| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文研究概况与组织结构 | 第13-16页 |
| 第二章 基础理论知识介绍 | 第16-28页 |
| 2.1 集成学习框架 | 第16-18页 |
| 2.1.1 Bagging框架 | 第16-17页 |
| 2.1.2 Boosting框架 | 第17页 |
| 2.1.3 Stacking框架 | 第17-18页 |
| 2.2 常用的回归算法 | 第18-24页 |
| 2.2.1 分类与回归树 | 第18-19页 |
| 2.2.2 梯度提升树 | 第19-20页 |
| 2.2.3 XGBoost | 第20-22页 |
| 2.2.4 LightGBM | 第22页 |
| 2.2.5 随机森林 | 第22-23页 |
| 2.2.6 神经网络 | 第23-24页 |
| 2.3 聚类算法 | 第24-28页 |
| 2.3.1 K-Means | 第25页 |
| 2.3.2 Mini Batch K-Means | 第25页 |
| 2.3.3 层次聚类 | 第25-28页 |
| 第三章 数据分析和特征提取 | 第28-42页 |
| 3.1 数据集的数据分析 | 第28-34页 |
| 3.1.1 数据集内容 | 第28-30页 |
| 3.1.2 数据集的特征分析 | 第30-34页 |
| 3.2 数据集的数据预处理 | 第34-35页 |
| 3.3 数据集的特征提取 | 第35-39页 |
| 3.4 本章小结 | 第39-42页 |
| 第四章 基于集成学习的出租车预计到达时间的模型设计 | 第42-56页 |
| 4.1 基学习器的选型及训练 | 第42-44页 |
| 4.1.1 基学习器的选型 | 第42-43页 |
| 4.1.2 参数调节和模型验证 | 第43-44页 |
| 4.2 时间预测模型的集成设计 | 第44-51页 |
| 4.2.1 基学习器的组合方法及实现 | 第45-47页 |
| 4.2.2 时间预测模型的集成方法及实现 | 第47-51页 |
| 4.3 时间预测模型的特征运用设计 | 第51-55页 |
| 4.3.1 特征运用方法设计 | 第52-53页 |
| 4.3.2 特征运用方法实现 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 全文工作总结 | 第56页 |
| 5.2 后续工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |