基于梯度提升决策树的交通流量预测方法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-14页 |
| 1.2.1 交通流量预测方法研究现状 | 第8-12页 |
| 1.2.2 集成学习研究现状 | 第12-14页 |
| 1.3 论文主要工作 | 第14-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 相关技术概述 | 第18-40页 |
| 2.1 交通流及其预处理 | 第18-20页 |
| 2.1.1 交通流参数 | 第18-19页 |
| 2.1.2 交通流采集技术 | 第19页 |
| 2.1.3 交通数据预处理 | 第19-20页 |
| 2.2 时间序列分析 | 第20-27页 |
| 2.2.1 时间序列概述 | 第20-21页 |
| 2.2.2 时间序列的数学模型 | 第21-22页 |
| 2.2.3 ARIMA模型的基本原理 | 第22-26页 |
| 2.2.4 时间序列的相似性度量 | 第26-27页 |
| 2.3 决策树 | 第27-31页 |
| 2.3.1 特征选择 | 第27-29页 |
| 2.3.2 ID3算法 | 第29页 |
| 2.3.3 C4.5 算法 | 第29-30页 |
| 2.3.4 CART算法 | 第30-31页 |
| 2.4 集成学习 | 第31-38页 |
| 2.4.1 集成学习思想 | 第31-33页 |
| 2.4.2 梯度提升决策树算法 | 第33-35页 |
| 2.4.3 样本扩展 | 第35-36页 |
| 2.4.4 常用组合策略方法 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第3章 基于梯度提升决策树的交通流量预测方法 | 第40-48页 |
| 3.1 多维时间序列分析方法 | 第40-42页 |
| 3.1.1 多维时间序列 | 第40-41页 |
| 3.1.2 滑动时间窗口 | 第41-42页 |
| 3.2 时间特征构造算法 | 第42-43页 |
| 3.3 基于梯度提升决策树的交通流量预测方法 | 第43-45页 |
| 3.3.1 交通流量预测思路和方法 | 第43-44页 |
| 3.3.2 基于简单平均法的组合策略 | 第44-45页 |
| 3.4 本章小结 | 第45-48页 |
| 第4章 实验与结果分析 | 第48-58页 |
| 4.1 实验环境与数据 | 第48-50页 |
| 4.1.1 实验环境 | 第48页 |
| 4.1.2 实验数据 | 第48-50页 |
| 4.2 实验设计 | 第50-54页 |
| 4.2.1 数据预处理 | 第50-52页 |
| 4.2.2 相似性度量 | 第52页 |
| 4.2.3 实验方案设计 | 第52-54页 |
| 4.3 实验评价指标 | 第54-55页 |
| 4.4 实验结果分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第68页 |
