论文部分内容阅读
随着信息技术的发展，各种信息采集技术在智能交通系统(ITS)中得到了广泛应用，产生了海量信息，于是海量交通信息的处理成为智能交通系统研究的热点和难点问题之一。当前智能交通系统信息处理所面临的首要问题，是如何从纷繁复杂的海量原始交通信息中提取简洁、有效的信息，并服务于交通管理、控制、诱导及规划等，这也是本论文工作尝试解决的主要问题。本论文综合运用数据挖掘与知识发现领域中的关联规则挖掘、聚类分析、模式识别、统计分析等先进的信息处理方法，发现并提取隐含在海量交通信息中的各种区域交通状态规律及模式信息，分别在区域交通状态时空模式发现、状态分类、知识发现与应用以及规则信息维护等方面实现了突破和创新。
论文首先比较分析了美、欧、日三个国家和地区的ITS体系结构，并在此基础上提出了一个面向信息应用的层次化的ITS体系结构。
论文提出了对区域中多点交通状态信息、时间信息及空间信息进行重新组织的方法，使得可利用频繁集搜索、关联规则挖掘等方法实现交通状态在时间、空间以及时空上关联关系的发现；提出了线性分段与聚类分析相结合实现典型交通流变化模式发现的方法；提出了基于聚类分析的拥堵路段空间分布分析方法。论文提出了基于区域交通状态聚类分析、模式识别、知识发现和模式预测的区域交通状态分类及应用框架；确定层次化聚类算法为进行区域交通状态分类的主要方法，提出了相应的相似性度量定义，并通过实验分析发现了若干类典型的区域交通状态模式；提出了将知识发现技术应用于聚类结果分析的理念，并应用决策树、统计分析、时空分布分析等方法发现了各类区域交通状态模式的特征，使得对区域交通状态模式交通物理意义的分析得到进一步深化；应用支持向量机进行区域交通状态模式识别的研究，并取得了较好的效果；提出了基于单点交通参数预测及模式识别的区域交通状态模式预测方法。
论文从交通分析的需求特点出发，提出了针对挖掘出的与交通相关的频繁集及关联规则信息的聚类、排序、筛选及更新机制，提高了处理此类信息的效率。