首页--交通运输论文--公路运输论文--交通工程与公路运输技术管理论文--交通工程与交通管理论文--交通事故论文--交通事故处理、分析与统计论文

基于数据挖掘的道路交通事故分析研究

致谢第1-6页
摘要第6-8页
ABSTRACT第8-17页
1 绪论第17-25页
   ·研究背景第17-20页
     ·全球道路交通安全形势第17-18页
     ·国内道路交通安全形势第18-20页
   ·研究目的和意义第20-21页
   ·研究内容和技术路线第21-24页
   ·依托项目第24-25页
2 国内外研究综述第25-37页
   ·道路交通事故严重程度分析方法第25-28页
     ·现有方法回顾第26-27页
     ·综合评述第27-28页
   ·道路交通事故预测第28-32页
     ·现有方法回顾第28-32页
     ·综合评述第32页
   ·道路交通事故数据挖掘第32-35页
     ·现有方法回顾第32-35页
     ·综合评述第35页
   ·本章小结第35-37页
3 道路交通事故影响因素分析与信息采集第37-57页
   ·道路交通事故影响因素分析第37-42页
     ·人的影响因素第37-39页
     ·车辆的影响因素第39-40页
     ·道路因素第40-41页
     ·环境因素第41-42页
   ·道路交通事故信息采集现状第42-49页
     ·国外道路交通事故数据的采集与分析第42-44页
     ·国内道路交通事故数据的采集与分析第44-47页
     ·国内外道路交通事故信息采集对比研究第47-49页
   ·事故因素指标的统计分布特征分析第49-56页
     ·道路交通事故时间分布特征第50-51页
     ·道路交通事故类型分布特征第51-53页
     ·道路交通事故人员及车辆分布特征第53-54页
     ·道路交通事故道路与环境分布特征第54-56页
   ·本章小结第56-57页
4 道路交通事故严重程度分类识别模型第57-81页
   ·支持向量机第57-66页
     ·支持向量机SVM第57-60页
     ·孪生支持向量机TWSVM第60-62页
     ·参数化间隔par-v-SVM第62-63页
     ·参数化间隔孪生支持向量机TPMSVM第63-66页
   ·基于TPMSVM的事故严重程度分类识别模型第66-72页
     ·事故严重程度分类建模的数据准备第66-69页
     ·多分类SVM算法第69-71页
     ·基于特征选择的事故严重程度影响因素分析第71-72页
   ·实证研究第72-78页
     ·二分类事故严重程度TPMSVM建模第72-76页
     ·多分类事故严重程度TPMSVM建模第76-78页
   ·本章小结第78-81页
5 道路交通事故时间序列组合预测和趋势分析第81-103页
   ·基于ARIMA和SVR的组合预测模型第81-95页
     ·时间序列ARIMA模型第81-84页
     ·支持向量回归机SVR第84-86页
     ·组合预测模型建模思路第86-87页
     ·实证研究第87-95页
   ·基于信息粒化SVR的道路交通事故指标趋势分析第95-101页
     ·模糊信息粒化方法模型第95-97页
     ·基于模糊信息粒化的SVR建模第97-98页
     ·实证研究第98-101页
   ·本章小结第101-103页
6 基于数据挖掘的道路交通事故致因分析第103-119页
   ·基于两步BIRCH算法的道路交通事故分布特征挖掘第103-111页
     ·事故特征聚类分析第103-104页
     ·两步BIRCH聚类算法第104-106页
     ·实证研究第106-111页
   ·基于决策树模型的道路交通事故原因分类识别第111-116页
     ·决策树模型与C5.0算法第111-113页
     ·数据转化与规约第113-114页
     ·实证研究第114-116页
   ·本章小结第116-119页
7 研究结论及展望第119-125页
   ·主要研究结论第119-121页
   ·主要创新点第121-122页
   ·研究展望第122-125页
参考文献第125-133页
作者简历及攻读博士学位期间取得的研究成果第133-137页
学位论文数据集第137页

论文共137页,点击 下载论文
上一篇:道路交通信息获取多参量感知与传感器网络优化
下一篇:基于生存分析的信号交叉口非机动车穿越行为研究