基于集成学习的区域人流密度预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 论文选题背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 人流密度的研究现状 | 第10-11页 |
| 1.2.2 集成学习的研究现状 | 第11-12页 |
| 1.2.3 预测算法的研究现状 | 第12-13页 |
| 1.3 论文研究目标及内容 | 第13-14页 |
| 1.4 结构安排 | 第14-15页 |
| 第二章 相关理论及技术介绍 | 第15-28页 |
| 2.1 ARIMA模型预测 | 第15-18页 |
| 2.1.1 时间序列预测 | 第15-16页 |
| 2.1.2 ARIMA模型概述 | 第16-18页 |
| 2.2 GM模型 | 第18-21页 |
| 2.2.1 灰色生成 | 第18-20页 |
| 2.2.2 模型检验 | 第20-21页 |
| 2.3 RBF神经网络模型 | 第21-24页 |
| 2.3.1 人工神经网络 | 第21页 |
| 2.3.2 RBF网络模型 | 第21-24页 |
| 2.4 集成预测 | 第24-25页 |
| 2.5 平台概述 | 第25-27页 |
| 2.5.1 Storm的基本概念 | 第25-26页 |
| 2.5.2 Kafka简介 | 第26-27页 |
| 2.5.3 Zookeeper简介 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 区域人流密度预测算法设计 | 第28-39页 |
| 3.1 算法需求概述 | 第28-31页 |
| 3.1.1 基本需求 | 第28-29页 |
| 3.1.2 数据模型 | 第29-31页 |
| 3.2 ARIMA算法设计 | 第31-34页 |
| 3.3 GM算法设计 | 第34-36页 |
| 3.4 人流密度预测算法 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 区域人流密度预测的实现 | 第39-49页 |
| 4.1 实现环境及技术路线 | 第39-40页 |
| 4.2 处理流程 | 第40-42页 |
| 4.3 数据预处理 | 第42-45页 |
| 4.3.1 数据生成 | 第42-43页 |
| 4.3.2 数据过滤 | 第43页 |
| 4.3.3 数据统计 | 第43-44页 |
| 4.3.4 数据存储 | 第44-45页 |
| 4.4 算法实现 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 实验结果及分析 | 第49-60页 |
| 5.1 预测结果 | 第49-57页 |
| 5.2 结果分析 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 总结与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 答辩委员会对论文的评定意见 | 第65页 |
