数据挖掘技术在处理交通流数据中的研究及应用

摘要

数据挖掘是信息领域发展最快的技术，很多不同领域的专家，比如统计学家、数据库专家等，都从中获得了发展的空间，使得数据挖掘日益成为讨论的热门话题。数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又有用的信息和知识的过程。是一个多学科交叉的研究领域，它融合了数据库技术、人工智能、机器学习、统计学、知识工程、面向对象方法、信息检索、高性能计算以及数据可视化等最新技术的研究成果，经过了十几年的研究，产生了许多新概念和新方法。 数据挖掘的算法很多，例如分类算法、聚类算法、时间序列算法、关联规则算法等等，本文主要研究的是聚类算法和时间序列算法。分别介绍了聚类算法和时间序列算法中一些典型算法的原理以及应用方法。 在智能交通方面，交通流数据的分析在是非常重要的，如何智能的分析交通数据一直以来是一个比较困难的问题，本文的核心内容有三部分，首先对数据进行必要的预处理，使之能够成为被数据挖掘算法直接使用的数据形式；其次利用k-means算法对收费站进行了聚类，并用SPSS Climentine11.1聚类算法对聚类结果进行了验证；最后利用Microsoft时间序列算法对交通流数据进行了预测，实验表明预测的准确率达到了80％以上。另外，在论文的最后对数据挖掘在交通方面的应用做出了总结及展望。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景及意义

1.2国内外发展现状

1.2.1数据挖掘技术发展

1.2.2数据挖掘技术在交通方面的发展

1.3本文研究内容及结构

第二章数据挖掘技术

2.1数据挖掘概述

2.1.1数据挖掘的任务

2.1.2数据挖掘的对象

2.1.3数据挖掘流程

2.1.4数据挖掘的方法

2.2数据预处理

2.2.1数据预处理的必要性

2.2.2数据挖掘预处理的主要任务

2.3本章小结

第三章聚类算法

3.1聚类算法概述

3.2经典的聚类算法

3.2.1划分聚类算法

3.2.2层次聚类算法

3.2.3基于密度聚类算法

3.2.4基于网格的聚类算法

3.2.5基于模型聚类

3.3衡量聚类算法性能的指标

3.4聚类算法在交通中的应用

3.4.1分析过程

3.4.2聚类因子的确定

3.4.3聚类分析

3.5本章小结

第四章时间序列算法

4.1时间序列挖掘概述

4.2时间序列挖掘的经典算法

4.2.1基本概念

4.2.2序列挖掘的一般步骤

4.3 AprioriAll算法

4.4 GSP算法

4.5 Microsoft时序算法

4.5.1自动回归

4.5.2使用多个时间序列

4.5.3自动回归树

4.5.4季节性

4.5.5 Microsoft时序算法参数

4.6本章小结

第五章数据挖掘在处理交通流数据中的应用

5.1交通背景知识

5.2交通数据预处理

5.2.1数据来源

5.2.2数据预处理

5.3对数据的简单分析

5.4挖掘数据分布规律

5.5应用数据挖掘算法分析数据

5.5.1应用SQL2005时间序列算法分析数据

5.5.2各车型半年数据统计

5.6本章小结

总结与展望

参考文献

致谢