为能够从更全面、客观的角度认识交通物理系统的演化特性，本书详细分析和总结了交通流式数据的特点，深入研究了流式数据聚类分析的相关工作，探索了基于低秩近似表示的高维数据聚类方法，提出了更符合交通实际的多流式数据聚类分析及演化趋势发现方法。

现将本书的主要工作总结如下：

①从CPS 的角度，分析了交通流式数据的特点及特性。

为能够更加客观地认识交通物理系统的运行规律，建立符合交通实际的交通流式数据分析方法，从CPS 的角度，对交通流式数据的特点进行了总结。基于实测数据，从不同的时间尺度分析了交通流式数据的周期演化特性、从时空演变的角度分析了交通流式数据的纵向传播特性、从相关性的角度分析了交通多流式数据之间的相似性演化特性。

②结合交通流式数据的周期演化特性，提出了交通多流式数据的进化聚类算法EC⁃NMF。

由不同感知器从各个位置所获取的交通流式数据之间并不是完全独立的，相反，随时间不断演化的交通流式数据之间呈现出高度的相关性。受启发于Co⁃clustering 以及基于矩阵分解聚类的思想，提出了交通多流式数据进化聚类算法EC⁃NMF。EC⁃NMF 算法不仅考虑了交通流式数据的高维性，还考虑了聚类对象的样本属性和特征属性的流形结构，使得聚类的结果更符合实际情况。此外，结合交通物理系统状态的缓慢变化特性，为维持随时间变化的一致的聚类结果，EC⁃NMF 算法嵌入了上一时刻聚类结果的信息。理论分析及实验结果表明，EC⁃NMF 算法能够有效地应用于随时间不断演化的交通多流式数据的聚类问题中。

③结合交通流式数据的纵向传播特性，提出了基于非负矩阵三分解的交通多流式数据的联合聚类框架STClu。

为了使交通多流式数据的聚类结果更符合交通实际情况，结合基于NMTF 联合聚类的研究现状，提出了基于非负矩阵三分解的交通多流式数据联合聚类框架STClu。为了维持随时空变化一致的聚类结果，STClu算法还嵌入了历史聚类结果的信息。基于不同数据集的实验结果表明，考虑了时空特性的STClu 算法能够有效地应用于具有时空特性的交通多流式数据聚类问题中。

以上的研究结果表明，本书提出的基于低秩近似矩阵分解的交通多流式数据的聚类算法，能够有效地应用于交通流式数据的聚类分析中，弥补了将传统的如K⁃means 等方法直接应用于具有高维特征的交通多流式数据聚类问题中的不足。(www.daowen.com)

④结合交通流式数据的滞后相关性特性，提出了基于谱图理论交通多流式数据的演化趋势发现算法TEEMA。

为能够发现交通系统中不同的空间的交通状态之间的演化特性，以一个道路网中的多个断面交通流量为研究对象，将以流式数据为单位的多流式数据聚类问题转化为多流式数据的图聚类模型。根据交通多流式数据之间的滞后相关特性，给出了流式数据的滞后相关性度量方法。结合谱图的相关工作，提出了交通多流式数据的聚类算法ICMDS。为发现多个相似断面之间的道路交通状态演化特性，提出了基于ICMDS 算法的交通多流式数据演化趋势发现算法TEEMA。最后，通过仿真实验验证了ICMDS 算法的有效性和TEEMA 算法的可扩展性。

本书的创新性主要体现在以下4 个方面：

①从CPS 的角度，分析了交通流式数据的特点及特性，研究了更符合交通实际的交通多流式数据聚类分析及演化事件发现方法，为进一步获悉交通物理系统的演化规律提供新的理论基础。

②通过对交通流式数据的周期特性分析，提出了聚类多流式数据框架EC⁃NMF。理论分析及实验结果表明，EC⁃NMF 算法能够有效地应用于交通多流式数据的聚类分析中。

③通过构建了具有纵向关系的不同空间的两个相关网络，提出了基于非负矩阵三分解的交通多流式数据联合聚类框架STClu。理论分析及实验结果表明，STClu 算法能够有效地应用于具有时空特性的交通多流式数据聚类问题中。

④根据交通多流式数据之间的滞后相关特性，给出了流式数据的滞后相关性度量方法。结合谱图的相关工作，提出了交通多流式数据的聚类算法ICMDS。为获悉交通物理系统的演化规律，通过分析不同时刻交通多流式数据的类及类内成员的变化，提出了基于ICMDS 算法的交通多流式数据演化趋势发现算法TEEMA。