基于聚类分析和决策树算法的交通流量挖掘

发布时间：2017-10-17 13:01

  本文关键词：基于聚类分析和决策树算法的交通流量挖掘

  更多相关文章： 数据挖掘 聚类分析 C4.5算法 交通拥塞

【摘要】：城市道路交通是智能交通系统的重要组成部分,其最大特点就是交叉口错综复杂,交叉口处的车流量之间相互影响,因此交叉口的通行状况将会直接决定道路的拥堵程度,道路交叉口已经成为整个道路交通网的研究重点。本文针对城市道路交通中交叉口累积的海量交通流量数据,利用数据挖掘技术对其进行分析和处理进而发现隐含的交通流模式,为缓解交通压力、优化交通路网,实现道路交通管理智能化提供技术支持。本文首先分析城市道路交通流的基本特征,在交叉口交通流调查分析的基础上分别应用层次聚类和K-means聚类算法对采集的交通流数据进行聚类分析,使空间关联性强的交通流序列聚为一类,得出城市道路空间分布特性;然后比较层次聚类和K-means聚类算法的效果,对层次聚类算法进行改进,使得改进后的聚类算法更具有伸缩性;在分析聚类结果的基础上对交通流数据进行预处理,加入相关的交通流属性生成对应的训练集,并用改进后的决策树C4.5算法对该训练集进行分类生成道路拥塞分类器,提高了分类的时效性和预测的精确度;最后将生成的分类器用于实时动态交通流数据中,对交叉口的交通拥塞状况进行预测。实验结果表明:将改进后的聚类算法和决策树算法用于分析交叉口交通运行状态是可行的,并能够获得较好的预测精度。
【关键词】：数据挖掘 聚类分析 C4.5算法 交通拥塞
【学位授予单位】：江苏科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491;TP311.13
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 研究背景与意义11
• 1.2 国内外研究现状11-14
• 1.2.1 国外研究现状12
• 1.2.2 国内研究现状12-14
• 1.3 本文研究内容与组织结构14-17
• 1.3.1 本文研究内容14-15
• 1.3.2 本文组织结构15-17
• 第2章 城市道路交通数据概述17-25
• 2.1 交通流相关概念17-20
• 2.1.1 交通流参数17-19
• 2.1.2 道路交叉口通行能力19
• 2.1.3 道路交通拥塞度量指标19-20
• 2.2 智能交通数据采集与预处理20-24
• 2.2.1 道路交通数据采集方式20-21
• 2.2.2 交通数据预处理21-22
• 2.2.3 道路交通数据离散化22-24
• 2.3 本章小结24-25
• 第3章 城市道路交通流数据挖掘方法25-37
• 3.1 数据挖掘概述25-27
• 3.1.1 数据挖掘概念25-26
• 3.1.2 数据挖掘的基本任务26-27
• 3.2 聚类分析27-33
• 3.2.1 聚类算法中的数据结构和数据类型27-30
• 3.2.3 聚类分析中的算法描述30-33
• 3.3 决策树分析33-36
• 3.3.1 决策树分析机理33-34
• 3.3.2 ID3算法34-35
• 3.3.3 C4.5 算法35-36
• 3.4 本章小结36-37
• 第4章 聚类分析在道路交通流量分析中的应用37-57
• 4.1 交通流数据的特征分析37-45
• 4.1.1 交通流数据特征37-39
• 4.1.2 交叉路口交通流调查分析39-45
• 4.2 交通流的空间聚类45-48
• 4.2.1 交通流空间分布45-46
• 4.2.2 交通流空间聚类标准46-48
• 4.3 聚类分析方法在交通流时间序列中的应用48-52
• 4.3.1 层次聚类方法49-51
• 4.3.2 K-means聚类方法51-52
• 4.3.3 两种聚类方法的比较52
• 4.4 层次聚类算法的改进52-56
• 4.4.1 层次聚类算法复杂度分析52-53
• 4.4.2 基于层次聚类算法的改进设计53-55
• 4.4.3 实验结果分析55-56
• 4.5 本章小结56-57
• 第5章 基于决策树分析的交通运行状态预测57-71
• 5.1 交通流数据属性的选取57-59
• 5.2 分类器算法的设计与实现59-61
• 5.2.1 C4.5 分类算法的优缺点59
• 5.2.2 基于C4.5 分类算法的改进设计59-60
• 5.2.3 算法分析测试60-61
• 5.3 交通拥塞分类器的设计与实现61-70
• 5.3.1 分类器思想61-62
• 5.3.2 交通流分类器设计62
• 5.3.3 交通流分类器实现62-69
• 5.3.4 实验结果分析69-70
• 5.4 本章小结70-71
• 第6章 总结与展望71-73
• 6.1 总结71-72
• 6.2 展望72-73
• 参考文献73-77
• 攻读硕士期间发表的学术论文77-79
• 致谢79

【相似文献】

中国期刊全文数据库 前10条

1 赛从瑞;袖珍机辅助排序聚类分析的程序设计与应用[J];成组生产系统;1987年04期

2 李慕荣;基于聚类分析的安徽企业R&D资源分布研究[J];合肥工业大学学报(自然科学版);2004年11期

3 孙冰心;王利民;崔丽霜;庞永俊;;基于谱系聚类分析的集装箱装箱方案优化研究[J];铁道运输与经济;2006年08期

4 刘恩华;张嘉禾;金正青;;聚类分析在汽车市场营销中的应用[J];上海汽车;2010年10期

5 廖春梅;;利用聚类分析对全国各地经济效益进行评价分析[J];企业技术开发;2011年09期

6 蔡建国;;排序聚类分析在成组技术中的应用[J];机械工艺师;1985年01期

7 董玉祥;排序聚类分析计算程序[J];成组生产系统;1986年01期

8 A·Gongaware,Inyong Ham,焦虹;用于成组制造系统的聚类分析法[J];成组生产系统;1986年02期

9 史逸芬,蔡建国;排序聚类分析法在相似零件成组中的应用[J];成组生产系统;1986年03期

10 李健萍;;关于沸石水泥的聚类分析[J];武汉工业大学学报;1986年01期

中国重要会议论文全文数据库 前10条

1 梅翠;;我国各地区居民收入差距及其对消费的制约[A];中国现场统计研究会第12届学术年会论文集[C];2005年

2 李均立;傅国华;;海南各县(市)经济实力的聚类分析[A];中国现场统计研究会第12届学术年会论文集[C];2005年

3 刘黄金;曹林峰;;南京服务业发展的聚类分析[A];江苏省现场统计研究会第十次学术年会论文集[C];2006年

4 肖静;杨泽峰;徐辰武;;微阵列表达谱监督聚类分析方法的比较研究[A];江苏省遗传学会第七届代表大会暨学术研讨会论文摘要汇编[C];2006年

5 路爱峰;崔玉杰;;沪市电力上市公司经营业绩的聚类分析[A];中国数学力学物理学高新技术交叉研究学会第十二届学术年会论文集[C];2008年

6 陈国华;廖小莲;夏君;;证券投资分析的聚类分析方法[A];中国企业运筹学[2011（1）][C];2011年

7 张红卫;隗金水;;聚类分析评价与测量效度关系探讨[A];第九届全国体育科学大会论文摘要汇编(4)[C];2011年

8 牛东晓;乞建勋;;网络资源平衡问题的聚类分析优化遗传算法研究[A];2001年中国管理科学学术会议论文集[C];2001年

9 詹原瑞;彭书杰;李如一;;基于聚类分析的企业信用等级评价方法[A];西部开发与系统工程——中国系统工程学会第12届年会论文集[C];2002年

10 邹晓玫;修春波;;基于聚类分析的犯罪率相关因素的研究[A];当代法学论坛（二○一○年第3辑）[C];2010年

中国博士学位论文全文数据库 前4条

1 张建萍;基于计算智能技术的聚类分析研究与应用[D];山东师范大学;2014年

2 李成安;分布式环境下聚类分析新方法的研究[D];浙江大学;2006年

3 杨旭杰;基于统计方法模型分析的中药复方专利保护研究[D];北京中医药大学;2012年

4 李宝玲;王裕颐教授学术思想与临床经验总结及治疗眩晕证治规律研究[D];北京中医药大学;2012年

中国硕士学位论文全文数据库 前10条

1 李元俊;大学生就业能力培养与社会需求的匹配性研究[D];山东建筑大学;2015年

2 冯雪冰;基于模糊理论的EM算法在聚类分析的应用研究[D];中国地质大学(北京);2015年

3 张沛之;基于聚类分析的海报风格分类之研究[D];青岛大学;2015年

4 何力骜;基于聚类分析的激光诱导击穿光谱爆炸物识别技术研究[D];北京理工大学;2016年

5 赵文睿;基于聚类分析的中国房地产企业信用评级实证研究[D];吉林大学;2016年

6 贾伟;基于聚类分析和灰色模型的短期雷击预警系统设计[D];吉林大学;2016年

7 栾海洋;动车组质量数据聚类分析研究与应用[D];北京交通大学;2016年

8 黄智函;盗窃犯罪时空分布特征研究[D];福州大学;2014年

9 王冰冰;双类型信息网络聚类分析[D];吉林大学;2016年

10 刘剑;基于聚类分析的CAM模板自动提取的研究[D];华中科技大学;2014年

，

本文编号：1048960