| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14页 |
| 1.2.3 国内外研究现状总结 | 第14-15页 |
| 1.3 研究内容和研究目标 | 第15-17页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15-17页 |
| 1.4 技术路线 | 第17-19页 |
| 2 实时事故风险预测关键理论方法 | 第19-33页 |
| 2.1 模式识别基本方法概述 | 第19-20页 |
| 2.2 特征矢量降维方法概述 | 第20-24页 |
| 2.2.1 过拟合现象 | 第20-21页 |
| 2.2.2 相关性和冗余性 | 第21-22页 |
| 2.2.3 特征降维方法 | 第22-24页 |
| 2.3 实时事故风险预测分类算法 | 第24-32页 |
| 2.3.1 K-近邻算法 | 第24-26页 |
| 2.3.2 BP神经网络算法 | 第26-27页 |
| 2.3.3 支持向量机算法 | 第27-32页 |
| 2.4 小结 | 第32-33页 |
| 3 数据预处理 | 第33-49页 |
| 3.1 数据采集 | 第33-34页 |
| 3.2 交通流数据提取 | 第34-36页 |
| 3.3 交通流数据清洗 | 第36-38页 |
| 3.4 样本数据集成及归一化 | 第38-40页 |
| 3.5 案例数据预处理 | 第40-48页 |
| 3.6 小结 | 第48-49页 |
| 4 基于特征选择的实时交通事故风险预测模型构建 | 第49-63页 |
| 4.1 基于相关性分析的特征选择算法构建(CBFS算法) | 第49-54页 |
| 4.2 基于SVM的实时交通事故风险预测算法构建 | 第54-58页 |
| 4.2.1 核函数的选择 | 第54-55页 |
| 4.2.2 改进的网格搜索法 | 第55-57页 |
| 4.2.3 基于SVM的实时交通事故风险预测算法步骤 | 第57-58页 |
| 4.3 基于特征选择的实时交通事故风险预测模型设计 | 第58-59页 |
| 4.4 精度评价指标 | 第59-61页 |
| 4.5 小结 | 第61-63页 |
| 5 案例分析 | 第63-81页 |
| 5.1 基于CBFS算法的特征选择 | 第63-65页 |
| 5.2 基于SVM的实时交通事故风险预测 | 第65-70页 |
| 5.3 CBFS算法合理性分析 | 第70-74页 |
| 5.4 改进网格搜索法合理性分析 | 第74-77页 |
| 5.5 不同分类算法结果对比分析 | 第77-79页 |
| 5.6 小结 | 第79-81页 |
| 6 结论与展望 | 第81-83页 |
| 6.1 结论 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 附录A | 第87-101页 |
| 附录B | 第101-103页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第103-107页 |
| 学位论文数据集 | 第107页 |
