基于改进KNN的CEEMD-RFR的短期交通流预测
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 交通流预测国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 交通流预测概述 | 第16-26页 |
| 2.1 交通流预测的分类 | 第16-17页 |
| 2.1.1 长期交通流预测 | 第16页 |
| 2.1.2 中期交通流预测 | 第16页 |
| 2.1.3 短期交通流预测 | 第16-17页 |
| 2.1.4 短时交通流预测 | 第17页 |
| 2.2 交通流特性分析 | 第17-18页 |
| 2.3 短期交通流预测理论 | 第18-20页 |
| 2.3.1 短期交通流预测原理 | 第18页 |
| 2.3.2 短期交通流预测模型 | 第18-20页 |
| 2.4 交通流数据处理方式 | 第20-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 机器学习方法基本理论 | 第26-44页 |
| 3.1 机器学习概述 | 第26-28页 |
| 3.1.1 机器学习问题 | 第26-27页 |
| 3.1.2 经验风险最小化 | 第27页 |
| 3.1.3 结构风险最小化 | 第27-28页 |
| 3.2 机器学习算法理论 | 第28-42页 |
| 3.2.1 KNN算法理论 | 第28-30页 |
| 3.2.2 支持向量机 | 第30-34页 |
| 3.2.3 随机森林 | 第34-42页 |
| 3.3 机器学习算法的应用 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 交通流预测模型构建研究 | 第44-54页 |
| 4.1 改进距离的KNN的相关监测点筛选模型 | 第44-46页 |
| 4.2 基于CEEMD的交通流处理 | 第46页 |
| 4.3 随机项预测模型 | 第46-52页 |
| 4.3.1 SVR模型 | 第46-49页 |
| 4.3.2 RFR模型 | 第49-51页 |
| 4.3.3 随机项预测模型流程 | 第51-52页 |
| 4.4 趋势项预测模型 | 第52页 |
| 4.5 预测结果的性能评价指标 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 交通流预测结果分析 | 第54-76页 |
| 5.1 交通数据来源 | 第54页 |
| 5.2 交通流时空特性分析 | 第54-59页 |
| 5.3 交通流数据预处理 | 第59-60页 |
| 5.3.1 缺损值修补 | 第59页 |
| 5.3.2 异常值修订 | 第59页 |
| 5.3.3 噪声抑制 | 第59-60页 |
| 5.4 基于改进距离的KNN相关监测点选择 | 第60-68页 |
| 5.5 基于CEEMD的数据处理 | 第68-69页 |
| 5.6 随机项预测模型特征参数确定 | 第69-70页 |
| 5.7 趋势项预测 | 第70-72页 |
| 5.8 交通流预测及结果评价 | 第72-75页 |
| 5.8.1 预测结果分析 | 第72-74页 |
| 5.8.2 预测模型对比分析 | 第74-75页 |
| 5.9 本章小结 | 第75-76页 |
| 总结与展望 | 第76-80页 |
| 总结 | 第76-77页 |
| 展望 | 第77-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间的科研成果 | 第86-88页 |
| 致谢 | 第88页 |
