| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第17-23页 |
| 1.1 选题背景 | 第17-18页 |
| 1.2 课题研究目标与意义 | 第18页 |
| 1.3 主要研究内容 | 第18-21页 |
| 1.4 论文组织结构 | 第21-23页 |
| 2 文献综述 | 第23-33页 |
| 2.1 交通拥堵预测 | 第23-25页 |
| 2.2 神经网络快速学习 | 第25-29页 |
| 2.2.1 随机向量泛函连接网络 | 第26-27页 |
| 2.2.2 超限学习机 | 第27-29页 |
| 2.3 集成学习 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于神经网络快速学习方法的城市交通拥堵预测 | 第33-72页 |
| 3.1 城市交通拥堵评价和预测系统简介 | 第33-34页 |
| 3.2 基于浮动车技术的交通数据采集 | 第34-40页 |
| 3.2.1 浮动车技术背景 | 第34-35页 |
| 3.2.2 浮动车数据的可靠性 | 第35-37页 |
| 3.2.3 浮动车数据匹配 | 第37-40页 |
| 3.3 交通拥堵预测特征提取 | 第40-48页 |
| 3.3.1 路段平均速度计算 | 第40-41页 |
| 3.3.2 路段拥堵值评估 | 第41-44页 |
| 3.3.3 拥堵现象特征 | 第44-47页 |
| 3.3.4 路段属性特征 | 第47-48页 |
| 3.4 基于随机参数的人工神经网络快速学习方法 | 第48-56页 |
| 3.4.1 随机向量泛函连接方法 | 第49-51页 |
| 3.4.2 超限学习机方法 | 第51-53页 |
| 3.4.3 神经网络快速学习方法的统一与正则化改进 | 第53-54页 |
| 3.4.4 基于超限学习机的神经网络快速训练算法流程 | 第54-56页 |
| 3.5 基于样本处理的超限学习机集成 | 第56-59页 |
| 3.5.1 基于bagging框架的超限学习机集成 | 第56-57页 |
| 3.5.2 基于AdaBoost框架的超限学习机集成 | 第57-59页 |
| 3.6 基于模型选择的超限学习机集成 | 第59-62页 |
| 3.6.1 基于自适应框架的超限学习机集成 | 第60-61页 |
| 3.6.2 基于聚类准则框架的超限学习机集成 | 第61-62页 |
| 3.7 面向交通拥堵预测的超限学习机集成优化比较实验 | 第62-70页 |
| 3.7.1 实验环境与数据集 | 第62-63页 |
| 3.7.2 总体比较 | 第63-65页 |
| 3.7.3 基于样本处理的超限学习机集成优化实验 | 第65-68页 |
| 3.7.4 基于模型选择的超限学习机集成优化实验 | 第68-69页 |
| 3.7.5 优化实验总结 | 第69-70页 |
| 3.8 本章小结 | 第70-72页 |
| 4 基于神经网络群组的拥堵预测模型快速训练算法 | 第72-98页 |
| 4.1 面向大规模交通拥堵预测的群组框架 | 第72-79页 |
| 4.1.1 大规模交通拥堵预测问题分析 | 第72-76页 |
| 4.1.2 群组划分 | 第76-79页 |
| 4.2 神经网络群组算法 | 第79-84页 |
| 4.2.1 枚举划分框架与训练准确度优化分析 | 第79-81页 |
| 4.2.2 共享网络与存储优化分析 | 第81-83页 |
| 4.2.3 并行计算与时间复杂度优化分析 | 第83-84页 |
| 4.3 基于枚举划分神经网络群组算法可行性实验与效果分析 | 第84-88页 |
| 4.3.1 实验数据与环境 | 第84-85页 |
| 4.3.2 未参数优化训练效果对比 | 第85-86页 |
| 4.3.3 参数影响分析 | 第86-88页 |
| 4.4 子模型参数优化实验与效果分析 | 第88-93页 |
| 4.4.1 子模型参数优化 | 第88-89页 |
| 4.4.2 正则化参数优选效果及分析 | 第89-90页 |
| 4.4.3 与其他算法对比 | 第90-91页 |
| 4.4.4 隐含层节点影响分析 | 第91-92页 |
| 4.4.5 神经网络群组算法优势分析 | 第92-93页 |
| 4.5 面向交通拥堵预测的枚举划分神经网络群组方法实验 | 第93-96页 |
| 4.5.1 实验数据与环境 | 第93-94页 |
| 4.5.2 总体预测效果对比 | 第94-95页 |
| 4.5.3 与其他算法对比 | 第95-96页 |
| 4.6 本章小结 | 第96-98页 |
| 5 基于变差系数加权的群组聚类划分优化算法 | 第98-122页 |
| 5.1 群组聚类划分改进 | 第98-102页 |
| 5.1.1 枚举划分在大规模交通拥堵预测中存在的问题 | 第98-101页 |
| 5.1.2 聚类划分方法的优势 | 第101-102页 |
| 5.2 基于聚类划分的神经网络群组框架 | 第102-106页 |
| 5.2.1 基于K均值聚类的划分规则 | 第102-104页 |
| 5.2.2 基于模糊C均值聚类的划分规则 | 第104-106页 |
| 5.3 基于变差系数加权的聚类优化 | 第106-109页 |
| 5.3.1 变差系数 | 第106-107页 |
| 5.3.2 变差系数加权优化 | 第107页 |
| 5.3.3 算法流程与时间复杂度 | 第107-108页 |
| 5.3.4 并行加速框架 | 第108-109页 |
| 5.4 面向大规模数据集的算法可行性实验与效果分析 | 第109-116页 |
| 5.4.1 实验数据与环境 | 第109-110页 |
| 5.4.2 群组训练效果对比 | 第110-112页 |
| 5.4.3 针对缺失枚举类型数据的泛化性提升效果对比 | 第112-113页 |
| 5.4.4 与其他算法对比 | 第113页 |
| 5.4.5 模糊集对Cluster-ELM-Group性能的影响 | 第113-115页 |
| 5.4.6 柔性参数对Cluster-ELM-Group性能的影响 | 第115-116页 |
| 5.5 面向交通拥堵预测的聚类划分神经网络群组优化实验 | 第116-121页 |
| 5.5.1 总体预测效果对比 | 第116-117页 |
| 5.5.2 面向缺失路段类型的拥堵预测实验效果 | 第117-118页 |
| 5.5.3 面向路段子集数据不足问题的实验效果 | 第118-120页 |
| 5.5.4 基于混合模型的交通拥堵预测优化实验效果 | 第120-121页 |
| 5.6 本章小结 | 第121-122页 |
| 6 基于衰减加权的拥堵预测不平衡问题优化算法 | 第122-147页 |
| 6.1 交通拥堵预测中的不平衡问题分析 | 第122-125页 |
| 6.1.1 交通拥堵预测中的不平衡问题概述 | 第122-124页 |
| 6.1.2 神经网络群组框架下交通拥堵预测不平衡优化思想 | 第124-125页 |
| 6.2 基于混合采样的数据子集平衡优化 | 第125-128页 |
| 6.2.1 基于聚类的随机疏采样 | 第125-126页 |
| 6.2.2 随机合成过采样 | 第126-127页 |
| 6.2.3 混合采样 | 第127-128页 |
| 6.3 基于衰减加权的超限学习机的子模型平衡优化 | 第128-133页 |
| 6.3.1 加权超限学习机 | 第128-129页 |
| 6.3.2 传统权值矩阵设置 | 第129-130页 |
| 6.3.3 权值衰减设置 | 第130-133页 |
| 6.4 超限学习机在不平衡数据集上的分类实验及分析 | 第133-139页 |
| 6.4.1 实验数据与环境 | 第133-134页 |
| 6.4.2 不平衡分类效果对比 | 第134-135页 |
| 6.4.3 衰减权值的不平衡优化分析 | 第135-137页 |
| 6.4.4 不同参数对DW-ELM识别效果的影响 | 第137-139页 |
| 6.5 神经网络群组在大规模数据集上不平衡分类实验及分析 | 第139-142页 |
| 6.5.1 实验数据与环境 | 第139页 |
| 6.5.2 实验效果对比 | 第139-140页 |
| 6.5.3 子集不平衡分类效果分析 | 第140-142页 |
| 6.6 基于衰减加权的神经网络群组交通拥堵预测平衡优化实验 | 第142-145页 |
| 6.6.1 衰减加权优化对全路网预测效果的影响 | 第142-143页 |
| 6.6.2 衰减加权对路段子集不平衡分类优化效果 | 第143-145页 |
| 6.7 本章小结 | 第145-147页 |
| 7 城市交通拥堵评价与预测系统实现 | 第147-170页 |
| 7.1 城市智能交通系统建设背景 | 第147-149页 |
| 7.1.1 城市交通需求状况 | 第147-148页 |
| 7.1.2 城市道路通行状况 | 第148-149页 |
| 7.1.3 城市交通评价与预测系统建设意义 | 第149页 |
| 7.2 城市交通评价与预测系统设计 | 第149-153页 |
| 7.2.1 总体设计 | 第149-151页 |
| 7.2.2 后台服务 | 第151-152页 |
| 7.2.3 地图服务 | 第152页 |
| 7.2.4 前台展示 | 第152-153页 |
| 7.2.5 数据接口 | 第153页 |
| 7.3 拥堵预测模型的训练与选择 | 第153-156页 |
| 7.3.1 预测模型训练流程 | 第153-155页 |
| 7.3.2 预测模型选择 | 第155-156页 |
| 7.4 城市拥堵预测实现效果 | 第156-164页 |
| 7.4.1 神经网络群组快速训练效果 | 第157-158页 |
| 7.4.2 群组聚类划分优化效果 | 第158-159页 |
| 7.4.3 不平衡预测优化效果 | 第159-161页 |
| 7.4.4 路段级预测结果显示 | 第161-162页 |
| 7.4.5 区域级预测结果显示 | 第162-164页 |
| 7.5 基于拥堵预测的交通服务效果 | 第164-169页 |
| 7.5.1 基于拥堵预测的路段交通疏导 | 第164-165页 |
| 7.5.2 基于拥堵预测的虚拟路规划仿真 | 第165-169页 |
| 7.6 本章小结 | 第169-170页 |
| 8 结论与展望 | 第170-173页 |
| 参考文献 | 第173-184页 |
| 作者简历及在学研究成果 | 第184-188页 |
| 学位论文数据集 | 第188页 |
