| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 引言 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 路网交通流数据插补方法研究现状 | 第11-14页 |
| 1.3 本文研究内容及创新点 | 第14-16页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的创新点 | 第15-16页 |
| 1.4 本文组织架构 | 第16-18页 |
| 第二章 路网交通流数据插补理论基础 | 第18-22页 |
| 2.1 路网交通流特性分析 | 第18-19页 |
| 2.2 交通流缺失数据产生原因 | 第19页 |
| 2.3 数据缺失模式(MCAR,MAR,MNAR) | 第19-20页 |
| 2.4 数据插补性能评价标准 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 低秩矩阵补全模型介绍 | 第22-26页 |
| 3.1 低秩矩阵补全模型应用实例 | 第22页 |
| 3.2 交通流数据插补问题的描述 | 第22-23页 |
| 3.3 基于核范数最小化的低秩矩阵补全模型 | 第23-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 基于数据相关性的LRMC集成学习插补方法 | 第26-41页 |
| 4.1 基于数据相关性的LRMC集成学习方法的框架 | 第26-31页 |
| 4.1.1 加权皮尔逊相关系数 | 第27-29页 |
| 4.1.2 自适应K近邻搜索算法 | 第29-30页 |
| 4.1.3 数据相关性的LRMC算法以及集成学习策略 | 第30-31页 |
| 4.2 时间复杂度分析 | 第31-32页 |
| 4.3 实例验证 | 第32-40页 |
| 4.3.1 数据准备 | 第32-33页 |
| 4.3.2 实验环境配置 | 第33-34页 |
| 4.3.3 交通流量数据的相关性分析 | 第34-35页 |
| 4.3.4 基于数据相关性的LRMC集成学习方法的参数调整 | 第35-38页 |
| 4.3.5 实例验证结果 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 层次聚类最小二乘集成的LRMC数据插补方法 | 第41-55页 |
| 5.1 层次聚类最小二乘集成的LRMC数据插补方法框架 | 第42-45页 |
| 5.1.1 加权平均凝聚型层次聚类 | 第43-44页 |
| 5.1.2 最小二乘集成算法 | 第44-45页 |
| 5.2 时间复杂度分析 | 第45页 |
| 5.3 实例验证 | 第45-53页 |
| 5.3.1 数据准备 | 第45-46页 |
| 5.3.2 层次聚类最小二乘集成的LRMC数据插补方法的参数调整 | 第46-48页 |
| 5.3.3 大型复杂路网交通流样本层次聚类结果分析 | 第48-49页 |
| 5.3.4 最小二乘集成结果分析 | 第49-50页 |
| 5.3.5 实例验证结果 | 第50-53页 |
| 5.4 本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-64页 |
| 硕士期间参加的科研项目、发表的论文 | 第64页 |
