| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 选题的背景 | 第10页 |
| 1.2 研究目的和意义 | 第10-11页 |
| 1.3 研究内容和方法 | 第11-12页 |
| 1.4 国内外研究现状 | 第12-16页 |
| 1.4.1 现状概述 | 第12-13页 |
| 1.4.2 参数化方法 | 第13-14页 |
| 1.4.3 非参数化方法 | 第14-16页 |
| 1.4.4 国内外研究小结 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 网约车数据可视化分析 | 第17-33页 |
| 2.1 数据可视化 | 第17-19页 |
| 2.2 数据源 | 第19-20页 |
| 2.3 数据预处理 | 第20-25页 |
| 2.3.1 TensorFlow深度学习框架优势 | 第20-22页 |
| 2.3.2 TFRecord数据格式转换 | 第22-25页 |
| 2.4 网约车供需值计算方法 | 第25-26页 |
| 2.5 可视化分析方法 | 第26-32页 |
| 2.6 本章小结 | 第32-33页 |
| 3 基于RecurrentNeuralNetwork的网约车供需预测方法 | 第33-56页 |
| 3.1 RNN原理 | 第33-36页 |
| 3.2 OC-LSTMRNN算法 | 第36-42页 |
| 3.3 算法分析 | 第42-43页 |
| 3.3.1 算法时间效率 | 第42页 |
| 3.3.2 算法性能理论分析 | 第42-43页 |
| 3.4 对比算法 | 第43-47页 |
| 3.4.1 BackPropagationNeuralNetworks算法 | 第43-44页 |
| 3.4.2 DecisionTreeRegression算法 | 第44-46页 |
| 3.4.3 SupportVectorRegression算法 | 第46页 |
| 3.4.4 RandomWalk算法 | 第46-47页 |
| 3.5 实证研究 | 第47-55页 |
| 3.5.1 实验设计 | 第47-49页 |
| 3.5.2 预测精度 | 第49-54页 |
| 3.5.3 截断长度与RMSE大小的关系 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 4 研究总结及展望 | 第56-60页 |
| 4.1 主要研究结论 | 第56-57页 |
| 4.2 展望 | 第57-60页 |
| 参考文献 | 第60-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间取得的科研成果清单 | 第70页 |
