基于数据挖掘的路况预测预警系统研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景 | 第9-10页 |
| 1.1.1 路况预测预警发展概况 | 第9页 |
| 1.1.2 数据挖掘技术发展概况 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11页 |
| 1.3 研究目的及意义 | 第11-13页 |
| 1.3.1 研究目的 | 第11-12页 |
| 1.3.2 研究意义 | 第12-13页 |
| 1.4 研究主要内容及论文结构 | 第13-15页 |
| 第二章 数据挖掘基础理论 | 第15-23页 |
| 2.1 数据挖掘简介 | 第15-17页 |
| 2.1.1 数据挖掘定义 | 第15页 |
| 2.1.2 数据挖掘步骤 | 第15-16页 |
| 2.1.3 数据挖掘分类 | 第16-17页 |
| 2.2 聚类分析方法 | 第17-20页 |
| 2.2.1 聚类分析概述 | 第17页 |
| 2.2.2 聚类分析的数据类型及处理方法 | 第17-18页 |
| 2.2.3 主要聚类方法分类 | 第18-20页 |
| 2.3 关联规则挖掘 | 第20-22页 |
| 2.3.1 关联规则挖掘概述 | 第20-21页 |
| 2.3.2 经典的关联规则算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 改进的数据挖掘算法及其分析 | 第23-33页 |
| 3.1 聚类分析算法的改进与分析 | 第23-27页 |
| 3.1.1 经典K-means聚类分析算法 | 第23-24页 |
| 3.1.2 改进的K-means聚类分析算法 | 第24-25页 |
| 3.1.3 算法性能比较 | 第25-27页 |
| 3.2 关联规则挖掘算法改进与分析 | 第27-31页 |
| 3.2.1 经典Apriori关联规则算法 | 第27-28页 |
| 3.2.2 改进的Apriori关联规则算法 | 第28-30页 |
| 3.2.3 算法性能比较 | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 路况预测预警系统设计 | 第33-41页 |
| 4.1 车联网及车辆监控方案 | 第33-34页 |
| 4.1.1 车联网介绍 | 第33-34页 |
| 4.1.2 车辆监控方案设计 | 第34页 |
| 4.2 路况预测预警系统车载终端及其数据采集 | 第34-37页 |
| 4.2.1 车载终端设备 | 第34-35页 |
| 4.2.2 车载终端数据采集 | 第35-37页 |
| 4.3 通信网关 | 第37-38页 |
| 4.3.1 数据传输及处理 | 第37页 |
| 4.3.2 技术路线 | 第37-38页 |
| 4.4 web端设计 | 第38-39页 |
| 4.4.1 车联网中管理平台 | 第38页 |
| 4.4.2 路况预测预警系统中车辆监控平台 | 第38-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第五章 基于改进数据挖掘算法的路况预测预警系统 | 第41-59页 |
| 5.1 数据挖掘初期准备 | 第41-48页 |
| 5.1.1 数据类型 | 第41-45页 |
| 5.1.2 数据筛选与数据清洗 | 第45-48页 |
| 5.2 不同属性的聚类分析 | 第48-51页 |
| 5.2.1 路况预测的数据聚类分析 | 第48-50页 |
| 5.2.2 路况预警的数据聚类分析 | 第50-51页 |
| 5.3 基于聚类的关联规则挖掘 | 第51-53页 |
| 5.3.1 路况预测的挖掘 | 第51-52页 |
| 5.3.2 路况预警的挖掘 | 第52-53页 |
| 5.4 路况预测预警系统中挖掘结果的显示 | 第53-57页 |
| 5.4.1 登录及辅助模块 | 第53-55页 |
| 5.4.2 路况预测预警显示 | 第55-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-63页 |
| 6.1 创新与不足 | 第59-60页 |
| 6.1.1 论文总结与创新 | 第59-60页 |
| 6.1.2 不足与提升改善 | 第60页 |
| 6.2 未来发展与展望 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 论文成果清单 | 第69页 |
