| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于线性理论的预测算法 | 第12-13页 |
| 1.2.2 基于非线性理论的预测算法 | 第13-14页 |
| 1.2.3 基于组合理论的预测算法 | 第14-15页 |
| 1.3 研究目的和研究内容 | 第15-16页 |
| 1.3.1 本文研究目的 | 第15页 |
| 1.3.2 本文的主要工作 | 第15-16页 |
| 1.4 本文的主要结构 | 第16-17页 |
| 第2章 行程时间预测相关理论基础 | 第17-29页 |
| 2.1 基本预测算法 | 第17-23页 |
| 2.1.1 线性回归算法 | 第17页 |
| 2.1.2 时间序列算法 | 第17-18页 |
| 2.1.3 卡尔曼滤波算法 | 第18-19页 |
| 2.1.4 神经网络算法 | 第19-20页 |
| 2.1.5 K最近邻算法 | 第20-21页 |
| 2.1.6 支持向量回归算法 | 第21-23页 |
| 2.2 行程时间预测概述 | 第23-24页 |
| 2.3 行程时间特性分析 | 第24页 |
| 2.4 行程时间参数的选择 | 第24-25页 |
| 2.5 交通参数采集方法 | 第25-27页 |
| 2.5.1 行程时间参数采集方法 | 第25-26页 |
| 2.5.2 交通流量参数采集方法 | 第26-27页 |
| 2.6 行程时间预测性能评价指标 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 一种基于ELM的短时行程时间预测算法 | 第29-46页 |
| 3.1 人工神经网络 | 第29-30页 |
| 3.1.1 人工神经网络算法简介 | 第29-30页 |
| 3.2 ELM理论基础 | 第30-33页 |
| 3.2.1 极限学习机数学算法 | 第31-33页 |
| 3.2.2 基于ELM的行程时间预测算法 | 第33页 |
| 3.3 本文实验数据来源 | 第33-36页 |
| 3.4 实验数据说明 | 第36-39页 |
| 3.4.1 实验数据集 | 第36-38页 |
| 3.4.2 数据预处理 | 第38-39页 |
| 3.5 实验 | 第39-45页 |
| 3.5.1 算法比较 | 第39-41页 |
| 3.5.2 实验参数设计及结果对比 | 第41-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第4章 基于Bagging和ELM算法集成的预测算法 | 第46-55页 |
| 4.1 集成学习方法简介 | 第46-48页 |
| 4.1.1 集成学习概念 | 第46-47页 |
| 4.1.2 学习器的构造方法 | 第47页 |
| 4.1.3 学习的组合形式 | 第47-48页 |
| 4.2 Bagging算法 | 第48-49页 |
| 4.2.1 Bagging算法原理 | 第48页 |
| 4.2.2 Bagging算法分析 | 第48-49页 |
| 4.3 基于Bagging和ELM集成的行程时间预测算法BG-ELM | 第49-50页 |
| 4.4 实验 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第61-62页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第62-63页 |
| 致谢 | 第63页 |