基于机器学习的交通事故持续时间预测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究的背景和意义 | 第8-11页 |
| 1.1.1 全球道路交通安全形势 | 第8-9页 |
| 1.1.2 国内道路交通安全形势 | 第9-10页 |
| 1.1.3 课题研究的意义 | 第10-11页 |
| 1.2 国内外研究现状及简析 | 第11-14页 |
| 1.2.1 国内外研究综述 | 第11-13页 |
| 1.2.2 现有研究工作存在的问题与不足 | 第13-14页 |
| 1.3 研究内容 | 第14-16页 |
| 第2章 贝叶斯网络和支持向量机基本理论 | 第16-32页 |
| 2.1 贝叶斯网络的数学描述 | 第16-17页 |
| 2.2 贝叶斯网络结构学习 | 第17-23页 |
| 2.2.1 基于评分搜索的方法 | 第18-21页 |
| 2.2.2 基于变量独立性分析的方法 | 第21-23页 |
| 2.3 SVM算法基本原理 | 第23-31页 |
| 2.3.1 线性支持向量机 | 第24-27页 |
| 2.3.2 非线性支持向量机 | 第27-28页 |
| 2.3.3 噪声点分析方法 | 第28-30页 |
| 2.3.4 多分类SVM算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 交通事故持续时间影响因子分析 | 第32-44页 |
| 3.1 道路交通事故数据来源和处理 | 第32-38页 |
| 3.1.1 道路交通事故数据来源 | 第32-37页 |
| 3.1.2 道路交通事故数据处理 | 第37-38页 |
| 3.2 交通事故持续时间模型 | 第38-42页 |
| 3.2.1 贝叶斯网络算法设计思路 | 第39页 |
| 3.2.2 交通事故持续时间贝叶斯网络模型 | 第39-42页 |
| 3.3 模型分析 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于SVM算法的交通事故持续时间预测 | 第44-55页 |
| 4.1 SVM算法设计思路 | 第44页 |
| 4.2 核函数及惩罚因子选择 | 第44-45页 |
| 4.3 参数优化 | 第45-51页 |
| 4.3.1 基于GS的SVM参数寻优 | 第46-47页 |
| 4.3.2 基于GA的SVM参数寻优 | 第47-49页 |
| 4.3.3 基于PSO算法的SVM参数寻优 | 第49-51页 |
| 4.4 结果对比与分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
