| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景与意义 | 第10-12页 |
| 1.2 课题相关领域的研究现状 | 第12-17页 |
| 1.2.1 交通流预测的研究现状 | 第12-16页 |
| 1.2.2 因子分解机的研究现状 | 第16-17页 |
| 1.3 论文的主要工作 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第二章 交通流预测的基础理论和特征分析 | 第19-28页 |
| 2.1 交通流预测的基本概念 | 第19-20页 |
| 2.1.1 交通流预测的研究内容 | 第19页 |
| 2.1.2 交通流预测的分类 | 第19-20页 |
| 2.2 交通流的基本参数 | 第20-22页 |
| 2.2.1 交通流量 | 第20-21页 |
| 2.2.2 速度 | 第21-22页 |
| 2.2.3 占有率 | 第22页 |
| 2.3 交通流数据的特性分析 | 第22-27页 |
| 2.3.1 交通流数据的基本特性 | 第22-23页 |
| 2.3.2 交通流时间特性分析 | 第23-25页 |
| 2.3.3 交通流空间特性分析 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 因子分解机的交通流预测模型研究 | 第28-48页 |
| 3.1 因子分解机理论 | 第28-33页 |
| 3.1.1 因子分解机 | 第28页 |
| 3.1.2 因子分解机的求解原理 | 第28-30页 |
| 3.1.3 因子分解机复杂性分析 | 第30-32页 |
| 3.1.4 因子分解机学习算法 | 第32-33页 |
| 3.2 因子分解机模型构建 | 第33-34页 |
| 3.3 因子分解机模型流程及分解方法 | 第34-39页 |
| 3.3.1 随机梯度下降法算法 | 第34-36页 |
| 3.3.2 马尔科夫蒙特卡罗法算法 | 第36-39页 |
| 3.4 仿真实验 | 第39-47页 |
| 3.4.1 数据来源 | 第39页 |
| 3.4.2 数据预处理 | 第39-42页 |
| 3.4.3 独热编码 | 第42-44页 |
| 3.4.4 预测结果的评价指标 | 第44-45页 |
| 3.4.5 实验结果 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于自动编码器的因子分解机交通流预测模型优化 | 第48-54页 |
| 4.1 自动编码器理论 | 第48-50页 |
| 4.2 自动编码器的算法 | 第50-51页 |
| 4.3 仿真实验 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61-62页 |
| 详细摘要 | 第62-63页 |