时间序列数据挖掘的研究以及在交通流预测上的应用

论文题目: 时间序列数据挖掘的研究以及在交通流预测上的应用

论文类型: 硕士论文

论文专业: 模式识别与智能系统

作者: 颜镝

导师: 宋苏

关键词: 时间序列,特征模式,数据挖掘,线性分段化,聚类

文献来源: 北京工业大学

发表年度: 2005

论文摘要: 交通流预测是交通诱导系统和交通控制系统的重要前提与关键,而交通流预测问题从本质上讲是时间序列分析问题。对于时间序列,现在已经有很多种研究和分析方法,常见的以建模分析为主,但是由于时间序列自身的复杂性和不稳定性,传统的建模方法无法获得精确的时序系统的模型,这样便使预测变得困难。数据挖掘是近些年发展起来的多学科融合的数据分析技术,它从面世以来便被应用到各个学科领域,几乎所有的数据都可以进行数据挖掘,这便给研究者提供了一个非常好的思路,同时对时间序列进行数据挖掘也正成为当前研究的热点之一。以交通流为代表的时间序列数据具有时变、非线性的特点,传统方法无法获得满意结果,利用数据挖掘来找出研究对象内部的演化规律也不失为一种很好的想法。本文在分析国内外对时间序列的研究的基础上,提出了时间序列特征模式挖掘的框架,同时结合交通流的特点提出有效的挖掘算法,并且进行了算法实现。框架的基本思路是将数值型的时间序列转化为易于进行挖掘的符号序列,然后运用合适的挖掘方法对符号序列进行挖掘,将挖掘出的模式根据实际要求进行裁减,最后提取出预测规则。本文给出了单一时间序列特征模式挖掘TSFPM 的相关概念与定义,并对挖掘过程作了分析与研究,在以交通流数据作为研究对象的实验中,验证了TSFPM的有效性,并分析了算法中关键参数对算法性能的影响。

论文目录:

摘要

Abstract

第1章绪论

1.1 课题背景和课题意义

1.1.1 课题背景

1.1.2 课题意义

1.2 时间序列数据挖掘技术及其交通流预测技术的现状

1.2.1 时间序列数据挖掘技术的现状

1.2.2 交通流预测技术的现状

1.3 本文的主要研究结果

1.4 本文结构安排

第2章时间序列分析

2.1 时间序列模型

2.2 新型的时间序列分析方法

2.2.1 神经网络技术

2.2.2 混沌动力学方法

2.3 时序技术分析

2.4 本章小结

第3章数据挖掘与时序数据挖掘研究

3.1 数据挖掘

3.1.1 数据挖掘的产生背景和定义

3.1.2 数据挖掘的预处理

3.1.3 数据挖掘的一般过程

3.1.4 数据挖掘的主要技术

3.2 时序数据挖掘研究

3.2.1 时态数据挖掘概述

3.2.2 时态数据挖掘的分类

3.2.3 时间序列数据挖掘

3.3 本章小结

第4章时间序列特征模式挖掘TSFPM

4.1 时间序列特征模式概念

4.1.1 时间序列挖掘思路

4.1.2 时间序列模式的选择与评价

4.2 时间序列数据符号化

4.2.1 时间序列线段描述

4.2.2 聚类与符号化

4.3 时间序列特征模式挖掘框架

4.3.1 时间序列特征模式的含义

4.3.2 特征模式挖掘算法

4.3.3 特征模式规则生成

4.3.4 基于规则的预测

4.3.5 TSFPM 框架示意图

4.4 本章小结

第5章基于TSFPM 框架的交通流预测研究

5.1 研究对象介绍

5.2 算法验证与参数影响

总结与展望

参考文献

攻读学位期间发表的学术论文

致谢

发布时间: 2005-09-21

参考文献

[1].基于改进KNN的CEEMD-RFR的短期交通流预测[D]. 杜金彪.长安大学2018
[2].基于深度学习的交通流预测和拥堵预防[D]. 张晓阳.哈尔滨工业大学2017
[3].基于深度置信网络的城市道路交通流预测研究[D]. 崔方.兰州交通大学2018
[4].基于因子分解机的交通流预测研究[D]. 许骜.杭州电子科技大学2018
[5].深度异步残差网络及在路网交通流预测中的应用[D]. 赵博.北京交通大学2018
[6].基于深度学习的交通预测技术及其在通信中的应用研究[D]. 张文刚.西南交通大学2018
[7].城市关联交叉口交通流预测控制研究与实现[D]. 刘槐仁.广东工业大学2018
[8].基于ELM的成山头短时船舶交通流预测研究[D]. 刘奕成.大连海事大学2017
[9].大规模路网实时交通流预测模型及应用研究[D]. 田珠.大连理工大学2008
[10].大规模路网动态交通流预测模型和算法研究[D]. 徐玉霞.大连理工大学2006

时间序列数据挖掘的研究以及在交通流预测上的应用

猜你喜欢