| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-25页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 国内外研究研究现状 | 第17-21页 |
| 1.3 论文主要工作与组织安排 | 第21-23页 |
| 1.3.1 论文主要工作 | 第21-22页 |
| 1.3.2 论文组织架构 | 第22-23页 |
| 1.4 论文技术路线图与创新点 | 第23-24页 |
| 1.4.1 论文技术路线图 | 第23-24页 |
| 1.4.2 创新点 | 第24页 |
| 1.5 本章小结 | 第24-25页 |
| 第2章 相关理论方法与模型 | 第25-34页 |
| 2.1 模型融合 | 第25-28页 |
| 2.1.1 建立模型 | 第26页 |
| 2.1.2 融合模型 | 第26-28页 |
| 2.2 相关预测模型的介绍 | 第28-32页 |
| 2.2.1 梯度提升树模型 | 第28-29页 |
| 2.2.2 XGBoost模型 | 第29-30页 |
| 2.2.3 LightGBM模型 | 第30-31页 |
| 2.2.4 随机森林模型 | 第31页 |
| 2.2.5 支持向量机回归模型 | 第31-32页 |
| 2.3 模型评价指标 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 高速公路收费站车流量分析 | 第34-44页 |
| 3.1 数据来源 | 第34-36页 |
| 3.2 车流量分析 | 第36-41页 |
| 3.2.1 车流量可视化分析 | 第36-37页 |
| 3.2.2 R/S分析 | 第37-38页 |
| 3.2.3 经验模态分解 | 第38-41页 |
| 3.3 数据预处理 | 第41-42页 |
| 3.3.1 异常值处理 | 第41页 |
| 3.3.2 缺失值填补 | 第41-42页 |
| 3.3.3 归一化 | 第42页 |
| 3.4 构造数据集 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 车流量数据的特征工程 | 第44-53页 |
| 4.1 特征构建 | 第44-46页 |
| 4.1.1 时间特征构建 | 第44-45页 |
| 4.1.2 天气特征构建 | 第45页 |
| 4.1.3 道路特征构建 | 第45-46页 |
| 4.2 特征处理 | 第46-52页 |
| 4.2.1 特征编码 | 第46-47页 |
| 4.2.2 特征相关性分析 | 第47-50页 |
| 4.2.3 特征选择 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 多模型融合的车流量预测实验 | 第53-64页 |
| 5.1 实验环境以及训练集的构建 | 第53页 |
| 5.1.1 实验环境 | 第53页 |
| 5.1.2 训练集的构建 | 第53页 |
| 5.2 基于 Average方法的车流量预测实验 | 第53-59页 |
| 5.2.1 基于Average方法组合的介绍 | 第53-54页 |
| 5.2.2 XGBoost 模型的预测实验 | 第54-55页 |
| 5.2.3 Light GBM 模型的预测实验 | 第55-56页 |
| 5.2.4 模型组合实验 | 第56-59页 |
| 5.3 基于 Stacking 方法的车流量预测实验 | 第59-63页 |
| 5.3.1 基于Stacking方法的模型融合框架介绍 | 第59-60页 |
| 5.3.2 随机森林模型的预测实验 | 第60-61页 |
| 5.3.3 支持向量回归的预测实验 | 第61-62页 |
| 5.3.4 模型融合实验 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 高速公路收费站人力资源调度优化 | 第64-71页 |
| 6.1 高速公路收费站排队模型 | 第64-66页 |
| 6.1.1 模型假设 | 第64-65页 |
| 6.1.2 M/M/C模型 | 第65页 |
| 6.1.3 模型中的变量 | 第65-66页 |
| 6.1.4 收费员的动态最优配置 | 第66页 |
| 6.2 基于车流量预测的收费人员动态配置 | 第66-70页 |
| 6.3 本章小结 | 第70-71页 |
| 第7章 结论与展望 | 第71-73页 |
| 7.1 研究结论 | 第71页 |
| 7.2 研究不足与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第77-78页 |
| 致谢 | 第78-79页 |
| 详细摘要 | 第79-81页 |