城市的不断发展致使智慧城市应运而生，而智慧交通作为智慧城市中最重要的组成部分，用于解决因经济发展人口增长而带来的交通拥堵等问题。传统的交通管理模式已无法追赶上高速发展的脚步，因此需要更能适应现代化交通管理需求的交通治理模式，本文将探讨数据挖掘技术在智慧交通中的应用。数据挖掘与智慧交通发展相辅相成。一方面，数据挖掘是智慧交通得以实现及发展的重要手段，要想从智慧交通中的大量数据中得到有效的信息必须充分依靠数据挖掘技术。另一方面，智慧交通产生的海量数据，包括路况信息和车辆信息等重要数据资料，也在一定程度上推动了数据挖掘技术的发展。由此可见，数据挖掘技术的现实应用是智慧交通建设及满足交通治理需求的基础，智慧交通建设是数据挖掘技术得以应用和发展的渠道。

文章以广东省普宁市近年来的交通数据为切入点，应用数据挖掘的理念技术，分析大数据背景下智慧交通发展的必要性，阐述智慧交通在数据挖掘手段辅助下产生的功能特性，紧密围绕智慧交通背景下短期车流量预测、车辆画像及犯罪团伙车辆挖掘三个方面进行研究，旨在为新时代产生的新的交通需求提供决策性意见。首先，本文针对交通数据的特性，分析并研究了现有的短期交通流预测技术，并在此基础上将小波包和最小二乘支持向量机的组合模型应用于短期交通流量的预测中。预测结果表明，相比单个模型，组合模型的精确度更高且时间复杂度更低。其次，以现有交通数据为基础，利用K-means聚类对车辆经常性的行为模式进行聚类分析，将所有的车辆聚类为包括昼伏夜出车辆在内的四大类，在一定程度上辅助警方识别可疑车辆。接着分为轨迹相似度挖掘及伴随车辆发现两个部分对犯罪团伙成员的车辆进行挖掘。在该部分提出了一种轨迹相似度的计算方法并根据伴随关系的特性，挖掘出与指定车辆构成伴随关系的车辆，辅助警方侦破团伙性案件。本文最后总结了将数据挖掘技术应用于智慧交通中的优势，并相信数据挖掘技术在未来一定会对智慧交通的发展及普及作出贡献。

The continuous development of cities has led to the emergence of Smarter Cities. As the most important part of Smarter Cities, Intelligent Transportation is used to solve problems such as traffic congestion caused by developing economy and rising population. The traditional traffic management model can not keep up with the pace of rapid development. Therefore, it is necessary to adopt a traffic management mode that can better meet the needs of modern traffic management. The article discusses the application of data mining technology in Intelligent Transportation. Data mining and the development of Intelligent Transportation complement each other. On the one hand, data mining is an important means to realize and develop Intelligent Transportation. In order to obtain effective information from a number of data in Intelligent Transportation, we must fully rely on data mining technology. On the other hand, the massive data generated by Intelligent Transportation, including important data such as road condition information and vehicle information, has also promoted the development of data mining technology to a certain extent. It can be seen that the practical application of data mining technology is the foundation of Intelligent Transportation construction and meeting the needs of traffic management, and Intelligent Transportation construction is the channel for the application and development of data mining technology.

 

Based on the traffic situation of Puning city of Guangdong Province in recent years, the paper analyzes the necessity of the development of Intelligent Transportation under the background of big data by applying the concept and technology of data mining, expounds the functional characteristics of Intelligent Transportation generated with the help of data mining. This paper studies the short-term traffic flow prediction, vehicle portrait and criminal gang vehicle mining under the background of Intelligent Transportation, it aims to provide decision-making opinions for the new traffic demand in the new era. First of all, this paper analyzes and studies the existing short-term traffic flow prediction technology based on the characteristics of traffic data, and based on this, a combined model of wavelet packet and least squares support vector machine is applied to the short-term traffic flow prediction. From the prediction results, it can be seen that the combined model has higher accuracy and lower time complexity than the single model. Second, based on the existing traffic data, K-means clustering is used to analyze the regular behavior patterns of vehicles, and all vehicles are clustered into four categories, including the vehicles that hide by day and come out at night, which helps the police to identify suspicious vehicles to a certain extent. Third, it is divided into two parts: track similarity mining and accompanying vehicle discovery. In this part, a calculation method of trajectory similarity is proposed. According to the characteristics of accompanying relationship, this paper digs out the vehicles that form the accompanying relationship with the designated vehicles, and assists the police to detect Gang cases. Finally, this paper summarizes the advantages of applying data mining technology to Intelligent Transportation, and believes that data mining technology will contribute to the development and popularization of Intelligent Transportation in the future.

[1] 陆化普, 李瑞敏. 城市智能交通系统的发展与现状与趋势[J]. 工程研究-跨学科视野中的工程. 2014.
[2] 沈志云, 邓学军. 交通运输工程学[M]. 人民交通出版社. 2003.
[3] HOBEIKA AG CHANG K YUN KIM. Traffic-flow-prediction Systems Based on Upstremn Traffic[C]. Proceedings of Vehicle Navigation and information System Conference.1994.
[4] DAVIS, NIHAN. Nonparametric Regression and Short-Term Freeway Traffic Forecasting[J]. Journal of Transportation Engineering. 1991.
[5] DOUGHCTRY, KIRBY, BOYLE. The Use of Nerual Network to Recognize and Predict Traffic Congestion [J]. Traffic Engineering and Control, 1993.
[6] 赵磊, 智能交通系统中的汽车流量监测研究, 四川大学, 2005.
[7] 贺国光, 李宇, 马寿峰. 基于数学模型的短时交通流预测方法探讨[J]. 系统工程理论与实践, 2002, (12):51-56.
[8] 何秉松. 我国的犯罪趋势、原因与刑事政策(上)——兼论我国刑法修改的刑事政策问题[J]. 政法论坛, 1989(05):39-47.
[9] 何秉松. 中国大陆黑社会(性质)犯罪的演变过程、规律及其发展趋势[J]. 政法论坛:中国政法大学学报, 2001(1):61-73.
[10] 张树有, 谭建荣. 连杆机构曲线特征参数模糊相似度的判别方法[J]. 模糊系统与数学(01):78-82.
[11] 郭岩. 基于轨迹相似度计算的目标判别研究[J]. 2016.
[12] 刘蔚然, 刘莉娜. 大数据技术[J]. 冶金设备管理与维修, 2014, 32(4):33-36.11.
[13] 王成红, 陈伟能, 张军. 大数据技术与应用中的挑战性科学问题[J]. 中国科学基金(2):14-20.
[14] KONSTANTIN SHVACHKO, HAIRONG KUANG, SANJAY RADIA. The Hadoop Distributed File System[C]// 2010 IEEE 26th Symposium on Mass Storage Systems and Technologies (MSST). IEEE, 2010.
[15] MINAR N, GRAY M, ROUP O, et al. Hive: Distributed Agents for Networking Things[M]// Hive: distributed agents for networking things. 2000.
[16] SHOJI NISHIMURA, SUDIPTO DAS, DIVYAKANT AGRAWAL. MD-HBase: A Scalable Multi-dimensional Data Infrastructure for Location Aware Services[C]// IEEE International Conference on Mobile Data Management. IEEE, 2011.16.
[17] J. DAVID ALLAN. Running Waters. Book Reviews: Stream Ecology. Structure and Function of Running Waters[J]. Science, 1995, 270.
[18] 魏青松. 大规模分布式存储技术研究[D]. 电子科技大学.
[19] 孙怀义, 王东强, 刘斌. 智慧交通的体系架构与发展思考[J]. 自动化博览, 2011(s1):28-31.
[20] 蔡翠. 我国智慧交通发展的现状分析与建议[J]. 公路交通科技(应用技术版)(6):230-233.
[21] 岑鑫明, 马润斌, 刘海峰. 智能交通助力智慧城市建设[J]. 中国公共安全(综合版), 2012(11):126-129.
[22] 陈亚然. 智慧城市及其相关技术探析[C]// 第22届中国数字广播电视与网络发展年会暨第13届全国互联网与音视频广播发展研讨会.
[23] 吴中一. 卫星导航系统[J]. 遥测遥控, 1989(02):53-57.
[24] 胡鹏. 地理信息系统教程[M]. 武汉大学出版社, 2002.
[25] 邵峰晶. 数据挖掘原理与算法[M]. 水利水电出版社, 2003.
[26] 刘明吉, 王秀峰, 黄亚楼. 数据挖掘中的数据预处理[J]. 计算机科学, 2000, 27(4).
[27] 喻小光, 陈维斌, 陈荣鑫. 一种数据规约的近似挖掘方法的实现[J]. 华侨大学学报(自然科学版), 2008(03):56-60.
[28] 蒋鹏. 小波理论在信号去噪和数据压缩中的应用研究[D]. 浙江大学, 2004.
[29] 黄晓霞, 萧蕴诗. 数据挖掘应用研究及展望[J]. 计算机辅助工程, 2001(04):25-31.
[30] 于东海. 短时交通流预测问题的研究[D]. 2017.
[31] 刘静, 关伟. 交通流预测方法综述[J]. 公路交通科技, 2004(3):82-85.
[32] 唐巍, 李殿璞, 陈学允. 混沌理论及其应用研究[J]. 电力系统自动化, 2000(07):67-70.
[33] 贺国光, 马寿峰, 李宇. 基于小波分解与重构的交通流短时预测法[J]. 系统工程理论与实践, 2002, 22(9):101-106.
[34] 康惠骏. 非线性系统理论[M]. 机械工业出版社, 2010.
[35] 凌智. 基于BP神经网络的高速公路车流量预测研究[D]. 2014.
[36] 张鹤. 基于SVM的机动车流量数据分析与预测模型[D]. 东北大学, 2008.
[37] 李林. 基于聚类分析和决策树算法的交通流量挖掘[D]. 2016.
[38] 张凯, 卢邹颖. 短时车流量组合预测模型[J]. 南京信息工程大学学报:自然科学版, 2013(5):414-420.
[39] 杨亚杰, 韩印. 基于组合模型的交通流量预测研究[J]. 物流工程与管理, 2017(01):88-90.
[40] 钱伟, 车凯, 李冰锋. 基于组合模型的短时交通流量预测[J]. 控制工程, 2019, 26(01):127-132.
[41] 丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(001):1-10.
[42] 李弼程, 罗建书. 小波分析及其应用[M]. 机械工业出版社, 2005.
[43] 成礼智, 王红霞, 罗永. 小波的理论与应用[M]. 2004.
[44] 唐晓初. 小波分析及其应用[M]. 2006.
[45] 杨延西, 刘丁. 基于小波变换和最小二乘支持向量机的短期电力负荷预测[J]. 电网技术, 2005, 29(13):60-64.
[46] 彭文季. 基于小波包分析和支持向量机的水电机组振动故障诊断研究[J]. 中国电机工程学报, 2006, 26(24):0-168.
[47] 米晨, 汤秀芬, 魏凤兰. 基于Haar小波变换的图像分解与重构[J]. 实验室研究与探索, 2003(02):82-85.
[48] 张同琦. 基于Haar小波的尺度函数与小波构造[J]. 渭南师范学院学报:综合版, 2006.
[49] 秦其明, 王清培, 崔容菠. 一种处理超低频数据的方法. 2013.
[50] 王千, 王成, 冯振元. K-means聚类算法研究综述[J]. 电子设计工程, 2012(07):27-30.
[51] J. A. HARTIGAN, M. A. WONG. Algorithm AS 136: A K-Means Clustering Algorithm[J]. Journal of the Royal Statistical Society, 28(1):100-108.
[52] 韩晓红, 胡彧. K-means聚类算法的研究[J]. 太原理工大学学报, 2009(03):33-36.
[53] 杨善林, 李永森, 胡笑旋. K-MEANS算法中的K值优化问题研究[J]. 系统工程理论与实践, 2006(02):99-103.
[54] 周世兵, 徐振源, 唐旭清. K-means算法最佳聚类数确定方法[J]. 计算机应用, 2010, 30(8):1995-1998.
[55] 付赟,方德英. 雷达图法在综合评价中的应用研究[J]. 统计与决策(24):176-178.
[56] 靳新, 任怡. 试论当前盗窃机动车犯罪的特点[J]. 北京警察学院学报, 2004 (005):63-65,68.
[57] 程明睿. 基于公共交通车辆一键报警信息的犯罪规律研究[D].
[58] 秦磊, 胡琼, 黄庆明. 基于特征点轨迹的动作识别[J]. 计算机学报(6):59-66.
[59] 曹妍妍, 崔志明, 吴健. 一种改进Hausdorff距离和谱聚类的车辆轨迹模式学习方法[J]. 计算机应用与软件, 2012(05):44-46.
[60] 鲍文, 祝豪, 胡清华. 基于改进的最小描述长度小波变换数据压缩[J]. 仪器仪表学报, 027(10):1338-1341.
[61] 王晏民. 矢量曲线的特征点提取[J]. 测绘工程, 2002, 11(2):8-10.
[62] 曹波, 韩燕波, 王桂玲. 基于车牌识别大数据的伴随车辆组发现方法[J]. 计算机应用, 2015, 35(11):3203-3207.
[63] 朱美玲, 王雄斌, 张守利, 刘晨, 韩燕波. 基于大规模流式车牌识别数据的即时伴随车辆发现[J]. 中国科学技术大学学报(1期):47-55.
[64] 王保全, 蒋同海, 周喜. 类自动车牌识别轨迹数据的伴随车辆组挖掘[J]. 计算机应用, 2017, 37(11):3064-3068.
[65] 孔令云. 基于云计算的卡口交通数据分析系统[D].2014.
[66] 李雨. 卡口过车信息挖掘技术研究[D]. 2015.
[67] 王路辉, 王桂玲. 基于车牌识别流数据的伴随车辆发现算法[J]. 计算机工程，2018, 2(8).
[68] 赵秋实, 史燕中, 方志. 基于频繁集的伴随车辆检测算法研究[J]. 软件，2016,(4):69-73.
[69] 于自强, 禹晓辉, 董吉文. 分布式多数据流频繁伴随模式挖掘[J]. 软件学报, 2019，30(4):218-233.
[70] 方艾芬, 李先通, 蔄世明. 基于关联规则挖掘的伴随车辆发现算法[J]. 计算机应用与软件2012，2(2):100-102.
[71] 萧嵘, 王继成, 张福炎. 支持向量机理论综述[J]. 计算机科学, 2000, 27(3):1-3.
[72] 白鹏. 支持向量机理论及工程应用实例[M]. 2008.
[73] 潘泉, 张磊, 孟晋丽. 小波滤波方法及应用[M]. 2005.