| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 交通流量短时预测国内外研究现状 | 第14-18页 |
| 1.2.2 行程时间短时预测国内外研究现状 | 第18-19页 |
| 1.2.3 研究评述 | 第19-20页 |
| 1.3 研究目的与意义 | 第20-21页 |
| 1.3.1 研究目的 | 第20页 |
| 1.3.2 研究意义 | 第20-21页 |
| 1.4 主要研究内容与框架 | 第21-23页 |
| 1.4.1 主要研究内容 | 第21-23页 |
| 1.4.2 研究框架 | 第23页 |
| 1.5 本章小结 | 第23-24页 |
| 第二章 公路交通流特性分析及预测分析 | 第24-34页 |
| 2.1 交通流基本参数 | 第24-28页 |
| 2.1.1 交通流理论 | 第24页 |
| 2.1.2 交通流基本参数定义 | 第24-28页 |
| 2.2 交通流特性分析 | 第28-30页 |
| 2.3 交通流量及行程时间短时预测概述 | 第30-33页 |
| 2.3.1 交通流量及行程时间短时预测 | 第30-31页 |
| 2.3.2 交通流量及行程时间短时预测要求 | 第31-32页 |
| 2.3.3 交通流量与行程时间短时预测常用算法比较 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 高速公路收费流水数据分析与处理 | 第34-49页 |
| 3.1 基础数据分析 | 第34-35页 |
| 3.2 基于高速公路收费流水数据计算交通流量及行程时间 | 第35-37页 |
| 3.3 收费数据异常情况分析 | 第37-38页 |
| 3.3.1 数据冗余情况分析 | 第37页 |
| 3.3.2 数据缺失情况分析 | 第37-38页 |
| 3.3.3 数据错误情况分析 | 第38页 |
| 3.4 收费数据异常识别方法 | 第38-41页 |
| 3.4.1 数据冗余识别方法 | 第38-39页 |
| 3.4.2 数据缺失识别方法 | 第39-40页 |
| 3.4.3 数据错误识别方法 | 第40-41页 |
| 3.5 收费数据异常处理方法 | 第41-46页 |
| 3.5.1 数据冗余处理方法 | 第41页 |
| 3.5.2 数据缺失处理方法 | 第41-45页 |
| 3.5.3 数据错误处理方法 | 第45-46页 |
| 3.6 数据预处理实例 | 第46-48页 |
| 3.6.1 交通流量数据丢失补偿 | 第46-47页 |
| 3.6.2 行程时间数据异常剔除 | 第47-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第四章 高速公路交通流量短时预测 | 第49-72页 |
| 4.1 基于BP神经网络模型的交通流量短时预测 | 第49-57页 |
| 4.1.1 BP神经网络模型 | 第49-51页 |
| 4.1.2 预测模型特征向量的构建 | 第51页 |
| 4.1.3 基于BP神经网络的交通流量短时预测模型 | 第51-52页 |
| 4.1.4 基于BP神经网络模型的交通流量短时预测算法 | 第52-54页 |
| 4.1.5 实例验证 | 第54-57页 |
| 4.2 基于GBDT模型的交通流量短时预测 | 第57-63页 |
| 4.2.1 GBDT算法原理 | 第58-61页 |
| 4.2.2 基于GBDT模型的收费站短时交通流量预测算法 | 第61页 |
| 4.2.3 实例验证 | 第61-63页 |
| 4.3 基于多特征GBDT模型的交通流量短时预测 | 第63-68页 |
| 4.3.1 短时交通流量影响因素分析 | 第63-65页 |
| 4.3.2 基于多特征GBDT模型的收费站短时交通流量预测算法 | 第65-66页 |
| 4.3.3 实例验证 | 第66-68页 |
| 4.4 交通流量短时预测模型的预测结果对比 | 第68-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 高速公路行程时间短时预测 | 第72-95页 |
| 5.1 基于历史平均值的行程时间短时预测 | 第72-74页 |
| 5.1.1 路段行程时间分布分析 | 第72-73页 |
| 5.1.2 实例验证 | 第73-74页 |
| 5.2 基于支持向量机回归的行程时间短时预测 | 第74-87页 |
| 5.2.1 统计学习理论 | 第74-77页 |
| 5.2.2 支持向量机 | 第77-78页 |
| 5.2.3 支持向量机回归 | 第78-82页 |
| 5.2.4 基于支持向量机回归的行程时间短时预测模型 | 第82-85页 |
| 5.2.5 实例验证 | 第85-87页 |
| 5.3 基于TS-SVR的行程时间短时预测 | 第87-92页 |
| 5.3.1 基于TS-SVR的行程时间短时预测模型 | 第88-90页 |
| 5.3.2 实例验证 | 第90-92页 |
| 5.4 行程时间短耐预测模型的预测结果对比 | 第92-93页 |
| 5.5 本章小结 | 第93-95页 |
| 总结与展望 | 第95-99页 |
| 1. 主要工作结论总结及结论 | 第95-97页 |
| 2. 主要创新点 | 第97页 |
| 3. 研究展望 | 第97-99页 |
| 参考文献 | 第99-106页 |
| 附录 | 第106-113页 |
| 攻读硕士学位期间取得的研究成果 | 第113-114页 |
| 致谢 | 第114-115页 |
| 附件 | 第115页 |
