| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-18页 |
| 1.1 选题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 国外智能交通现状 | 第13-14页 |
| 1.2.2 国内智能交通现状 | 第14-16页 |
| 1.2.3 交通流量预测现状 | 第16-17页 |
| 1.3 研究内容与论文组织结构 | 第17-18页 |
| 2 交通流预测模型原理 | 第18-34页 |
| 2.1 提升树算法历史 | 第18-19页 |
| 2.2 传统决策树模型 | 第19-24页 |
| 2.2.1 BoostingTree模型 | 第22-24页 |
| 2.2.2 GradientBoostingDecisionTree(GBDT)模型 | 第24页 |
| 2.3 Xgboost模型 | 第24-26页 |
| 2.4 LightGBM模型 | 第26-30页 |
| 2.5 Xgboost与LightGBM模型的优势 | 第30-31页 |
| 2.6 本章小结 | 第31-34页 |
| 3 交通流数据预处理 | 第34-48页 |
| 3.1 数据介绍 | 第34-37页 |
| 3.2 数据清洗 | 第37-43页 |
| 3.2.1 去除总体数据中的噪声数据 | 第38-42页 |
| 3.2.2 去除每条道路数据中的噪声数据 | 第42页 |
| 3.2.3 去除节假日数据中的噪声数据 | 第42-43页 |
| 3.3 缺失值处理 | 第43-45页 |
| 3.4 本章小结 | 第45-48页 |
| 4 交通流数据特征工程 | 第48-60页 |
| 4.1 交通流特征构建 | 第48-53页 |
| 4.1.1 静态道路信息特征提取 | 第49-51页 |
| 4.1.2 时间窗特征提取 | 第51页 |
| 4.1.3 短时上下游信息特征提取 | 第51-52页 |
| 4.1.4 基本交通流时间信息特征提取 | 第52-53页 |
| 4.2 交通流特征选择 | 第53-58页 |
| 4.2.1 静态道路信息特征选择 | 第54-55页 |
| 4.2.2 交通流时间窗特征选择 | 第55页 |
| 4.2.3 短时上下游信息特征选择 | 第55-56页 |
| 4.2.4 基本交通流时间信息特征选择 | 第56-58页 |
| 4.3 本章小结 | 第58-60页 |
| 5 基于多模型融合的交通流预测模型 | 第60-74页 |
| 5.1 实验环境及评估标准 | 第60页 |
| 5.1.1 实验环境 | 第60页 |
| 5.1.2 评估标准 | 第60页 |
| 5.2 短时交通流预测组合模型 | 第60-66页 |
| 5.2.1 常用组合模型 | 第61-63页 |
| 5.2.2 两类特征构建组合预测模型 | 第63-64页 |
| 5.2.3 四类特征构建组合预测模型 | 第64-66页 |
| 5.3 结果分析 | 第66-72页 |
| 5.3.1 模型参数设置 | 第66-68页 |
| 5.3.2 模型得分对比 | 第68-72页 |
| 5.4 本章小结 | 第72-74页 |
| 6 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介及读研期间主要科研成果 | 第82-83页 |