首页--交通运输论文--公路运输论文--交通工程与公路运输技术管理论文--交通工程与交通管理论文

基于集成学习的交通状态预报方法研究

摘要第5-7页
Abstract第7-8页
第一章 绪论第13-33页
    1.1 研究背景第13页
    1.2 研究意义第13-14页
    1.3 国内外研究现状第14-29页
        1.3.1 交通事件自动检测技术研究第14-21页
        1.3.2 交通状态自动判别技术研究第21-26页
        1.3.3 交通状态短时预测技术研究第26-29页
    1.4 现有研究评述第29-30页
    1.5 研究思路与主要研究内容第30-32页
        1.5.1 论文研究思路第30-31页
        1.5.2 主要研究内容第31-32页
        1.5.3 论文章节安排第32页
    1.6 本章小结第32-33页
第二章 交通状态模式分类第33-47页
    2.1 交通流基本参数第33-34页
    2.2 基于基本图的交通状态模式分类第34-35页
    2.3 基于三相交通流的交通状态模式分类第35-37页
    2.4 基于LoS的交通状态模式分类第37-39页
    2.5 基于集成学习的交通状态模式分类第39-46页
        2.5.1 基于聚类的交通状态模式分类第40-44页
            2.5.1.1 基于划分的交通状态模式第41-42页
            2.5.1.2 基于层次的交通状态模式第42-43页
            2.5.1.3 基于密度的交通状态模式第43-44页
        2.5.2 基于距离的交通状态模式分类第44-46页
            2.5.2.1 欧氏距离第44-45页
            2.5.2.2 曼哈顿距离第45页
            2.5.2.3 切比雪夫距离第45页
            2.5.2.4 闵氏距离第45-46页
    2.6 本章小结第46-47页
第三章 基于集成学习的交通事件检测方法第47-77页
    3.1 交通事件学习器的基本概念第47-51页
        3.1.1 交通事件学习器第47-48页
        3.1.2 交通事件学习器集成的原理第48-49页
        3.1.3 交通事件学习器集成的优点第49-51页
    3.2 基于随机森林的交通事件检测方法第51-62页
        3.2.1 RF的概念第51-52页
        3.2.2 RF的构建第52-53页
        3.2.3 基于RF的AID方法设计第53-54页
            3.2.3.1 问题描述第53页
            3.2.3.2 问题思路第53-54页
        3.2.4 评价指标第54-56页
            3.2.4.1 经典AID指标第54-55页
            3.2.4.2 分类器性能指标第55-56页
            3.2.4.3 ROC曲线和AUC值第56页
        3.2.5 实验分析第56-62页
            3.2.5.1 实验数据第56-57页
            3.2.5.2 基于树的数量对比分析第57-60页
            3.2.5.3 三种决策树对比分析第60-61页
            3.2.5.4 与神经网络算法对比分析第61-62页
    3.3 基于朴素贝叶斯集成的交通事件检测方法第62-76页
        3.3.1 朴素贝叶斯交通事件学习器第63页
        3.3.2 朴素贝叶斯学习器检测原理第63-65页
        3.3.3 基于分类器集成的AID算法设计第65-66页
            3.3.3.1 基于事件发生概率的集成规则第65-66页
            3.3.3.2 朴素贝叶斯树第66页
        3.3.4 算法评价指标第66-67页
            3.3.4.1 AID评价指标第66页
            3.3.4.2 Kappa统计指标第66-67页
        3.3.5 实验分析第67-76页
            3.3.5.1 参数名称第67页
            3.3.5.2 构建训练集与测试集第67-68页
            3.3.5.3 实验步骤第68-69页
            3.3.5.4 实验1:Ⅰ-880数据第69-73页
            3.3.5.5 实验2:AYE数据第73-76页
    3.4 本章小结第76-77页
第四章 基于集成学习的交通状态判别方法第77-97页
    4.1 交通状态的划分第77-80页
        4.1.1 国外交通状态的划分第77-78页
        4.1.2 国内交通状态的划分第78-80页
    4.2 交通状态学习器集成理论第80-82页
        4.2.1 交通状态学习器第80页
        4.2.2 交通状态学习器集成第80-82页
            4.2.2.1 基于Bagging的交通状态学习器集成第80-81页
            4.2.2.2 基于Boosting的交通状态学习器集成第81-82页
    4.3 基于动态集成学习的交通状态判别方法第82-96页
        4.3.1 经典集成学习方法的瓶颈第82-83页
        4.3.2 基于DACI-LA硬选择集成第83-84页
        4.3.3 基于DACI-LA的交通状态判别方法流程第84页
        4.3.4 评价指标第84-85页
        4.3.5 实验分析第85-96页
            4.3.5.1 实验数据第85-87页
            4.3.5.2 交通状态混淆矩阵对比第87-90页
            4.3.5.3 交通状态评价指标对比第90-91页
            4.3.5.4 不同断面的准确率对比第91-93页
            4.3.5.5 不同车道的准确率对比第93-96页
    4.4 本章小结第96-97页
第五章 基于集成学习的交通状态预测方法第97-123页
    5.1 交通状态预测器第97页
    5.2 基于动态集成学习的交通状态等级预测方法第97-105页
        5.2.1 K-Means聚类概述第97-98页
        5.2.2 基于动态集成学习的交通状态预测方法设计第98-100页
            5.2.2.1 基本思想与框架第98-99页
            5.2.2.2 能力区域的划分第99-100页
        5.2.3 实例验证第100-105页
            5.2.3.1 距离度量第100-101页
            5.2.3.2 实验数据第101页
            5.2.3.3 实验分析第101-105页
    5.3 基于扰动集成学习的交通状态参数预测方法第105-121页
        5.3.1 基于MLF的交通状态预测器参数确定第105-113页
            5.3.1.1 MLF概述第105-106页
            5.3.1.2 实验数据第106-107页
            5.3.1.3 学习率的确定第107-110页
            5.3.1.4 动量值的确定第110-113页
        5.3.2 基于RBF的交通状态预测器参数确定第113-116页
            5.3.2.1 RBF概述第113-114页
            5.3.2.2 中心点数的确定第114-116页
            5.3.2.3 中心距离的确定第116页
        5.3.3 基于集成学习的交通流量预测方法第116-121页
            5.3.3.1 学习器数目的确定第117-118页
            5.3.3.2 基于DP集成的交通流量预测第118-121页
    5.4 本章小结第121-123页
第六章 基于集成学习的交通状态预报平台设计第123-135页
    6.1 平台简介第124-130页
        6.1.1 平台框架第124-125页
        6.1.2 功能设计第125-130页
            6.1.2.1 数据接收功能第126-127页
            6.1.2.2 数据处理功能第127页
            6.1.2.3 交通事件检测功能第127页
            6.1.2.4 交通状态判别功能第127-128页
            6.1.2.5 交通状态预测功能第128-129页
            6.1.2.6 指标统计功能第129-130页
            6.1.2.7 平台管理功能第130页
    6.2 应用实例第130-133页
    6.3 本章小结第133-135页
第七章 总结与展望第135-139页
    7.1 主要研究结论第135-136页
    7.2 主要创新点第136-137页
    7.3 研究展望第137-139页
参考文献第139-147页
致谢第147-149页
附录第149-155页
攻读博士学位期间发表论文及参与科研情况第155页

论文共155页,点击 下载论文
上一篇:高氧诱导R0P模型SD大鼠中循环miRNAs检测分析及相关验证研究
下一篇:十八大以来对中国特色社会主义的创新研究