基于交通CPS的流式数据聚类及演化趋势发现方法研究

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