基于特性分析的交通流时间序列聚类

发布时间：2018-01-30 14:42

  本文关键词： 交通流时间序列 聚类 特征分析 相似性度量　出处：《北京交通大学》2017年硕士论文　论文类型：学位论文

【摘要】：聚类算法作为一种重要的数据挖掘技术,能够从海量数据中挖掘出数据的模式分布,包括完成对交通流时间序列的模式划分,提取出交通流时间序列中的深层信息,达到知识发现的目的。通常情况下,交通流时间序列具有周期性、大数据量、高噪声、早晚高峰等特征,使得一般的聚类算法无法高质高效地应用于交通流时间序列的聚类。因此,本文针对交通流时间序列聚类问题,结合交通流时间序列特征分析,提出了一种基于组合型相似性度量的神经网络聚类算法。具体研究内容包括:1.交通流时间序列的特征分析。通过特征分析,结合欧氏距离和Pearson相关系数两种相似性度量,提出EP系数(Euclidean Metric-Pearson Correlation Coefficient)作为交通流时间序列的相似性度量方法,用于度量交通流时间序列的统计特征和形态特征;2.交通流时间序列聚类对比研究及模型建立。通过对k-均值、PAM、层次聚类、SOM神经网络聚类的结果进行对比分析,结合交通流时间序列数据的特征,确定使用SOM神经网络作为交通流时间序列数据的聚类算法;3.交通流时间序列聚类案例分析。采用基于EP系数的SOM神经网络作为聚类算法进行案例分析,对实测交通流时间序列数据进行聚类,并通过对比研究EP系数中欧氏距离和Pearson相关系数的权值取值对聚类结果的影响。聚类结果表明,本文所提出的聚类算法能够有效地识别出交通流时间序列的统计特征和形态特征。本文的主要创新点在于提出了一个适用于交通流时间序列的聚类模型。该模型能够根据当前交通流状态预测未来交通流时间序列的变化趋势,一方面能够便于管理部门提前确定需采取的管理模式,提高对管理资源的利用效率;另一方面能够通过预测结果与实时监控结果的对比,发现道路上的突发情况,加快对突发情况的反应速度。
[Abstract]:This paper presents a clustering algorithm for traffic flow time series by analyzing the characteristics of traffic flow time series .

【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：U491.112

【参考文献】

相关期刊论文 前10条

1 朱广宇;杜崇;张彭;;基于基线漂移校正的旅行时间预测模型[J];华南理工大学学报(自然科学版);2016年08期

2 王梦雪;;数据挖掘综述[J];软件导刊;2013年10期

3 弓晋丽;彭贤武;;交通流时间序列模式相似性度量法[J];计算机工程与应用;2015年06期

4 宋辞;裴韬;;基于特征的时间序列聚类方法研究进展[J];地理科学进展;2012年10期

5 徐维超;;相关系数研究综述[J];广东工业大学学报;2012年03期

6 周涛;陆惠玲;;数据挖掘中聚类算法研究进展[J];计算机工程与应用;2012年12期

7 蔡敏;;小波阈值法降噪分析与改进[J];信息与电子工程;2011年02期

8 夏鲁宁;荆继武;;SA-DBSCAN:一种自适应基于密度聚类算法[J];中国科学院研究生院学报;2009年04期

9 孙旭;;时间序列全局特征聚类分析方法及其应用[J];统计教育;2009年03期

10 孙吉贵;刘杰;赵连宇;;聚类算法研究[J];软件学报;2008年01期

相关博士学位论文 前3条

1 李海林;时间序列数据挖掘中的特征表示与相似性度量方法研究[D];大连理工大学;2012年

2 白雪;聚类分析中的相似性度量及其应用研究[D];北京交通大学;2012年

3 张保稳;时间序列数据挖掘研究[D];西北工业大学;2002年

相关硕士学位论文 前10条

1 范剑锋;时间序列数据特征选择和预测方法研究[D];南京大学;2016年

2 鹿高娜;基于D-S证据理论的融合事件检测算法研究[D];北京交通大学;2016年

3 黄晓琴;交通客流时间序列数据的聚类挖掘研究[D];电子科技大学;2015年

4 李深洛;基于特征的时间序列聚类[D];广西师范大学;2014年

5 缪元武;基于层次聚类的数据分析[D];安徽大学;2013年

6 朱建宇;K均值算法研究及其应用[D];大连理工大学;2013年

7 胡先伟;小波降噪算法及IP软核实现技术[D];西安电子科技大学;2013年

8 熊华乔;基于模型聚类的说话人识别方法研究[D];武汉理工大学;2012年

9 李强;交通流时间序列的聚类分析方法及应用[D];北京交通大学;2012年

10 吴文亮;聚类分析中K-均值与K-中心点算法的研究[D];华南理工大学;2011年

，

本文编号：1476486