基于数据挖掘技术的运输车辆预警分析研究

发布时间：2023-03-24 04:16

　　随着经济的快速发展和城市规模的迅速扩大,车流量持续增加,产生巨量交通流量数据的交通问题成了急需解决的问题。在交通领域,道路运输企业产生的数据占据了很大一部分,同时也是最容易监测和管理的一部分。管理好道路运输企业车辆,对改善我国交通安全状况有至关重要的作用。数据挖掘技术是数据库知识发现的重要环节之一,目的是从海量复杂数据中挖掘出潜在的高价值数据。其意义在于挖掘所产生的知识可以用于决策支持、信息管理、科学研究等。数据挖掘技术在交通安全方向的研究,是具有利用价值的,如何利用好海量复杂的交通数据,挖掘出其隐含的意义,一直是交通数据研究的重点。本文基于数据挖掘技术,对云南省运输企业海量车辆报警数据展开研究,对车辆的安全性进行分析,对危险车辆进行预警。基于Python分析和处理数据,在类型、时间、区域等维度对海量运输企业车辆报警数据进行分析,挖掘其中有意义的信息;基于LSTM时间序列模型对车辆报警情况进行数据预测,深入分析每辆车的具体情况,提出具有针对性的预警信息;结合Web GIS可视化技术、百度地图API将数据挖掘结果进行可视化。本文深入分析运输车辆数据挖掘结果,提出相应决策支持建议。设计了可...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 引言
    1.1 研究背景与研究意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 交通大数据研究
        1.2.2 数据挖掘技术研究
    1.3 研究的内容和主要工作
        1.3.1 研究的内容
        1.3.2 本文主要工作
        1.3.3 本文的特色与创新
        1.3.4 论文组织结构
第二章 关键技术
    2.1 数据挖掘技术
    2.2 LSTM时间序列预测模型
        2.2.1 LSTM基本概念
        2.2.2 LSTM时间序列预测模型特点
    2.3 均方误差评估算法
    2.4 Web GIS数据可视化技术
第三章 基于数据统计的报警信息增长趋势与区域特性分析
    3.1 报警信息增长趋势分析
        3.1.1 基于报警类型的数量统计及增长趋势分析
        3.1.2 基于报警对象的报警情况统计分析
    3.2 区域特性分析
        3.2.1 紧急报警区域性特点
        3.2.2 疲劳驾驶报警区域性特点
        3.2.3 超速报警区域性特点
第四章 基于LSTM的车辆报警数据预测与准确度评估
    4.1 数据预处理
    4.2 特征选择
    4.3 预测模型训练与数据预测
        4.3.1 定义LSTM时间序列模型函数
        4.3.2 定义训练函数
        4.3.3 定义预测函数
    4.4 结果评估
第五章 展示系统与综合分析
    5.1 展示系统
        5.1.1 开发环境
        5.1.2 系统架构设计
        5.1.3 功能模块设计
        5.1.4 系统数据结构
        5.1.5 系统展示
    5.2 综合分析
第六章 总结与展望
    6.1 总结
    6.2 未来展望
参考文献
攻读硕士学位期间完成的科研成果
致谢



本文编号：3769427