【原创】SPSS基于逻辑回归和聚类模型的交通出行分析报告论文附代码数据.pdfVIP

基于逻辑回归和聚类模型的交通出行分析

一、绪论部分

1.1、研究背景

城市交通拥挤、交通事故、环境污染已是全世界面的共同问题，并成为制约

各城市社会和经济进一步发展的瓶颈问题。但由于受到了经济条件、技术条件、

环境条件、空间条件等制约，单纯依靠增加投资、进行大规模交通基础设施建设

解决城市交通问题的传统方法，已不能适应城市交通的迅速发展。

相对于其他出行，通勤出行在时间和空间上具有更大的恒定性，其时间安排

是影响城市居民其他活动和出行的选择。从某种意义而言，通勤活动也是其

他活动的基础。特别是随着城市居民就业范围的扩大，通勤出行的数量不仅迅速

增加，而且也日益的复杂化。特别是由于通勤出行集中在一定的高峰期和一定的

区域，使得早、晚高峰通勤时段的交通拥堵，成为城市交通问题最为突出的问题。

1.2、研究目的

通过运用决策树和Logistic回归方法，找出影响通勤交通方式选择的因素，

建立合适的模型,对出行方式问题进行分析以及提供一些合理化的建议。

1.3、研究意义

了解不同特点人员的出行方式，并根据找到的一些影响因素，采取相应的出

行需求管理措施，对缓解城市交通拥挤、提高通勤者的出行质量，更具有现实的

意义。

1.4、研究方法

主要采用决策树和Logistic回归方法对数据进行分析。

二、数据挖掘的相关理论

要在DSS中成功的实施数据挖掘并不是一蹴而就的，而是一个循序渐进、不

断调整的过程。一般来说，DSS中的数据挖掘主要包括以下几个步骤[17](如图3

所示)：

(1)确定分析和预测目标。DSS在进行数据挖掘时，首先需要明确商业目标，

即你想通过数据挖掘解决什么问题，达到什么目的。另外，还要将准备解决的问

题转化为可以测量的目标，即数据挖掘的成功准则。另外，作为数据挖掘的第一

个步骤，还必须考虑其它因素，如可用的技术、资金、人才和时间等资源。

(2)数据选择。对基础数据进行了解和选择，比如从哪里获得数据、是否建立

数据仓库、是否直接使用内部数据等问题。通过数据选择可以对基础数据建立基

本的可信度。

(3)数据准备。对选择的数据进行必要的预处理、转换，以消除数据噪音，提

高数据的完整性、准确性和可信度。

(4)模型构造。这是数据挖掘的关键阶段，这一阶段的主要工作有：根据挖掘

的商业目标，选择相应的数据挖掘技术，建立培训数据和测试数据，利用训练数

据采用相应算法建立模型和模型解释。

(5)模型评估和校验。使用测试数据对建立的模型进行测试、计算误差率，如

未达到预期目标，则根据误差原因，重新回到模型构造或数据选择阶段，重复相

关过程，直至找到满意的模型。如果是商业目标确定的不符合实际，就需要重新

审视最初的商业目标定义。

(6)部署和应用。建立满意的模型后，就可以在整个企业内部署和应用模型。

另外，在应用的过程中还要不断的测试模型的成功概率，从而来完善模型。

确定分析和

预订目标

N

Y数据不足

数据选择噪音大

数据准备N

Y

模型不

模型构造

准确

模型评

估检验

N

是否达到

预定目标