基于车联网数据的交通热点分析与研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 车联网研究现状 | 第8-10页 |
| 1.2.2 聚类分析算法 | 第10页 |
| 1.3 课题主要研究内容 | 第10-11页 |
| 1.4 论文结构安排 | 第11-12页 |
| 第二章 车联网和聚类算法研究 | 第12-29页 |
| 2.1 车联网 | 第12-14页 |
| 2.1.1 车联网及智能交通 | 第12-13页 |
| 2.1.2 车联网体系结构 | 第13-14页 |
| 2.2 聚类算法原理及分类 | 第14-27页 |
| 2.2.1 聚类的基本原理 | 第14-15页 |
| 2.2.2 聚类算法的分类 | 第15-21页 |
| 2.2.3 K-means聚类算法 | 第21-24页 |
| 2.2.4 ε-link聚类算法 | 第24-27页 |
| 2.3 轨迹聚类用于城市交通热点分析 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于图像识别的聚类中心选择算法 | 第29-45页 |
| 3.1 路网及数据预处理 | 第29-33页 |
| 3.1.1 城市热点问题描述 | 第29-30页 |
| 3.1.2 路网提取 | 第30-31页 |
| 3.1.3 车辆位置数据处理 | 第31-33页 |
| 3.2 IRCC初始聚类中心选择算法 | 第33-38页 |
| 3.2.1 斑点检测算法 | 第34-35页 |
| 3.2.2 IRCC初始聚类中心选择算法 | 第35-38页 |
| 3.3 K-means和ε-link算法改进 | 第38-40页 |
| 3.3.1 K-means算法改进 | 第38-39页 |
| 3.3.2 ε-link算法改进 | 第39-40页 |
| 3.4 实验结果验证 | 第40-44页 |
| 3.4.1 IRCC算法效果验证 | 第40-42页 |
| 3.4.2 改进的算法的运算时间分析 | 第42-43页 |
| 3.4.3 基于实际地图的结果分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于车辆轨迹的聚类分析 | 第45-62页 |
| 4.1 路网及数据预处理 | 第45-52页 |
| 4.1.1 城市车辆分布热力图 | 第45-47页 |
| 4.1.2 车辆轨迹数据处理 | 第47-52页 |
| 4.2 车辆轨迹聚类算法 | 第52-56页 |
| 4.3 实验结果验证 | 第56-61页 |
| 4.3.1 仿真车辆数据验证 | 第56-58页 |
| 4.3.2 真实车辆数据验证 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间地研究成果及发表的学术论文 | 第69页 |
