数据挖掘技术在智慧交通中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外发展现状 | 第15-17页 |
| 1.3 本文研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第二章 相关理论基础 | 第20-28页 |
| 2.1 智慧城市 | 第20-21页 |
| 2.1.1 智慧城市与智慧交通 | 第20页 |
| 2.1.2 智慧交通相关技术 | 第20-21页 |
| 2.2 数据挖掘简介 | 第21-24页 |
| 2.2.1 数据挖掘概念 | 第22-23页 |
| 2.2.2 数据挖掘过程 | 第23-24页 |
| 2.2.3 数据挖掘应用场景 | 第24页 |
| 2.3 现有交通流预测方法 | 第24-26页 |
| 2.3.1 基于统计线性理论模型 | 第25页 |
| 2.3.2 基于非线性系统理论模型 | 第25页 |
| 2.3.3 基于人工智能模型 | 第25页 |
| 2.3.4 基于混合模型 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 短时车流量预测 | 第28-40页 |
| 3.1 支持向量机系列方法 | 第29-31页 |
| 3.1.1 支持向量机原理 | 第29-30页 |
| 3.1.2 最小二乘支持向量机 | 第30-31页 |
| 3.2 小波相关理论 | 第31-36页 |
| 3.2.1 小波变换 | 第32-33页 |
| 3.2.2 连续小波变换 | 第33页 |
| 3.2.3 离散小波变换 | 第33-34页 |
| 3.2.4 小波分解与重构 | 第34-36页 |
| 3.3 组合模型 | 第36-39页 |
| 3.3.1 组合模型原理 | 第36-37页 |
| 3.3.2 预测效果及分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 车辆画像 | 第40-48页 |
| 4.1 数据分析 | 第40-42页 |
| 4.1.1 数据预处理 | 第40-41页 |
| 4.1.2 描述性分析 | 第41-42页 |
| 4.1.3 变量分析 | 第42页 |
| 4.2 K-means聚类算法 | 第42-44页 |
| 4.2.1 算法描述 | 第43-44页 |
| 4.2.2 最优K值确定方法 | 第44页 |
| 4.3 聚类结果及分析 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 第五章 犯罪团伙车辆发现 | 第48-58页 |
| 5.1 轨迹相似度挖掘 | 第48-53页 |
| 5.1.1 最小描述长度算法 | 第48-50页 |
| 5.1.2 矢量方向判别特征点提取 | 第50-52页 |
| 5.1.3 轨迹相似度计算 | 第52-53页 |
| 5.2 伴随车辆发现 | 第53-56页 |
| 5.2.1 指定车牌的当时伴随车辆发现 | 第54-55页 |
| 5.2.2 指定车牌的历史伴随车辆发现 | 第55-56页 |
| 5.3 本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 主要结论 | 第58-59页 |
| 6.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
