时空co-location模式挖掘及其在城市交通拥堵识别中的应用研究

发布时间：2024-04-21 19:30

　　近年来,随着遥感技术的成熟和移动设备的普及,带有时间信息和空间地理位置信息的数据如遥感数据、城市交通数据等都呈现出爆炸式的增长。这些海量的数据使得人们有机会从数据中发现隐藏的有用知识,并应用在相关领域,如生活服务,位置推荐,交通出行等。在交通领域中,由于城市的迅速发展和扩张,汽车数量在城市中急剧增加,城市拥堵引起的交通不便成为了现今社会发展的一个亟待解决的问题。因此,对城市交通数据进行有效的挖掘和分析,提供直接可用的知识,对改善城市道路规划,确保人们出行尽量回避高峰区域,提高出行效率具有十分重要的意义。传统的城市交通拥堵模式挖掘目的是通过聚类分析等方法,找到变化规律相同的道路或者区域,而较少考虑道路之间的互相影响。而在城市交通中,拥堵情况往往具有传递性,相邻道路会互相影响,一条道路的拥堵往往会引起其周围多条道路也出现拥堵情况。挖掘这种具有拥堵传递性的道路模式,对疏散交通,减缓出行压力具有重要的意义。为充分考虑交通中空间数据分布的相关性,本文将co-location模式挖掘方法引入交通拥堵模式挖掘研究中。传统的co-location模式通常较多关注空间特征之间的邻近关系,而交通拥堵模式挖...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 研究现状
        1.2.1 交通拥堵模式识别和分析
        1.2.2 空间co-location模式挖掘
    1.3 本文工作及创新
    1.4 论文结构与组织
第2章 经典的空间co-location模式挖掘
    2.1 空间co-location模式挖掘相关概念
    2.2 经典co-location模式的相关算法
    2.3 本章小结
第3章 时空co-location拥堵模式挖掘和分析
    3.1 时空co-location模式的基本概念及相关定义
    3.2 时空co-location拥堵模式置信度的相关定义
    3.3 时空拥堵模式挖掘框架和算法
        3.3.1 时空co-location拥堵模式挖掘框架
        3.3.2 频繁时空co-location拥堵模式挖掘算法
        3.3.3 高置信度时空co-location拥堵模式挖掘算法
    3.4 本章小结
第4章 实验结果与分析
    4.1 实验环境及实验框架说明
    4.2 城市交通数据处理
        4.2.1 城市交通数据描述
        4.2.2 城市交通数据预处理
    4.3 频繁时空co-location拥堵模式挖掘参数的分析与设置
        4.3.1 拥堵系数p对时空实例数的影响
        4.3.2 时间跨度阈值t对时空co-location拥堵模式的影响
        4.3.3 频繁阈值min_jam_prev对频繁时空co-location拥堵模式的影响
        4.3.4 置信度阈值 min_cp对拥堵模式的影响
    4.4 拥堵模式挖掘效率和结果分析
        4.4.1 频繁时空co-location拥堵模式的剪枝策略效率评价
        4.4.2 高置信度时空拥堵co-location结果分析和展示
    4.5 本章小结
第5章 工作总结与未来展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢



本文编号：3961354