基于数据挖掘的高速公路营运决策支持技术研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 高速公路的信息化与数据挖掘现状 | 第11-14页 |
| 1.3 本文主要内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 高速公路营运决策支持总体框架设计 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 高速公路智慧营运管理平台的引入 | 第16-19页 |
| 2.2.1 高速公路联网收费系统介绍 | 第17页 |
| 2.2.2 高速公路联网收费系统数据特点 | 第17-18页 |
| 2.2.3 新型智慧型营运管理平台概念 | 第18-19页 |
| 2.3 面向营运决策支持的数据挖掘框架 | 第19-23页 |
| 2.3.1 数据仓库与数据挖掘技术 | 第19-22页 |
| 2.3.2 挖掘系统框架构建 | 第22-23页 |
| 2.4 数据挖掘工作对营运决策的支持 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于神经网络的高速公路交通流预测 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 高速公路车流量特性与预测可行性分析 | 第25-26页 |
| 3.3 基于BP神经网络交通流的分析与预测 | 第26-32页 |
| 3.3.1 基于神经网络的交通流模型的建立 | 第26-29页 |
| 3.3.2 交通流预测的实例验证 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 多因素融合的路段行程时间预测 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 行程时间及行程时间预测的定义 | 第33-35页 |
| 4.3 路段行程时间预测模型与方法概述 | 第35-36页 |
| 4.4 多因素融合路段行程时间预测模型 | 第36-39页 |
| 4.4.1 传统路段行程时间预测方法 | 第36-37页 |
| 4.4.2 多因素融合的行程时间预测模型的建立 | 第37-39页 |
| 4.5 多因素行程时间预测实例 | 第39-42页 |
| 4.5.1 多因素的选择与数据预处理 | 第39-40页 |
| 4.5.2 预测与结果分析 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 基于历史数据基础上的收费稽查 | 第43-56页 |
| 5.1 引言 | 第43-44页 |
| 5.2 偷逃通行费用异常现象分析 | 第44-48页 |
| 5.2.1 假冒类 | 第45页 |
| 5.2.2 作弊类 | 第45-47页 |
| 5.2.3 缺陷类 | 第47页 |
| 5.2.4 违规类 | 第47-48页 |
| 5.3 收费稽查的关键技术与挖掘环境 | 第48-51页 |
| 5.3.1 逃费稽查的可行性 | 第48页 |
| 5.3.2 逃费稽查的数据挖掘工具 | 第48-49页 |
| 5.3.3 逃费稽查的数据挖掘算法 | 第49-51页 |
| 5.4 收费稽查的实例验证 | 第51-54页 |
| 5.4.1 车型不符稽查 | 第51-54页 |
| 5.5 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间发表的论文 | 第63页 |
