| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本文研究的内容和技术路线 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 技术路线 | 第14-16页 |
| 2 短时交通流量预测概述 | 第16-19页 |
| 2.1 短时交通流量 | 第16-17页 |
| 2.1.1 交通流概述 | 第16-17页 |
| 2.1.2 交通流的典型特征 | 第17页 |
| 2.2 所选用的预测方法 | 第17页 |
| 2.3 本文整体框架结构图 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 3 短时交通流量预测相关理论 | 第19-38页 |
| 3.1 三种传统算法原理分析 | 第19-30页 |
| 3.1.1 线性回归算法原理 | 第19-22页 |
| 3.1.2 随机森林基本原理 | 第22-25页 |
| 3.1.3 BP神经网络 | 第25-30页 |
| 3.3 XGBoost模型算法原理 | 第30-34页 |
| 3.3.1 算法基本原理 | 第31-32页 |
| 3.3.2 正则化项 | 第32-33页 |
| 3.3.3 树的生成 | 第33-34页 |
| 3.3.4 优缺点 | 第34页 |
| 3.4 lightGBM模型算法原理 | 第34-37页 |
| 3.4.1 GBDT梯度迭代决策树 | 第34-35页 |
| 3.4.2 Gradient-basedOne-SideSampling算法 | 第35页 |
| 3.4.3 ExclusiveFeatureBundling算法 | 第35-36页 |
| 3.4.4 Histogram-basedAlgorithm算法 | 第36页 |
| 3.4.5 带深度限制的Leaf-wise的叶子生长策略 | 第36-37页 |
| 3.5 短时交通流量预测模型比较 | 第37页 |
| 3.5.1 传统模型及XGBoost模型的比较分析 | 第37页 |
| 3.5.2 lightGBM模型的适用性分析 | 第37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 短时交通流数据剖析 | 第38-46页 |
| 4.1 采集短时交通流的数据概述 | 第38-40页 |
| 4.2 短时交通流的探索性分析 | 第40页 |
| 4.3 预处理短时交通流数据 | 第40-41页 |
| 4.3.1 One-Hot编码处理分类型变量 | 第40页 |
| 4.3.2 对样本缺失值的处理 | 第40-41页 |
| 4.4 短时交通流的可视化分析 | 第41-45页 |
| 4.4.1 时间复杂度的可视化分析 | 第41-43页 |
| 4.4.2 空间复杂度的可视化分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 预测模型设计建模及参数优化 | 第46-59页 |
| 5.1 预测模型的性能评价指标 | 第46页 |
| 5.2 原始特征的建模与调优 | 第46-52页 |
| 5.2.1 原始特征的传统预测模型的建模与调优 | 第46-50页 |
| 5.2.2 原始特征新兴预测模型的建模与调优 | 第50-52页 |
| 5.3 原始特征各模型的比较分析 | 第52页 |
| 5.4 特征子集的构建与重建模 | 第52-57页 |
| 5.4.1 特征子集的传统预测模型的建模与调优 | 第53-55页 |
| 5.4.2 特征子集的新兴预测模型的建模与调优 | 第55-57页 |
| 5.5 特征子集各模型的比较分析 | 第57-58页 |
| 5.6 本章小结 | 第58-59页 |
| 6 总结和展望 | 第59-60页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间的研究成果 | 第64页 |
