交通流时间序列分离方法研究

《交通流时间序列分离方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中山大学硕上学位论文交通流时间序列分离方法研究Tt‘afficF10H+，11imeSeriesSeparationMethods申请入：谢琼琼导师：日J鉴教授专业名称：计算机软件与理论研究方‰信息处理与电子商务答辩委员会组成(签名)主席：团《刨l谚委员：莓南，甲沪舞鼻勺{一由十o’斗、爱泺魄巾山大学信息科学与技术学院一f)o7i年再日V工76733S交通流时间序列分离方法研究专业：计算机软件与理论硕士生：谢琼琼指导老师：印鉴教授摘要近年来，随着数据处理工具、先进数据库技术以及万维网(WWW)技术的迅速发展，大量的形式各异的复杂类

2、型的数据不断涌现，数据挖掘面临的一个重要课题就是针对复杂类型数据的挖掘，其中包括时间序列数据。时间序列在曰常工作和生活中是最为常见的数据形式之一，特别在智能交通系统中，对交通流时间序列的分析就显得尤为重要。采用聚类分析方法对交通流时间序列进行分析可以发现典型的交通流变化模式，可以实现对不同流量特性的交通检测点所在路段进行合理分组，进而结合空间信息可以发现一些有意义的交通时空分布规律。本文在分析时间序列挖掘技术和实际应用需求的基础上，针对交通流时间序列，主要做了如下几方面的工作：第一、详细讨论了时间序列相似性度量方法：第二、针对传统

3、的层次聚类算法在时间序列变化趋势上效果不佳的缺点，提出了改进的层次聚类算法；第三、在研究中，采用将k一平均算法和层次聚类算法结合来实现不同变化趋势的交通流时间序列分离，并可视化聚类结果。关键词：数据挖掘；交通流；时间序列；相似性：聚类变通流时阿序列分离方法研究TrafficFlowTimeSeriesSeparationMethodsMajor：ComputerSoftwareandTheoryName：XieQiongqiongSupervisor：YinJianAbstractRecently,withthedevelopme

4、ntofdataanaIysistechnology,advanceddatabasetechnologyand、^r、)lr、VvariousComplexTypeDatahaveappeared．MiningamongtheseComplexTypeDatawhichincludetimeseriesdatabecomesanimportantdirectionofDataMining．TimeseriesisoneofthemostCOIT¨TlOndatatypeinoardailylife．Theanalysisoftr

5、afficflowtimeseriesturnsparticularlyimportantespeciallyinIntelligentTransportationSystem．Usingdataminingtechnologytoanalysistimeseriesoftrafficflownotonlycanforecasttheshort·timeorlong·timetrafficvolume，butalsocanjudgewhichcitystreetisbottleneck．Sothatithelpsalottoana

6、lysisthetrafficsituationofthecity．Furthermore，combinedwithsomespatialinformation，someusefulspatialandtemporaldistributedlawsintransportationcouldberevealed．Inthispaper，someresearchworkontrafficflowtimeseriesdatamininghasbeendone．Firstly,introducesomesimilaritymethodso

7、ftimeseriesindetail．Secondly，proposeallimproved—hierarchicalclusteringalgorithmforthetraditionalhierarchicalclusteringmethodhasbadeffect011thevariationtendencyoftimeseries．Thirdly，combinek—meansmethodwithhierarchicalmethodtoanalysistrafficflowtimeseriesthathavediffere

8、ntvariationtendency．Moreover，visualizationofclusteringresultswouldbepresented．Keywords：datamining；trafficflow；timeseries；sim