| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要内容和章节安排 | 第13-15页 |
| 第2章 交通流数据时间分段及预处理 | 第15-26页 |
| 2.1 研究所采纳的交通流数据介绍 | 第15-16页 |
| 2.2 基于最优分割和DBSCAN算法的双阶段有序聚类模型 | 第16-24页 |
| 2.2.1 数据的非平稳特征 | 第16-17页 |
| 2.2.2 最优分割算法 | 第17-18页 |
| 2.2.3 DBSCAN聚类算法 | 第18-19页 |
| 2.2.4 双阶段有序聚类模型处理逻辑 | 第19-22页 |
| 2.2.5 时间分段实验结果 | 第22-24页 |
| 2.3 数据预处理 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 交通流回归及序列生成模型 | 第26-48页 |
| 3.1 基于时间分段的支持向量机回归模型 | 第26-35页 |
| 3.1.1 支持向量机回归算法原理 | 第26-28页 |
| 3.1.2 支持向量机模型选择 | 第28-29页 |
| 3.1.3 基于时间分段的支持向量机模型框架 | 第29-31页 |
| 3.1.4 模型评价指标 | 第31页 |
| 3.1.5 模型实验结果 | 第31-34页 |
| 3.1.6 模型的安全性 | 第34-35页 |
| 3.2 基于历史数据加权的交通流序列生成算法 | 第35-47页 |
| 3.2.1 原始模型存在的问题 | 第35-37页 |
| 3.2.2 历史数据加权算法的处理逻辑 | 第37-39页 |
| 3.2.3 以先验知识进行加权 | 第39-40页 |
| 3.2.4 以随机梯度下降算法进行加权 | 第40-43页 |
| 3.2.5 两种加权方案的比较 | 第43-44页 |
| 3.2.6 动态添加实测数据进行优化 | 第44-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第4章 基于随机森林的交通流预警时刻点识别模型 | 第48-58页 |
| 4.1 交通流预警时刻点的定义 | 第48-49页 |
| 4.2 交通流预警时刻点的标签传播 | 第49-53页 |
| 4.2.1 标签传播算法原理 | 第49-50页 |
| 4.2.2 以卡方检验选择扩充特征数k | 第50-51页 |
| 4.2.3 标签传播算法实验结果 | 第51-53页 |
| 4.3 交通流预警时刻点的实时识别 | 第53-57页 |
| 4.3.1 随机森林算法原理 | 第53-54页 |
| 4.3.2 基于随机森林的交通流预警时刻点实时识别框架 | 第54-57页 |
| 4.3.3 交通流预警时刻点实时识别实验结果 | 第57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 模型性能分析与比较 | 第58-64页 |
| 5.1 交通流回归模型性能分析与比较 | 第58-61页 |
| 5.2 交通流预警时刻点识别模型性能分析与比较 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间完成的成果 | 第71页 |