基于相关性分析和频繁模式挖掘的驾驶行为关联性分析

发布时间：2023-03-12 01:18

　　现如今汽车行业的竞争非常激烈,如何提升自身产品的竞争力是所有汽车企业都面临的问题,随着车联网技术的发展,汽车企业意识到从软件角度提升驾驶员的驾驶体验也是个很好的选择,所以许多汽车企业都希望通过开发一些智能化的提醒服务来为用户提供更好的驾驶体验。因此,本文通过对人的身体状态、出行日期、出行目的地、有无同乘人等因素与驾驶员驾驶行为之间关联关系的研究,为汽车企业探索智能化提醒服务提供决策支持。首先,通过手环采集驾驶员的健康数据,包括压力、疲劳度、血压等,通过安卓手机的APP采集GPS数据、用户上传的APP行程数据、同乘人数、同乘人员类型、交通数据等,通过OBD(车载诊断系统)采集车辆的行程数据,包括点火、熄火、运行中、急加速次数、急减速次数等;然后,制定数据质量评估指标,对数据质量进行评估,包括数据的完整性、准确性、有效性、关联性、冗余性等,并对异常样本数据进行处理;接着,提出关联性分析假说,并使用相关性分析方法中的斯皮尔曼相关性系数对数值类型数据进行相关性分析,使用相关性分析方法中的卡方检验对分类类型数据进行相关性分析;最后,使用Apriori算法挖掘假说中未提出的潜在关联关系。分析结果表...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 本文主要内容及结构
2 相关理论与技术
    2.1 数据可视化
    2.2 相关系数
    2.3 卡方检验
    2.4 关联规则
    2.5 统计学意义
    2.6 本章小结
3 驾驶行为关联性分析
    3.1 数据采集与存储
    3.2 数据表单项质量评估
    3.3 数据关联情况质量评估
    3.4 数据处理
    3.5 相关性分析
    3.6 频繁模式挖掘
    3.7 本章小结
4 实验结果及分析
    4.1 相关系数分析结果
    4.2 卡方检验分析结果
    4.3 数据挖掘结果
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 关联规则
作者简历
学位论文数据集



本文编号：3760638