| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 交通流量预测国内外研究现状 | 第9-13页 |
| 1.2.1 流量预测概述与国内外研究现状 | 第9-12页 |
| 1.2.2 节假日流量预测研究现状 | 第12-13页 |
| 1.3 论文主要研究内容及内容安排 | 第13-16页 |
| 第二章 交通流数据常用分解方法 | 第16-26页 |
| 2.1 谱分解 | 第16-17页 |
| 2.2 基于小波基函数的信号分解 | 第17-20页 |
| 2.3 EMD | 第20-23页 |
| 2.4 EEMD | 第23页 |
| 2.5 CEEMD | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 机器学习方法基本理论 | 第26-34页 |
| 3.1 机器学习概述 | 第26-32页 |
| 3.1.1 KNN算法理论与应用 | 第26-28页 |
| 3.1.2 模糊神经网络 | 第28-30页 |
| 3.1.3 SVM起源与应用 | 第30-32页 |
| 3.2 机器学习算法的应用 | 第32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 CEEMD-FNN-SVR节假日流量预测模型 | 第34-44页 |
| 4.1 交通数据的预处理 | 第35-36页 |
| 4.1.1 异常值处理 | 第35-36页 |
| 4.1.2 缺失数据补齐 | 第36页 |
| 4.2 基于KNN的CEEMD-FNN SVR预测模型 | 第36-42页 |
| 4.2.1 改进距离的KNN的相关站点筛选模型 | 第36-37页 |
| 4.2.2 基于CEEMD的交通流分解 | 第37页 |
| 4.2.3 FNN-SVR模型 | 第37-42页 |
| 4.3 随机项预测模型的预测流程 | 第42页 |
| 4.4 趋势项预测模型 | 第42-43页 |
| 4.5 预测结果评价指标 | 第43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 节假日流量预测结果分析 | 第44-66页 |
| 5.1 交通数据来源 | 第44页 |
| 5.2 节假日交通流数据时空特性分析 | 第44-47页 |
| 5.2.1 时间特性分析 | 第45-46页 |
| 5.2.2 空间特性 | 第46-47页 |
| 5.3 基于改进距离的KNN相关站点选择 | 第47-53页 |
| 5.4 基于CEEMD的数据分解 | 第53-56页 |
| 5.5 随机项预测模型参数确定 | 第56-58页 |
| 5.6 趋势项预测 | 第58-61页 |
| 5.7 流量预测及结果评价 | 第61-64页 |
| 5.7.1 预测结果分析 | 第61-63页 |
| 5.7.2 模型对比分析 | 第63-64页 |
| 5.8 本章小结 | 第64-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |