| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-14页 |
| 1.2.1 交通事件自动检测算法 | 第11-12页 |
| 1.2.2 不平衡分类技术 | 第12-13页 |
| 1.2.2.1 数据层面方法 | 第12-13页 |
| 1.2.2.2 算法层面方法 | 第13页 |
| 1.2.3 研究现状分析 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 交通事件检测原理及算法分析 | 第16-23页 |
| 2.1 交通事件基本概念 | 第16页 |
| 2.2 交通事件检测原理分析 | 第16-19页 |
| 2.2.1 交通流特征参数 | 第16-17页 |
| 2.2.2 交通事件对交通流特征参数的影响 | 第17-19页 |
| 2.3 交通事件检测算法设计及评价指标分析 | 第19-22页 |
| 2.3.1 面向不平衡数据集的AID算法设计 | 第19-20页 |
| 2.3.2 AID算法评价指标 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于邻域清理欠抽样的交通事件检测算法研究 | 第23-34页 |
| 3.1 邻域清理欠抽样算法原理 | 第23页 |
| 3.2 支持向量机原理及其分析 | 第23-26页 |
| 3.2.1 最优分类面与广义最优分类面 | 第24-25页 |
| 3.2.2 核函数 | 第25-26页 |
| 3.3 基于邻域清理欠抽样的SVM AID算法流程 | 第26-27页 |
| 3.4 实例验证 | 第27-32页 |
| 3.4.1 实验数据 | 第27-28页 |
| 3.4.1.1 数据描述 | 第27页 |
| 3.4.1.2 SVM特征向量构建 | 第27-28页 |
| 3.4.1.3 训练集与测试集构建 | 第28页 |
| 3.4.2 SVM参数优化 | 第28-30页 |
| 3.4.2.1 网格搜索方法优化SVM参数 | 第29页 |
| 3.4.2.2 粒子群算法优化SVM参数 | 第29-30页 |
| 3.4.3 实验结果分析 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 基于GA-IS抽样的交通事件检测算法研究 | 第34-42页 |
| 4.1 遗传算法的基本原理 | 第34-35页 |
| 4.2 遗传算法实例选择(GA-IS)抽样的算法设计 | 第35-37页 |
| 4.3 实例验证 | 第37-41页 |
| 4.3.1 实验设计 | 第37-38页 |
| 4.3.2 实验分析 | 第38-41页 |
| 4.3.2.1 构建训练集与测试集 | 第38-39页 |
| 4.3.2.2 GA-IS SVM AID模型检测效果分析 | 第39-40页 |
| 4.3.2.3 与邻域清理欠抽样对比分析 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于GA-SS抽样的交通事件检测算法研究 | 第42-50页 |
| 5.1 支持向量在SVM分类中的作用机理 | 第42-44页 |
| 5.1.1 支持向量的定义 | 第42-43页 |
| 5.1.2 支持向量对SVM分类决策边界的影响 | 第43-44页 |
| 5.2 遗传算法支持向量选择(GA-SS)抽样的算法设计 | 第44-46页 |
| 5.3 实例验证 | 第46-49页 |
| 5.3.1 性能评价指标 | 第47页 |
| 5.3.2 实验结果分析 | 第47-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 主要研究总结 | 第50页 |
| 6.2 主要创新点 | 第50-51页 |
| 6.3 研究展望 | 第51-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间研究成果及参与项目 | 第60页 |
