聚类分析在交通流时序数据挖掘中的应用

《聚类分析在交通流时序数据挖掘中的应用》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、』E塞窑擅态堂亟±堂焦迨塞主塞垣垩中文摘要摘要：在中国智能交通系统快速发展的大背景下，如何利用丰富的交通检测数据进行交通规划及控制优化是交通控制领域中需要解决的重要问题之一，而数据挖掘技术的发展正好给海量交通数据的知识发现提供了理论基础和技术实现手段。数据挖掘指的是从大量数据中提取出有效的、新颖的、潜在有用的，以及最终可理解的模式的高级过程。聚类分析是数据挖掘研究的一个十分重要的方面。在智能交通系统中，时间序列是最常见的数据形式。采用聚类分析方法对海量交通流时间序列进行研究分析具有很大的应用价值，一方面可以发

2、现典型的交通流变化趋势规律，另一方面可以对检测点具有不同交通流特性的时段进行合理分组，进而针对各时段制定出相应的交通控制策略，同时还可进一步结合空间信息发现一些有意义的交通流时空分布规律。本文详细介绍了聚类算法在时间序列数据挖掘中的研究和应用，借助某市网络化智能交通系统数据库中的历史车流量数据，结合聚类分析理论，对快速路段上两个月的单点车流量数据进行了聚类分析。作者将传统聚类算法进行改进，提出了一种阶梯型系统聚类方案，在得到交通流量分类初始模式的基础上进一步挖掘具有相应交通流特征的时段模式，最终得到了较为满意

3、的实验结果，发现了有意义的交通流时间分布模式并以c++、MATLAB程序实现了阶梯型系统聚类挖掘的整个过程，最后分析了此次聚类结果，并提出了进一步的研究方向。关键词：数据挖掘；系统聚类；时间序列；时段模式分类号：U491；TP311．1韭塞銮疆盔茔亟±堂僮监塞△曼S工B△￡至ABSTRACTABSTRACT：WiththerapiddevelopmentofITSinChina,itseemstobeaproblemthathowtousethemassdatatoprovidethemeaningfulfo

4、recastoutcomesbettercontributingtothetrafficmanagementandDataminingtechnologyservesasapowerfultooltosolveit．Timeseriesisoneofthemostcol砌ondatatypeinIntelligentTransportationSystem，SOtheanalysisoftrafficflowtimeseriesturnsparticularlyimportant．U．1izingcluste

5、ringminingtechnologytoanalyzetimeseriesoftrafficflownotonlycandiscoverthetraflicflowrolesbehindmassdata,butalsoCanproduceanoptimalTOD(thetimeofday)plan．Furthermore，combined砸thsomespatialinformation，someusefulspatialandtemporaldistributedlawsintransportation

6、couldberevealed．ThispaperpresentsaschemeofdatadrivenmethodologybasedhierarchicalclusteringthatdeterminesoptimalbreakpointsforTODtrafficcontrolafterthefirstclusteringprocessandprovesthescheme’SvalidationunderC抖BuilderandMatlabprogram．111estudymsuRsshowthatth

7、emethodproducesfairlygoodclusters．Inthispaper,someresearchworkontrafficflowtimeseriesdatamininghasbeendone．Firstly,cleanthedataandgivecompensationtothedataset．Secondly，proposeaschemebasedhierarchicalclusteringforthevariationtendencyoftimeseries．ndrdly,analy

8、zetheclusteringstatisticsandtrafficflowtimeseriesclusteringoutcomes．Moreover，visualizationofclusteringresultswouldbepresented．KEYWORDS：datamining；hierarchicalclustering；timeseries；TODCLASSNO：U49l：TP311