| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题背景及研究目的和意义 | 第9-13页 |
| 1.1.1 现阶段交通状况概述 | 第9-10页 |
| 1.1.2 我国交通存在的问题及影响 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 智能交通系统发展的概述 | 第13-15页 |
| 1.2.2 数据聚类分析 | 第15-16页 |
| 1.2.3 交通拥堵程度评定规则 | 第16-17页 |
| 1.3 主要研究工作 | 第17-19页 |
| 1.4 论文结构与安排 | 第19-20页 |
| 第2章 数据预处理 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 时空数据分析 | 第20-22页 |
| 2.2.1 时空数据 | 第20-22页 |
| 2.2.2 分析时空数据的方法 | 第22页 |
| 2.3 出租车GPS数据集介绍 | 第22-24页 |
| 2.4 GPS数据集去噪 | 第24-28页 |
| 2.4.1 车辆GPS数据噪声分析 | 第24-25页 |
| 2.4.2 GPS数据去噪依据 | 第25-27页 |
| 2.4.3 出租车GPS数据清理 | 第27-28页 |
| 2.5 数据时间片分割 | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于距离的聚类算法发现交通拥堵区域 | 第29-40页 |
| 3.1 引言 | 第29页 |
| 3.2 基于K-means算法的时间片数据集聚类 | 第29-33页 |
| 3.2.1 K-means算法原理 | 第29-30页 |
| 3.2.2 时间片数据基于优化K-means算法聚类 | 第30-33页 |
| 3.3 基于DBSCAN算法的时间片数据集聚类 | 第33-37页 |
| 3.3.1 DBSCAN算法相关定义及原理 | 第33-35页 |
| 3.3.2 时间片数据基于DBSCAN算法聚类 | 第35-37页 |
| 3.4 判定交通拥堵区域 | 第37-39页 |
| 3.4.1 交通状态判定依据 | 第37-38页 |
| 3.4.2 发现交通拥堵区域 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于马尔可夫链模型的交通拥堵区域预测 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 马尔可夫链（DTMC）原理 | 第40-42页 |
| 4.3 Markov链预测区域状态模型 | 第42-44页 |
| 4.4 预测交通拥堵区域 | 第44-46页 |
| 4.4.1 道路交通情况短期预测 | 第44-45页 |
| 4.4.2 道路交通情况长期预测 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 实验结果及分析 | 第47-56页 |
| 5.1 引言 | 第47页 |
| 5.2 时间片基于密度聚类实验结果及对比 | 第47-52页 |
| 5.2.1 K-means聚类算法与DBSCAN聚类实验结果 | 第47-50页 |
| 5.2.2 两种算法的实验结果对比分析 | 第50-52页 |
| 5.3 交通拥堵区域的发现 | 第52-53页 |
| 5.4 基于马尔可夫模型预测交通拥堵区域实验结果 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间发表的学术论文 | 第60-62页 |
| 致谢 | 第62页 |