致谢 | 第1-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-17页 |
1 绪论 | 第17-25页 |
·研究背景 | 第17-20页 |
·全球道路交通安全形势 | 第17-18页 |
·国内道路交通安全形势 | 第18-20页 |
·研究目的和意义 | 第20-21页 |
·研究内容和技术路线 | 第21-24页 |
·依托项目 | 第24-25页 |
2 国内外研究综述 | 第25-37页 |
·道路交通事故严重程度分析方法 | 第25-28页 |
·现有方法回顾 | 第26-27页 |
·综合评述 | 第27-28页 |
·道路交通事故预测 | 第28-32页 |
·现有方法回顾 | 第28-32页 |
·综合评述 | 第32页 |
·道路交通事故数据挖掘 | 第32-35页 |
·现有方法回顾 | 第32-35页 |
·综合评述 | 第35页 |
·本章小结 | 第35-37页 |
3 道路交通事故影响因素分析与信息采集 | 第37-57页 |
·道路交通事故影响因素分析 | 第37-42页 |
·人的影响因素 | 第37-39页 |
·车辆的影响因素 | 第39-40页 |
·道路因素 | 第40-41页 |
·环境因素 | 第41-42页 |
·道路交通事故信息采集现状 | 第42-49页 |
·国外道路交通事故数据的采集与分析 | 第42-44页 |
·国内道路交通事故数据的采集与分析 | 第44-47页 |
·国内外道路交通事故信息采集对比研究 | 第47-49页 |
·事故因素指标的统计分布特征分析 | 第49-56页 |
·道路交通事故时间分布特征 | 第50-51页 |
·道路交通事故类型分布特征 | 第51-53页 |
·道路交通事故人员及车辆分布特征 | 第53-54页 |
·道路交通事故道路与环境分布特征 | 第54-56页 |
·本章小结 | 第56-57页 |
4 道路交通事故严重程度分类识别模型 | 第57-81页 |
·支持向量机 | 第57-66页 |
·支持向量机SVM | 第57-60页 |
·孪生支持向量机TWSVM | 第60-62页 |
·参数化间隔par-v-SVM | 第62-63页 |
·参数化间隔孪生支持向量机TPMSVM | 第63-66页 |
·基于TPMSVM的事故严重程度分类识别模型 | 第66-72页 |
·事故严重程度分类建模的数据准备 | 第66-69页 |
·多分类SVM算法 | 第69-71页 |
·基于特征选择的事故严重程度影响因素分析 | 第71-72页 |
·实证研究 | 第72-78页 |
·二分类事故严重程度TPMSVM建模 | 第72-76页 |
·多分类事故严重程度TPMSVM建模 | 第76-78页 |
·本章小结 | 第78-81页 |
5 道路交通事故时间序列组合预测和趋势分析 | 第81-103页 |
·基于ARIMA和SVR的组合预测模型 | 第81-95页 |
·时间序列ARIMA模型 | 第81-84页 |
·支持向量回归机SVR | 第84-86页 |
·组合预测模型建模思路 | 第86-87页 |
·实证研究 | 第87-95页 |
·基于信息粒化SVR的道路交通事故指标趋势分析 | 第95-101页 |
·模糊信息粒化方法模型 | 第95-97页 |
·基于模糊信息粒化的SVR建模 | 第97-98页 |
·实证研究 | 第98-101页 |
·本章小结 | 第101-103页 |
6 基于数据挖掘的道路交通事故致因分析 | 第103-119页 |
·基于两步BIRCH算法的道路交通事故分布特征挖掘 | 第103-111页 |
·事故特征聚类分析 | 第103-104页 |
·两步BIRCH聚类算法 | 第104-106页 |
·实证研究 | 第106-111页 |
·基于决策树模型的道路交通事故原因分类识别 | 第111-116页 |
·决策树模型与C5.0算法 | 第111-113页 |
·数据转化与规约 | 第113-114页 |
·实证研究 | 第114-116页 |
·本章小结 | 第116-119页 |
7 研究结论及展望 | 第119-125页 |
·主要研究结论 | 第119-121页 |
·主要创新点 | 第121-122页 |
·研究展望 | 第122-125页 |
参考文献 | 第125-133页 |
作者简历及攻读博士学位期间取得的研究成果 | 第133-137页 |
学位论文数据集 | 第137页 |