基于机器学习的短时交通流预测方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究综述 | 第10-14页 |
| 1.2.1 短时交通流预测研究综述 | 第10-12页 |
| 1.2.2 机器学习研究综述 | 第12-13页 |
| 1.2.3 研究评述 | 第13-14页 |
| 1.3 研究目的与意义 | 第14-15页 |
| 1.4 研究内容及框架 | 第15-17页 |
| 第二章 短时交通流数据概述 | 第17-27页 |
| 2.1 交通流基本参数 | 第17-19页 |
| 2.2 短时交通流特性 | 第19-20页 |
| 2.3 短时交通流采集方法 | 第20-22页 |
| 2.4 短时交通流数据的预处理 | 第22-24页 |
| 2.4.1 交通检测器交通流数据预处理 | 第22页 |
| 2.4.2 出租汽车轨迹数据预处理 | 第22-23页 |
| 2.4.3 短时交通流数据归一化 | 第23-24页 |
| 2.5 短时交通流预测方法比较 | 第24-25页 |
| 2.6 本章小结 | 第25-27页 |
| 第三章 基于机器学习的短时交通流预测相关理论研究 | 第27-39页 |
| 3.1 机器学习理论 | 第27-29页 |
| 3.1.1 机器学习概述 | 第27页 |
| 3.1.2 机器学习策略与模型 | 第27-28页 |
| 3.1.3 机器学习相关方法 | 第28-29页 |
| 3.2 深度学习理论 | 第29-35页 |
| 3.2.1 深度学习概述 | 第29-30页 |
| 3.2.2 深度学习常用模型 | 第30-31页 |
| 3.2.3 深度学习激励函数 | 第31-33页 |
| 3.2.4 深度学习目标函数优化方法 | 第33-34页 |
| 3.2.5 深度学习应用 | 第34-35页 |
| 3.3 基于机器学习的短时交通流预测理论框架 | 第35-36页 |
| 3.4 技术语言简介 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于LSTM的短时交通流预测模型 | 第39-55页 |
| 4.1 神经网络模型基础 | 第39-45页 |
| 4.1.1 BP神经网络模型 | 第39-42页 |
| 4.1.2 RNN神经网络模型 | 第42-45页 |
| 4.2 基于LSTM的短时交通流预测模型 | 第45-53页 |
| 4.2.1 模型的定义和网络结构 | 第45-46页 |
| 4.2.2 模型的训练 | 第46-51页 |
| 4.2.3 模型参数确定 | 第51-52页 |
| 4.2.4 模型的具体处理步骤 | 第52-53页 |
| 4.3 预测结果性能评价指标 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 实证分析 | 第55-67页 |
| 5.1 常德市短时交通流量预测 | 第55-61页 |
| 5.1.1 研究对象概况 | 第55页 |
| 5.1.2 研究数据选取与预处理 | 第55-56页 |
| 5.1.3 常德市短时交通流量时间特性 | 第56-57页 |
| 5.1.4 模型参数确定 | 第57-58页 |
| 5.1.5 预测结果分析 | 第58-60页 |
| 5.1.6 与其他模型的性能对比分析 | 第60-61页 |
| 5.2 西安市出租汽车短时流量预测 | 第61-66页 |
| 5.2.1 研究对象概况 | 第61页 |
| 5.2.2 研究数据选取与预处理 | 第61-63页 |
| 5.2.3 出租汽车短时交通流量时间特性 | 第63-64页 |
| 5.2.4 模型参数确定 | 第64页 |
| 5.2.5 预测结果分析 | 第64-66页 |
| 5.2.6 与其他模型的性能对比分析 | 第66页 |
| 5.3 本章小结 | 第66-67页 |
| 结论及展望 | 第67-71页 |
| 主要研究工作总结及结论 | 第67-68页 |
| 主要创新点 | 第68页 |
| 研究展望 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 致谢 | 第79页 |
