短时交通流预测问题的研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-13页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的和意义 | 第8页 |
| 1.3 国内外研究动态 | 第8-10页 |
| 1.3.1 ARIMA模型 | 第8-9页 |
| 1.3.2 支持向量机模型 | 第9-10页 |
| 1.4 本文的主要内容和组织结构 | 第10-13页 |
| 第二章 短时交通流数据的特点和预处理 | 第13-23页 |
| 2.1 交通流概述 | 第13页 |
| 2.2 交通流特点 | 第13-14页 |
| 2.3 数据集的介绍 | 第14-17页 |
| 2.4 数据预处理 | 第17-22页 |
| 2.4.1 异常数据的识别 | 第18-22页 |
| 2.4.2 异常值的修复 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于ARIMA的交通流预测 | 第23-31页 |
| 3.1 平稳性检验 | 第23-25页 |
| 3.2 带季节效应的ARIMA模型 | 第25-26页 |
| 3.3 建模过程 | 第26-31页 |
| 第四章 基于网络拓扑特征的SVM建模 | 第31-39页 |
| 4.1 支持向量回归机(SVR)理论 | 第31-34页 |
| 4.1.1 最大边缘原理 | 第31-32页 |
| 4.1.2 SVR基本模型 | 第32-33页 |
| 4.1.3 核函数 | 第33-34页 |
| 4.2 网络理论 | 第34-35页 |
| 4.3 SVM建模过程 | 第35-39页 |
| 第五章 基于集成模型的短时交通流预测 | 第39-43页 |
| 5.1 Bagging | 第39页 |
| 5.2 Boosting方法 | 第39-40页 |
| 5.3 结合策略 | 第40-41页 |
| 5.4 混合模型 | 第41页 |
| 5.5 建模过程 | 第41-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 主要研究结论 | 第43-44页 |
| 6.2 研究展望 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47-49页 |
