摘要 | 第4-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第12-22页 |
1.1 研究背景与意义 | 第12-15页 |
1.2 国内外研究现状 | 第15-18页 |
1.2.1 国外研究现状 | 第15-17页 |
1.2.2 国内研究现状 | 第17-18页 |
1.3 主要研究内容 | 第18-19页 |
1.4 论文组织结构与安排 | 第19-22页 |
第2章 交通事故记录数据库的构建 | 第22-40页 |
2.1 引言 | 第22页 |
2.2 数据采集 | 第22-23页 |
2.3 提取文本关键词 | 第23-33页 |
2.3.1 文本预处理 | 第25-28页 |
2.3.2 朴素贝叶斯模型 | 第28页 |
2.3.3 选取特征项 | 第28-30页 |
2.3.4 关键词提取测试 | 第30-33页 |
2.4 风险因素提取 | 第33-35页 |
2.5 建立交通事故数据库 | 第35-39页 |
2.5.1 知识图谱概述 | 第35-37页 |
2.5.2 Nen4j图数据库 | 第37-38页 |
2.5.3 交通事故记录数据库 | 第38-39页 |
2.6 本章小结 | 第39-40页 |
第3章 基于改进的Apriori算法的交通事故风险因素挖掘 | 第40-52页 |
3.1 引言 | 第40页 |
3.2 数据挖掘相关概念 | 第40-46页 |
3.2.1 数据挖掘概述 | 第40-42页 |
3.2.2 关联规则概述 | 第42-44页 |
3.2.3 Apriori算法介绍 | 第44-46页 |
3.3 Apriori算法的改进 | 第46-48页 |
3.3.1 算法改进思路 | 第46-48页 |
3.3.2 MA-Apriori算法描述 | 第48页 |
3.4 实验结果与分析 | 第48-51页 |
3.4.1 算法性能比较 | 第48-49页 |
3.4.2 挖掘结果与分析 | 第49-51页 |
3.5 本章小结 | 第51-52页 |
第4章 交通事故风险因素的增量式关联规则挖掘算法 | 第52-62页 |
4.1 引言 | 第52页 |
4.2 增量关联规则算法概述 | 第52-54页 |
4.2.1 FastUpdate算法介绍 | 第52-53页 |
4.2.2 主流FUP挖掘效率改进算法的分析 | 第53-54页 |
4.3 UMA-Apriori算法 | 第54-57页 |
4.3.1 问题描述与设计思路 | 第54-56页 |
4.3.2 UMA-Apriori算法描述 | 第56-57页 |
4.4 实验结果与分析 | 第57-59页 |
4.4.1 算法效果验证 | 第57-58页 |
4.4.2 挖掘结果与性能分析 | 第58-59页 |
4.5 本章小结 | 第59-62页 |
第5章 交通安全风险预测模型 | 第62-74页 |
5.1 引言 | 第62页 |
5.2 贝叶斯网络概述 | 第62-68页 |
5.2.1 基本概念 | 第62-64页 |
5.2.2 贝叶斯网络的结构 | 第64-65页 |
5.2.3 贝叶斯网络的学习 | 第65-67页 |
5.2.4 贝叶斯网络推理 | 第67-68页 |
5.3 交通事故风险预测模型的建立 | 第68-72页 |
5.3.1 模型变量的值域确定 | 第68页 |
5.3.2 模型的网络结构 | 第68-69页 |
5.3.3 条件概率分布 | 第69-70页 |
5.3.4 交通事故风险预测 | 第70-72页 |
5.4 本章小结 | 第72-74页 |
结论 | 第74-76页 |
参考文献 | 第76-80页 |
攻读硕士学位期间发表的学术论文 | 第80-82页 |
致谢 | 第82页 |