导读:本文包含了伴随车辆论文开题报告文献综述及选题提纲参考文献，主要关键词:伴随车辆,Spark计算框架,FP-Growth算法,随机伴随
伴随车辆论文文献综述
刘惠惠,张祖平,龙哲[1]（2018）在《基于Spark的FP-Growth伴随车辆发现与应用》一文中研究指出随着大数据技术在交通管理中的广泛应用,在海量车牌数据中检测伴随车辆,引起了研究者们的关注。但目前大多数方法在庞大的数据量下运行效率低,且停留在理论研究阶段,并未与实际应用相结合。提出了一种针对于此应用的新颖方法。采用Spark分布式并行计算框架提高运行速度,利用负载均衡原理对数据进行均衡化处理,再提出基于改进的FP-Growth的伴随车辆发现算法,利用置信度对结果进行后处理,剔除车辆随机伴随的情况,提高了检测正确率。该方法应用于长沙市交警大联合交管中心系统,其中将海量车牌识别数据存储在Hadoop大数据平台下的Hive数据库中,在交通PGIS(Police Geographic Information System)上可视化分析结果,实验证明了方法的高效性和可行性。(本文来源于《计算机工程与应用》期刊2018年08期）
王保全,蒋同海,周喜,马博,赵凡[2]（2017）在《类自动车牌识别轨迹数据的伴随车辆组挖掘》一文中研究指出自动车牌识别(ANPR)数据比私人全球定位系统(GPS)数据更易获得,且包含更有用的信息,但是相对成熟的针对GPS轨迹数据挖掘伴随车辆组方法并不适用于自动车牌识别数据,现有的少量自动车牌识别数据伴随车辆组挖掘算法存在重视轨迹相似而忽视时间因素的缺陷,因此提出一种基于轨迹特征的聚类方法挖掘伴随车辆组。针对自动车牌识别数据中采样点固定而采样时间不定的特点,通过轨迹中共现的次数判定两个对象构成伴随模式。该共现定义引入豪斯多夫距离,综合考虑轨迹的地点、方向和时间特征,旨在挖掘数据中采样点不同但采样点距离近且轨迹相似的伴随车辆组,以此提高伴随车辆组挖掘效率。实验结果表明,所提方法较现有方法更能有效挖掘伴随车辆组,识别非伴随模式数据,效率提升了近两倍。(本文来源于《计算机应用》期刊2017年11期）
王路辉,王桂玲[3]（2017）在《基于车牌识别流数据的伴随车辆发现算法》一文中研究指出针对伴随车辆发现及其实时性问题,基于随时间变化的车牌识别流数据,提出一种采用并行频繁项集发现(PFID)技术的伴随车辆组实时发现算法。该算法根据频繁项挖掘Eclat算法的思想,并利用分布式流数据处理框架Spark Streaming生成最大伴随车辆组。实验结果表明,与排列组合算法及FP-Growth算法相比,PFID算法消耗内存更少,响应时间更短,在秒级响应时间内能找到伴随车辆组,达到及时预警目的。(本文来源于《计算机工程》期刊2017年08期）
赵秋实,史燕中,方志,蒋遂平[4]（2016）在《基于频繁集的伴随车辆检测算法研究》一文中研究指出为从海量机动车行驶数据中找出车辆的伴随车辆信息,本文依据伴随车辆的行为特点及关联挖掘原理提出了一种基于频繁项集的伴随车辆检测算法。通过分析伴随车辆的行驶特点,设定频繁项集的支持度和时间阈值,实现了从单项集到多项集的迭代过程。利用流数据处理方法,添加了针对伴随车辆检测的流数据处理方法,最终使算法可以快速的在海量数据中检测到车辆的伴随车辆信息。经实验验证,本算法可以快速正确的检测出车辆的伴随车辆信息。(本文来源于《软件》期刊2016年04期）
朱美玲,王雄斌,张守利,刘晨,韩燕波[5]（2016）在《基于大规模流式车牌识别数据的即时伴随车辆发现》一文中研究指出提出了一种基于流式大规模车牌识别数据集的伴随车辆(伴随车辆是指在一段持续的时间内一起移动的车辆组群)即时发现方法,可实现即时发现疑似伴随车辆并将其按伴随概率排序.该方法充分利用了云基础设施的并行计算能力,基于整数划分思想建立并行发现的负载均衡模型,优化了伴随车辆的发现性能,可用于对时间敏感的交通应用场景,如发现并监控运钞车等特殊车辆的跟踪车辆等.实验证明,该方法能够有效处理大规模的流式车牌识别数据,并实时地输出发现结果.(本文来源于《中国科学技术大学学报》期刊2016年01期）
曹波,韩燕波,王桂玲[6]（2015）在《基于车牌识别大数据的伴随车辆组发现方法》一文中研究指出基于对车牌识别大数据的处理与分析,可以完成伴随车辆组的发现,在涉案车辆追踪等方面具有广泛的应用。然而当前单一机器模式下伴随车辆组发现算法存在时间和空间上处理性能低下等问题。针对此问题,提出了一种伴随车辆组发现方法——FP-DTC方法。该方法将传统的FP-Growth算法利用分布式处理框架Spark进行了并行化,并作了相应的改进和优化来更加高效地发现伴随车辆组。实验结果的分析表明,提出的方法能够很好地解决车牌识别大数据上的伴随车辆组发现问题,性能相比采用同样方法的Hadoop实现提升了近4倍。(本文来源于《计算机应用》期刊2015年11期）
方艾芬,李先通,蔄世明,岳鹏飞[7]（2012）在《基于关联规则挖掘的伴随车辆发现算法》一文中研究指出伴随车辆是公安刑侦部门对海量车辆通行信息检索的一类实战需求,目的是通过模糊条件查询得到潜在的结伴作案车辆,究其本质,可将此类查询转化为数据挖掘中关联规则挖掘问题。通过对公路车辆智能监测记录系统采集的过车数据进行分析,将伴随车辆查询转化为关联规则挖掘,利用数据挖掘技术对过车数据查询问题进行综合分析,实现高效率的伴随车辆查询算法AVD(Accompany Vehicles D iscovery)。算法分析表明,AVD不但能提供准确的伴随车辆查询结果,而且效率高、扩展性强,具有较高的可行性。(本文来源于《计算机应用与软件》期刊2012年02期）
薛如冰[8]（2008）在《关联分析在涉案伴随车辆挖掘中的应用研究》一文中研究指出随着城市机动车保有量的增长,伴随的问题也日益显现,其中车辆盗窃、利用机动车辆进行犯罪活动的案件也越来越多。对于犯罪涉案机动车,往往因为机动车辆具有机动性高、隐蔽性强等特点,因此容易快速逃逸现场,并不易被排查出,从而成为严重威胁社会安全的重要因素。所以,对机动车辆进行监控和管理成为新的问题。通过对以往大量涉案机动车行为的研究和分析,发现涉案机动车辆往往存在频繁出现于作案现场附近以及存在多辆车辆伴随出现的现象。本文基于《深圳市网格化机动车识别综合应用系统建设》项目,借助该系统前期运行所得的车辆车牌照识别数据,对布控区域内的涉案车辆的伴随情况、涉案车辆的历史轨迹以及对潜在涉案车辆的伴随车辆情况进行了分析。因为车辆数据十分庞大,仅一期项目的80个布控点每天的车牌照识别数据已经达到了百万级,因此在如此庞大的数据中如何快速、高效的获得涉案车辆或潜在涉案车辆的历史轨迹和伴随情况成为十分值得研究的问题。近年来,各种数据挖掘方法的逐渐成熟和在各个领域得到广泛应用,为解决以上问题给出了很好的解决思路。本文基于传统布尔关联分析对涉案车辆的历史轨迹和伴随情况进行了挖掘。并针对伴随车辆发现问题,对传统的布尔关联分析方法进行了改进和扩展,提出了新的基于相似度的关联分析,通过与传统布尔关联方法比较,结果显示在选择合适的相似度和规则析出阈值后本文扩展方法在伴随车辆发现中更为有效。本文的工作主要有以下几点:(1)分析课题背景,确定研究目标,提出需要解决的主要问题;并对提出问题进行抽象,得到其数学描述。(2)在对数据挖掘方法进行简要综述的基础上,重点研究了关联挖掘方法的研究进展及其在交通领域的应用进展。(3)针对提出问题,提取车牌照数据,并对原始数据进行了数据清洗、数据转换,以适合布尔关联分析。(4)使用布尔关联分析对涉案车辆的历史轨迹和伴随情况进行了分析,并分析了潜在的涉案伴随车辆。(5)提出基于相似度的扩展布尔关联分析方法,对涉案车辆的伴随情况,和潜在涉案车辆的伴随情况予以了分析,并与传统布尔关联分析方法进行了比较,结果显示本文扩展方法更为有效。(本文来源于《北京交通大学》期刊2008-05-01）
伴随车辆论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自动车牌识别(ANPR)数据比私人全球定位系统(GPS)数据更易获得,且包含更有用的信息,但是相对成熟的针对GPS轨迹数据挖掘伴随车辆组方法并不适用于自动车牌识别数据,现有的少量自动车牌识别数据伴随车辆组挖掘算法存在重视轨迹相似而忽视时间因素的缺陷,因此提出一种基于轨迹特征的聚类方法挖掘伴随车辆组。针对自动车牌识别数据中采样点固定而采样时间不定的特点,通过轨迹中共现的次数判定两个对象构成伴随模式。该共现定义引入豪斯多夫距离,综合考虑轨迹的地点、方向和时间特征,旨在挖掘数据中采样点不同但采样点距离近且轨迹相似的伴随车辆组,以此提高伴随车辆组挖掘效率。实验结果表明,所提方法较现有方法更能有效挖掘伴随车辆组,识别非伴随模式数据,效率提升了近两倍。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
伴随车辆论文参考文献
[1].刘惠惠,张祖平,龙哲.基于Spark的FP-Growth伴随车辆发现与应用[J].计算机工程与应用.2018
[2].王保全,蒋同海,周喜,马博,赵凡.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
[3].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.2017
[4].赵秋实,史燕中,方志,蒋遂平.基于频繁集的伴随车辆检测算法研究[J].软件.2016
[5].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.2016
[6].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
[7].方艾芬,李先通,蔄世明,岳鹏飞.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
[8].薛如冰.关联分析在涉案伴随车辆挖掘中的应用研究[D].北京交通大学.2008
标签：伴随车辆; Spark计算框架; FP-Growth算法; 随机伴随;