基于K近邻非参数回归的短时交通流预测算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 本文研究背景 | 第13-14页 |
| 1.2 本文研究意义 | 第14页 |
| 1.3 短时交通流预测的研究现状 | 第14-15页 |
| 1.4 论文内容组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 短时交通流量预测方法综述 | 第17-24页 |
| 2.1 参数回归模型 | 第17-19页 |
| 2.1.1 历史平均模型 | 第17-18页 |
| 2.1.2 时间序列预测模型 | 第18页 |
| 2.1.3 人工神经网络预测模型 | 第18-19页 |
| 2.2 非参数回归模型 | 第19-23页 |
| 2.2.1 非参数回归预测原理 | 第20-21页 |
| 2.2.2 K近邻回归 | 第21-23页 |
| 2.3 本章小节 | 第23-24页 |
| 第三章 K近邻非参数回归的短时交通流量预测算法 | 第24-43页 |
| 3.1 K近邻非参数回归算法概述 | 第24-26页 |
| 3.1.1 K近邻非参数回归算法运用背景 | 第24页 |
| 3.1.2 K近邻非参数回归预测算法流程 | 第24-26页 |
| 3.2 K近邻非参数回归预测算法工程实施过程 | 第26-41页 |
| 3.2.1 构建历史数据库 | 第26-27页 |
| 3.2.2 状态向量的定义 | 第27-28页 |
| 3.2.3 距离度量准则的定义 | 第28-32页 |
| 3.2.4 K近邻法则 | 第32-33页 |
| 3.2.5 预测算法 | 第33-36页 |
| 3.2.6 K近邻非参数回归预测算法结果 | 第36-39页 |
| 3.2.7 K近邻非参数回归预测算法改进方向 | 第39-41页 |
| 3.3 本章小结 | 第41-43页 |
| 第四章 K近邻非参数回归预测算法改进 | 第43-65页 |
| 4.1 状态向量的改进 | 第43-45页 |
| 4.1.1 主成分分析法的基本原理 | 第43页 |
| 4.1.2 主成分分析法的具体实施步骤 | 第43-45页 |
| 4.2 历史数据库构建模型的改进 | 第45-60页 |
| 4.2.1 聚类分析 | 第45-46页 |
| 4.2.2 历史数据库构建模型 | 第46-51页 |
| 4.2.3 基于一维匹配的历史数据库构建模型 | 第51-60页 |
| 4.3 K值选择策略的改进 | 第60-62页 |
| 4.4 反馈机制 | 第62-63页 |
| 4.5 K近邻非参数回归算法改进模型 | 第63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 算法仿真与结果分析 | 第65-74页 |
| 5.1 仿真场景描述 | 第65-66页 |
| 5.2 原始数据分析 | 第66-71页 |
| 5.2.1 主成分分析结果 | 第66-70页 |
| 5.2.2 聚类分析结果 | 第70页 |
| 5.2.3 确定近邻数量 | 第70-71页 |
| 5.3 预测仿真结果及分析 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 论文工作总结 | 第74-75页 |
| 6.2 研究展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-79页 |
| 攻读硕士期间研究成果 | 第79-80页 |
