| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 研究目标及内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 现有学习模型研究 | 第17-26页 |
| 2.1 K-means聚类方法 | 第17-20页 |
| 2.1.1 K-means聚类方法基本算法原理 | 第17-18页 |
| 2.1.2 K-means聚类方法初始质心选择 | 第18-19页 |
| 2.1.3 K-means聚类方法优缺点分析 | 第19-20页 |
| 2.2 层次聚类方法 | 第20-22页 |
| 2.2.1 层次聚类方法原理 | 第20-21页 |
| 2.2.2 K-means聚类方法与层次聚类方法的对比 | 第21-22页 |
| 2.3 线性回归分类方法 | 第22-24页 |
| 2.3.1 线性回归方法原理 | 第22-24页 |
| 2.3.2 线性回归方法优缺点 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于数据回馈的自适应性聚类分析模型 | 第26-38页 |
| 3.1 研究内容及目标 | 第26页 |
| 3.2 方法架构 | 第26-27页 |
| 3.3 基于道路数据特征的聚类流程 | 第27-32页 |
| 3.2.1 交通学习问题的参数选取分析 | 第27-29页 |
| 3.2.2 基于K-means聚类方法的质心选择分析 | 第29-32页 |
| 3.4 基于真实数据对质心作出偏移优化 | 第32-34页 |
| 3.5 针对不同地区的模型镜像化处理 | 第34-35页 |
| 3.6 实验分析 | 第35-36页 |
| 3.7 本章小结 | 第36-38页 |
| 第4章 基于参数去共线性优化的线性回归模型 | 第38-54页 |
| 4.1 研究内容及目标 | 第38-39页 |
| 4.2 线性回归构建流程 | 第39-42页 |
| 4.2.1 线性回归模型的函数构建 | 第39页 |
| 4.2.2 线性回归模型的最小二乘法分析 | 第39-40页 |
| 4.2.3 线性回归模型的梯度下降法求解分析 | 第40-42页 |
| 4.3 线性回归模型去参数共线性优化 | 第42-48页 |
| 4.3.1 最小二乘法参数优化的原因 | 第42-43页 |
| 4.3.2 线性回归模型参数优化方法 | 第43-44页 |
| 4.3.3 逐步回归分析法原理及流程 | 第44-46页 |
| 4.3.4 逐步回归分析法对交通研究的适用性分析 | 第46页 |
| 4.3.5 主成分分析筛选法的原理及流程 | 第46-47页 |
| 4.3.6 主成分分析筛选法对交通研究的适用性分析 | 第47-48页 |
| 4.4 线性回归模型梯度下降求解优化 | 第48-49页 |
| 4.4.1 梯度下降法优化的原因 | 第48页 |
| 4.4.2 梯度下降法优化的思路 | 第48-49页 |
| 4.4.3 梯度下降法与最小二乘法的对比 | 第49页 |
| 4.5 实验分析 | 第49-53页 |
| 4.5.1 模拟数据引入 | 第49-51页 |
| 4.5.2 显著性验证 | 第51-52页 |
| 4.5.3 梯度下降优化 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 研究成果和主要结论 | 第54页 |
| 5.2 进一步的研究与展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58页 |
