基于频繁模式的短时交通流实时预测研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究背景及意义 | 第8-11页 |
| 1.1.1 智能交通及交通流数据 | 第8-9页 |
| 1.1.2 交通流处理中的数据挖掘 | 第9-11页 |
| 1.2 与课题有关的国内外研究现状 | 第11-13页 |
| 1.2.1 交通流预测分析研究现状 | 第11-12页 |
| 1.2.2 Topology模型的应用现状 | 第12-13页 |
| 1.2.3 频繁模式挖掘的研究现状 | 第13页 |
| 1.3 本文研究内容以及研究成果 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 交通流预测相关知识介绍 | 第16-25页 |
| 2.1 交通流预测研究内容及流程 | 第16-18页 |
| 2.1.1 预测研究内容 | 第16-17页 |
| 2.1.2 预测流程 | 第17-18页 |
| 2.2 短时预测相关理论 | 第18-19页 |
| 2.2.1 短时预测概念 | 第18页 |
| 2.2.2 短时预测模型的原则 | 第18-19页 |
| 2.3 经典预测模型介绍 | 第19-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 交通流数据预处理 | 第25-37页 |
| 3.1 交通流数据的选取 | 第25页 |
| 3.2 高速路交通流数据的特征描述 | 第25-28页 |
| 3.3 数据预处理常用方法介绍 | 第28-30页 |
| 3.4 原始数据的具体预处理 | 第30-36页 |
| 3.4.1 缺失数据的填充 | 第30-31页 |
| 3.4.2 错误数据的识别 | 第31-33页 |
| 3.4.3 错误数据的修正 | 第33页 |
| 3.4.4 对比分析 | 第33-34页 |
| 3.4.5 数据离散及符号化 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 适应交通流的频繁模式挖掘算法 | 第37-51页 |
| 4.1 引言 | 第37-38页 |
| 4.2 Moment算法 | 第38-42页 |
| 4.2.1 Moment算法分析 | 第38-41页 |
| 4.2.2 Moment算法存在的不足 | 第41-42页 |
| 4.3 TP-Moment基本定义及描述 | 第42-43页 |
| 4.4 Topology并行计算模型 | 第43-44页 |
| 4.5 改进算法TP-Moment | 第44-47页 |
| 4.5.1 构建CET树结构挖掘临界频繁闭项集合 | 第44-45页 |
| 4.5.2 GCFI-tree的构造和更新 | 第45-47页 |
| 4.5.3 全局频繁闭项集合的输出 | 第47页 |
| 4.6 算法性能分析 | 第47-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 短时交通流实时预测研究 | 第51-59页 |
| 5.1 预测模型框架 | 第51-52页 |
| 5.2 预测模型的实现 | 第52-56页 |
| 5.2.1 组合时间序列事务集 | 第52-53页 |
| 5.2.2 匹配模式库的生成 | 第53-54页 |
| 5.2.3 匹配模式库的更新 | 第54-55页 |
| 5.2.4 最近邻匹配 | 第55-56页 |
| 5.3 实验分析 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 本文工作 | 第59-60页 |
| 6.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间申请的专利 | 第65-66页 |
| 致谢 | 第66页 |
