| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的和意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-13页 |
| 1.4 研究内容及框架 | 第13-15页 |
| 2 组合交通流预测综述 | 第15-20页 |
| 2.1 交通流参数 | 第15-16页 |
| 2.1.1 交通流量 | 第15页 |
| 2.1.2 交通流速度 | 第15页 |
| 2.1.3 交通流密度 | 第15-16页 |
| 2.2 交通流预测方法 | 第16-18页 |
| 2.2.1 线性系统预测方法 | 第16-17页 |
| 2.2.2 非线性系统预测方法 | 第17页 |
| 2.2.3 智能预测方法 | 第17-18页 |
| 2.2.4 动态分配预测方法 | 第18页 |
| 2.2.5 交通仿真预测方法 | 第18页 |
| 2.3 交通流组合预测基本思路 | 第18-19页 |
| 2.4 交通流预测的基本流程 | 第19-20页 |
| 3 基于ARIMA，神经网络模型，K邻近非参数回归模型的组合模型 | 第20-55页 |
| 3.1 模型基本结构和思路 | 第20-33页 |
| 3.1.1 ARIMA模型 | 第20-23页 |
| 3.1.2 人工神经网络模型 | 第23-31页 |
| 3.1.3 K邻近非参数回归模型 | 第31-33页 |
| 3.2 原始交通数据的获取方式 | 第33-37页 |
| 3.2.1 感应线圈检测器 | 第34页 |
| 3.2.2 波频车辆检测器 | 第34-35页 |
| 3.2.3 地磁车辆检测器 | 第35页 |
| 3.2.4 声学检测器 | 第35页 |
| 3.2.5 移动检测器 | 第35页 |
| 3.2.6 视频车辆检测器 | 第35页 |
| 3.2.7 原始交通数据采集 | 第35-37页 |
| 3.3 原始交通数据预处理 | 第37-39页 |
| 3.3.1 丢数数据的识别处理 | 第37-38页 |
| 3.3.2 错误数据的识别处理 | 第38-39页 |
| 3.3.3 冗余数据的识别处理 | 第39页 |
| 3.4 组合模型组合方式的确定 | 第39-42页 |
| 3.4.1 线性函数 | 第39-42页 |
| 3.4.2 非线性函数 | 第42页 |
| 3.5 模型评价指标 | 第42-44页 |
| 3.6 运用IBM SPSS Modeler软件建模 | 第44-52页 |
| 3.6.1 数据输入部分 | 第45-48页 |
| 3.6.2 参数设置部分 | 第48-49页 |
| 3.6.3 ARIMA时间序列模型部分 | 第49-50页 |
| 3.6.4 感知器神经网络模型部分 | 第50页 |
| 3.6.5 K邻近非参数回归模型部分 | 第50-51页 |
| 3.6.6 组合感知器神经网络模型部分 | 第51页 |
| 3.6.7 模型评价输出部分 | 第51-52页 |
| 3.7 组合模型单模型参数设置 | 第52-55页 |
| 3.7.1 ARIMA时间序列模型 | 第52页 |
| 3.7.2 感知器神经网络模型 | 第52-53页 |
| 3.7.3 K邻近非参数回归模型 | 第53-55页 |
| 4 不同时间间隔下组合模型评价 | 第55-59页 |
| 4.1 不同时间间隔划分目的 | 第55-56页 |
| 4.2 时间间隔划分标准 | 第56页 |
| 4.3 时间间隔对预测模型的影响 | 第56-58页 |
| 4.3.1 子模型预测结果分析 | 第56-57页 |
| 4.3.2 组合预测模型预测结果分析 | 第57-58页 |
| 4.4 总结 | 第58-59页 |
| 5 不同预测时段下组合模型评价 | 第59-62页 |
| 5.1 不同预测时段划分目的 | 第59页 |
| 5.2 不同预测时段划分标准 | 第59页 |
| 5.3 不同预测时段对预测模型的影响 | 第59-61页 |
| 5.3.1 子模型预测结果分析 | 第60页 |
| 5.3.2 组合模型预测结果分析 | 第60-61页 |
| 5.4 总结 | 第61-62页 |
| 6 文章存在的不足之处 | 第62-63页 |
| 结论 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录A 交通流数据 | 第68-69页 |
| 攻读学位期间的研究成果 | 第69页 |