基于交通CPS的流式数据聚类及演化趋势发现方法研究_PDF下载[60MB-百度云]桑春艳著

本书特色

[

　　信息物理系统（Cyber Physical Systems，CPS）的提出及应用为解决交通系统中存在的问题提供了新思路。将CPS技术应用于交通系统，一方面，可广域多维地获悉表征交通物理系统实时状态的信息，为获悉交通物理系统实时状态和运行规律提供了重要的信息来源；另一方面，通过对所获取的海量交通数据的及时分析和有效处理，进而为交通物理系统的全面协调和实时优化提供新的依据。
　　《基于交通CPS的流式数据聚类及演化趋势发现方法研究》在现存流式数据聚类方法研究的基础上，研究表征交通物理系统状态广域多维的交通多流式数据的聚类分析及交通多流式数据的演化趋势发现方法。针对交通流式数据的周期演化特性，受启发于联合聚类以及基于矩阵分解聚类的思想，提出了基于低秩近似矩阵分解的多流式数据进化聚类算法EC-NMF。针对交通系统中流式数据随空间演化的纵向传播特性，提出了基于非负矩阵三分解的交通多流式数据联合聚类框架STClu。为揭示交通流式数据之间随时空的演化特性，提出了基于聚类思想的交通多流式数据演化趋势发现方法。
　　《基于交通CPS的流式数据聚类及演化趋势发现方法研究》适合有一定数据分析基础的学生、研究者阅读。

]

内容简介

[

本书在现存流式数据聚类方法研究的基础上, 研究表征交通物理系统状态广域多维的交通多流式数据的聚类分析及交通多流式数据的演化趋势发现方法。针对交通流式数据的周期演化特性, 受启发于联合聚类以及基于矩阵分解聚类的思想, 提出了基于低秩近似矩阵分解的多流式数据进化聚类算法EC-NMF。针对交通系统中流式数据随空间演化的纵向传播特性, 提出了基于非负矩阵三分解的交通多流式数据联合聚类框架STClu。为揭示交通流式数据之间随时空的演化特性, 提出了基于聚类思想的交通多流式数据演化趋势发现方法。

]

第1章绪论1．1 研究背景及意义1．1．1 研究背景1．1．2 研究意义1．2 国内外研究现状1．2．1 CPS的发展现状1．2．2 T-CPS的相关研究1．2．3 交通数据的分析方法1．2．4 流式数据的聚类分析1．3 主要研究内容1．4 本书的组织结构第2章基于CPS的交通流式数据的特点及特性分析2．1 交通状态描述2．2 基于CPS的交通流式数据的特点2．3 交通流式数据的特性分析2．3．1 交通流式数据的周期演化特性分析2．3．2 交通流式数据的纵向传播特性分析2．3．3 交通多流式数据的相似性演化特性分析2．4 本章小结第3章基于周期演化特性的交通多流式数据进化聚类算法3．1 引言3．2 相关工作3．2．1 非负矩阵分解算法3．2．2 图正则约束的非负矩阵分解3．3 基于周期特性的交通多流式数据进化聚类3．3．1 问题描述3．3．2 基于周期特性的交通多流式数据聚类建模3．3．3 迭代更新3．4 算法描述及其分析3．4．1 EC-NMF算法描述3．4．2 收敛性分析3．4．3 复杂度分析3．5 仿真实验及结果分析3．5．1 比较算法及评估方法3．5．2 合成数据集上的实验结果及分析3．5．3 实测数据集上的实验结果及分析3．5．4 参数选择3．6 本章小结第4章基于纵向空间传播特性的交通多流式数据联合聚类分析4．1 引言4．2 相关工作4．2．1 联合聚类4．2．2 基于NMTF的联合聚类4．3 基于时空特性的交通多流式数据联合聚类模型4．3．1 问题描述4．3．2 基于时空特性的交通多流式数据聚类建模4．3．3 迭代更新4．4 STClu算法描述及其分析4．4．1 算法描述4．4．2 复杂度分析4．5 仿真实验及结果分析4．5．1 比较算法及参数设置4．5．2 合成数据集上的实验结果及分析4．5．3 实测数据集上的实验结果及分析4．6 本章小结第5章基于谱图理论的交通多流式数据演化趋势发现算法5．1 相关工作5．2 问题描述5．3 交通多流式数据的滞后相关性度量5．4 交通多流式数据的演化趋势发现算法5．4．1 多流式数据的统计分析5．4．2 交通多流式数据的演化趋势发现算法5．5 仿真实验及结果分析5．5．1 比较算法及度量指标5．5．2 ICMDS算法的有效性5．5．3 TEEMA算法的可扩展性5．6 本章小结第6章总结与展望6．1 本书的主要工作6．2 后续工作展望参考文献