基于极限随机树集成的短时交通流预测模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 智能交通系统简介 | 第12-13页 |
| 1.1.2 短时交通流预测的意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文工作 | 第16-17页 |
| 1.4 本文结构 | 第17-18页 |
| 第2章 短时交通流预测基本理论 | 第18-32页 |
| 2.1 交通流预测概述 | 第18-23页 |
| 2.1.1 交通流预测的基本概念 | 第18页 |
| 2.1.2 交通流特性分析 | 第18-20页 |
| 2.1.3 交通流基本特征参数 | 第20-22页 |
| 2.1.4 短时交通流预测的特点及流程 | 第22-23页 |
| 2.2 交通流数据采集技术 | 第23-24页 |
| 2.3 交通流数据预处理技术 | 第24-27页 |
| 2.3.1 交通流数据故障识别 | 第24-25页 |
| 2.3.2 交通流数据故障处理 | 第25-26页 |
| 2.3.3 数据归一化 | 第26页 |
| 2.3.4 时间序列预处理 | 第26-27页 |
| 2.4 短时交通流预测模型确立依据 | 第27-30页 |
| 2.4.1 短时交通流预测模型的分类及特点 | 第27-28页 |
| 2.4.2 机器学习简述 | 第28页 |
| 2.4.3 集成学习简述 | 第28-29页 |
| 2.4.4 基于决策树的集成算法概述 | 第29-30页 |
| 2.5 交通流预测性能评价指标 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 融合ET和集成学习的短时交通流预测模型 | 第32-47页 |
| 3.1 决策树算法 | 第32-35页 |
| 3.1.1 决策树算法的基本流程 | 第32-33页 |
| 3.1.2 划分选择 | 第33-35页 |
| 3.1.3 剪枝处理 | 第35页 |
| 3.2 极限随机树算法 | 第35-38页 |
| 3.2.1 极限随机树算法的基本原理 | 第35-37页 |
| 3.2.2 极限随机树算法的基本参数 | 第37-38页 |
| 3.3 基于极限随机树的Adaboost集成学习 | 第38-39页 |
| 3.4 融合ET和集成学习的短时交通流预测 | 第39-46页 |
| 3.4.1 预测模型及预测流程分析 | 第39-40页 |
| 3.4.2 实验数据描述 | 第40-41页 |
| 3.4.3 预测结果及分析 | 第41-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于交通流分段的EET短时交通流预测模型 | 第47-60页 |
| 4.1 时间子序列聚类 | 第47-48页 |
| 4.2 回馈自组织增量神经网络 | 第48-52页 |
| 4.2.1 单层自组织增量神经网络 | 第48-50页 |
| 4.2.2 标量回馈滤波器 | 第50页 |
| 4.2.3 回馈自组织增量神经网络算法及框架 | 第50-52页 |
| 4.3 回馈自组织增量神经网络用于交通流分段 | 第52-54页 |
| 4.3.1 实验数据描述 | 第53页 |
| 4.3.2 交通流分段结果分析 | 第53-54页 |
| 4.4 改进的模型预测结果及分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第69页 |
