| 摘要 | 第1-7页 |
| Abstract | 第7-17页 |
| 第一章 绪论 | 第17-37页 |
| ·课题来源 | 第17-18页 |
| ·研究背景和意义 | 第18-21页 |
| ·研究的应用背景 | 第18-19页 |
| ·研究的知识背景 | 第19-20页 |
| ·研究的意义 | 第20-21页 |
| ·国内外研究现状 | 第21-31页 |
| ·数据挖掘理论研究和发展现状 | 第21-28页 |
| ·数据挖掘技术在交通运输领域的研究和应用现状 | 第28-30页 |
| ·数据仓库和云计算在交通运输的研究和应用现状 | 第30-31页 |
| ·主要研究内容与研究目标 | 第31-32页 |
| ·研究内容 | 第31-32页 |
| ·研究目标 | 第32页 |
| ·研究方案与论文组织结构 | 第32-36页 |
| ·研究方法 | 第32-33页 |
| ·技术路线 | 第33-35页 |
| ·论文结构 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第二章 道路运输信息系统及数据源的基本理论研究 | 第37-56页 |
| ·道路运输信息系统基本概念 | 第37页 |
| ·道路运输信息系统模型架构内容 | 第37-43页 |
| ·业务架构 | 第37-40页 |
| ·应用架构 | 第40页 |
| ·数据架构 | 第40-42页 |
| ·技术架构 | 第42-43页 |
| ·模型架构设计思路 | 第43页 |
| ·道路运输信息系统数据仓库 | 第43-49页 |
| ·数据仓库的特点 | 第43-44页 |
| ·数据仓库关键概念 | 第44-47页 |
| ·数据仓库体系规划 | 第47-49页 |
| ·特殊数据集市 IC 卡道路运输电子证件系统的设计及应用 | 第49-55页 |
| ·IC 卡道路运输电子证件系统简介 | 第49-50页 |
| ·IC 卡道路运输电子证件系统标准设计 | 第50-51页 |
| ·IC 卡道路运输证数据设计 | 第51-54页 |
| ·IC 卡道路运输电子证件数据集市 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第三章 基于优化关联规则方法的道路运输管理数据挖掘研究 | 第56-66页 |
| ·经典 APRIORI 算法 | 第56-58页 |
| ·优化 APRIORI 算法 | 第58-60页 |
| ·剪枝优化技术 | 第60-61页 |
| ·剪枝理论研究 | 第60页 |
| ·Eclat 新算法实证 | 第60-61页 |
| ·利用 MAPREDUCE 进一步改进 ECLAT 算法 | 第61-64页 |
| ·MapReduce 计算模型 | 第61-62页 |
| ·设计 Map 函数和 Reduce 函数 | 第62-64页 |
| ·应用验证 | 第64-65页 |
| ·问题的提出 | 第64页 |
| ·建立计算模型 | 第64页 |
| ·计算分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 道路运输信息系统中的分类数据挖掘方法 | 第66-88页 |
| ·基于 KNN 算法的分类数据挖掘 | 第66-69页 |
| ·算法基础 | 第66页 |
| ·应用实例分析 | 第66-69页 |
| ·基于决策树的分类数据挖掘 | 第69-73页 |
| ·方法的理论基础 | 第69-72页 |
| ·应用实例分析 | 第72-73页 |
| ·贝叶斯分类数据挖掘 | 第73-75页 |
| ·算法基础 | 第73-74页 |
| ·应用实例分析 | 第74-75页 |
| ·类 BP 神经网络的全省公交一卡通数据挖掘方法 | 第75-87页 |
| ·BP 神经网络算法基础 | 第75-77页 |
| ·全省公交一卡通数据挖掘问题 | 第77-80页 |
| ·类 BP 神经网络推算模型的构建和应用 | 第80-87页 |
| ·本章小结 | 第87-88页 |
| 第五章 基于关联规则和粗糙集的优化分类数据挖掘方法 | 第88-100页 |
| ·分类数据挖掘问题的粗糙集抽象模型 | 第88-92页 |
| ·粗糙集理论知识 | 第88-89页 |
| ·粗糙集分类数据挖掘 | 第89-90页 |
| ·粗糙集属性约简方法 | 第90-92页 |
| ·基于粗糙集和关联规则算法的数据挖掘优化方法 | 第92-95页 |
| ·基于关联规则的决策表分类器求解过程 | 第93-94页 |
| ·粗糙集和优化关联规则方法的整合研究 | 第94-95页 |
| ·基于粗糙集属性约简方法的道路运输信息系统数据挖掘应用实例 | 第95-96页 |
| ·问题的提出 | 第95-96页 |
| ·解决方法 | 第96页 |
| ·基于粗糙集和优化关联的道路道路运输信息系统数据挖掘应用实例 | 第96-99页 |
| ·决策属性与决策表 | 第96-97页 |
| ·数据预处理 | 第97-98页 |
| ·约简条件属性集 | 第98页 |
| ·得到关联规则 | 第98-99页 |
| ·得到规则条数与支持度、置信度的关系 | 第99页 |
| ·本章小结 | 第99-100页 |
| 第六章 基于属性维划分和并行计算技术的空间聚类方法 | 第100-109页 |
| ·DBSCAN 算法 | 第100-102页 |
| ·基本理论 | 第100-101页 |
| ·传统 DBSCAN 方法的不足和优化的思路 | 第101-102页 |
| ·基于属性维划分和 MAPREDUCE 的 DBSCAN 优化方法理论研究 | 第102-104页 |
| ·属性维划分的概念 | 第102页 |
| ·簇合并理论 | 第102-103页 |
| ·簇合并判断运算剪枝 | 第103-104页 |
| ·DBSCAN 优化方法设计 | 第104页 |
| ·DBSCAN 优化方法在 MAPREDUCE 模型上的实现 | 第104-106页 |
| ·流程设计 | 第104-105页 |
| ·设定对 | 第105页 |
| ·执行策略 | 第105-106页 |
| ·应用验证 | 第106-108页 |
| ·数据挖掘目标 | 第106页 |
| ·定义数据对象 | 第106页 |
| ·定义属性维 | 第106-107页 |
| ·方法的应用实例 | 第107-108页 |
| ·本章小结 | 第108-109页 |
| 第七章 广东省道路运输信息系统数据挖掘技术应用与综合实现 | 第109-143页 |
| ·广东省道路运输信息系统模型架构的设计 | 第109-121页 |
| ·业务架构 | 第109-111页 |
| ·数据架构 | 第111-116页 |
| ·应用架构 | 第116-117页 |
| ·技术架构 | 第117-120页 |
| ·道路运输信息系统架构对数据挖掘的影响分析 | 第120-121页 |
| ·广东省道路运输信息系统数据挖掘的需求分析 | 第121-125页 |
| ·广东省道路运输信息系统数据挖掘总体解决思路 | 第125页 |
| ·数据挖掘全过程的综合实现 | 第125-142页 |
| ·运行环境 | 第126页 |
| ·数据挖掘分析主题 | 第126页 |
| ·数据挖掘分析流程 | 第126-127页 |
| ·整体设计方案 | 第127-133页 |
| ·基于 Cognos 的模型实现 | 第133-142页 |
| ·本章小结 | 第142-143页 |
| 结论与展望 | 第143-146页 |
| 参考文献 | 第146-155页 |
| 附录1：并行 NECLAT 核心代码 | 第155-158页 |
| 附录2 类 BP 神经网络权值矩阵推算核心代码 | 第158-162页 |
| 附录3 基于属性维和 MAPREDUCE 的 DBSCAN 方法核心代码 | 第162-165页 |
| 附录4 ETL 过程脚本 | 第165-167页 |
| 攻读博士学位期间取得的研究成果 | 第167-169页 |
| 致谢 | 第169-170页 |
| 附件 | 第170页 |
