| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 多源数据获取与处理 | 第17-30页 |
| 2.1 原始数据说明 | 第17-18页 |
| 2.2 交通预测问题中多源化数据介绍 | 第18-21页 |
| 2.2.1 天气数据 | 第18-19页 |
| 2.2.2 基础设施数据 | 第19-20页 |
| 2.2.3 路网数据 | 第20-21页 |
| 2.3 数据预处理方法 | 第21-22页 |
| 2.3.1 缺失值填补 | 第21-22页 |
| 2.3.2 数据变换 | 第22页 |
| 2.4 交通数据处理 | 第22-25页 |
| 2.4.1 上海市地铁站点清洗与聚类 | 第22-24页 |
| 2.4.2 长春市车辆轨迹地图匹配 | 第24-25页 |
| 2.5 交通数据预处理结果分析 | 第25-30页 |
| 2.5.1 上海市地铁聚类结果分析 | 第25-28页 |
| 2.5.2 长春市道路筛选与问题表述 | 第28-30页 |
| 第3章 基于因子加权回归模型的交通状态预测 | 第30-35页 |
| 3.1 概述 | 第30页 |
| 3.2 因子加权回归模型 | 第30-31页 |
| 3.2.1 ARIMA时间序列模型 | 第30页 |
| 3.2.2 因子加权回归模型 | 第30-31页 |
| 3.3 基于因子加权回归模型的高峰期短时交通状态预测 | 第31-34页 |
| 3.3.1 评价指标说明 | 第31-32页 |
| 3.3.2 上海市地铁进站流量预测结果对比 | 第32-33页 |
| 3.3.3 长春市路网交通通行速度预测 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于梯度提升树模型的交通状态预测 | 第35-46页 |
| 4.1 概述 | 第35页 |
| 4.2 梯度提升树模型 | 第35-39页 |
| 4.2.1 集成学习基础 | 第35-36页 |
| 4.2.2 XGBOOST梯度提升树算法 | 第36-38页 |
| 4.2.3 XGBOOST在不同损失函数下的导数选择 | 第38-39页 |
| 4.3 基于时间维度与空间维度的特征筛选 | 第39-40页 |
| 4.3.1 时间维度特征工程 | 第39-40页 |
| 4.3.2 空间维度特征工程 | 第40页 |
| 4.4 基于梯度提升树模型的高峰期短时交通状态预测 | 第40-45页 |
| 4.4.1 基于时间维度与空间维度的交通数据特征筛选 | 第40-41页 |
| 4.4.2 基于提升树模型的上海市地铁进站流量预测 | 第41-44页 |
| 4.4.3 基于提升树模型的长春市路网交通通行速度预测 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 因子加权回归模型与梯度提升树模型融合 | 第46-58页 |
| 5.1 概述 | 第46-47页 |
| 5.1.1 加权表决融合 | 第46-47页 |
| 5.1.2 Stacking学习法 | 第47页 |
| 5.2 时间序列模型与提升树模型的融合策略 | 第47-48页 |
| 5.3 基于模型融合的高峰期短时交通状态预测的现实应用 | 第48-57页 |
| 5.3.1 模型融合在上海地铁进站流量预测中的应用 | 第48-51页 |
| 5.3.2 模型融合在长春路网通行状况预测中的应用 | 第51-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结和展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 作者简介及在学期间所取得的科研成果 | 第64-65页 |
| 致谢 | 第65页 |
