探求數據挖掘在交通管理中的運用范文

本站小編為你精心準備了探求數據挖掘在交通管理中的運用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1數據挖掘體系結構

智能交通管理平臺數據倉庫是數據挖掘的基礎，為數據挖掘提供強有力的數據支持。智能交通管理平臺的數據倉庫積累了海量的歷史數據，這些數據包含了城市交通所有的基礎信息等信息，并且這些數據是一系列在某時刻生成的復雜的快照，包含了時間元素，能反映某一信息數據的變化過程。同基于數據庫的數據挖掘相比，基于數據倉庫的數據挖掘具有三點顯著優勢：

（1）數據倉庫的數據在加載前已經過了清洗和轉換，保證了數據的質量；同時也避免了數據挖掘必須消耗很長時間對數據進行抽取、清洗、轉換和裝載。

（2）數據倉庫的數據是按主題組織的，這為數據挖掘選擇合適的數據源提供了方便。

（3）數據庫不能存放歷史數據，因此如果直接在數據庫中挖掘，許多知識無法挖掘出來，那么就不能運用現有的數據進行預測；與其相反，數據倉庫卻能夠存放歷史數據，以便于提供數據進行預測。

2交通流量組合模型

及時、準確地預測道路交通流量是智能交通管理平臺實現動態交通管理的重要前提。由于道路交通的變化過程是一個實時、非線性、高維、非平穩的隨機過程，隨著統計時段的縮短，交通流變化的隨機性和不確定性越來越強。交通流短時變化不僅與本路段過去幾個時段的道路交通情況有關，還受上下游的道路交通情況及天氣變化、交通事故和交通環境等因素的影響，這些因素都給交通流量預測帶來一定的難度。交通流量數據是時間序列的一種形式，根據時間序列數據特征的變化對其進行分割，常用的時間序列分割方法是逐段線性描述，即用線性模型對序列進行分割與逐段描述。交通流量組合模型是將交通流量時間序列分割和BP神經網絡組合使用，即在交通流量時間序列分割的基礎上，使用BP神經網絡作為預測算法對所獲得的時段數據分別進行建模和預測。

3結語

針對當前智能交通管理平臺發展和應用的需求，基于組合模型的交通流量預測方法能夠有效地預測交通流量，是對當前交通流量預測的補充和完善并進一步發揮數據挖掘技術在智能交通管理數據分析中的作用，對于改善智能交通管理平臺的能力具有積極意義。

作者：秦佳單位：雞西大學電信系