论文部分内容阅读
高速公路路网的建设是区域经济发展不可或缺的助推器。与此同时,各种形式的偷逃通行费的现象也层出不穷,造成了国家财政收入的巨大损失。高速公路联网收费系统的广泛普及,使得车辆的每一次通行和缴费行为都可追踪。对收费历史记录中相关字段进行分析可以发现其中的异常特征。然而,现有的利用人工稽查的方式效率低下,如何借助数据挖掘技术实现对高速公路联网收费系统中异常数据的检测,进而分析异常数据反映出的车辆存在的异常行为特征,是当前各地交通监管部门需要解决的重点问题。因此,本文将数据挖掘技术与高速公路异常行为分析业务相结合,设计了具体的算法模型,应用于高速公路联网收费数据的异常检测和车辆异常行为特征分析中。本文的主要工作如下:(1)对于数据集维度高的问题,提出了基于密度峰值的特征选择算法。以特征的最大信息系数为度量,基于密度峰值聚类的思想,定义了特征重要性指标,得到了降维后的特征子集。通过实验证明了特征子集能够较好地代表全部数据的特征。最后对高速公路数据集进行降维。(2)对于DBSCAN聚类算法效果受输入参数影响较大的问题,提出通过KMeans算法自适应确定DBSCAN的参数。对于DBSCAN算法的时间复杂度高的问题,改进了算法的邻域查询方式。通过实验证明了改进的DBSCAN算法能够提高聚类效果和执行效率。(3)对于Eclat关联规则算法的频繁项集进行自连接产生大量候选项集的问题,借鉴Apriori算法的剪枝思想,对频繁项集进行剪枝优化。对于Eclat算法产生冗余规则的问题,引入了兴趣度模型。通过实验证明了改进算法能够提高运算效率,并且能产生更有价值的关联规则。(4)设计并实现了高速公路异常行为分析系统,集成了数据管理、数据分析和结果展示三个主要功能模块。用户可以根据业务需求选择算法模型,对业务数据进行分析,具有较高的实际应用价值。