市政绩效评估数据聚类与均衡性的应用研究

发布时间：2017-05-15 09:10

  本文关键词：市政绩效评估数据聚类与均衡性的应用研究，由笔耕文化传播整理发布。

【摘要】：随着城市规模的不断拓展,城市管理要求的不断提高,提高城市管理的现代化水平迫在眉睫,智慧城市应运而生。然而,智慧城市要落地,数字城管是基础。目前,国内不少城市的数字城管已基本建成并运营了不少时间,也极大提高了城市管理水平,积累了一定的数据量。如何利用这些数据,进一步提高数字城管的管理效率,建立科学、合理的绩效评估体系,构建一个基于数字城管历史数据的科学决策方法,具有重要意义。这就是本论文的产生背景。论文首先介绍了数字城管国内外的研究现状,分析了目前数字城管存在的问题,概述了论文将使用的相关技术;其次,综述了聚类算法、聚类相似性度量、聚类有效性评估方法,分析了K-means聚类算法,针对其对初始簇心的选取敏感,需要人工指定聚类个数的问题,引用Kruskal算法和轮廓系数法对其进行了改进,利用UCI数据集当中的Glass Identification数据集验证了改进的K-means聚类算法的可靠性和自适应性;再次,综述了均衡性、离群点检测,分析了LOF离群点检测算法,针对其检测集体离群点效果差的问题,引用DBSCAN算法对其进行了改进,利用UCI数据集当中的Iris数据集验证了改进的LOF离群点检测算法能够从全局和局部检测出点离群点和集体离群点。论文以重庆市某区数字城管为应用案例。首先,分析了该区数字城管的应用场景,设计了改进的数字城管的软件结构、软件功能结构、数据结构;其次,根据该区数字城管的数据特征,采用ETL技术对数据抽取、清洗、转换并加载到数据仓库中;最后,利用OLAP技术、改进的K-means聚类算法和改进的LOF离群点检测算法,开展了多维分析、聚类分析、均衡性分析,并形成分析结果,此结果能提供给该区市政管理相关人员进行辅助决策。
【关键词】：聚类分析 均衡性分析 OLAP 数字城管 智慧市政
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：D630;TP311.13
【目录】：

• 摘要4-5
• Abstract5-10
• 1 引言10-16
• 1.1 本课题的研究背景及意义10
• 1.2“数字城管”的国内外研究现状10-13
• 1.2.1“数字城管”的国内研究现状10-12
• 1.2.2“数字城管”在国外的研究现状12-13
• 1.3 问题的提出13-14
• 1.4 论文的主要研究内容及主要工作14
• 1.5 论文的章节安排14-16
• 2 相关技术研究16-26
• 2.1 数据仓库16-18
• 2.1.1 数据仓库技术简介16-17
• 2.1.2 在数据仓库中表示的多维数据模型17-18
• 2.2 OLAP技术18-20
• 2.2.1 OLAP简介18-19
• 2.2.2 OLAP特性19
• 2.2.3 要求OLAP系统具有的结构19-20
• 2.3 数据挖掘20-26
• 2.3.1 数据挖掘的概念20
• 2.3.2 数据挖掘的功能20-22
• 2.3.3 数据挖掘的一般流程22-23
• 2.3.4 数据挖掘与数据仓库、OLAP的关系23-26
• 3 K-means聚类算法及其改进26-42
• 3.1 概述26-33
• 3.1.1 聚类算法综述26-28
• 3.1.2 聚类算法中常用的相似性度量28-30
• 3.1.3 聚类有效性研究综述30-33
• 3.2 K-means聚类算法的解析33-36
• 3.2.1 算法概述33-34
• 3.2.2 相关定义34
• 3.2.3 K-means聚类算法自身存在的一些缺点34-36
• 3.3 K-means聚类算法的改进36-39
• 3.3.1 Kruskal算法解析36-37
• 3.3.2 轮廓系数法解析37-38
• 3.3.3 K-means聚类算法改进的思考38
• 3.3.4 K-means聚类算法新步骤38-39
• 3.4 K-means聚类算法的改进效果39-42
• 4 LOF离群点检测算法及其改进42-54
• 4.1 均衡性综述42-43
• 4.2 离群点探寻概述43-48
• 4.2.1 离群点的基本概念43-45
• 4.2.2 离群点探寻办法45-48
• 4.3 LOF离群点检测算法48-50
• 4.3.1 算法概述48-49
• 4.3.2 相关定义49-50
• 4.3.3 LOF离群点检测算法的缺点50
• 4.4 LOF离群点检测算法的改进50-52
• 4.4.1 DBSCAN算法解析50-51
• 4.4.2 LOF离群点检测算法改进的思考51
• 4.4.3 LOF离群点检测算法的新步骤51-52
• 4.5 LOF离群点检测算法的改进效果52-54
• 5 应用案例分析54-62
• 5.1 应用场景介绍54-55
• 5.2 软件结构设计55
• 5.3 软件功能结构设计55
• 5.4 软件数据结构设计55-56
• 5.5 实例分析56-62
• 5.5.1 聚类分析58-60
• 5.5.2 均衡性分析60-62
• 6 总结与展望62-64
• 6.1 主要工作与创新点62-63
• 6.2 存在的问题与展望63-64
• 致谢64-66
• 参考文献66-70
• 个人简历、在学期间发表的学术论文及取得的研究成果70

【相似文献】

中国期刊全文数据库 前1条

1 卢正鼎,王琼;基于相似度的离群模式发现模型[J];华中科技大学学报(自然科学版);2005年01期

中国重要会议论文全文数据库 前9条

1 张锋;常会友;;茫然第三方支持的隐私保持离群点探测协议[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

2 连凤娜;吴锦林;薛永生;;一种改进的基于距离的离群挖掘算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

3 梁雪琴;刘红生;代秀梅;周亚芬;;聚类离群点挖掘技术在内部审计信息化中的应用——一个来自商业银行信用卡审计的实例[A];全国内部审计理论研讨优秀论文集(2013)[C];2014年

4 于浩;王斌;肖刚;杨晓春;;基于距离的不确定离群点检测[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

5 许龙飞;熊君丽;段敏;;基于粗糙集的高维空间离群点发现算法研究[A];第二十届全国数据库学术会议论文集（技术报告篇）[C];2003年

6 刘文远;李振平;王宝文;裴继辉;;一种多维数据的离群点检测算法[A];2007年全国第十一届企业信息化与工业工程学术会议论文集[C];2007年

7 魏藜;钱卫宁;周傲英;;HOT:寻找高维空间中的离群点[A];第十八届全国数据库学术会议论文集（研究报告篇）[C];2001年

8 周红福;钱卫宁;魏藜;周傲英;;EDOLOIS:高效准确的子空间局部离群点发现[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 魏藜;钱卫宁;周傲英;;SLOT:基于估计的高效子空间局部离群点发现[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

中国博士学位论文全文数据库 前10条

1 Chitrakar Roshan;[D];武汉大学;2015年

2 刘莘;基于时空分析的CCS泄漏预警关键技术研究[D];中国矿业大学;2016年

3 杨鹏;离群检测及其优化算法研究[D];重庆大学;2010年

4 林海;离群检测及离群释义空间查找算法研究[D];重庆大学;2012年

5 薛安荣;空间离群点挖掘技术的研究[D];江苏大学;2008年

6 杨茂林;离群检测算法研究[D];华中科技大学;2012年

7 金义富;高维稀疏离群数据集延伸知识发现研究[D];重庆大学;2007年

8 雷大江;离群检测与离群释义算法研究[D];重庆大学;2012年

9 万家强;基于连通性的离群检测与聚类研究[D];重庆大学;2014年

10 唐向红;数据流离群点检测研究[D];华中科技大学;2010年

中国硕士学位论文全文数据库 前10条

1 韩红霞;基于距离离群点的分析与研究[D];江苏大学;2007年

2 黄馨玉;基于邻域重心变化的离群点检测算法研究[D];辽宁大学;2015年

3 程百球;基于EP模式的离群点发现[D];安庆师范学院;2015年

4 欧阳根平;Hadoop云平台下基于离群点挖掘的入侵检测技术研究[D];电子科技大学;2015年

5 邓璇;数据流挖掘关键技术研究与实现[D];电子科技大学;2015年

6 周莹莹;利用离群点检测改进协同过滤推荐算法[D];南京邮电大学;2015年

7 陈娟;基于离群特征提取和能量计算的SVM股市预测研究[D];合肥工业大学;2014年

8 文静云;基于加权自然邻域属性和熵的离群检测研究[D];重庆大学;2015年

9 梅孝辉;基于聚类的离群点挖掘在入侵检测中的应用研究[D];重庆大学;2015年

10 秦浩;基于密度的局部离群点挖掘及在入侵检测中应用研究[D];大连海事大学;2016年

  本文关键词：市政绩效评估数据聚类与均衡性的应用研究，由笔耕文化传播整理发布。

，

本文编号：367337