基于复杂网络的交通流特征分析及组合预测研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 依托项目 | 第13页 |
| 1.2 研究背景 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-22页 |
| 1.3.1 交通流数据质量控制的研究 | 第14-16页 |
| 1.3.2 交通流特征挖掘的研究 | 第16-19页 |
| 1.3.3 交通流短时预测的研究 | 第19-22页 |
| 1.4 研究内容和方法 | 第22-24页 |
| 1.5 本章小结 | 第24-25页 |
| 第2章 交通流检测数据的质量控制 | 第25-54页 |
| 2.1 引言 | 第25页 |
| 2.2 交通流数据采集及其预处理方法 | 第25-32页 |
| 2.3 基于模糊C均值数据修复方法 | 第32-45页 |
| 2.3.1 传统的模糊C均值修复方法 | 第33-34页 |
| 2.3.2 结合遗传算法的参数优化过程 | 第34-36页 |
| 2.3.3 实例分析和结果对比 | 第36-45页 |
| 2.4 考虑时空相关性数据修复方法 | 第45-53页 |
| 2.4.1 时空相关性及数据采集 | 第46-47页 |
| 2.4.2 实例分析和结果对比 | 第47-53页 |
| 2.5 本章小结 | 第53-54页 |
| 第3章 交通流复杂网络的构建 | 第54-67页 |
| 3.1 引言 | 第54页 |
| 3.2 复杂网络及其统计特性 | 第54-57页 |
| 3.3 交通流量复杂网络模型 | 第57-66页 |
| 3.3.1 时间序列相空间重构 | 第57-60页 |
| 3.3.2 复杂网络建模 | 第60-66页 |
| 3.4 本章小结 | 第66-67页 |
| 第4章 不同采样间隔下交通流特性分析 | 第67-82页 |
| 4.1 引言 | 第67页 |
| 4.2 交通流基本特征 | 第67-68页 |
| 4.3 数据采集及其复杂度测算 | 第68-71页 |
| 4.4 不同采样间隔的交通流复杂网络 | 第71-75页 |
| 4.4.1 复杂网络建模 | 第71-72页 |
| 4.4.2 统计特性分析 | 第72-75页 |
| 4.5 交通流周期特性分析 | 第75-80页 |
| 4.6 本章小结 | 第80-82页 |
| 第5章 不同交通状态下交通流特性分析 | 第82-96页 |
| 5.1 引言 | 第82页 |
| 5.2 基于K均值的交通流状态划分 | 第82-85页 |
| 5.3 不同交通状态下的复杂网络建模 | 第85-89页 |
| 5.3.1 基于多元时间序列的相空间重构 | 第85-88页 |
| 5.3.2 基于多元时间序列的可见图 | 第88-89页 |
| 5.4 不同交通状态下交通流统计特性分析 | 第89-95页 |
| 5.5 本章小结 | 第95-96页 |
| 第6章 考虑周相似性的组合交通流量预测 | 第96-111页 |
| 6.1 引言 | 第96页 |
| 6.2 交通流组合预测模型 | 第96-100页 |
| 6.2.1 双指数平滑（DES）模型 | 第97-98页 |
| 6.2.2 非线性回归的支持向量机（SVM）模型 | 第98-100页 |
| 6.2.3 DES与SVM组合预测模型 | 第100页 |
| 6.3 基于周相似性的数据平滑 | 第100-102页 |
| 6.4 实例分析和预测结果对比 | 第102-110页 |
| 6.4.1 评价指标及模型参数优化 | 第102-104页 |
| 6.4.2 模型预测结果与分析 | 第104-110页 |
| 6.5 本章小结 | 第110-111页 |
| 结论与展望 | 第111-113页 |
| 参考文献 | 第113-122页 |
| 攻读博士学位期间发表的论文及其它成果 | 第122-126页 |
| 致谢 | 第126-127页 |
| 个人简历 | 第127页 |
