城市交通流多维时序混合数据挖掘预测模型及其应用研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 论文研究背景及意义 | 第7-9页 |
| 1.2 短时交通流预测研究现状 | 第9-13页 |
| 1.3 论文主要工作及结构安排 | 第13-14页 |
| 第2章 相关数据挖掘技术 | 第14-26页 |
| 2.1 数据挖掘方法 | 第14-18页 |
| 2.1.1 数据挖掘模式 | 第14-16页 |
| 2.1.2 数据挖掘步骤 | 第16-18页 |
| 2.2 基于数据挖掘的时间序列 | 第18-19页 |
| 2.2.1 基于数据挖掘的时间序列简介 | 第18-19页 |
| 2.2.2 基于数据挖掘的时间序列分析与流程 | 第19页 |
| 2.3 机器学习方法 | 第19-26页 |
| 第3章 多维时间序列混合模型数学建模 | 第26-31页 |
| 3.1 交通流的局部模型 | 第26-27页 |
| 3.2 交通流的全局模型 | 第27-28页 |
| 3.3 交通流量预测模型 | 第28-31页 |
| 第4章 多维时序混合模型算法设计 | 第31-42页 |
| 4.1 城市交通流的数据预处理 | 第31-39页 |
| 4.1.1 数据挖掘中数据预处理的主要方法 | 第31-33页 |
| 4.1.2 交通流的特点分析 | 第33页 |
| 4.1.3 交通流的预处理 | 第33-39页 |
| 4.2 转置计算 | 第39-40页 |
| 4.3 聚类计算 | 第40-42页 |
| 第5章 多维时序混合数据挖掘模型实验 | 第42-56页 |
| 5.1 评价指标 | 第42页 |
| 5.2 实验设置 | 第42-46页 |
| 5.3 四种机器学习方法的预测结果 | 第46-48页 |
| 5.3.1 传统单一路口单时间序列预测实验 | 第46-47页 |
| 5.3.2 相关多路口多时间序列预测实验 | 第47-48页 |
| 5.4 不同预测方法的实验效果对比及结果分析 | 第48-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 致谢 | 第60-61页 |
| 附录1 攻读硕士学位期间发表的论文 | 第61-62页 |
| 附录2 主要英文缩写语对照表 | 第62页 |
