| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-15页 |
| 1.2.1 高速公路交通量预测研究综述 | 第11-13页 |
| 1.2.2 机器学习研究综述 | 第13-14页 |
| 1.2.3 研究评述 | 第14-15页 |
| 1.3 研究目的与意义 | 第15页 |
| 1.4 研究内容及框架 | 第15-18页 |
| 第二章 高速公路交通量概述 | 第18-28页 |
| 2.1 高速公路路网概述 | 第18-19页 |
| 2.1.1 高速公路网络 | 第18页 |
| 2.1.2 高速公路路网组成 | 第18-19页 |
| 2.2 高速公路交通量特征 | 第19-22页 |
| 2.2.1 交通量概念 | 第19-20页 |
| 2.2.2 交通量特征 | 第20-21页 |
| 2.2.3 交通量预测建模原则 | 第21-22页 |
| 2.3 高速公路收费数据预处理 | 第22-25页 |
| 2.3.1 联网收费数据类型 | 第22-23页 |
| 2.3.2 收费数据 | 第23-24页 |
| 2.3.3 收费数据预处理 | 第24-25页 |
| 2.4 高速公路交通量预测方法比较 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 DCRNN模型理论基础 | 第28-42页 |
| 3.1 图论相关理论 | 第28-31页 |
| 3.1.1 图论模型 | 第28-29页 |
| 3.1.2 邻接矩阵 | 第29-30页 |
| 3.1.3 有向图与网络 | 第30-31页 |
| 3.2 CNN神经网络模型 | 第31-35页 |
| 3.2.1 CNN神经网络模型 | 第31-32页 |
| 3.2.2 DCNN神经网络模型 | 第32-35页 |
| 3.3 RNN神经网络模型 | 第35-41页 |
| 3.3.1 RNN神经网络模型 | 第35-37页 |
| 3.3.2 RNN编码器-解码器模型 | 第37-38页 |
| 3.3.3 序列到序列模型 | 第38-39页 |
| 3.3.4 GRU神经网络模型 | 第39-41页 |
| 3.4 技术语言简介 | 第41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 高速公路路网交通量预测建模 | 第42-51页 |
| 4.1 路网建立 | 第42-43页 |
| 4.2 联网收费数据处理 | 第43-44页 |
| 4.2.1 清洗数据 | 第43页 |
| 4.2.2 邻接矩阵数据 | 第43-44页 |
| 4.3 Folyd-Warshall最短路径算法模型 | 第44-46页 |
| 4.3.1 Folyd-Warshall算法模型 | 第44-45页 |
| 4.3.2 Folyd-Warshall建模步骤 | 第45-46页 |
| 4.4 交通量分配 | 第46-47页 |
| 4.5 DCRNN交通量预测模型 | 第47-50页 |
| 4.5.1 路网 | 第47-48页 |
| 4.5.2 空间依赖模型 | 第48-49页 |
| 4.5.3 时间序列模型 | 第49-50页 |
| 4.6 预测结果性能评价指标 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 实证分析 | 第51-59页 |
| 5.1 研究对象概况 | 第51页 |
| 5.2 研究数据选取与预处理 | 第51-54页 |
| 5.2.1 数据选取 | 第52-53页 |
| 5.2.2 数据清洗 | 第53-54页 |
| 5.3 路网交通量分配与时间特性 | 第54-56页 |
| 5.4 DCRNN模型参数确定 | 第56-57页 |
| 5.5 预测结果分析 | 第57页 |
| 5.6 与其他模型的性能对比分析 | 第57-58页 |
| 5.7 本章小结 | 第58-59页 |
| 结论及展望 | 第59-62页 |
| 主要研究工作总结及结论 | 第59-60页 |
| 主要创新点 | 第60页 |
| 研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67页 |