也層出不窮,造成了國家財政收入的巨大損失。高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)的廣泛普及,使得車輛的每一次通行和繳費(fèi)行為都可追蹤。對收費(fèi)歷史記錄中相關(guān)字段進(jìn)行分析可以發(fā)現(xiàn)其中的異常特征。然而,現(xiàn)有的利用人工稽查的方式效率低下,如何借助數(shù)據(jù)挖掘技術(shù)實現(xiàn)對高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中異常數(shù)據(jù)的檢測,進(jìn)而分析異常數(shù)據(jù)反映出的車輛存在的異常行為特征,是當(dāng)前各地交通監(jiān)管部門需要解決的重點問題。因此,本文將數(shù)據(jù)挖掘技術(shù)與高速公路異常行為分析業(yè)務(wù)相結(jié)合,設(shè)計了具體的算法模型,應(yīng)用于高速公路聯(lián)網(wǎng)收費(fèi)數(shù)據(jù)的異常檢測和車輛異常行為特征分析中。本文的主要工作如下:（1）對于數(shù)據(jù)集維度高的問題,提出了基于密度峰值的特征選擇算法。以特征的最大信息系數(shù)為度量,基于密度峰值聚類的思想,定義了特征重要性指標(biāo),得到了降維后的特征子集。通過實驗證明了特征子集能夠較好地代表全部數(shù)據(jù)的特征。最后對高速公路數(shù)據(jù)集進(jìn)行降維。（2）對于DBSCAN聚類算法效果受輸入?yún)?shù)影響較大的問題,提出通過KMeans算法自適應(yīng)確定DBSCAN的參數(shù)。對于DBSCAN算法的時間復(fù)雜... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

交換通行卡

目前異常檢測的工作大多數(shù)遵循一個基本流程,如圖2-2所示。該異常檢測流程包含數(shù)據(jù)存儲、數(shù)據(jù)抽取、異常檢測和數(shù)據(jù)展示四個主要模塊。首先從存儲在數(shù)據(jù)倉庫中的原始數(shù)據(jù)中抽取有價值的數(shù)據(jù),在進(jìn)行異常檢測時需要將技術(shù)手段和經(jīng)驗判斷結(jié)合起來,最終呈現(xiàn)異常檢測結(jié)果。同時,對數(shù)據(jù)進(jìn)行異常檢測,更需要結(jié)具體的應(yīng)用場景和目標(biāo)對數(shù)據(jù)進(jìn)行分析。異常檢測一般有兩種思路,一種是分類思想,一種是聚類思想。對于分類來說,用戶預(yù)先知道正常數(shù)據(jù)分布特征,首先對正常數(shù)據(jù)建立模型,再對異常數(shù)據(jù)進(jìn)行檢測,從而發(fā)現(xiàn)異常數(shù)據(jù)與正常數(shù)據(jù)之間的差異度。對于聚類來說,由于用戶事先不知道數(shù)據(jù)的分類情況,也不知道存在幾種異常,一般通過對數(shù)據(jù)間的相似度進(jìn)行計算,發(fā)現(xiàn)具有更多相似度的數(shù)據(jù)定義為正常數(shù)據(jù),而與正常數(shù)據(jù)相似度小的數(shù)據(jù)則認(rèn)為是異常數(shù)據(jù)。異常檢測中存在幾種關(guān)鍵性問題。

高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中記錄了全省路網(wǎng)中84條高速公路,624個收費(fèi)站產(chǎn)生的流水?dāng)?shù)據(jù)。車輛每次進(jìn)入和駛出收費(fèi)站都會在相應(yīng)的入口記錄表和出口記錄表中留下一條記錄,每條記錄相應(yīng)的包括115個字段,記錄了車輛、收費(fèi)站、交易和系統(tǒng)操作等信息。本文從聯(lián)網(wǎng)收費(fèi)系統(tǒng)中抽取出2018年6月的所有通行記錄。高速公路收費(fèi)站分布如圖3-1所示。3.2.2 數(shù)據(jù)特點

【參考文獻(xiàn)】：
期刊論文
[1]基于影響系數(shù)的高速公路行車風(fēng)險評估模型[J]. 邱磊,叱干都,鄧志剛,劉建蓓,馬小龍.  公路交通科技. 2020(03)
[2]基于RF-LR的高速公路逃費(fèi)車輛狀態(tài)預(yù)測模型[J]. 向紅艷,楊朋濤,伊佳佳.  重慶師范大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[3]特征選擇方法綜述[J]. 李郅琴,杜建強(qiáng),聶斌,熊旺平,黃燦奕,李歡.  計算機(jī)工程與應(yīng)用. 2019(24)
[4]基于K-Means聚類的交通違法行為與事故關(guān)聯(lián)關(guān)系研究[J]. 王繼博,楊蕾.  交通建設(shè)與管理. 2019(05)
[5]Using Kalman filter algorithm for short-term traffic flow prediction in a connected vehicle environment[J]. Azadeh Emami,Majid Sarvi,Saeed Asadi Bagloee.  Journal of Modern Transportation. 2019(03)
[6]高速公路收費(fèi)站車輛逃費(fèi)方式及對策[J]. 董茜.  現(xiàn)代經(jīng)濟(jì)信息. 2019(17)
[7]基于混合Logit模型的高速公路交通事故嚴(yán)重程度分析[J]. 陳昭明,徐文遠(yuǎn),曲悠揚(yáng),陳偉.  交通信息與安全. 2019(03)
[8]自適應(yīng)確定DBSCAN算法參數(shù)的算法研究[J]. 李文杰,閆世強(qiáng),蔣瑩,張松芝,王成良.  計算機(jī)工程與應(yīng)用. 2019(05)
[9]高速公路收費(fèi)數(shù)據(jù)的貨運(yùn)車輛繞行行為分析[J]. 陳旻瑞,黎川,吳烈陽,張麗,陳星.  公路交通科技(應(yīng)用技術(shù)版). 2019(01)
[10]旅游高峰期交通流量的多時間尺度預(yù)測方法及應(yīng)用[J]. 李凌雁,趙欣,翁鋼民.  計算機(jī)應(yīng)用研究. 2020(03)

碩士論文
[1]基于高速公路大數(shù)據(jù)的流量預(yù)測問題研究[D]. 王雪菲.北方工業(yè)大學(xué) 2019
[2]基于高速公路大數(shù)據(jù)的偷逃費(fèi)車輛發(fā)現(xiàn)方法研究[D]. 馬千惠.北方工業(yè)大學(xué) 2019
[3]山區(qū)高速公路交通事故的貝葉斯網(wǎng)絡(luò)模型診斷及推理研究[D]. 盧瑤.華中科技大學(xué) 2019
[4]基于圖像識別的綠通車管理關(guān)鍵技術(shù)研究[D]. 申通.長安大學(xué) 2019
[5]面向多時段控制的長時交通流預(yù)測及分割點優(yōu)化方法[D]. 李文婧.浙江大學(xué) 2019
[6]高速公路異常數(shù)據(jù)檢測方法研究[D]. 周舟.長春理工大學(xué) 2018
[7]基于關(guān)聯(lián)規(guī)則的交通事故風(fēng)險因素挖掘及預(yù)測模型構(gòu)建[D]. 葉穎婕.北京工業(yè)大學(xué) 2018
[8]基于BP神經(jīng)網(wǎng)絡(luò)Bagging集成的高速公路綠通車稽查模型研究[D]. 申長春.長安大學(xué) 2018
[9]基于Anytime密度聚類的實時電力遠(yuǎn)動傳輸異常檢測[D]. 薛振坤.上海交通大學(xué) 2017
[10]基于Logistic回歸的高速公路綠通車稽查研究[D]. 陳浩泰.長安大學(xué) 2017



本文編號：2988007