智能交通中的數(shù)據(jù)挖掘技術(編輯修改稿)
2025-08-26 07:18 本頁面
【文章內容簡介】 （reduction）的數(shù)據(jù)集－交通信息數(shù)據(jù)倉庫。數(shù)據(jù)挖掘任務管理在數(shù)據(jù)挖掘算法集中選擇完成挖掘任務的算法，在交通數(shù)據(jù)倉庫中選擇挖掘算法應用的數(shù)據(jù)，執(zhí)行相應的挖掘操作，將挖掘得到的模式保存到交通信息模式庫。模型分析管理是交通數(shù)據(jù)挖掘系統(tǒng)與其他智能交通系統(tǒng)的應用接口，并接收應用系統(tǒng)的反饋信息對交通信息模型庫的模式進行解釋與評價。 交通數(shù)據(jù)集成交通數(shù)據(jù)種類繁多，分布在各種智能交通應用系統(tǒng)中，具有異構、層次的特點，交通數(shù)據(jù)挖掘需要將各種交通數(shù)據(jù)從操作數(shù)據(jù)庫中抽取出來，經過清洗、轉換、裝載等一系列處理，集成到一個統(tǒng)一的本地交通信息數(shù)據(jù)倉庫。數(shù)據(jù)倉庫為數(shù)據(jù)挖掘提供有效的數(shù)據(jù)處理平臺，許多數(shù)據(jù)挖掘功能，如分類、關聯(lián)、聚類等，都可以與各種粒度的多維數(shù)據(jù)分析OLAP操作集成，在多個抽象層上交互數(shù)據(jù)挖掘。 多層體系結構交通數(shù)據(jù)挖掘系統(tǒng)的系統(tǒng)模型提供了一個多層的應用體系結構，將數(shù)據(jù)挖掘功能的實現(xiàn)分為應用層、分析邏輯層、算法工具層和數(shù)據(jù)層。應用層是用戶調用分析邏輯所設立的分析功能的入口，分析邏輯則表現(xiàn)了應用系統(tǒng)的分析能力。多層體系結構能夠在跨平臺、網絡環(huán)境下應用，應用系統(tǒng)可以根據(jù)需要采用靈活的方式，如B/S、C/S等。 在交通數(shù)據(jù)挖掘中，分析功能的抽取及響應、數(shù)據(jù)挖掘算法的選取、設計是一個難題，需要交通系統(tǒng)的利用知識和數(shù)據(jù)挖掘技術的緊密結合。分析邏輯層將分析模型從實際分析需求中提取出來，完成一定的獨立分析功能，由一個或多個數(shù)據(jù)挖掘算法具體實現(xiàn)，每個分析模型都是獨立的功能單位。算法工具層集中了交通流分析需要的算法及相關計算工具，如挖掘各種模型的數(shù)據(jù)挖掘算法、統(tǒng)計方法、相似性度量方法等，是各個獨立的算法工具的集合。在算法工具層，除了數(shù)據(jù)挖掘算法外，還應當由數(shù)據(jù)挖掘算法所需要的輔助工具，如對于聚類算法，相似性度量或距離函數(shù)是關系到聚類質量的核心問題，不同的相似性獨立或距離函數(shù)針對不同的數(shù)據(jù)或分析目標，在算法中可以根據(jù)需要來選擇配置。4 挖掘模型 預測模型交通預測包含多個層次：基礎數(shù)據(jù)層的交通流數(shù)據(jù)的預測；基于特征屬性層的交通流性質預測、交通事件及事件類型預測、道路擁堵情況預測；基于狀態(tài)描述層的路網服務水平、事態(tài)發(fā)展預測和事件影響評估等。在智能交通系統(tǒng)中，識別和預測交通流的狀態(tài)可以對交通流進行有效的監(jiān)控和管理，對于智能交通系統(tǒng)的實時交通信號控制，交通分配、路徑誘導、自動導航，事故檢測等具有非常重要的意義。目前，基礎數(shù)據(jù)層的交通流量預測已取得了很多研究成果，如ARIMA、神經網絡、非參數(shù)回歸模型[9,10,11]。在特征屬性層和狀態(tài)描述層反映交通系統(tǒng)發(fā)展變化的階段、層次、水平或趨勢等的預測模型還需要更進一步的研究。 分類模型分類模型是數(shù)據(jù)挖掘中應用領域非常廣泛的數(shù)據(jù)模型。分類是根據(jù)數(shù)據(jù)集的特點構造一個分類器，利用分類器對未知類別的對象賦予類別的一種技術。假設交通流數(shù)據(jù)集R，交通流分類特征集P={p1, p2,…, pk,}，建立R到P的映射f: RP使R中的每一個交通流對象與P中唯一一個pi對應，則f稱為交通流數(shù)據(jù)的分類模型，或簡稱分類器。分類模型的建立一般有訓練（或學習）和測試兩個步驟。在訓練階段，通過分析或學習訓練數(shù)據(jù)集的特點創(chuàng)建一個分類模型；在測試階段，利用測試數(shù)據(jù)集對創(chuàng)建的分類模型進行測試，判斷模
環(huán)評公示相關推薦
鄂ICP備17016276號-1