| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 本文主要研究目标及路线 | 第11-12页 |
| 1.3 论文结构 | 第12-13页 |
| 第2章 相关工作综述 | 第13-25页 |
| 2.1 卡口系统及车牌识别研究现状 | 第13-14页 |
| 2.2 卡口车牌识别的方法 | 第14-17页 |
| 2.2.1 车牌定位 | 第14-15页 |
| 2.2.2 字符分割 | 第15-16页 |
| 2.2.3 字符识别 | 第16-17页 |
| 2.3 数据脱敏及脱敏对象识别 | 第17-19页 |
| 2.3.1 数据脱敏 | 第17-18页 |
| 2.3.2 数据脱敏方法 | 第18-19页 |
| 2.3.3 非结构化数据中的脱敏对象识别 | 第19页 |
| 2.4 知识发现研究现状 | 第19-23页 |
| 2.4.1 关联规则发现 | 第21-22页 |
| 2.4.2 聚类分析 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 公安交通数据预处理与脱敏 | 第25-41页 |
| 3.1 车辆卡口监控系统信息构成 | 第25-27页 |
| 3.2 数据挖掘的应用模式确立 | 第27-30页 |
| 3.3 车辆监控信息的准备 | 第30-35页 |
| 3.3.1 确定分析窗口 | 第30-31页 |
| 3.3.2 确定相关数据字段 | 第31-32页 |
| 3.3.3 数据预处理 | 第32-35页 |
| 3.4 基于条件随机场的敏感信息识别与脱敏 | 第35-39页 |
| 3.4.1 敏感数据分析及脱敏处理方法 | 第35页 |
| 3.4.2 CRF模型训练 | 第35-38页 |
| 3.4.3 实验与分析 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于聚类分析的卡口车辆行驶特征分析 | 第41-49页 |
| 4.1 车辆卡口信息的聚类分析模式 | 第41页 |
| 4.2 聚类分析算法简介 | 第41-43页 |
| 4.3 基于k-means算法的聚类分析实施 | 第43-45页 |
| 4.4 聚类分析实验结果 | 第45-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第5章 基于关联规则挖掘的卡口车辆数据分析 | 第49-59页 |
| 5.1 关联规则发现算法简介 | 第49-52页 |
| 5.1.1 Apriori算法原理 | 第49-50页 |
| 5.1.2 算法实施举例 | 第50-52页 |
| 5.2 关联规则挖掘在车辆监控信息分析的应用模式 | 第52-56页 |
| 5.2.1 卡口车辆数据信息属性的转换 | 第52-54页 |
| 5.2.2 关联规则挖掘的应用模式 | 第54-56页 |
| 5.3 基于Apriori算法的车辆使用习惯关联规则挖掘 | 第56-58页 |
| 5.3.1 关联规则挖掘步骤 | 第56-57页 |
| 5.3.2 关联规则发现结果 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 个人简历 | 第67页 |