基于大数据的实时交通流预测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 课题来源 | 第14页 |
| 1.3 国内外研究现状 | 第14-20页 |
| 1.3.1 实时交通流预测方法研究 | 第14-18页 |
| 1.3.2 大数据技术研究现状 | 第18-20页 |
| 1.4 论文的研究内容和目录结构 | 第20-22页 |
| 第二章 实时数据分析平台设计 | 第22-37页 |
| 2.1 应用场景 | 第22-23页 |
| 2.2 平台需求分析 | 第23页 |
| 2.3 大数据实时分析平台架构 | 第23-32页 |
| 2.3.1 数据采集模块 | 第23-26页 |
| 2.3.2 数据处理模块 | 第26-30页 |
| 2.3.3 数据存储模块 | 第30-32页 |
| 2.4 实时交通流分析平台架构设计 | 第32-33页 |
| 2.5 数据平台的搭建 | 第33-36页 |
| 2.5.1 Hadoop平台搭建 | 第33-34页 |
| 2.5.2 Spark平台搭建 | 第34-35页 |
| 2.5.3 Kafka集群搭建 | 第35页 |
| 2.5.4 Redis集群搭建 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 交通流数据处理分析 | 第37-53页 |
| 3.1 交通流数据的采集 | 第37-40页 |
| 3.2 交通流数据特性 | 第40-42页 |
| 3.3 交通流数据的特征参数及选择 | 第42-45页 |
| 3.4 交通流数据预处理 | 第45-48页 |
| 3.4.1 数据异常分析 | 第45页 |
| 3.4.2 异常数据处理 | 第45-48页 |
| 3.5 交通流时空特性分析 | 第48-49页 |
| 3.5.1 交通流时间特性 | 第49页 |
| 3.5.2 交通流空间特性 | 第49页 |
| 3.6 基于PCA关联道路分析 | 第49-53页 |
| 3.6.1 PCA算法 | 第50页 |
| 3.6.2 关联道路分析 | 第50-53页 |
| 第四章 实时交通流预测方法 | 第53-75页 |
| 4.1 实验环境与参数 | 第53-56页 |
| 4.1.1 实验平台 | 第53-54页 |
| 4.1.2 实验环境 | 第54页 |
| 4.1.3 实验方案 | 第54-55页 |
| 4.1.4 模型评价标准 | 第55-56页 |
| 4.2 线性回归模型 | 第56-62页 |
| 4.2.1 问题描述 | 第56页 |
| 4.2.2 解析式推导求θ | 第56-57页 |
| 4.2.3 梯度下降法求θ | 第57-58页 |
| 4.2.4 线性回归模型的延伸 | 第58-59页 |
| 4.2.5 实验分析 | 第59-62页 |
| 4.3 随机森林与梯度提升决策树 | 第62-69页 |
| 4.3.1 问题描述 | 第62页 |
| 4.3.2 最小二乘回归树 | 第62页 |
| 4.3.3 决策树的优化 | 第62-63页 |
| 4.3.4 梯度提升算法与梯度提升决策树 | 第63-65页 |
| 4.3.5 Bagging策略与随机森林 | 第65页 |
| 4.3.6 实验分析 | 第65-69页 |
| 4.4 SVR(支持向量回归) | 第69-73页 |
| 4.4.1 SVR算法推导 | 第69-71页 |
| 4.4.2 实验分析 | 第71-73页 |
| 4.5 算法选择 | 第73-75页 |
| 第五章 基于历史周期数据的his-SVR模型 | 第75-81页 |
| 5.1 SVR(高斯核)超参数分析 | 第75-76页 |
| 5.2 基于历史周期的his-SVR模型 | 第76-78页 |
| 5.3 实验验证 | 第78-81页 |
| 结论 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 攻读学位期间发表的论文 | 第87-88页 |
| 攻读学位期间参加的科研项目 | 第88-90页 |
| 致谢 | 第90页 |
