1006大班設(shè)計(jì)翻譯最終版-6班以學(xué)號(hào)姓名

BessonJ,RobardetC,BoulicautJF.Constraint-basedminingofformalconceptsintransactionaldata[M]//AdvancesinKnowledgeDiscoveryandDataMining.SpringerBerlinHeidelberg,2004:615-624.IanH.Witten,EibeFrank.數(shù)據(jù)挖掘?qū)嵱脵C(jī)器學(xué)習(xí)技術(shù)[M].:機(jī)械工業(yè),2006GESTSInternationalTransactionsonComputerScienceandEngineering,2006,32(1):71-82.ofthe16thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddatamining.ACM,2010:919-928.計(jì)算機(jī)學(xué)院（系） 畢業(yè)設(shè)計(jì)（）時(shí)間：2014年3月3日至2014年6月3答辯時(shí)間：2014年6月11日 指導(dǎo)教師 季書(shū)教師或答疑教師（并所負(fù)責(zé)部分系（教研室 （簽字 生：李棟指導(dǎo)教師：季書(shū)試圖分析出城市的擁堵區(qū)域，從而節(jié)約人力和資源，更加集中效率的治理D-miner算法挖掘頻繁閉1-矩形的能力，挖掘出來(lái)頻繁擁堵區(qū)域。但是挖掘出來(lái)的擁堵區(qū)域很多，需要提供一個(gè)量化指標(biāo)來(lái)比較這些擁堵區(qū)域。緊接著創(chuàng)新地提出了度的概念，將數(shù)據(jù)點(diǎn)被挖掘出來(lái)的擁堵區(qū)域覆蓋的次數(shù)作為其度。利用核心度可以量化的評(píng)比擁堵的區(qū)域與擁堵的瓶頸路段。在一塊擁堵區(qū)域中可以繼續(xù)劃分出擁堵區(qū)域，從而實(shí)現(xiàn)了“類(lèi)中類(lèi)”的效果。：數(shù)據(jù)挖掘，模式挖掘，城市擁堵，緒 研究背 國(guó)內(nèi)外研究現(xiàn) 智慧城市與智慧交 頻繁模式挖 目前研究的不 本文的研究?jī)?nèi)容和主要?jiǎng)?chuàng)新 課題來(lái) 組織結(jié) 相關(guān)技術(shù)概 數(shù)據(jù)挖 關(guān)聯(lián)規(guī) 聚 分 模式挖 數(shù)據(jù)預(yù)處 D-miner算法概 D-miner算法實(shí) 挖掘擁堵區(qū) 度與擁堵區(qū) 4.1 擁堵區(qū) 實(shí)驗(yàn)對(duì) 總結(jié)與展 總結(jié)及主要貢 緒不僅僅是的問(wèn)題。世界各大城市都飽受堵車(chē)之苦。莫斯科的最為不幸，他們平著力建設(shè)無(wú)縫整合的交通樞紐，僅700多平方公里的上居住著500多萬(wàn)人，而這樣雖然，對(duì)于擁堵的也取得了一定的成果，但是大多只停留于標(biāo)注出擁堵路段。對(duì)于擁堵模式并沒(méi)有進(jìn)行進(jìn)一步研究。出于建立智慧城市和優(yōu)化城市狀況的角勢(shì)?，F(xiàn)今，已經(jīng)通過(guò)市的出租車(chē)到一定的交通數(shù)據(jù)。因此我著眼于將數(shù)據(jù)“智慧城市”(SmartCity)出現(xiàn)以來(lái)，國(guó)內(nèi)外的學(xué)者、科研機(jī)構(gòu)、企業(yè)團(tuán)體紛紛似的概念還有數(shù)字城市等。2008年11月，恰逢2007年－2012年金融伊始，對(duì)智慧城市的歸納定義主要集中于三點(diǎn)：第一，智慧城市建設(shè)必然以應(yīng)用為主線。智慧城市可以被認(rèn)為是城市信息化的高級(jí)階段，必然涉及到的創(chuàng)新應(yīng)在IBM的《智慧的城市》白皮書(shū)中，基于科技的發(fā)展，對(duì)智慧城市的定義即智能傳感設(shè)備將城市公共設(shè)施物聯(lián)成網(wǎng)，物聯(lián)網(wǎng)與互聯(lián)網(wǎng)系統(tǒng)完全對(duì)接融合，、智慧城市定義為新一代支撐、知識(shí)社會(huì)下一代創(chuàng)新（創(chuàng)新2.0）環(huán)境下的城市征的可持續(xù)創(chuàng)新，塑造城市公共價(jià)值并為其中的每一位市民創(chuàng)造獨(dú)特價(jià) 智慧城市將成為一個(gè)城市的整體發(fā)展，將作為經(jīng)濟(jì)、產(chǎn)業(yè)升級(jí)、城市提升智能交通系統(tǒng)(InligentTransportationSystemITS)是未來(lái)交通系統(tǒng)的發(fā)展方安全、提高效率，因而，日益受到各國(guó)的重視。智能交通：智能交通是一個(gè)基于現(xiàn)代電子面向交通的服務(wù)系統(tǒng)。它的頻繁模式（frequentpattern）是頻繁地出現(xiàn)在數(shù)據(jù)集的眾多模式（如項(xiàng)集、子序列和深入，又提出了閉頻繁項(xiàng)集和極大頻繁項(xiàng)集的概念。如果不存在真超項(xiàng)集Y使得Y與XDXD中是閉的（closedX在DX是數(shù)據(jù)集D（closedfrequentitemset。如X是頻繁的，并且不存在超項(xiàng)集Y使得?????YD中是頻繁的。[4]有效率和更加全面的管理，比如此文利用數(shù)據(jù)挖掘來(lái)研究城市堵車(chē)問(wèn)題。在不斷的提高。但是挖掘的結(jié)果并不太是滿意。這個(gè)的首要問(wèn)題是頻繁模式過(guò)于雜多，數(shù)量過(guò)于龐大且有些并不是所感的。針對(duì)這個(gè)問(wèn)題，緊接著提出了頻繁閉城市交通問(wèn)題的根源是交通需求與供給之間的不平衡。實(shí)踐證路的發(fā)展遠(yuǎn)遠(yuǎn)路、消除瓶頸、人工疏堵等方法。然而要實(shí)現(xiàn)這些方法的首要目標(biāo)是找到擁堵的區(qū)域。完善整個(gè)道路網(wǎng)絡(luò)體系的成本非常高，而完善擁堵區(qū)域道路網(wǎng)絡(luò)體系的成本卻沒(méi)那么高。知道了擁堵的區(qū)域后，對(duì)這些重點(diǎn)地區(qū)進(jìn)行完善是可行的。加寬整消除瓶頸的主要問(wèn)題是找到瓶頸，當(dāng)然瓶頸就是擁堵區(qū)域。人工是有限的，面對(duì)著龐大的交通網(wǎng)絡(luò)，有限的必須在最有效率的地方人工疏堵。自然，最有效率的地方就是擁堵區(qū)域。所以，不難理解這篇文章的目的就是研究一種定義度和挖掘出擁堵區(qū)域的方法。結(jié)合出租車(chē)GPS數(shù)據(jù)，借鑒D-miner算法挖掘出城市地點(diǎn)和時(shí)間的擁堵模式定義擁堵后面挖掘擁堵區(qū)域和瓶頸路段做準(zhǔn)備。結(jié)合度挖掘出擁堵區(qū)首先，定義了一個(gè)關(guān)于“度”的全新概念。其次，提出了一整套全新的行了實(shí)驗(yàn)對(duì)比，證明了度的優(yōu)勢(shì)和其應(yīng)用意義。本文的主要內(nèi)容是提出一套全新的挖掘擁堵區(qū)域方法?？梢岳眠@套方法之后，本文提出了重要的定義——度的概念，接著解釋了度的合理性。然后本文利用度的概念來(lái)對(duì)擁堵區(qū)域進(jìn)行量化，從而形成了擁堵區(qū)域。最后，本文進(jìn)行了實(shí)驗(yàn)對(duì)比，展示度在應(yīng)用的意義。第一章緒論最后展示了課題來(lái)源和組織結(jié)構(gòu)。本章還概述了Weka這個(gè)工具。在本章首先介紹了數(shù)據(jù)預(yù)處理過(guò)程。然后介紹了D-miner算法的概要。最后展示了如何借鑒D-miner算法挖掘擁堵區(qū)域。第四章度與擁堵區(qū)度來(lái)量化擁堵區(qū)域，從而挖掘出擁堵區(qū)域。第六章總結(jié)和展望相關(guān)技術(shù)界、和研究界，“數(shù)據(jù)挖掘”通常用來(lái)表示整個(gè)知識(shí)發(fā)現(xiàn)過(guò)程。因此，采用廣義數(shù)據(jù)集中標(biāo)記的實(shí)例例如，在識(shí)別的問(wèn)題中，一組手寫(xiě)圖像learning如，一個(gè)無(wú)監(jiān)督學(xué)習(xí)方法可以取一個(gè)手寫(xiě)數(shù)字的圖像集合作為輸入。假設(shè)它找100~910個(gè)不同的數(shù)字。然而，由不能告訴發(fā)現(xiàn)的簇的語(yǔ)義。標(biāo)記的實(shí)例進(jìn)一步改進(jìn)類(lèi)邊界。對(duì)于兩類(lèi)問(wèn)題，可以把屬于一個(gè)類(lèi)的實(shí)例Apriori算法，這個(gè)算法為布爾關(guān)聯(lián)規(guī)則挖掘頻繁項(xiàng)集的性算法[5]。Apriori算法使用一種稱為逐層搜索的迭代方法，其中k項(xiàng)集用（強(qiáng)關(guān)聯(lián)規(guī)則滿足最小支持度和最小置信度AprioriApriori算法的變形來(lái)提高效率。包括Growthtree數(shù)據(jù)庫(kù)。對(duì)于每個(gè)“模式片段”，只需要與它相關(guān)聯(lián)數(shù)據(jù)集。因此，隨著被很低時(shí)更是如此。所以，隨著研究的深入，又提出了閉頻繁項(xiàng)集和極大頻繁項(xiàng)集的YYXDXD中是閉的（closedXDXD中的閉頻繁項(xiàng)集（closedfrequentitemsetXY使得?????YD上面的都是挖掘頻繁模式。然而，有時(shí)令人感的不是頻繁模式，而是聚類(lèi)分析（clusterysis）簡(jiǎn)稱聚類(lèi)，是一個(gè)把數(shù)據(jù)對(duì)象（或觀測(cè)）劃分成子集的（cluster不同的聚類(lèi)方法可能會(huì)產(chǎn)生不同的聚類(lèi)。通過(guò)聚類(lèi)，可能會(huì)發(fā)現(xiàn)數(shù)據(jù)內(nèi)事先未知的nk個(gè)分區(qū)，每K-means[8]K-meds[9]算法。K-means算法通被凝聚在一起。的方法剛開(kāi)始把所有的簇放在一起，然后把這個(gè)簇分為更基于網(wǎng)格的方法：上面的算法的復(fù)雜度都是基于對(duì)象點(diǎn)的數(shù)量的，當(dāng)對(duì)象點(diǎn)很多時(shí)，算法的效率很糟糕。而基于網(wǎng)格的方法則首先把對(duì)象空間分割成有限個(gè)網(wǎng)格結(jié)構(gòu)。把每一個(gè)網(wǎng)格結(jié)構(gòu)的對(duì)象點(diǎn)進(jìn)行統(tǒng)計(jì)，以這個(gè)網(wǎng)格來(lái)代表所有網(wǎng)格內(nèi)的對(duì)象點(diǎn)。之后的聚類(lèi)過(guò)程都是基于網(wǎng)格結(jié)構(gòu)的。這使得算法的效率大據(jù)進(jìn)行分類(lèi)。EnvironmentforKnowledgeysis。它是一個(gè)集合了一些前沿機(jī)器學(xué)習(xí)算法Weka的使用方式之一是將一種學(xué)習(xí)方法應(yīng)用于一個(gè)數(shù)據(jù)集，然后分析其輸出，從而的了解這些數(shù)據(jù)。另外式則是使用已學(xué)習(xí)到的模型對(duì)新的實(shí)例做出Weka平臺(tái)最有價(jià)值的部分是真實(shí)學(xué)習(xí)方案的實(shí)現(xiàn)。其次當(dāng)屬數(shù)據(jù)預(yù)處理工具，不適用。但是使用知識(shí)流界面可以使用部分用來(lái)處理大型的數(shù)據(jù)集的遞增算法。Weka的第三個(gè)界面是實(shí)驗(yàn)者(Experimenter)視圖。這個(gè)視圖專(zhuān)門(mén)來(lái)幫助用戶解答使模式息、緯度信息、速度信息、方向信息、甚至包含是否有乘客的信息（3.1一般的出租車(chē)GPS數(shù)據(jù)大多數(shù)以前的研究大多關(guān)注信息，甚至有些還關(guān)注是否有乘客的信息。以前的研究方向，但是隨著研究的深入，研究發(fā)現(xiàn)在大多應(yīng)用情況下，這個(gè)假設(shè)并息的精確度沒(méi)有太大要求，這意味著不用太在意GPS經(jīng)緯位置誤差對(duì)結(jié)果造成的3.2出租車(chē)的位置分布與實(shí)際擁堵區(qū)域（此圖自[13]實(shí)際擁堵區(qū)域的密度情況通過(guò)顏色深度來(lái)表示，紅色小點(diǎn)表示正在載客的出租車(chē)位置，黑色小點(diǎn)表示未載客的出租車(chē)位置?？梢郧逦目匆?jiàn)大多數(shù)出租車(chē)3.2由于數(shù)據(jù)所限，研究目標(biāo)限于市的二環(huán)路區(qū)域。因?yàn)樘峁┑氖且徽貐^(qū)。因此，本文的關(guān)注點(diǎn)暫定于市二環(huán)路區(qū)域。況且的二環(huán)路也非常典收集了多天的二環(huán)路的出租車(chē)行駛速度情況。這些數(shù)據(jù)精確到每200米一個(gè)監(jiān)測(cè)點(diǎn)，每一個(gè)，并且這些速度數(shù)據(jù)是當(dāng)時(shí)經(jīng)過(guò)那個(gè)檢測(cè)點(diǎn)的所有出租車(chē)的平3.3二環(huán)某天的出租車(chē)速度數(shù)據(jù)，每一行表示一個(gè)監(jiān)測(cè)點(diǎn)24小時(shí)的檢測(cè)數(shù)據(jù)，在二環(huán)總共有314個(gè)監(jiān)測(cè)點(diǎn)，所以數(shù)據(jù)有314行，每一列表示在同一時(shí)間的不同路段的速度情況，5分鐘一個(gè)數(shù)據(jù)，所24小時(shí)對(duì)應(yīng)288個(gè)數(shù)據(jù)，即有288列。首先，對(duì)于這份數(shù)據(jù)，發(fā)現(xiàn)當(dāng)時(shí)間位于0點(diǎn)至6點(diǎn)時(shí)，很多數(shù)據(jù)是缺少狀態(tài)（-大。所以，第一部分0點(diǎn)至6點(diǎn)的數(shù)據(jù)剔除，主要研究6點(diǎn)至24點(diǎn)的數(shù)據(jù)。其624點(diǎn)的數(shù)據(jù)其中也有很少一部分?jǐn)?shù)據(jù)是缺失的，對(duì)于這些缺失數(shù)據(jù)，經(jīng)過(guò)以上步驟，基本噪聲數(shù)據(jù)和缺失數(shù)據(jù)都已經(jīng)被處理完畢。下面針對(duì)后面的算法操作來(lái)對(duì)數(shù)據(jù)進(jìn)行格式的改造。在下一節(jié)會(huì)具體講到使用到的D-們其實(shí)并不關(guān)心那些出租車(chē)是多大的速度，更加關(guān)心的是它處在一個(gè)什么狀態(tài)，是平均速度是42km/h。因此設(shè)定擁堵的閾值為平均速度的一半，即21km/h。也就是說(shuō)，對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，將大于21的值設(shè)為0（暢通狀態(tài)將小于21的值設(shè)為130公里/30公里/203.4D-minerD-miner算法是J′er′emyBessonC′elineRobardet,Jean-Fran以及coisBoulicaut在《Constraint-BasedMiningofFormalConceptsinTransactionalData》中算法[15]。D-miner算法是用來(lái)布爾型處理事務(wù)數(shù)據(jù)的。何謂事務(wù)數(shù)據(jù)呢？這種數(shù)據(jù)來(lái)源于購(gòu)次事務(wù)也就包括了的東西。物品在這次購(gòu)物中被就在該物品下記1，否則記0。多個(gè)事務(wù)就組成了事務(wù)數(shù)據(jù)。見(jiàn)表格3.1一個(gè)簡(jiǎn)單的事務(wù)數(shù)據(jù)01的布表格3.1…101001001111111APRIORI算法已經(jīng)在過(guò)去十年被設(shè)計(jì)出來(lái)來(lái)都不小時(shí)，這些算法不適用了。而D-miner在數(shù)據(jù)密集時(shí)候的效果反而更加好。D-miner算法是在這樣的事務(wù)數(shù)據(jù)中來(lái)基于一定的約束挖掘頻繁閉合模式。何謂頻模式過(guò)于繁多，以至于不能夠很好的利用。所以后面研究發(fā)展了頻繁閉和模式(frequentclosedpattern)M,M的超項(xiàng)集，但樣看表格3.1事務(wù)中出現(xiàn)的最小次數(shù)的限制，記為????。另一是最小項(xiàng)集長(zhǎng)度的約束，也就是模式品的種類(lèi)的最小限制，記為????rectange’(t,’表格多個(gè)頻繁閉合模式。他們其中的兩個(gè)是({t1,t2,t3,t5},g1,g3})({t2,t3},g1,g2,g3,g4,g9,g10})。表格3.2D-minerD-miner算法是的第一步是計(jì)算出切割集。用H來(lái)表示一個(gè)0-矩形，即矩陣中（0，H必須盡可能的小來(lái)減少遞歸的深度和執(zhí)行的時(shí)間。另一方面，不應(yīng)該花太多時(shí)間D-miner算法對(duì)于一個(gè)布爾矩形，它從整個(gè)矩形開(kāi)始，通H中的切割點(diǎn)，遞歸地H1-H中的元素(a,b)可以用來(lái)切割矩形（X，Y）當(dāng)且僅當(dāng)??∩??≠?且??∩??≠?。為了方便，定義（X,Y）的左切割后為（X\a，Y，右切割后為（X,Y\b。但是發(fā)現(xiàn)有時(shí)候切割得到的1-矩形3.5右切割得到的（t3,g3）和(t2t3,g3)并不是閉合的，因?yàn)椋╰1t2t3,g3為了避免有這種不閉合的模式產(chǎn)生，在切割的過(guò)程中還要及早剪枝。為了這種時(shí)在（從Y中移除某些元素，須檢查?(??,??)∈????(??,??),??∩??≠?。算法偽代1：D-miner函輸入：nmr，行集O和列P，最小支持度的約束????和最小項(xiàng)集長(zhǎng)度輸出：滿足約束????和????的頻繁閉合模式集合HL←Q←cutting((O,P),H,0,Hsize,HL);算法偽代2:cutting輸入：矩陣（XY，切割集H，迭代次數(shù)i，H的大小Hsize，左切割點(diǎn)集合,????最小輸出：滿足約束????和????的頻繁閉合模式集Qa,b)←H[i]If(i≤Hsize?If((a∩X=?)or(b∩Y=∪cutting((X,Y),H,i+If(????(X\a)HL←HL∪(a,∪cutting((X\a,Y),H,i+1,Hsize,HL)HL←HL\(a,b)If(????(Y\b)∧?(a’,b’)∈HL,b’∩Y\b≠

Q←(X,Y

∪cutting((X,Y\b),H,i+1,Hsize,Return挖掘的是事務(wù)數(shù)據(jù)，但是出租車(chē)數(shù)據(jù)并不是事務(wù)數(shù)據(jù)。但是可以互相借鑒。事務(wù)的數(shù)據(jù)的一行表示1次交易，此行中的1表示在該次交易中該列的物品被，此表示小支持度（min_sup）的約束，也就是模式同時(shí)在事務(wù)中出現(xiàn)的最小次數(shù)的限制。表示最小項(xiàng)集長(zhǎng)度的約束，也就是模式品的種類(lèi)的最小限制。在出租車(chē)數(shù)據(jù)中[18]所以對(duì)區(qū)域的二維也都有最小限制。????表示最小同時(shí)擁堵路段數(shù)量限制，也就是同堵車(chē)的路段數(shù)必須大于????。????24個(gè)小時(shí)擁操作做鋪墊。以一個(gè)監(jiān)測(cè)地點(diǎn)的24小時(shí)數(shù)據(jù)為行，以同一時(shí)刻不同地點(diǎn)的數(shù)據(jù)列。同樣是二維矩陣，要挖掘出頻繁閉合的1-矩形。設(shè)置????=22，????=12，鐘22和12的結(jié)果如圖3.6，每一行代表一個(gè)1-矩形，冒號(hào)前面的為行號(hào)，冒號(hào)后面的為列號(hào)。 度與擁堵區(qū) 雖然挖掘了很多擁堵區(qū)域，但是當(dāng)擁堵區(qū)域很多時(shí)，無(wú)法比較這些擁堵區(qū)勤的有限，必須把部署在最擁堵的區(qū)域或者說(shuō)那些瓶頸區(qū)域去人工疏堵。需要一個(gè)量化指標(biāo)來(lái)比較擁堵區(qū)域的擁堵程度。所以，提出一個(gè)度的概念。觀察上一節(jié)挖掘出來(lái)的擁堵區(qū)域，發(fā)現(xiàn)挖掘出來(lái)的很多擁堵區(qū)域都存在一部分的覆蓋情況。發(fā)現(xiàn)覆蓋的區(qū)域基本是擁堵的中心區(qū)域，所以考慮能否用一個(gè)量圖4.1，從一個(gè)4乘4的矩形（圖4.1左）挖掘大于2乘2的頻繁閉合模式，可以看到有一個(gè)點(diǎn)均被3個(gè)模式所覆蓋。把每個(gè)點(diǎn)被頻繁模式覆蓋的次數(shù)顯示出來(lái)，如圖4.1（右）中顯示，可以看出這個(gè)數(shù)值大的點(diǎn)也是所以這個(gè)數(shù)據(jù)集所有1的中心點(diǎn)。所以依據(jù)此提出了度的定義。圖4.1度的提最大的點(diǎn)就為所有模式的點(diǎn)。也就是說(shuō)，如果一個(gè)點(diǎn)在多個(gè)模式中都出現(xiàn)，那么它的度就高。反之，則低。同時(shí)也可以發(fā)現(xiàn)這個(gè)點(diǎn)能在多個(gè)模式中出現(xiàn)，其必然是在1的中心的位置。擁堵區(qū)度的提出使得獲得了一種評(píng)價(jià)擁堵區(qū)域的指標(biāo)。可以利用度來(lái)得到擁堵區(qū)域。對(duì)于擁堵的情況，有時(shí)更加關(guān)心擁堵的瓶頸路段。何謂瓶頸路段4.21114.3117號(hào)堵車(chē)狀態(tài)圖，都多次出現(xiàn)倒三4.21114.3117一點(diǎn)為瓶頸路段附近路段，比較低的為由于瓶頸路段擁堵而后續(xù)擁堵的路段。如圖4.4，對(duì)于第一行的瓶頸路段，度會(huì)高一些，而后面由于瓶頸路段擁堵而后續(xù)擁堵的路段的度并不高。圖4.4瓶頸路段的所以，度可以精確的表示擁堵的區(qū)域和瓶頸路段?？梢园凑斩葹榧t色的點(diǎn)是度最高的點(diǎn)，黃色的點(diǎn)度次高，淺藍(lán)色的點(diǎn)度最低。但是由于度從60萬(wàn)到1差距過(guò)大，很多點(diǎn)的顏色太淺不能顯著的顯示出來(lái)，所以又畫(huà)了圖4.6將度大于3000的點(diǎn)均用紅色表示，從而使得度較小的點(diǎn)也能夠被直觀的觀察出來(lái)。從圖中，可以鮮明的看到擁堵的區(qū)域度都非常高，那些瓶頸路段的度也很高。結(jié)合圖4.5和圖4.6對(duì)比的看，可以發(fā)現(xiàn)度在不同路段的差距性顯著，這使得可以選擇那些區(qū)域去更有效率的進(jìn)行疏堵工作。圖4.5擁堵點(diǎn)的圖4.6擁堵點(diǎn)的度（度大于3000的點(diǎn)均用紅色表示實(shí)驗(yàn)在這一章節(jié)，作對(duì)比試驗(yàn)來(lái)體現(xiàn)度的意義，更加形象的展示度的優(yōu)有的處理方法應(yīng)用于新的數(shù)據(jù)集。Weka還提供了一定的可視化界面，使得可以更首先，使用經(jīng)典的K-means方法來(lái)對(duì)未計(jì)算度的數(shù)據(jù)和計(jì)算度的數(shù)分別使用K-means方法來(lái)對(duì)未計(jì)算度的數(shù)據(jù)和計(jì)算度的數(shù)據(jù)分別進(jìn)行K105.1K-means算法，數(shù)據(jù)聚類(lèi)效果并不是跟好，不能很好的分別出擁堵區(qū)域。圖5.2顯示了對(duì)利用加了度的數(shù)據(jù)進(jìn)行聚類(lèi)續(xù)劃分出擁堵區(qū)域，從而實(shí)現(xiàn)了“類(lèi)中類(lèi)”的效果。圖 圖5.2對(duì)計(jì)算度過(guò)后數(shù)據(jù)使用K-means算看圖5.3原始數(shù)據(jù)與聚類(lèi)和結(jié)果對(duì)比，可以看出用本文一整套流程可以準(zhǔn)確5.3總結(jié)與處理。優(yōu)先選擇速度屬性用基于移動(dòng)性的方法代替了傳統(tǒng)的根據(jù)位置基于密度的方法。之后對(duì)數(shù)據(jù)進(jìn)行了平滑處理和噪聲數(shù)據(jù)去除，最后根據(jù)后面的操作將數(shù)值性的然后實(shí)現(xiàn)了D-miner算法，并利用D-miner算法挖掘頻繁閉合1-矩形的能力，了度的概念，將數(shù)據(jù)點(diǎn)被挖掘出來(lái)的擁堵區(qū)域覆蓋的次數(shù)作為其度。利用度可以量化的評(píng)比擁堵的區(qū)域與擁堵的瓶頸路段。塊擁堵區(qū)域中可以繼續(xù)劃分出擁堵區(qū)域，從而實(shí)現(xiàn)了“類(lèi)中類(lèi)”的效果。主要貢獻(xiàn)：定義了一個(gè)關(guān)于“度”的全新概念。用它可以量化的評(píng)比擁堵的區(qū)域與擁堵的瓶頸路段。其次，提出了一整套全新的挖掘擁堵區(qū)域方法miner算法時(shí)，需要設(shè)定兩個(gè)約束????和????的閾值。????表示最小同時(shí)擁堵路段數(shù)量制，也就是同時(shí)堵車(chē)的路段數(shù)必須大于????。????表示路段最小擁堵時(shí)間限制，也就是該24個(gè)小時(shí)擁堵的時(shí)間必須大于????0致所能呈現(xiàn)。但是感謝之情卻可以借此略微表達(dá)。首先感謝導(dǎo)師——季書(shū)帆老師。季老師不僅是我學(xué)習(xí)中的導(dǎo)師，而且也是我生并不，人生的得失遠(yuǎn)比想的復(fù)雜又簡(jiǎn)單。作一個(gè)有意義的人比作一個(gè)規(guī)則的接下來(lái)感謝父母。他們給了我生命，塑造了我這個(gè)人。他們是后背。他們感謝大學(xué)同學(xué)、吳煜、、姚銘、賈偉等，他們使得大學(xué)生活在最后感謝，感謝我是個(gè)健全的人，感謝我接受了良好的教育。感謝我可以參考[1]網(wǎng)易旅游綜合. 全球最擁堵城市[OL]. [2]百科.智慧城市[OL]. [3]百科.智慧交通[OL]. JiaweiHan,MichelineKamber,JianPei.數(shù)據(jù)挖掘概念與技術(shù)[M].：機(jī)械工業(yè)AgrawalR,SrikantR.Fastalgorithmsforminingassociationrules[C]//Proc.20thint.conf.verylargedatabases,VLDB.1994,1215:487-499.KotsiantisS,KanellopoulosD.Associationrulesmining:Arecentoverview[J].GESTSInternationalTransactionsonComputerScienceandEngineering,2006,32(1):71-82.BerkhinP.Asurveyofclusteringdataminingtechniques[M]//Groumultidimensionaldata.SpringerBerlinHeidelberg,2006:25-71.HartiganJA,WongMA.AlgorithmAS136:Ak-meansclusteringalgorithm[J].Appliedstatistics,1979:100-108.ParkHS,JunCH.AsimpleandfastalgorithmforK-medsclustering[J].ExpertSystemswithApplications,2009,36(2):3336-3341.陳燕.數(shù)據(jù)挖掘技術(shù)與