| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目标及意义 | 第10-11页 |
| 1.3 研究综述 | 第11-17页 |
| 1.3.1 旅行时间预测统计类模型 | 第11-12页 |
| 1.3.2 旅行时间预测数据驱动模型 | 第12-14页 |
| 1.3.3 旅行时间预测组合模型 | 第14-15页 |
| 1.3.4 旅行时间预测深度学习模型 | 第15-17页 |
| 1.4 研究内容及框架结构 | 第17-19页 |
| 第2章 组合短路段的长路段旅行时间预测 | 第19-36页 |
| 2.1 研究概述 | 第19页 |
| 2.2 预测方法 | 第19-21页 |
| 2.2.1 ARIMA模型 | 第19-21页 |
| 2.2.2 评价指标 | 第21页 |
| 2.3 长路段直接预测 | 第21-31页 |
| 2.3.1 数据来源 | 第21-23页 |
| 2.3.2 数据预处理 | 第23-27页 |
| 2.3.3 研究数据 | 第27-28页 |
| 2.3.4 直接预测 | 第28-31页 |
| 2.4 长路段组合预测 | 第31-35页 |
| 2.4.1 组合预测方法说明 | 第32页 |
| 2.4.2 组合短路段预测长路段 | 第32-35页 |
| 2.5 小结 | 第35-36页 |
| 第3章 基于PCA-GBDT的城市道路旅行时间预测 | 第36-50页 |
| 3.1 研究概述 | 第36-37页 |
| 3.2 预测模型 | 第37-43页 |
| 3.2.1 主成分分析 | 第37-38页 |
| 3.2.2 梯度提升决策树 | 第38-41页 |
| 3.2.3 主成分分析-梯度提升决策树 | 第41-42页 |
| 3.2.4 评价指标 | 第42-43页 |
| 3.3 案例分析 | 第43-49页 |
| 3.3.1 数据来源 | 第43页 |
| 3.3.2 测试数据 | 第43页 |
| 3.3.3 具体过程 | 第43页 |
| 3.3.4 效果评价 | 第43-49页 |
| 3.4 小结 | 第49-50页 |
| 第4章 基于灰色逻辑-k近邻的城市道路旅行时间预测 | 第50-63页 |
| 4.1 研究概述 | 第50-51页 |
| 4.2 预测方法 | 第51-55页 |
| 4.2.1 灰色理论 | 第51-52页 |
| 4.2.2 k近邻 | 第52-53页 |
| 4.2.3 灰色逻辑-k近邻 | 第53-55页 |
| 4.3 案例分析 | 第55-61页 |
| 4.3.1 数据来源 | 第55页 |
| 4.3.2 测试数据 | 第55-56页 |
| 4.3.3 具体过程 | 第56页 |
| 4.3.4 效果评价 | 第56-61页 |
| 4.4 小结 | 第61-63页 |
| 第5章 基于深度学习的城市道路旅行时间预测 | 第63-76页 |
| 5.1 研究概述 | 第63页 |
| 5.2 循环神经网络 | 第63-66页 |
| 5.3 LSTM神经网络 | 第66-72页 |
| 5.3.1 LSTM的概念 | 第66-68页 |
| 5.3.2 LSTM的执行 | 第68-70页 |
| 5.3.3 LSTM的变体 | 第70-72页 |
| 5.4 旅行时间预测 | 第72-75页 |
| 5.4.1 数据来源 | 第72页 |
| 5.4.2 模型说明 | 第72-73页 |
| 5.4.3 效果评价 | 第73-75页 |
| 5.5 小结 | 第75-76页 |
| 第6章 结论与展望 | 第76-79页 |
| 6.1 研究结论 | 第76-77页 |
| 6.2 未来展望 | 第77-79页 |
| 参考文献 | 第79-86页 |
| 致谢 | 第86-88页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第88页 |