通过对基于CPS 的交通流式数据的特性分析，研究交通多流式数据的聚类分析及演化趋势发现方法。本书的组织结构安排如图1.3 所示。

图1.3　本书组织结构图

第1 章，该部分首先介绍了本书的研究背景及意义。其次对CPS 及交通CPS 的发展、交通数据的分析及处理、流式数据聚类分析及动态网络社团发现的研究现状进行了综述。最后简述了本书的主要研究内容和全文的组织结构。

第2 章，对表征交通状态的交通参数进行描述，总结了基于CPS 的交通流式数据的特点，基于实测数据对交通流式数据的周期演化特性、纵向传播特性、多流式数据之间的演化特性进行了分析。(www.daowen.com)

第3 章，根据交通流式数据的周期演化特性，基于低秩近似矩阵分解思想，提出先验嵌入和图正则约束相结合的多流式数据进化聚类框架EC⁃NMF。

第4 章，结合交通流式数据之间的纵向传播特性，根据两个或者两个以上相邻数据统计点的断面交通流式数据之间的相互关系，建立具有空间相关的任意两个网络之间的关系模型。结合基于非负矩阵三分解的联合聚类算法的研究现状，提出了具有时空特性的多流式数据联合聚类模型STClu。

第5 章，通过分析多个断面的产生的流式数据的滞后相关性特点，基于传统的Pearson 相关性度量方法，给出基于滑动窗口的多流式数据的滞后相关系数计算过程。提出基于谱图理论的交通多流式数据聚类算法ICMDS 以及基于聚类分析的交通多流式数据演化趋势发现算法TEEMA。

第6 章，对本书的主要研究内容进行总结，并在此基础上对下一步的研究工作进行了展望。