探求数据挖掘在交通管理中的运用范文

1数据挖掘体系结构

智能交通管理平台数据仓库是数据挖掘的基础，为数据挖掘提供强有力的数据支持。智能交通管理平台的数据仓库积累了海量的历史数据，这些数据包含了城市交通所有的基础信息等信息，并且这些数据是一系列在某时刻生成的复杂的快照，包含了时间元素，能反映某一信息数据的变化过程。同基于数据库的数据挖掘相比，基于数据仓库的数据挖掘具有三点显著优势：

（1）数据仓库的数据在加载前已经过了清洗和转换，保证了数据的质量；同时也避免了数据挖掘必须消耗很长时间对数据进行抽取、清洗、转换和装载。

（2）数据仓库的数据是按主题组织的，这为数据挖掘选择合适的数据源提供了方便。

（3）数据库不能存放历史数据，因此如果直接在数据库中挖掘，许多知识无法挖掘出来，那么就不能运用现有的数据进行预测；与其相反，数据仓库却能够存放历史数据，以便于提供数据进行预测。

2交通流量组合模型

及时、准确地预测道路交通流量是智能交通管理平台实现动态交通管理的重要前提。由于道路交通的变化过程是一个实时、非线性、高维、非平稳的随机过程，随着统计时段的缩短，交通流变化的随机性和不确定性越来越强。交通流短时变化不仅与本路段过去几个时段的道路交通情况有关，还受上下游的道路交通情况及天气变化、交通事故和交通环境等因素的影响，这些因素都给交通流量预测带来一定的难度。交通流量数据是时间序列的一种形式，根据时间序列数据特征的变化对其进行分割，常用的时间序列分割方法是逐段线性描述，即用线性模型对序列进行分割与逐段描述。交通流量组合模型是将交通流量时间序列分割和BP神经网络组合使用，即在交通流量时间序列分割的基础上，使用BP神经网络作为预测算法对所获得的时段数据分别进行建模和预测。

3结语

针对当前智能交通管理平台发展和应用的需求，基于组合模型的交通流量预测方法能够有效地预测交通流量，是对当前交通流量预测的补充和完善并进一步发挥数据挖掘技术在智能交通管理数据分析中的作用，对于改善智能交通管理平台的能力具有积极意义。

作者：秦佳单位：鸡西大学电信系