| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 交通流预测研究现状 | 第13-16页 |
| 1.2.1 交通流预测研究方法概述 | 第13-14页 |
| 1.2.2 国内外研究现状 | 第14-16页 |
| 1.3 研究内容及章节安排 | 第16-17页 |
| 1.4 技术路线 | 第17-18页 |
| 2 连续交通流时空特性分析 | 第18-32页 |
| 2.1 数据采集及预处理 | 第18-22页 |
| 2.1.1 交通流数据采集技术 | 第18-19页 |
| 2.1.2 交通流数据预处理 | 第19-22页 |
| 2.2 连续交通流时空关联机制 | 第22-30页 |
| 2.2.1 关联性度量 | 第22-23页 |
| 2.2.2 时间关联性分析 | 第23-26页 |
| 2.2.3 空间关联性分析 | 第26-30页 |
| 2.3 小结 | 第30-32页 |
| 3 基于支持向量回归的短时交通流预测 | 第32-52页 |
| 3.1 稀疏表达理论 | 第32-34页 |
| 3.1.1 稀疏表达 | 第32-33页 |
| 3.1.2 稀疏分解算法 | 第33-34页 |
| 3.2 支持向量机理论 | 第34-41页 |
| 3.2.1 支持向量机 | 第34-39页 |
| 3.2.2 支持向量回归 | 第39-41页 |
| 3.3 基于SR-SVR的短时交通流预测 | 第41-51页 |
| 3.3.1 建模过程 | 第41-42页 |
| 3.3.2 实例验证 | 第42-51页 |
| 3.4 小结 | 第51-52页 |
| 4 基于深度学习的短时交通流预测 | 第52-66页 |
| 4.1 深度学习概述 | 第52-53页 |
| 4.2 栈式自编码神经网络 | 第53-60页 |
| 4.2.1 传统人工神经网络 | 第53-57页 |
| 4.2.2 栈式自编码器 | 第57-59页 |
| 4.2.3 栈式自编码神经网络 | 第59-60页 |
| 4.3 基于SAE-DNN的短时交通流预测 | 第60-64页 |
| 4.3.1 建模过程 | 第60-61页 |
| 4.3.2 实例验证 | 第61-64页 |
| 4.4 小结 | 第64-66页 |
| 5 基于贝叶斯融合的短时交通流预测 | 第66-78页 |
| 5.1 集成学习思想 | 第66-69页 |
| 5.1.1 Boosting算法 | 第66-67页 |
| 5.1.2 Bagging算法 | 第67-68页 |
| 5.1.3 Boosting和Bagging的比较 | 第68-69页 |
| 5.2 贝叶斯理论 | 第69-71页 |
| 5.2.1 贝叶斯理论基础 | 第69-70页 |
| 5.2.2 贝叶斯理论在交通流预测中的应用 | 第70-71页 |
| 5.3 基于贝叶斯融合的短时交通流预测 | 第71-75页 |
| 5.3.1 建模过程 | 第71-72页 |
| 5.3.2 实例验证 | 第72-75页 |
| 5.4 小结 | 第75-78页 |
| 6 结论与展望 | 第78-80页 |
| 6.1 论文主要工作 | 第78-79页 |
| 6.2 不足与展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第84-88页 |
| 学位论文数据集 | 第88页 |