| 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 |
