| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第19-33页 |
| 1.1 依托项目 | 第19页 |
| 1.2 研究背景及意义 | 第19-20页 |
| 1.3 研究现状 | 第20-29页 |
| 1.3.1 交通流缺失数据修复的研究现状 | 第21-22页 |
| 1.3.2 交通事件自动检测的研究现状 | 第22-24页 |
| 1.3.3 交通事件持续时间预测的研究现状 | 第24-26页 |
| 1.3.4 交通状态判别的研究现状 | 第26-27页 |
| 1.3.5 交通状态预测的研究现状 | 第27-29页 |
| 1.4 研究框架与章节安排 | 第29-32页 |
| 1.4.1 研究框架 | 第29-30页 |
| 1.4.2 章节安排 | 第30-32页 |
| 1.5 本章小结 | 第32-33页 |
| 第2章 基于PSO-SVR优化FCM的交通流缺失数据修复 | 第33-77页 |
| 2.1 概述 | 第33页 |
| 2.2 交通流缺失数据 | 第33-36页 |
| 2.2.1 交通流缺失数据模式 | 第33-35页 |
| 2.2.2 基于矩阵的交通流缺失数据表达 | 第35-36页 |
| 2.3 基于PSO-SVR优化FCM的缺失数据修复方法 | 第36-44页 |
| 2.3.1 基于模糊C均值（FCM）的修复方法 | 第36-38页 |
| 2.3.2 支持向量回归（SVR） | 第38-40页 |
| 2.3.3 粒子群优化（PSO） | 第40-41页 |
| 2.3.4 基于PSO优化SVR的缺失数据修复方法 | 第41-42页 |
| 2.3.5 基于PSO优化FCM的缺失数据修复方法 | 第42-43页 |
| 2.3.6 PSO-SVR-FCM方法的流程和步骤 | 第43-44页 |
| 2.4 实证分析 | 第44-76页 |
| 2.4.1 数据描述 | 第44-48页 |
| 2.4.2 交通流数据时空相关性分析 | 第48-57页 |
| 2.4.3 实验方案设计 | 第57-58页 |
| 2.4.4 实验结果与分析 | 第58-76页 |
| 2.5 本章小结 | 第76-77页 |
| 第3章 基于变量选择和KELM的交通事件自动检测 | 第77-93页 |
| 3.1 概述 | 第77页 |
| 3.2 平衡数据集 | 第77-78页 |
| 3.3 初始变量集的构建 | 第78-80页 |
| 3.4 基于RF-RFE的变量选择 | 第80-82页 |
| 3.4.1 随机森林（RF）与变量重要性分析 | 第80-82页 |
| 3.4.2 随机森林-递归特征消除（RF-RFE）算法 | 第82页 |
| 3.5 基于变量选择和KELM的AID算法 | 第82-87页 |
| 3.5.1 核极限学习机（KELM） | 第82-84页 |
| 3.5.2 万有引力搜索算法（GSA） | 第84-86页 |
| 3.5.3 AID算法流程和步骤 | 第86-87页 |
| 3.6 实证分析 | 第87-92页 |
| 3.6.1 实验数据及预处理 | 第87-88页 |
| 3.6.2 变量选择 | 第88-89页 |
| 3.6.3 算法参数优化 | 第89-90页 |
| 3.6.4 性能分析 | 第90-92页 |
| 3.7 本章小结 | 第92-93页 |
| 第4章 基于NCA-BOA-RF的交通事件持续时间预测 | 第93-109页 |
| 4.1 概述 | 第93页 |
| 4.2 交通事件持续时间及影响因素 | 第93-94页 |
| 4.3 基于NCA-BOA-RF的交通事件持续时间预测 | 第94-98页 |
| 4.3.1 基于NCA的特征变量选择 | 第94-96页 |
| 4.3.2 基于BOA的超参数优化 | 第96-97页 |
| 4.3.3 随机森林（RF） | 第97页 |
| 4.3.4 NCA-BOA-RF方法的流程和步骤 | 第97-98页 |
| 4.4 实证分析 | 第98-108页 |
| 4.4.1 数据来源与分析 | 第98-101页 |
| 4.4.2 NCA-BOA-RF的应用 | 第101-105页 |
| 4.4.3 结果与分析 | 第105-108页 |
| 4.5 本章小结 | 第108-109页 |
| 第5章 基于谱聚类和RS-KNN的交通状态判别 | 第109-121页 |
| 5.1 概述 | 第109页 |
| 5.2 谱聚类（SC） | 第109-110页 |
| 5.3 RS-KNN | 第110-111页 |
| 5.3.1 K最近邻（KNN） | 第110-111页 |
| 5.3.2 随机子空间（RS） | 第111页 |
| 5.4 SC-RS-KNN模型 | 第111-113页 |
| 5.5 实证分析 | 第113-119页 |
| 5.5.1 数据来源 | 第113页 |
| 5.5.2 基于谱聚类的交通状态划分 | 第113-116页 |
| 5.5.3 RS-KNN的训练 | 第116-117页 |
| 5.5.4 模型性能分析 | 第117-119页 |
| 5.6 本章小结 | 第119-121页 |
| 第6章 基于时序分析和机器学习的交通状态预测 | 第121-161页 |
| 6.1 概述 | 第121-122页 |
| 6.2 基于MPSR和CKF-LSSVM的短时交通流预测模型 | 第122-142页 |
| 6.2.1 多变量混沌时间序列分析 | 第122-125页 |
| 6.2.2 CKF-LSSVM模型 | 第125-127页 |
| 6.2.3 MPSR-CKF-LSSVM模型 | 第127-128页 |
| 6.2.4 实证分析 | 第128-142页 |
| 6.3 基于SSA与KELM的短时交通流预测模型 | 第142-160页 |
| 6.3.1 奇异谱分析（SSA） | 第142-144页 |
| 6.3.2 相空间重构（PSR） | 第144页 |
| 6.3.3 SSA-KELM模型 | 第144-145页 |
| 6.3.4 实证分析 | 第145-160页 |
| 6.4 本章小结 | 第160-161页 |
| 第7章 总结与展望 | 第161-165页 |
| 7.1 全文总结 | 第161-162页 |
| 7.2 研究展望 | 第162-165页 |
| 参考文献 | 第165-177页 |
| 作者简介及科研成果 | 第177-181页 |
| 致谢 | 第181-182页 |
