基于BP神经网络Bagging集成的高速公路绿通车稽查模型研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 高速公路“绿色通道”稽查管理方面 | 第10-12页 |
| 1.3.2 数据挖掘在高速公路收费数据应用方面 | 第12-13页 |
| 1.3.3 研究现状总结 | 第13页 |
| 1.4 主要研究内容与章节安排 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 高速公路绿通车稽查模型研究 | 第16-32页 |
| 2.1 高速公路绿通车稽查管理现状 | 第16-17页 |
| 2.1.1 高速公路绿通车的查验方式 | 第16-17页 |
| 2.1.2 “快快绿通车”高速公路绿通车管理平台 | 第17页 |
| 2.2 基于绿通车管理平台的作弊自动预警 | 第17-18页 |
| 2.3 常用的分类算法 | 第18-20页 |
| 2.4 BP人工神经网络算法 | 第20-23页 |
| 2.4.1 神经元的基本概念 | 第20页 |
| 2.4.2 BP神经网络的学习流程 | 第20-22页 |
| 2.4.3 BP神经网络的优化算法 | 第22-23页 |
| 2.5 非均衡数据集的机器学习方法研究 | 第23-30页 |
| 2.5.1 非均衡数据集机器学习的难点 | 第24-25页 |
| 2.5.2 数据重采样方法 | 第25-26页 |
| 2.5.3 非均衡数据集的学习算法 | 第26-27页 |
| 2.5.4 Bagging集成学习 | 第27-28页 |
| 2.5.5 非均衡数据集的模型评估 | 第28-30页 |
| 2.6 基于BP神经网络集成的绿通车稽查模型 | 第30-31页 |
| 2.6.1 基神经网络分类器 | 第30-31页 |
| 2.6.2 强神经网络分类器 | 第31页 |
| 2.7 本章小节 | 第31-32页 |
| 第三章 指标体系的构建及数据预处理方法 | 第32-46页 |
| 3.1 数据源选择 | 第32-33页 |
| 3.2 绿通车稽查模型指标体系构建 | 第33-42页 |
| 3.2.1 绿通车稽查模型指标选取原则 | 第33-34页 |
| 3.2.2 绿通车稽查模型指标的选取 | 第34-41页 |
| 3.2.3 绿通车稽查模型指标说明 | 第41-42页 |
| 3.3 数据预处理方法 | 第42-45页 |
| 3.3.1 数据清理 | 第42页 |
| 3.3.2 范畴型变量的数值化 | 第42-43页 |
| 3.3.3 连续数据的离散化方法 | 第43页 |
| 3.3.4 主成分分析 | 第43-45页 |
| 3.3.5 数据规范化 | 第45页 |
| 3.4 本章小节 | 第45-46页 |
| 第四章 高速公路绿通车稽查模型实例验证 | 第46-63页 |
| 4.1 模型验证数据集选取 | 第46页 |
| 4.2 绿通车数据集数据预处理 | 第46-58页 |
| 4.2.1 连续型数据的离散化 | 第46-54页 |
| 4.2.2 指标变量降维处理 | 第54-57页 |
| 4.2.3 最大-最小值规范化处理 | 第57-58页 |
| 4.3 基神经网络分类器设计 | 第58-59页 |
| 4.4 绿通车稽查模型验证结果 | 第59-62页 |
| 4.4.1 基分类器训练结果 | 第59-61页 |
| 4.4.2 基分类器Bagging集成学习 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论与展望 | 第63-65页 |
| 论文主要研究成果 | 第63-64页 |
| 进一步研究方向 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
