分类方法在交通数据挖掘的应用研究

论文摘要

近年来,随着我国经济建设的持续高速发展和城市现代化进程的加快,城市智能交通建设得到了长足的发展。智能交通系统中积累了大量的交通数据,为数据挖掘技术在城市交通领域中的发展提供了广泛的数据支持。同时,交通数据的实时性和复杂性也对数据挖掘技术的发展提出了巨大的挑战。本文以车辆GPS信息为研究内容,以分类模型为研究主线,对数据挖掘过程中几个重要阶段（包括数据预处理、数据挖掘建模、模型评估）及其具体技术分别进行了研究:首先,介绍了数据挖掘技术产生的背景,定义和功能,及其在交通信息数据处理领域的研究现状。接着着重阐述了数据挖掘中的分类技术,从分类的一般方法入手,分析并比较了几种不同分类方法和分类性能评估方法。分类方法包括决策树,K-最近邻分类,神经网络和贝叶斯分类;分类性能评估方法包括保持方法,随机二次抽样,交叉验证和自助法。其次,分析了数据挖掘中的预处理技术。其中最重要的技术是数据离散化和属性简约。这两种技术分别被运用到了对车辆GPS数据,包括经度坐标,纬度坐标,速度,角度的处理中。研究了决策树分类模型,

论文目录

• 摘要
• ABSTRACT
• 第一章 概述
• 1.1 数据挖掘背景
• 1.2 数据挖掘的综述
• 1.2.1 数据挖掘概念
• 1.2.2 数据挖据的功能
• 1.3 研究背景
• 1.4 本文结构和主要工作
• 第二章 数据挖掘中的分类技术
• 2.1 分类问题的一般方法
• 2.2 几种典型的分类算法
• 2.2.1 决策树
• 2.2.2 K-最近邻分类
• 2.2.3 神经网络
• 2.2.4 贝叶斯分类
• 2.3 分类方法的性能评估
• 2.3.1 保持方法
• 2.3.2 随机二次抽样
• 2.3.3 交叉验证
• 2.3.4 自助法
• 2.4 本章小结
• 第三章 数据预处理
• 3.1 数据预处理的重要性
• 3.2 数据预处理的功能
• 3.2.1 数据集成
• 3.2.2 数据清洗
• 3.2.3 数据变换
• 3.2.4 数据简化
• 3.3 数据的离散
• 3.3.1 离散化方法
• 3.3.2 交通数据的离散化
• 3.4 属性的简约
• 3.4.1 属性简约的方法
• 3.4.2 交通数据的属性简约
• 3.5 本章小结
• 第四章 决策树方法的应用与研究
• 4.1 决策树的工作原理
• 4.2 决策树的算法及改进
• 4.2.1 基本算法
• 4.2.2 改进的决策树算法
• 4.3 决策树在交通数据挖掘中的应用模型
• 4.3.1 训练集的构建
• 4.3.2 最大信息属性的计算
• 4.3.3 决策树的递归和剪枝
• 4.4 本章小结
• 第五章 道路状况分类和预测模型构建
• 5.1 粗糙集理论
• 5.1.1 粗糙集理论的由来
• 5.1.2 粗糙集的基本概念
• 5.1.3 粗糙集的应用
• 5.2 模糊粗糙集
• 5.2.1 模糊集
• 5.2.2 模糊粗糙集
• 5.3 交通道路状况预测模型
• 5.3.1 路况特征的提取和模糊化
• 5.3.2 道路状况预测算法
• 5.3.3 算法实现
• 5.3.4 实验结果
• 5.4 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录