| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织架构 | 第14页 |
| 1.5 论文创新点 | 第14-15页 |
| 第二章 车流量数据分析 | 第15-27页 |
| 2.1 数据背景 | 第15-17页 |
| 2.2 车流量分析和数据预处理 | 第17-21页 |
| 2.2.1 车流量分析 | 第17-19页 |
| 2.2.2 数据预处理 | 第19-21页 |
| 2.3 特征设计与训练集构造 | 第21-25页 |
| 2.3.1 特征设计 | 第22-24页 |
| 2.3.2 训练集构造 | 第24-25页 |
| 2.4 模型的评价指标 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于支持向量机的短时车流量预测 | 第27-43页 |
| 3.1 支持向量机算法原理分析 | 第27-33页 |
| 3.1.1 线性可分支持向量机 | 第27-31页 |
| 3.1.2 线性支持向量机 | 第31页 |
| 3.1.3 非线性支持向量机 | 第31-32页 |
| 3.1.4 支持向量回归 | 第32-33页 |
| 3.2 数据标准化 | 第33-34页 |
| 3.3 支持向量回归机模型的预测实验 | 第34-38页 |
| 3.4 模型优化—LR-SVM（LSVM）的算法设计 | 第38-42页 |
| 3.4.1 线性模型（Linear Regression） | 第38页 |
| 3.4.2 LSVM算法设计 | 第38-39页 |
| 3.4.3 LSVM算法预测实验与比较分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于随机森林的短时车流量预测 | 第43-55页 |
| 4.1 随机森林算法原理分析 | 第43-48页 |
| 4.1.1 分类和回归树 | 第43-45页 |
| 4.1.2 Bagging集成学习方法基本思想 | 第45-46页 |
| 4.1.3 随机森林算法思想 | 第46-48页 |
| 4.2 随机森林模型的预测实验 | 第48-51页 |
| 4.3 与LSVM模型比较分析 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于梯度提升树的短时车流量预测 | 第55-68页 |
| 5.1 梯度提升树（Gradient Boosting Tree）原理及其分析 | 第55-59页 |
| 5.1.1 Boosting集成学习方法基本思想 | 第55-56页 |
| 5.1.2 前向分步算法 | 第56-57页 |
| 5.1.3 回归问题的梯度提升树算法 | 第57-59页 |
| 5.2 梯度提升回归树模型的预测实验 | 第59-60页 |
| 5.3 基于模型动态选择特征的预测方法 | 第60-63页 |
| 5.3.1 模型评估特征的重要性 | 第60页 |
| 5.3.2 动态选择特征的预测实验 | 第60-61页 |
| 5.3.3 基于GBT模型动态选择特征的预测方法 | 第61-63页 |
| 5.4 预测结果分析与比较 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附件 | 第74页 |
