| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 研究中存在的问题 | 第12页 |
| 1.4 本文主要研究内容 | 第12-13页 |
| 1.5 本文各章节内容介绍 | 第13-16页 |
| 第二章 大数据时代的智能交通系统概述 | 第16-22页 |
| 2.1 智能交通系统 | 第16-17页 |
| 2.2 交通领域大数据应用概述 | 第17-18页 |
| 2.3 数据挖掘技术 | 第18-21页 |
| 2.3.1 数据挖掘简介 | 第18-19页 |
| 2.3.2 数据挖掘的一般过程 | 第19-21页 |
| 2.3.3 数据挖掘在交通上的应用 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 交通数据预处理 | 第22-30页 |
| 3.1 交通数据概述 | 第22-23页 |
| 3.2 数据预处理 | 第23-25页 |
| 3.2.1 缺失值处理 | 第24-25页 |
| 3.2.2 异常值处理 | 第25页 |
| 3.3 特征提取 | 第25-27页 |
| 3.4 数据时间分区 | 第27-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第四章 自学习分类算法研究 | 第30-38页 |
| 4.1 常用分类算法及其不足 | 第30-33页 |
| 4.2 基于ART网络的改进型自学习分类算法 | 第33-37页 |
| 4.2.1 ART(自适应谐振理论)网络简介 | 第33-35页 |
| 4.2.2 改进型自学习分类单元 | 第35-37页 |
| 4.3 本章小结 | 第37-38页 |
| 第五章 高频路段预测模型 | 第38-48页 |
| 5.1 高频路段预测分析 | 第38页 |
| 5.2 时空关联分析层(AST) | 第38-42页 |
| 5.2.1 关联分析概述 | 第39-40页 |
| 5.2.2 常用关联分析算法及其不足 | 第40-41页 |
| 5.2.3 基于夹层侧向生成网络的路段时空关联分析 | 第41-42页 |
| 5.3 概率计算层(PC) | 第42-44页 |
| 5.4 模型总结 | 第44-46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章 模型验证 | 第48-58页 |
| 6.1 PYTHON简介 | 第48页 |
| 6.2 利用PYTHON进行数据分析挖掘 | 第48页 |
| 6.3 模型实验与评估 | 第48-53页 |
| 6.4 模型效果和常规聚类统计算法对比 | 第53-55页 |
| 6.5 浅析高频路段的应用 | 第55-56页 |
| 6.6 本章小结 | 第56-58页 |
| 第七章 总结与展望 | 第58-60页 |
| 7.1 论文工作总结 | 第58-59页 |
| 7.2 未来工作展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录A 攻读硕士学位期间的科研效果 | 第66页 |